Autopet 2023挑战赛：基于nnUNet的全身3D PET-CT肿瘤分割
图像与视频处理
2024-10-28 v2
摘要
氟代脱氧葡萄糖正电子发射断层扫描(FDG-PET)结合计算机断层扫描(CT)在肿瘤学中对于实体瘤的识别及其进展监测至关重要。然而，精确且一致的病灶分割仍然具有挑战性，因为手动分割耗时且受观察者内和观察者间差异的影响。尽管前景可期，自动化分割方法常在健康代谢活动区域的假阳性分割上遇到困难，尤其是在面对全身范围内如此复杂的肿瘤时。在本文中，我们探索了nnUNet在全身PET-CT扫描肿瘤分割中的应用，并对最优训练与后处理策略进行了不同实验。我们的内部测试集上，最佳模型获得了69%的Dice分数以及分别为6.27和5.78 mL的假阴性体积与假阳性体积。该模型作为autoPET 2023挑战赛的提交作品。我们的代码可在 https://github.com/anissa218/autopet_nnunet 获取。
关键词
引用
@article{arxiv.2309.13675,
title = {Autopet Challenge 2023: nnUNet-based whole-body 3D PET-CT Tumour Segmentation},
author = {Anissa Alloula and Daniel R McGowan and Bartłomiej W. Papież},
journal= {arXiv preprint arXiv:2309.13675},
year = {2024}
}