Deep Learning-Based Segmentation of Tumors in PET/CT Volumes: Benchmark of Different Architectures and Training Strategies

要約

がんは世界的に主要な死因の 1 つであり、早期診断は患者の生存にとって極めて重要です。
深層学習アルゴリズムには、がんの自動分析に大きな可能性があります。
人工知能は、単一病変の認識とセグメント化において高いパフォーマンスを達成しました。
しかし、複数の病変を診断することは依然として課題です。
この研究では、頭、首、全身の PET/CT 画像を使用してがん病変を自動的にセグメンテーションするためのさまざまなニューラル ネットワーク アーキテクチャとトレーニング戦略を調査し、比較します。
著者らは、AutoPET および HECKTOR の課題からのデータセットを分析し、一般的な 1 ステップのセグメンテーション アーキテクチャを調査し、2 ステップのアプローチを提示しました。
結果は、V-Net モデルと nnU-Net モデルがそれぞれのデータセットに対して最も効果的であることを示しています。
HECKTOR データセットの結果は、集計された Dice 係数の範囲が 0.75 ～ 0.76 でした。
AutoPET データセットから癌のない症例を除外すると、ほとんどのモデルのパフォーマンスが向上することがわかりました。
AutoPET データの場合、がん病変を含む画像のみでトレーニングした後の平均セグメンテーション効率は、古典的な Dice 係数では 0.55 から 0.66 に、集約された Dice 係数では 0.65 から 0.73 に増加しました。
この研究は、正確な腫瘍診断における人工知能の可能性を実証しており、より的を絞った効果的ながん評価技術の開発に貢献する可能性があります。

要約(オリジナル)

Cancer is one of the leading causes of death globally, and early diagnosis is crucial for patient survival. Deep learning algorithms have great potential for automatic cancer analysis. Artificial intelligence has achieved high performance in recognizing and segmenting single lesions. However, diagnosing multiple lesions remains a challenge. This study examines and compares various neural network architectures and training strategies for automatically segmentation of cancer lesions using PET/CT images from the head, neck, and whole body. The authors analyzed datasets from the AutoPET and HECKTOR challenges, exploring popular single-step segmentation architectures and presenting a two-step approach. The results indicate that the V-Net and nnU-Net models were the most effective for their respective datasets. The results for the HECKTOR dataset ranged from 0.75 to 0.76 for the aggregated Dice coefficient. Eliminating cancer-free cases from the AutoPET dataset was found to improve the performance of most models. In the case of AutoPET data, the average segmentation efficiency after training only on images containing cancer lesions increased from 0.55 to 0.66 for the classic Dice coefficient and from 0.65 to 0.73 for the aggregated Dice coefficient. The research demonstrates the potential of artificial intelligence in precise oncological diagnostics and may contribute to the development of more targeted and effective cancer assessment techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google