autoPET3 挑战：全身 PET/CT 中基于多tracer 多中心泛化的自动肿瘤分割
计算机视觉与模式识别
2026-05-12 v2 人工智能
摘要
我们报告了第三届 autoPET 挑战（MICCAI 2024）的设计与结果，该挑战在组合泛化设置下基准化全身 PET/CT 肿瘤分割。训练数据包括 1,014 例 [18F]-FDG PET/CT 检查（来自 University Hospital T"ubingen）和 597 例 [18F]/[68Ga]-PSMA PET/CT 检查（来自 LMU University Hospital Munich），构成目前最大规模公开标注 PSMA PET/CT 数据集。 held-out test set 包含 200 例检查，覆盖四种 tracer-center 组合，其中两种代表未见的组合。一个补充数据导向奖项类别通过限制参赛者使用固定基线模型来隔离数据处理策略的贡献。17 支团队提交了 27 个算法，主要为 nnU-Net 基于 3D 网络的 PET/CT 通道拼接。排名第一的算法在所有四种测试条件下实现平均 DSC 为 0.66，FNV 为 3.18 mL，FPV 为 2.78 mL，相较于提供的基线在 DSC 提升 8%，虚假阴性体积降低 5 mL。排名在 bootstrap 重抽样和替代排名方案下对前列队稳定。挑战之外，我们提供了关于分段性能的深入分析，从患者和肿瘤水平。可得出三个主要结论：(1) 在域内多tracer PET/CT 分割已足够且可能接近读者一致性；(2) 针对未见 tracer-center 组合的组合泛化仍是开放问题，主要由系统性体积过估计驱动；(3) 异质性和病例难度在前列队算法之间引起性能差异的影响远大于算法选择。
引用
@article{arxiv.2605.05775,
title = {The autoPET3 Challenge: Automated Lesion Segmentation in Whole-Body PET/CT $\unicode{x2013}$ Multitracer Multicenter Generalization},
author = {Jakob Dexl and Katharina Jeblick and Andreas Mittermeier and Balthasar Schachtner and Anna Theresa Stüber and Johanna Topalis and Maximilian Rokuss and Fabian Isensee and Klaus H. Maier-Hein and Hamza Kalisch and Jens Kleesiek and Constantin M. Seibold and Hussain Alasmawi and Lap Yan Lennon Chan and Yixuan Yuan and Alexander Jaus and Rainer Stiefelhagen and Pauline Ornela Megne Choudja and Konstantin Nikolaou and Christian La Fougère and Sergios Gatidis and Matthias P. Fabritius and Maurice Heimer and Gizem Abaci and Lalith Kumar Shiyam Sundar and Rudolf A. Werner and Jens Ricke and Clemens C. Cyran and Thomas Küstner and Michael Ingrisch},
journal= {arXiv preprint arXiv:2605.05775},
year = {2026}
}
备注
Preprint submitted to Medical Image Analysis