基于解剖学信息的全身 PET/CT 淋巴瘤病灶检测
图像与视频处理
2025-11-11 v1 机器学习
摘要
早期癌症检测对于改善患者预后至关重要，18F FDG PET/CT 成像在结合代谢和解剖信息方面发挥着关键作用。由于需要识别大小不同的多个病灶，准确的病灶检测仍然具有挑战性。本研究检讨了将解剖学先验信息添加到基于深度学习的病灶检测模型中的效果。具体而言，我们将来自 TotalSegmentator 工具的器官分割掩码作为辅助输入，为 nnDetection——这是一种用于病灶检测的领先技术——以及 Swin Transformer 提供解剖背景。后者在两个阶段内进行训练，结合自监督预训练和监督微调。该方法在AutoPET 和 Karolinska 淋巴瘤数据集上进行测试。结果表明，解剖先验信息的包含在 nnDetection 框架中，显著提高了检测性能，而对视觉转换器的影响几乎为零。此外，我们观察到 Swin Transformer 在 nnDetection 所使用的传统卷积神经网络 (CNN) 编码器方面没有明显优势。这些发现凸显了解剖学背景在癌症病灶检测中的关键作用，尤其是在基于 CNN 的模型中。
引用
@article{arxiv.2511.07047,
title = {Anatomy-Aware Lymphoma Lesion Detection in Whole-Body PET/CT},
author = {Simone Bendazzoli and Antonios Tzortzakakis and Andreas Abrahamsson and Björn Engelbrekt Wahlin and Örjan Smedby and Maria Holstensson and Rodrigo Moreno},
journal= {arXiv preprint arXiv:2511.07047},
year = {2025}
}