基于假阳性抑制网络的全身多模态PET/CT图像肿瘤自动分割
图像与视频处理
2022-09-19 v1 计算机视觉与模式识别
机器学习
摘要
多模态氟代脱氧葡萄糖(FDG)正电子发射断层扫描/计算机断层扫描(PET/CT)已常规用于肺癌、淋巴瘤和黑色素瘤等常见癌症的评估。这主要归因于PET/CT结合了PET对肿瘤检测的高灵敏度与CT的解剖信息。在PET/CT图像评估中,肿瘤自动分割是重要步骤,近年来基于深度学习的方法已成为最优方法。遗憾的是,现有方法往往对肿瘤区域过分割,并将正常高摄取器官、炎症及其他感染区域包含在内。在本研究中,我们引入假阳性抑制网络以克服该局限。我们首先引入自监督预训练的全局分割模块,利用自监督预训练编码器粗勾勒候选肿瘤区域;随后通过局部细化模块去除假阳性以精炼候选区域。我们在MICCAI 2022全身FDG-PET/CT自动病灶分割(AutoPET)挑战赛数据集上的实验表明,该方法在初步测试数据上取得0.9324的Dice分数,并在排行榜Dice指标上排名第1。该方法在最终测试数据上也位列前7,最终排名将于2022 MICCAI AutoPET研讨会期间公布。我们的代码见:https://github.com/YigePeng/AutoPET_False_Positive_Reduction。
引用
@article{arxiv.2209.07705,
title = {Automatic Tumor Segmentation via False Positive Reduction Network for Whole-Body Multi-Modal PET/CT Images},
author = {Yige Peng and Jinman Kim and Dagan Feng and Lei Bi},
journal= {arXiv preprint arXiv:2209.07705},
year = {2022}
}
备注
Pre-print paper for 2022 MICCAI AutoPET Challenge