AutoPET 挑战赛：将 nn-Unet 与经最大强度投影分类器增强的 Swin UNETR 相结合
图像与视频处理
2022-10-17 v2 计算机视觉与模式识别
摘要
肿瘤体积及肿瘤特征随时间的变化是癌症治疗的重要生物标志物。在此背景下，FDG-PET/CT 扫描常规用于癌症的分期和再分期，因为放射性标记氟代脱氧葡萄糖会在高代谢区域被摄取。遗憾的是，这些高代谢区域并非肿瘤所特有，也可能代表正常功能器官的生理性摄取、炎症或感染，使得在这些扫描中进行详细且可靠的肿瘤分割成为一项艰巨任务。AutoPET 挑战赛旨在弥补这一研究空白，其提供包含 900 名患者 FDG-PET/CT 扫描的公开数据集以鼓励该领域的进一步改进。我们对该挑战赛的贡献是两个最先进分割模型（nn-Unet 和 Swin UNETR）的集成，并由一个充当门控机制的最大强度投影分类器增强。若其预测存在病灶，则通过后期融合方法将两种分割结果结合。我们的方案在针对肺癌、黑色素瘤和淋巴瘤患者的交叉验证中取得了 72.12% 的 Dice 分数。代码：https://github.com/heiligerl/autopet_submission
引用
@article{arxiv.2209.01112,
title = {AutoPET Challenge: Combining nn-Unet with Swin UNETR Augmented by Maximum Intensity Projection Classifier},
author = {Lars Heiliger and Zdravko Marinov and Max Hasin and André Ferreira and Jana Fragemann and Kelsey Pomykala and Jacob Murray and David Kersting and Victor Alves and Rainer Stiefelhagen and Jan Egger and Jens Kleesiek},
journal= {arXiv preprint arXiv:2209.01112},
year = {2022}
}
备注
11 pages, 2 figures