From FDG to PSMA: A Hitchhiker’s Guide to Multitracer, Multicenter Lesion Segmentation in PET/CT Imaging

要約

PET/CT スキャンにおける自動病変セグメンテーションは、臨床ワークフローを改善し、がん診断を進歩させるために非常に重要です。
ただし、生理学的変動、PET イメージングで使用されるさまざまなトレーサー、医療センター間でのイメージング プロトコルの多様性などにより、この作業は困難です。
これに対処するために、autoPET シリーズは、多様な PET/CT 環境にわたって一般化するアルゴリズムの開発を研究者に課題として作成されました。
この論文では、ResEncL アーキテクチャを備えた nnU-Net フレームワークを使用したマルチトレーサ、マルチセンターの一般化をターゲットとした、autoPET III の課題に対するソリューションを紹介します。
主要な技術には、初期の解剖学的理解を提供するための、位置ずれデータの増強や、CT、MR、PET データセットにわたるマルチモーダル事前トレーニングが含まれます。
マルチタスクアプローチとして臓器監視を組み込み、モデルが生理学的摂取とトレーサー固有のパターンを区別できるようにします。これは、病変が存在しない場合に特に有益です。
57.61 の Dice スコアを達成したデフォルトの nnU-Net や、より大きな ResEncL (65.31) と比較して、私たちのモデルは、68.40 の Dice スコアでパフォーマンスを大幅に向上させ、同時に偽陽性 (FPvol: 7.82) と偽陰性 (
FNvol: 10.35) 巻。
これらの結果は、PET/CT 病変セグメンテーションのための高度なネットワーク設計、拡張、事前トレーニング、およびマルチタスク学習を組み合わせることが有効であることを強調しています。
テスト セットでの評価後、私たちのアプローチはモデル中心のカテゴリ (Team LesionTracer) で 1 位を獲得しました。
コードは https://github.com/MIC-DKFZ/autopet-3-submission で公開されています。

要約(オリジナル)

Automated lesion segmentation in PET/CT scans is crucial for improving clinical workflows and advancing cancer diagnostics. However, the task is challenging due to physiological variability, different tracers used in PET imaging, and diverse imaging protocols across medical centers. To address this, the autoPET series was created to challenge researchers to develop algorithms that generalize across diverse PET/CT environments. This paper presents our solution for the autoPET III challenge, targeting multitracer, multicenter generalization using the nnU-Net framework with the ResEncL architecture. Key techniques include misalignment data augmentation and multi-modal pretraining across CT, MR, and PET datasets to provide an initial anatomical understanding. We incorporate organ supervision as a multitask approach, enabling the model to distinguish between physiological uptake and tracer-specific patterns, which is particularly beneficial in cases where no lesions are present. Compared to the default nnU-Net, which achieved a Dice score of 57.61, or the larger ResEncL (65.31) our model significantly improved performance with a Dice score of 68.40, alongside a reduction in false positive (FPvol: 7.82) and false negative (FNvol: 10.35) volumes. These results underscore the effectiveness of combining advanced network design, augmentation, pretraining, and multitask learning for PET/CT lesion segmentation. After evaluation on the test set, our approach was awarded the first place in the model-centric category (Team LesionTracer). Code is publicly available at https://github.com/MIC-DKFZ/autopet-3-submission.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google