AutoPET Challenge: Tumour Synthesis for Data Augmentation

要約

全身 PET/CT スキャンにおける正確な病変セグメンテーションは、がんの診断と治療計画に不可欠ですが、データセットが限られているため、自動セグメンテーション モデルのパフォーマンスが妨げられることがよくあります。
この論文では、PET/CT スキャンにおける自動病変セグメンテーションのためのデータ拡張ツールとして機能する、生成モデルからのディープ プリアを活用する可能性を探ります。
もともとCT画像用に設計されたDiffTumor法を応用して、病変を含む合成PET-CT画像を生成します。
私たちのアプローチでは、AutoPET データセットで生成モデルをトレーニングし、それを使用してトレーニング データを拡張します。
次に、元のデータセットと拡張されたデータセットでトレーニングされたセグメンテーション モデルのパフォーマンスを比較します。
私たちの調査結果は、拡張されたデータセットでトレーニングされたモデルがより高い Dice スコアを達成することを示しており、データ拡張アプローチの可能性を示しています。
一言で言えば、この研究は、限られたデータセットで全身 PET/CT スキャンにおける病変のセグメンテーションを改善するための有望な方向性を示しており、がん診断の精度と信頼性が向上する可能性があります。

要約(オリジナル)

Accurate lesion segmentation in whole-body PET/CT scans is crucial for cancer diagnosis and treatment planning, but limited datasets often hinder the performance of automated segmentation models. In this paper, we explore the potential of leveraging the deep prior from a generative model to serve as a data augmenter for automated lesion segmentation in PET/CT scans. We adapt the DiffTumor method, originally designed for CT images, to generate synthetic PET-CT images with lesions. Our approach trains the generative model on the AutoPET dataset and uses it to expand the training data. We then compare the performance of segmentation models trained on the original and augmented datasets. Our findings show that the model trained on the augmented dataset achieves a higher Dice score, demonstrating the potential of our data augmentation approach. In a nutshell, this work presents a promising direction for improving lesion segmentation in whole-body PET/CT scans with limited datasets, potentially enhancing the accuracy and reliability of cancer diagnostics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google