Improved automated lesion segmentation in whole-body FDG/PET-CT via Test-Time Augmentation

要約

陽電子放出断層撮影法 (PET) およびコンピューター断層撮影法 (CT) を使用して、代謝的に活性な腫瘍を広範囲に定量化した腫瘍学の適応症が多数あります。
F-フルオロデオキシグルコース陽電子放出断層撮影法 (FDG-PET) は、臨床診療や臨床薬物研究で代謝的に活発な悪性腫瘍を検出および測定するために頻繁に利用されます。
FDG-PET 画像で手動またはコンピューター支援の腫瘍セグメンテーションを使用した腫瘍量の評価は広く行われています。
ディープ ラーニング アルゴリズムも、この分野で効果的なソリューションを生み出してきました。
ただし、事前学習済みの深層学習ネットワークを変更せずに、このネットワークのパフォーマンスを改善する必要がある場合があります。
PET-CTペアリングから腫瘍をセグメント化するためのテスト時間増強の潜在的な利点を調査します。
PET と CT データを同時に考慮することができるマルチレベルおよびマルチモーダルの腫瘍セグメンテーション技術の新しいフレームワークを適用しました。
この研究では、テスト時間拡張の学習可能な構成を使用してネットワークを改善します。
トレーニング データベースで U-Net と Swin U-Netr をトレーニングして、さまざまなテスト時間の拡張がセグメンテーションのパフォーマンスをどのように改善したかを判断しました。
また、最適なテスト時間増加寄与係数セットを見つけるアルゴリズムを開発しました。
新たにトレーニングされた U-Net と Swin U-Netr の結果を使用して、テスト時間の拡張に最適な係数セットを定義し、それらを事前トレーニング済みの固定 nnU-Net と組み合わせて使用​​しました。
究極のアイデアは、モデルが修正されたときのテスト時のパフォーマンスを向上させることです。
拡張データのさまざまな比率で予測を平均化すると、予測精度を向上させることができます。
私たちのコードは、\url{https://github.com/sepidehamiri/pet\_seg\_unet} で入手できます。

要約(オリジナル)

Numerous oncology indications have extensively quantified metabolically active tumors using positron emission tomography (PET) and computed tomography (CT). F-fluorodeoxyglucose-positron emission tomography (FDG-PET) is frequently utilized in clinical practice and clinical drug research to detect and measure metabolically active malignancies. The assessment of tumor burden using manual or computer-assisted tumor segmentation in FDG-PET images is widespread. Deep learning algorithms have also produced effective solutions in this area. However, there may be a need to improve the performance of a pre-trained deep learning network without the opportunity to modify this network. We investigate the potential benefits of test-time augmentation for segmenting tumors from PET-CT pairings. We applied a new framework of multilevel and multimodal tumor segmentation techniques that can simultaneously consider PET and CT data. In this study, we improve the network using a learnable composition of test time augmentations. We trained U-Net and Swin U-Netr on the training database to determine how different test time augmentation improved segmentation performance. We also developed an algorithm that finds an optimal test time augmentation contribution coefficient set. Using the newly trained U-Net and Swin U-Netr results, we defined an optimal set of coefficients for test-time augmentation and utilized them in combination with a pre-trained fixed nnU-Net. The ultimate idea is to improve performance at the time of testing when the model is fixed. Averaging the predictions with varying ratios on the augmented data can improve prediction accuracy. Our code will be available at \url{https://github.com/sepidehamiri/pet\_seg\_unet}

arxiv情報

提供元, 利用サービス

arxiv.jp, Google