基于级联与集成卷积神经网络的全身18F-FDG PET/CT肿瘤分割
图像与视频处理
2022-10-18 v1 计算机视觉与模式识别
机器学习
摘要
背景：定量PET/CT分析的一个关键初始处理步骤是肿瘤病灶分割，以实现准确的特征提取、肿瘤表征、肿瘤分期和基于图像的疗效评估。然而，手动病灶分割耗费巨大人力与成本，因此在临床常规中不可行。目标：本研究的目的是在AutoPET挑战赛背景下，报告一种旨在自动分割全身18F-FDG PET/CT图像中疑似癌症区域的深度神经网络性能。方法：开发了一种级联方法，其中由3D UNET CNN组成的堆叠集成以固定的6mm分辨率处理PET/CT图像。一个由残差层组成的细化网络将6mm分割掩码增强至原始分辨率。结果：使用930例病例训练模型，其中50%为组织学确诊的癌症患者，50%为健康对照。我们在84例分层测试用例上获得dice=0.68。手动与自动代谢肿瘤体积（MTV）高度相关（R2 = 0.969，斜率 = 0.947）。平均推理时间为89.7秒。结论：所提算法准确分割了全身18F-FDG PET/CT图像中疑似癌症的区域。
引用
@article{arxiv.2210.08068,
title = {Whole-body tumor segmentation of 18F -FDG PET/CT using a cascaded and ensembled convolutional neural networks},
author = {Ludovic Sibille and Xinrui Zhan and Lei Xiang},
journal= {arXiv preprint arXiv:2210.08068},
year = {2022}
}