AutoPET 挑战赛：用于数据增强的肿瘤合成
图像与视频处理
2024-09-13 v1 计算机视觉与模式识别
医学物理
摘要
全身 PET/CT 扫描中的精确病灶分割对于癌症诊断和治疗规划至关重要，但有限的数据集往往阻碍了自动分割模型的性能。在本文中，我们探索了利用生成模型的深度先验作为 PET/CT 扫描自动病灶分割数据增强器的潜力。我们将最初为 CT 图像设计的 DiffTumor 方法进行调整，以生成带有病灶的合成 PET-CT 图像。我们的方法在 AutoPET 数据集上训练生成模型，并用它来扩充训练数据。然后，我们比较了在原始数据集和增强数据集上训练的分割模型的性能。我们的研究结果表明，在增强数据集上训练的模型获得了更高的 Dice 分数，证明了我们数据增强方法的潜力。简而言之，这项工作为在有限数据集下改善全身 PET/CT 扫描中的病灶分割提供了一个有前景的方向，有望提高癌症诊断的准确性和可靠性。
引用
@article{arxiv.2409.08068,
title = {AutoPET Challenge: Tumour Synthesis for Data Augmentation},
author = {Lap Yan Lennon Chan and Chenxin Li and Yixuan Yuan},
journal= {arXiv preprint arXiv:2409.08068},
year = {2024}
}
备注
9 pages