通过测试时增强改进全身 FDG/PET-CT 中的自动化病灶分割
图像与视频处理
2022-10-17 v1 计算机视觉与模式识别
机器学习
摘要
众多肿瘤适应症已广泛使用正电子发射断层扫描（PET）与计算机断层扫描（CT）对代谢活性肿瘤进行量化。F-氟脱氧葡萄糖-正电子发射断层扫描（FDG-PET）在临床实践与临床药物研究中常用于检测和测量代谢活性恶性肿瘤。在 FDG-PET 图像中使用手动或计算机辅助肿瘤分割来评估肿瘤负荷十分普遍。深度学习算法在该领域也已产生有效的解决方案。然而，有时需要在无法修改预训练深度学习网络的情况下提升其性能。我们研究了测试时增强在从 PET-CT 配对数据中分割肿瘤方面的潜在益处。我们应用了一种可同时考虑 PET 与 CT 数据的多级多模态肿瘤分割技术新框架。在本研究中，我们利用可学习的测试时增强组合来改进网络。我们在训练数据库上训练了 U-Net 和 Swin U-Netr，以确定不同的测试时增强如何改善分割性能。我们还开发了一种寻找最优测试时增强贡献系数集的算法。利用新训练的 U-Net 和 Swin U-Netr 结果，我们定义了测试时增强的最优系数集，并将其与预训练的固定 nnU-Net 结合使用。最终思路是在模型固定时于测试阶段提升性能。在增强数据上以不同比例对预测结果进行平均可提高预测精度。我们的代码将发布于 \url{https://github.com/sepidehamiri/pet\_seg\_unet}
引用
@article{arxiv.2210.07761,
title = {Improved automated lesion segmentation in whole-body FDG/PET-CT via Test-Time Augmentation},
author = {Sepideh Amiri and Bulat Ibragimov},
journal= {arXiv preprint arXiv:2210.07761},
year = {2022}
}