采用多标签方法改善 FDG-18 全身 PET/CT 扫描中病灶分割：AutoPET II 挑战赛
图像与视频处理
2023-11-06 v1 计算机视觉与模式识别
机器学习
摘要
使用深度学习模型对 FDG-18 全身（WB）PET/CT 扫描中的病灶进行自动分割，对于确定治疗反应、优化剂量测定以及推进肿瘤学中的诊疗一体化应用至关重要。然而，肝脏、脾脏、脑和膀胱等放射性示踪剂摄取升高的器官的存在常带来挑战，因为这些区域常被深度学习模型误识别为病灶。为解决此问题，我们提出一种同时分割器官与病灶的新方法，旨在提升自动病灶分割方法的性能。在本研究中，我们使用包含 1014 名受试者的 AutoPET II 挑战赛数据集评估了所提方法的有效性。我们评估了在分割模型中加入额外标签和数据对性能的影响。除专家标注的病灶标签外，我们引入了肝脏、肾脏、膀胱、脾脏、肺、脑、心脏和胃等八个器官标签。这些标签被整合进数据集，并在 nnUNet 框架内训练了一个 3D UNET 模型。我们的结果表明，该方法在留出测试数据集中取得最高排名，凸显了此方法显著改善 FDG-18 全身 PET/CT 扫描中病灶分割精度、最终惠及癌症患者并推进临床实践的潜力。
引用
@article{arxiv.2311.01574,
title = {Improving Lesion Segmentation in FDG-18 Whole-Body PET/CT scans using Multilabel approach: AutoPET II challenge},
author = {Gowtham Krishnan Murugesan and Diana McCrumb and Eric Brunner and Jithendra Kumar and Rahul Soni and Vasily Grigorash and Stephen Moore and Jeff Van Oss},
journal= {arXiv preprint arXiv:2311.01574},
year = {2023}
}
备注
AutoPET II challenge paper