使用深度学习模型自动分割 FDG-18 全身 PET/CT 扫描中的病变对于确定治疗反应、优化剂量和推进癌症治疗应用至关重要。然而，器官存在放射性示踪剂摄取增加，如肝脏、脾脏、脑和膀胱，导致深度学习模型经常将这些区域错误地识别为病变，为解决这个问题，我们提出了一种新的方法，旨在分割器官和病变，以提高自动化病变分割方法的性能。

Nov, 2023

本文提出了一种用于精确肿瘤分割的定位到分割框架 (L2SNet)，通过定位潜在病变并利用位置信息对分割结果进行塑形，在 MICCAI 2023 全身 FDG-PET/CT 挑战数据集上取得了具有竞争力的结果，并在预备测试集中排名前 7 方法之一。

Sep, 2023

癌症诊断的深度学习神经网络架构与训练策略在自动切割 PET/CT 图像中的应用，取得了良好的效果，为精确的肿瘤学诊断和更有针对性、有效的癌症评估技术的发展做出了贡献。

Apr, 2024

提出一种深度学习方法，用于从 [18F] FDG PET/CT 扫描中分割肿瘤性病变和组织。使用两个 UNet-3D 分支的组合，一个用于分割 CT 图像中的一组组织，另一个用于分割 PET 图像中的病变，并将 CT 分支的信息嵌入到瓶颈中。在 AutoPET MICCAI 2023 挑战数据集上进行了网络的训练和验证。

Sep, 2023

这项研究开发了一个快速高效的三阶段级联深度学习模型，用于从 PET 图像中自动检测和分割 DLBCL 肿瘤，并验证了其可行性和准确性。

Mar, 2024

使用荧光脱氧葡萄糖正电子发射断层扫描 (FDG-PET) 结合计算机断层扫描 (CT) 在精准肿瘤分割方面提高了肿瘤分段的精度，FDG-PET/CT 扫描通过标记放射性荧光脱氧葡萄糖突出代谢活跃区域，对癌症分期和再评估至关重要，AutoPET 挑战通过提供 1014 例 FDG-PET/CT 研究数据集，鼓励在 FDG-PET/CT 领域内精确肿瘤分割和分析方面的进展。

Sep, 2023

使用三维残差 UNet 模型和广义 Dice Focal Loss 函数，在 AutoPET 挑战 2023 的训练数据集上训练了五个模型，并通过平均和加权平均集成方法将其组合。在初步测试阶段，平均集成模型的 Dice 相似系数（DSC）为 0.5417，假阳性体积（FPV）为 0.8261 毫升，假阴性体积（FNV）为 0.2538 毫升；而加权平均集成模型的结果分别为 0.5417、0.8186 毫升和 0.2538 毫升。

Sep, 2023

本研究提出一种基于 U-Net 架构的 PET-CT 肿瘤分割方法，通过先生成肿瘤外观先验图进行改进，可以得到平均 Dice 分数达到 0.701 的良好肿瘤分割结果。

Oct, 2022

本研究提出了 FP-PET，这是一种针对 CT 和 PET 图像的医学图像分割的综合方法。利用 AutoPet2023 挑战赛的数据集，研究采用了多种机器学习模型，包括 STUNet-large、SwinUNETR 和 VNet，实现了最先进的分割性能。文章引入了一个综合评估指标，结合了 Dice 分数、假阳性体积（FPV）和假阴性体积（FNV），提供了模型有效性的全面衡量。研究还讨论了与模型训练相关的计算挑战和解决方案，该训练使用高性能 GPU 进行。研究还探讨了预处理和后处理技术，包括高斯加权方案和形态学操作，以进一步优化分割输出。本研究为高级医学图像分割的挑战和解决方案提供了有价值的见解。

Sep, 2023

本研究旨在发展一种准确的淋巴瘤分割方法，采用 18F - 氟脱氧葡萄糖正电子发射断层扫描和计算机断层扫描图像结合视觉转换器和双编码器进行淋巴瘤分割，这在计算辅助淋巴瘤诊断和治疗方面具有巨大潜力。

Feb, 2024