利用深度学习和先进数据预处理技术增强PET/CT影像中的病灶分割
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