autoPET III 挑战：将解剖知识融入 nnUNet 实现 PET/CT 肿瘤分割
图像与视频处理
2024-09-19 v1 计算机视觉与模式识别
摘要
PET/CT图像的肿瘤分割对于精确的肿瘤表征至关重要，这有助于个体化治疗计划并提高肿瘤学中的诊断精度。然而，对肿瘤进行准确的手工分割耗时且易受观察者间变异性影响。鉴于PET/CT日益增长的需求和临床应用，自动分割方法，特别是基于深度学习的方法，变得越来越重要。autoPET III 挑战致力于推进 PET/CT图像中肿瘤肿块的自动分割，处于多tracer多中心场景中，满足定量、稳健和通用的临床需求。挑战的第三次迭代引入了更为多样化的数据集，包含两种不同tracer(FDG 和 PSMA)来自两个临床中心。为此，我们开发了一种识别给定PET/CT tracer的分类器，基于PET扫描的最大强度投影。我们训练两个针对每种tracer的独立nnUNet集成模型，其中包括解剖标签作为多标签任务，以提升模型性能。我们的最终提交在公开的FDG和PSMA数据集上分别获得交叉验证Dice得分76.90%和61.33%。代码已公开于 https://github.com/hakal104/autoPETIII/。
引用
@article{arxiv.2409.12155,
title = {Autopet III challenge: Incorporating anatomical knowledge into nnUNet for lesion segmentation in PET/CT},
author = {Hamza Kalisch and Fabian Hörst and Ken Herrmann and Jens Kleesiek and Constantin Seibold},
journal= {arXiv preprint arXiv:2409.12155},
year = {2024}
}
备注
AutoPET III challenge submission