Whole-Body Lesion Segmentation in 18F-FDG PET/CT

要約

深層学習ベースの方法を使用して、さまざまな癌の予後を予測するために、陽電子放出断層撮影法によるコンピューター断層撮影法 (PET CT) スキャンで完全に自動化された病変のセグメンテーションを実現する研究への関心が高まっています。
医用画像セグメンテーションの最近の進歩は、nnUNET が多様なタスクに適していることを示しています。
ただし、病変と生理学的取り込みは同様の分布パターンを持っているため、PET 画像の病変セグメンテーションは簡単ではありません。
それらを区別するには、CT 画像に追加の構造情報が必要です。
本稿では、病変セグメンテーション タスクの nnUNet ベースの方法を紹介します。
提案されたモデルは、全身の病変を予測するために、2D および 3D nnUNET ジョイント アーキテクチャに基づいて設計されています。
これにより、潜在的な病変の自動セグメンテーションが可能になります。
AutoPet チャレンジのコンテキストで提案された方法を評価します。これは、ダイス スコア、偽陽性ボリューム、偽陰性ボリュームのメトリックで病変セグメンテーション パフォーマンスを測定します。

要約(オリジナル)

There has been growing research interest in using deep learning based method to achieve fully automated segmentation of lesion in Positron emission tomography computed tomography(PET CT) scans for the prognosis of various cancers. Recent advances in the medical image segmentation shows the nnUNET is feasible for diverse tasks. However, lesion segmentation in the PET images is not straightforward, because lesion and physiological uptake has similar distribution patterns. The Distinction of them requires extra structural information in the CT images. The present paper introduces a nnUNet based method for the lesion segmentation task. The proposed model is designed on the basis of the joint 2D and 3D nnUNET architecture to predict lesions across the whole body. It allows for automated segmentation of potential lesions. We evaluate the proposed method in the context of AutoPet Challenge, which measures the lesion segmentation performance in the metrics of dice score, false-positive volume and false-negative volume.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google