AutoPET Challenge: Combining nn-Unet with Swin UNETR Augmented by Maximum Intensity Projection Classifier

要約

腫瘍量や腫瘍特性の経時的な変化は、がん治療における重要なバイオマーカーとなります。このような背景から、放射性同位元素であるフルオロデオキシグルコースが代謝の高い領域に取り込まれるFDG-PET/CTスキャンは、がんの病期判定や再病期判定に日常的に用いられています。しかし、これらの代謝の高い領域は腫瘍に特有ではなく、正常な機能を持つ臓器による生理的な取り込み、炎症、感染などを表すこともあり、これらのスキャンにおける詳細かつ信頼性の高い腫瘍のセグメンテーションは困難な課題となっています。AutoPET challengeは、900人の患者のFDG-PET/CTスキャンを公開し、この分野でのさらなる改善を奨励するものです。この課題に対する我々の貢献は、nn-UnetとSwin UNETRという2つの最新セグメンテーションモデルのアンサンブルと、ゲート機構のように機能する最大強度投影分類器によって補強されていることである。病変の存在を予測した場合、両方のセグメンテーションはレイトフュージョンアプローチによって結合される。このソリューションは、クロスバリデーションにおいて、肺がん、メラノーマ、リンパ腫と診断された患者に対して、72.12%のDiceスコアを達成した。コード： https://github.com/heiligerl/autopet_submission

要約(オリジナル)

Tumor volume and changes in tumor characteristics over time are important biomarkers for cancer therapy. In this context, FDG-PET/CT scans are routinely used for staging and re-staging of cancer, as the radiolabeled fluorodeoxyglucose is taken up in regions of high metabolism. Unfortunately, these regions with high metabolism are not specific to tumors and can also represent physiological uptake by normal functioning organs, inflammation, or infection, making detailed and reliable tumor segmentation in these scans a demanding task. This gap in research is addressed by the AutoPET challenge, which provides a public data set with FDG-PET/CT scans from 900 patients to encourage further improvement in this field. Our contribution to this challenge is an ensemble of two state-of-the-art segmentation models, the nn-Unet and the Swin UNETR, augmented by a maximum intensity projection classifier that acts like a gating mechanism. If it predicts the existence of lesions, both segmentations are combined by a late fusion approach. Our solution achieves a Dice score of 72.12\% on patients diagnosed with lung cancer, melanoma, and lymphoma in our cross-validation. Code: https://github.com/heiligerl/autopet_submission

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL