面向有限标注下 PET 图像自动分割的半监督学习：在淋巴瘤患者中的应用
摘要
手动分割的耗时任务对疾病负担的常规系统量化构成挑战。卷积神经网络（CNNs）在从 PET 扫描中可靠识别肿瘤位置和边界方面具有重大前景。我们旨在通过半监督方法利用对标注数据的需求，应用于弥漫大 B 细胞淋巴瘤（DLBCL）和原发纵隔大 B 细胞淋巴瘤（PMBCL）的 PET 图像。我们分析了 292 例 PMBCL（n=104）和 DLBCL（n=188）患者的 18F-FDG PET 图像（n=232 用于训练和验证，n=60 用于外部测试）。我们采用 FCM 和 MS 损失训练 3D U-Net，监督程度不同：i) 以标注 FCM（LFCM）以及统一 focal 和 Dice 损失函数为监督的方法，ii) 以鲁棒 FCM（RFCM）和 Mumford-Shah（MS）损失函数为无监督的方法，以及 iii) 基于 FCM（RFCM+LFCM）的半监督方法，以及 MS 损失与监督 Dice 损失组合的（MS+Dice）。统一损失函数产生了更高的 Dice 分数（均值 +/- 标准差（SD））（0.73 +/- 0.03；95% CI，0.67-0.8），相较于 Dice 损失（p 值<0.01）。半监督（RFCM+alpha*LFCM）在 alpha=0.3 时表现最佳，Dice 分数为 0.69 +/- 0.03（95% CI，0.45-0.77），在任何监督水平（任何 alpha）下均优于（MS+alpha*Dice）（p<0.01）。（MS+alpha*Dice）半监督方法中 alpha=0.2 的最佳表现者 Dice 分数为 0.60 +/- 0.08（95% CI，0.44-0.76），相较于该半监督方法中另一监督水平（p<0.01）。通过 FCM 损失（RFCM+alpha*LFCM）的半监督学习相较于监督方法表现出改进性能。考虑到专家手动勾画的耗时性和观察者内变异性，半监督方法在自动分割工作流中具有重大潜力。
引用
@article{arxiv.2212.09908,
title = {Semi-supervised learning towards automated segmentation of PET images with limited annotations: Application to lymphoma patients},
author = {Fereshteh Yousefirizi and Isaac Shiri and Joo Hyun O and Ingrid Bloise and Patrick Martineau and Don Wilson and François Bénard and Laurie H. Sehn and Kerry J. Savage and Habib Zaidi and Carlos F. Uribe and Arman Rahmim},
journal= {arXiv preprint arXiv:2212.09908},
year = {2024}
}