AutoLugano：基于深度学习的全自动淋巴瘤分割与FDG-PET/CT Lundega 分类框架
计算机视觉与模式识别
2025-12-09 v1 机器学习
摘要
目的：开发一个用于从基线FDG-PET/CT扫描中完成淋巴瘤分类的全自动深度学习系统，即AutoLugano。方法：AutoLugano系统通过三个顺序模块处理基线FDG-PET/CT扫描：（1）解剖学导向的肿块分割，采用3D nnU-Net模型，训练于多通道输入，实现自动肿块检测；（2）基于棱镜的解剖定位，利用TotalSegmentator工具箱将分割肿块映射到21个预定义的淋巴结区域，并使用确定性解剖规则；（3）自动Lundega 分类，其中受影响区域的空间分布被转化为Lundega 分期及治疗组别（Limited vs. Advanced Stage）。该系统在公共autoPET数据集（n=1,007）上训练，并在67例独立队列上进行外部验证。采用准确率、灵敏度、特异度和F1分数评估区域参与检测与分期一致性。结果：在外部验证集上，所提模型展现出稳健的性能，区域参与检测的总体准确率为88.31%，灵敏度为74.47%，特异度为94.21%，F1分数为80.80%，优于基线模型。最突出的是对于治疗分层的关键临床任务（Limited vs. Advanced Stage），系统实现了85.07%的高准确率，特异度为90.48%，灵敏度为82.61%。结论：AutoLugano是第一个将单次基线FDG-PET/CT扫描转化为完整Lundega 分期的全自动、端到端流程。该研究表明其强大的潜力可用于初始分期、治疗分层及临床决策支持。
引用
@article{arxiv.2512.07206,
title = {AutoLugano: A Deep Learning Framework for Fully Automated Lymphoma Segmentation and Lugano Staging on FDG-PET/CT},
author = {Boyang Pan and Zeyu Zhang and Hongyu Meng and Bin Cui and Yingying Zhang and Wenli Hou and Junhao Li and Langdi Zhong and Xiaoxiao Chen and Xiaoyu Xu and Changjin Zuo and Chao Cheng and Nan-Jie Gong},
journal= {arXiv preprint arXiv:2512.07206},
year = {2025}
}