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

癌症是全球死亡率较高的疾病之一，早期诊断对患者的生存至关重要。深度学习算法在自动癌症分析方面具有巨大潜力。人工智能在单个病变的识别和分割方面已经取得了高效的性能。然而，诊断多个病变仍然是一个挑战。本研究检验并比较了各种神经网络架构和训练策略，以自动分割头部、颈部和全身 PET/CT 图像中的癌症病变。作者分析了 AutoPET 和 HECKTOR 挑战的数据集，探索了流行的单步分割架构，并提出了一种两步方法。结果表明，V-Net 和 nnU-Net 模型分别对其数据集最为有效。HECKTOR 数据集的结果范围为聚合 Dice 系数的 0.75 至 0.76。从 AutoPET 数据集中排除无癌症病例发现可以提高大多数模型的性能。在 AutoPET 数据情况下，仅在包含癌症病变的图像上进行训练后，经典 Dice 系数的平均分割效率从 0.55 提高到 0.66，聚合 Dice 系数从 0.65 提高到 0.73。该研究展示了人工智能在精准肿瘤诊断方面的潜力，并可能有助于开发更加针对性和有效的癌症评估技术。

研究如何使用深度学习算法自动分割PET/CT图像中的癌症病灶，以实现更精准的癌症诊断。

使用V-Net和nnU-Net等神经网络模型，探索单步分割架构和两步法的训练策略，提高多个病灶的分割精度。

实验使用了AutoPET和HECKTOR数据集，发现在AutoPET数据集中去除无癌症病例可以提高模型性能，同时训练只使用含有癌症病灶的图像可以提高分割效率。

在该领域的相关研究包括：'Deep learning for medical image segmentation: A review'，'Automatic Segmentation of Head and Neck CT Images for Radiotherapy Treatment Planning Using Multi-Resolution Convolutional Neural Network'等。