AutoPET挑战:肿瘤合成用于数据增强
本研究提出一种新的深度学习模型训练策略,用于构建能够对肿瘤进行系统分割的PET/CT肿瘤分割模型,该方法基于AutoPET 2022挑战赛的训练集进行验证,并在预测试集上实现了0.7574的Dice分数、0.0299的假阳性体积和0.2538的假阴性体积,代码已在链接中提供。
Aug, 2022
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
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
通过利用交互式滑动窗口的模式,SW-FastEdit极大加速了标注过程,取代了体素级别的注释,从而解决了在PET全身扫描中分散的病变体积标记的问题,并在AutoPET数据集上表现优于其他非滑动窗口交互模型,且可以泛化到之前未见的HECKTOR数据集。
Nov, 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
该研究解决了在PET/CT扫描中自动分割癌性病灶的挑战,特别是考虑到病灶在大小、形状和放射性示踪剂摄取方面的变化。研究采用3D Residual UNet模型和广义Dice焦点损失函数,经过5折交叉验证,获得的平均Dice相似系数为0.6687,为常规PET/CT图像分析提供了一个有效的分割模型。
Sep, 2024
本研究解决了在肿瘤学中对精确诊断工具的迫切需求,重点改善PET/CT影像中的病灶分割。通过深度学习结合系统的数据预处理和增强技术,本研究提出了新颖的标准化方法,显著提升了诊断准确性,并为癌症患者的个性化管理提供了可能的影响。
Sep, 2024
本研究解决了PET/CT扫描中自动病灶分割面临的挑战,尤其是生理变异性和不同医用示踪剂的问题。我们提出使用基于nnU-Net框架的ResEncL架构,通过多模态预训练和器官监督的多任务学习,显著提升了模型性能,Dice得分提高至68.40。这项研究的成果为临床癌症诊断提供了新的方法,且具有重要的实用价值。
Sep, 2024
本研究解决了在PET/CT图像中提升转移性病变分割的质量问题,提出了基于数据质量和处理的新方法。关键见解在于通过调整数据增强方案来改善分割精度,同时实施动态集成和测试时增强策略,以优化大图和小图的预测速度。该工作显著提升了多追踪剂和多机构环境下的分割表现,具有广泛的应用潜力。
Sep, 2024
本研究解决了PET/CT成像中病灶分割的准确性问题,旨在提高肿瘤特征的精确描述及个性化治疗方案的制定。作者提出了一种新颖的方法,通过结合解剖标签并训练nnUNet集成模型,以提高分割性能,并在不同的示踪剂下验证了该模型的有效性,最终在FDG和PSMA数据集上的交叉验证Dice分数分别达到了76.90%和61.33%。
Sep, 2024