自我是最好的学习者：通过协作去噪与分割学习实现无CT的超低剂量PET器官分割
组织与器官
2025-06-30 v2 计算机视觉与模式识别
图像与视频处理
摘要
正电子发射断层扫描（PET）中的器官分割在癌症定量中起着关键作用。低剂量PET（LDPET）通过降低辐射暴露提供了一种更安全的替代方案。然而，固有的噪声和模糊的边界使器官分割更具挑战性。此外，现有的PET器官分割方法依赖于共配准的计算机断层扫描（CT）标注，忽略了模态不匹配的问题。在本研究中，我们提出了LDOS，一种新颖的无CT超低剂量PET器官分割流水线。受掩码自编码器（MAE）的启发，我们将LDPET重新解释为全剂量PET（FDPET）的自然掩码版本。LDOS采用简单而有效的架构：共享编码器提取通用特征，而任务特定的解码器独立优化去噪和分割输出。通过将CT来源的器官标注整合到去噪过程中，LDOS改善了解剖边界识别并缓解了PET/CT配准不一致。实验表明，LDOS在5%剂量PET的18个器官上取得了最先进的性能，平均Dice分数分别为73.11%（18F-FDG）和73.97%（68Ga-FAPI）。我们的代码将在https://github.com/yezanting/LDOS上公开。
引用
@article{arxiv.2503.03786,
title = {Self is the Best Learner: CT-free Ultra-Low-Dose PET Organ Segmentation via Collaborating Denoising and Segmentation Learning},
author = {Zanting Ye and Xiaolong Niu and Xu Han and Xuanbin Wu and Wantong Lu and Yijun Lu and Hao Sun and Yanchao Huang and Hubing Wu and Lijun Lu},
journal= {arXiv preprint arXiv:2503.03786},
year = {2025}
}
备注
This work has been accepted by MICCAI2025; 9 pages, 5 figures