A Localization-to-Segmentation Framework for Automatic Tumor Segmentation in Whole-Body PET/CT Images

要約

フルオロデオキシグルコース (FDG) 陽電子放出断層撮影 (PET) とコンピュータ断層撮影 (CT) を組み合わせた方法は、肺がんや黒色腫などの一部のがんを検出するための主要なソリューションと考えられています。
PET/CT 画像内の腫瘍の自動セグメンテーションは、医師の作業負荷を軽減し、診断の質を向上させるのに役立ちます。
しかし、多くの腫瘍はサイズが小さく、取り込みの多い正常領域と腫瘍領域が類似しているため、正確な腫瘍のセグメンテーションは困難です。
これらの問題に対処するために、この論文では正確な腫瘍セグメンテーションのためのローカリゼーションからセグメンテーションへのフレームワーク (L2SNet) を提案します。
L2SNet は、まず病変位置特定フェーズで考えられる病変の位置を特定し、次に位置キューを使用して病変セグメンテーション フェーズでセグメンテーション結果を形成します。
L2SNet のセグメンテーション パフォーマンスをさらに向上させるために、2 つのフェーズのセグメンテーション結果を考慮した適応しきい値スキームを設計します。
MICCAI 2023 全身 FDG-PET/CT 課題データセットにおける自動病変セグメンテーションを使用した実験では、私たちの手法が競合する結果を達成し、予備テスト セットの上位 7 手法にランク付けされたことが示されています。
私たちの成果は https://github.com/MedCAI/L2SNet から入手できます。

要約(オリジナル)

Fluorodeoxyglucose (FDG) positron emission tomography (PET) combined with computed tomography (CT) is considered the primary solution for detecting some cancers, such as lung cancer and melanoma. Automatic segmentation of tumors in PET/CT images can help reduce doctors’ workload, thereby improving diagnostic quality. However, precise tumor segmentation is challenging due to the small size of many tumors and the similarity of high-uptake normal areas to the tumor regions. To address these issues, this paper proposes a localization-to-segmentation framework (L2SNet) for precise tumor segmentation. L2SNet first localizes the possible lesions in the lesion localization phase and then uses the location cues to shape the segmentation results in the lesion segmentation phase. To further improve the segmentation performance of L2SNet, we design an adaptive threshold scheme that takes the segmentation results of the two phases into consideration. The experiments with the MICCAI 2023 Automated Lesion Segmentation in Whole-Body FDG-PET/CT challenge dataset show that our method achieved a competitive result and was ranked in the top 7 methods on the preliminary test set. Our work is available at: https://github.com/MedCAI/L2SNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google