面向 3D 全身 PET 通用分割的基础模型发展
计算机视觉与模式识别
2026-03-13 v1
摘要
正电子断层扫描 (PET) 是一种关键的核医学成像模态，通过可视化放射性示踪剂的分布来量化体内生理和代谢过程，在疾病管理中发挥着不可替代的作用。尽管具有临床重要性，但针对 PET 图像的定量分析开发深度学习模型仍严重受限，这既受 PET 稀缺解剖对比度导致的分割挑战制约，也受数据获取和标注高成本的驱动。为此，我们构建了目前最大最全面的 PET 数据集，包含 11041 例 3D 全身 PET 扫描和 59831 个分割掩码，用于模型开发。基于此数据集，我们提出 SegAnyPET，一种具有通用适用性的创新基础模型，可适用于多样化分割任务。该模型基于 3D 架构，采用提示工程策略实现掩码生成，支持通用且可扩展的器官和病灶分割，能够高效地进行人工纠正，实现临床的人类在环工作流程。在多中心、多示踪剂、多疾病数据集上的广泛评估表明，SegAnyPET 在广泛的分割任务中实现强大的零样性能，凸显了其在分子成像临床应用中发展潜力。
引用
@article{arxiv.2603.11627,
title = {Developing Foundation Models for Universal Segmentation from 3D Whole-Body Positron Emission Tomography},
author = {Yichi Zhang and Le Xue and Wenbo Zhang and Lanlan Li and Feiyang Xiao and Yuchen Liu and Xiaohui Zhang and Hongwei Zhang and Shuqi Wang and Gang Feng and Liling Peng and Xin Gao and Yuanfan Xu and Yuan Qi and Kuangyu Shi and Hong Zhang and Yuan Cheng and Mei Tian and Zixin Hu},
journal= {arXiv preprint arXiv:2603.11627},
year = {2026}
}