AutoPET III 挑战赛：PET/CT 语义分割
图像与视频处理
2024-09-23 v1 计算机视觉与模式识别
摘要
在本研究中，我们实现了一种基于深度学习的两阶段方法，用于 AutoPET III 挑战赛中 PET/CT 图像的病灶分割。第一阶段利用 DynUNet 模型进行粗分割，以识别广泛的感兴趣区域。第二阶段使用 SwinUNETR、SegResNet 和 UNet 模型的集成来细化该分割。预处理涉及将图像重采样至共同分辨率并进行归一化，同时应用仿射变换和强度调整等数据增强技术以增强模型的泛化能力。数据集被划分为 80% 的训练集和 20% 的验证集，排除了健康病例。该方法利用多阶段分割和模型集成来实现精确的病灶分割，旨在提高鲁棒性和整体性能。
引用
@article{arxiv.2409.13006,
title = {AutoPET III Challenge: PET/CT Semantic Segmentation},
author = {Reza Safdari and Mohammad Koohi-Moghaddam and Kyongtae Tyler Bae},
journal= {arXiv preprint arXiv:2409.13006},
year = {2024}
}