从 FDG 到 PSMA：关于 PET/CT 成像中多tracer、多中心病灶分割的 Hitchhiker's Guide
图像与视频处理
2024-10-22 v2 人工智能
计算机视觉与模式识别
摘要
自动化在 PET/CT 扫描中进行病灶分割对于提高临床工作流程和推进癌症诊断至关重要。然而，该任务由于生理差异、PET 成像中使用的不同示踪剂以及不同医疗中心的多样化成像协议而面临挑战。为此，创建了 autoPET 系列，以挑战研究人员开发能够在多样化 PET/CT 环境中泛化的算法。本文 presenting our solution for the autoPET III challenge, 目标是针对多tracer、多中心的泛化问题，使用 nnU-Net 框架结合 ResEncL 架构。关键技术包括误差位移数据增强和跨 CT、MR 和 PET 数据集的多模态预训练，以提供初始的解剖理解。我们采用组织监督作为多任务方法，使模型能够区分生理摄取和示踪剂特异性模式，这在无病灶情况尤其有益。与默认 nnU-Net（Dice 分数为 57.61）或更大的 ResEncL（65.31）相比，我们的方法在 Dice 分数上显著提升至 68.40，同时降低了假阳性体积 (FPvol: 7.82) 和假阴性体积 (FNvol: 10.35)。这些结果凸显了结合先进网络设计、数据增强、预训练和多任务学习在 PET/CT 病灶分割方面的有效性。在测试集评估后，我们的方法在模型中心类别（Team LesionTracer）中获得了第一名。代码已公开于 https://github.com/MIC-DKFZ/autopet-3-submission。
引用
@article{arxiv.2409.09478,
title = {From FDG to PSMA: A Hitchhiker's Guide to Multitracer, Multicenter Lesion Segmentation in PET/CT Imaging},
author = {Maximilian Rokuss and Balint Kovacs and Yannick Kirchhoff and Shuhan Xiao and Constantin Ulrich and Klaus H. Maier-Hein and Fabian Isensee},
journal= {arXiv preprint arXiv:2409.09478},
year = {2024}
}
备注
Winning method of the autoPET III challenge (model-centric) - Team LesionTracer