AutoPET III挑战：基于ResEnc-模型集Ensemble的肿瘤病灶分割
图像与视频处理
2024-09-24 v1 人工智能
计算机视觉与模式识别
摘要
正电子断层扫描(PET)/CT是诊断、管理和规划各种癌症治疗的关键工具。开发可靠的深度学习模型，用于在多tracer多中心环境中对PET/CT扫描中的肿瘤病灶进行分割，是当前的关键研究领域。不同的tracer，如氟脱氧葡糖(FDG)和前列腺特异性膜抗原(PSMA)，具有不同的生理摄取模式，且来自不同中心的数据在获取协议、扫描仪类型和患者人群方面常常存在差异。由于存在这种变异性，设计可靠的分割算法和泛化技术就更加困难，因为图像质量和病灶可检出性存在差异。为此，我们在no new U-Net框架内训练了一个3D残差编码器U-Net，旨在实现对全身PET/CT扫描的自动病灶分割在不同tracer和临床中心之间的性能泛化。进一步地，我们探索了多种预处理技术，最终决定使用Total Segmentator来裁剪训练数据。此外，我们在此过程中应用了重采样技术。推理期间，我们利用test-time增强和其他后处理技术来提高肿瘤病灶分割效果。我们团队目前在Auto-PET III挑战中名列前茅，通过Dice得分0.9627超过了挑战基线模型。
引用
@article{arxiv.2409.13779,
title = {AutoPET III Challenge: Tumor Lesion Segmentation using ResEnc-Model Ensemble},
author = {Tanya Chutani and Saikiran Bonthu and Pranab Samanta and Nitin Singhal},
journal= {arXiv preprint arXiv:2409.13779},
year = {2024}
}