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

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

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

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

本研究解决了自动化肿瘤分割模型在有限数据集下性能欠佳的问题。通过适应DiffTumor方法，我们生成了带有病变的合成PET-CT图像来增强训练数据，从而提高了模型的分割效果。研究结果显示，使用增强数据集训练的模型在Dice分数上明显优于原数据集，显示出数据增强方法的潜力。

Sep, 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