論文の概要: Developing Foundation Models for Universal Segmentation from 3D Whole-Body Positron Emission Tomography
- arxiv url: http://arxiv.org/abs/2603.11627v1
- Date: Thu, 12 Mar 2026 07:41:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-13 14:46:25.950258
- Title: Developing Foundation Models for Universal Segmentation from 3D Whole-Body Positron Emission Tomography
- Title（参考訳）: 3次元全体ポジトロン放射トモグラフィーによるユニバーサルセグメンテーションの基礎モデルの開発
- Abstract要約: 我々はこれまでで最大かつ最も包括的なPETデータセットを構築し、モデル開発のための59831のセグメンテーションマスクと11041の3DボディPETスキャンを含む。
多様なセグメンテーションタスクに汎用的に適用可能な,革新的な基礎モデルであるSegAnyPETを提案する。
- 参考スコア（独自算出の注目度）: 36.14746684754266
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Positron emission tomography (PET) is a key nuclear medicine imaging modality that visualizes radiotracer distributions to quantify in vivo physiological and metabolic processes, playing an irreplaceable role in disease management. Despite its clinical importance, the development of deep learning models for quantitative PET image analysis remains severely limited, driven by both the inherent segmentation challenge from PET's paucity of anatomical contrast and the high costs of data acquisition and annotation. To bridge this gap, we develop generalist foundational models for universal segmentation from 3D whole-body PET imaging. We first build the largest and most comprehensive PET dataset to date, comprising 11041 3D whole-body PET scans with 59831 segmentation masks for model development. Based on this dataset, we present SegAnyPET, an innovative foundational model with general-purpose applicability to diverse segmentation tasks. Built on a 3D architecture with a prompt engineering strategy for mask generation, SegAnyPET enables universal and scalable organ and lesion segmentation, supports efficient human correction with minimal effort, and enables a clinical human-in-the-loop workflow. Extensive evaluations on multi-center, multi-tracer, multi-disease datasets demonstrate that SegAnyPET achieves strong zero-shot performance across a wide range of segmentation tasks, highlighting its potential to advance the clinical applications of molecular imaging.
- Abstract（参考訳）: ポジトロン・エミッション・トモグラフィー(PET)は、放射性物質分布を可視化し、生体内生理および代謝過程を定量化し、疾患管理において不定の役割を果たす重要な核医学画像モダリティである。
その臨床的重要性にもかかわらず、定量PET画像解析のためのディープラーニングモデルの開発は、PETの解剖学的コントラストの曖昧さと、データ取得とアノテーションの高コストから固有のセグメンテーションの課題によって、依然として著しく制限されている。
このギャップを埋めるために,3次元全身PET画像からユニバーサルセグメンテーションのための一般基礎モデルを構築した。
モデル開発のための59831のセグメンテーションマスクと11041の全身PETスキャンを含む,これまでで最大かつ最も包括的なPETデータセットを構築した。
本データセットに基づいて,多様なセグメンテーションタスクに汎用的に適用可能な,革新的な基礎モデルであるSegAnyPETを提案する。
マスク生成のための迅速なエンジニアリング戦略を備えた3Dアーキテクチャ上に構築されたSegAnyPETは、普遍的でスケーラブルな臓器と病変のセグメンテーションを可能にし、最小限の努力で効率的な人間の修正をサポートし、臨床の人-ループワークフローを可能にする。
マルチセンター・マルチトラック・マルチディスリーズデータセットの大規模な評価は、SegAnyPETが幅広いセグメンテーションタスクで強力なゼロショット性能を達成し、分子イメージングの臨床的応用を前進させる可能性を強調している。
関連論文リスト
- Unveiling and Bridging the Functional Perception Gap in MLLMs: Atomic Visual Alignment and Hierarchical Evaluation via PET-Bench [48.60251555171943]
MLLM(Multimodal Large Language Models)は、異常検出や解剖学的モダリティのレポート生成などのタスクにおいて、顕著な熟練性を示した。
本研究では, 機能的トレーサの生体分布を, 形態的先行性とは無関係に復号化できない現状の視覚エンコーダについて, 基本的な機能的知覚ギャップを定量化する。
PET-Benchは52,308個の階層型QAペアからなるPET-Benchの最初の大規模機能評価ベンチマークである。
AVAは認知ギャップを効果的に橋渡しし、CoTを幻覚源から頑健な推論ツールに変換し、診断を改善していることを示す。
論文 参考訳（メタデータ） (2026-01-06T05:58:50Z) - PETAR: Localized Findings Generation with Mask-Aware Vision-Language Modeling for PET Automated Reporting [10.800541081358132]
5,000点以上のPET/CT検診から3Dセグメンテーションと組み合わせた11,000点以上の病変レベル記述からなる大規模データセットを提案する。
本データセットに基づいて,PET,CT,病変輪郭を統合した3次元マスク対応視覚言語モデルPETAR-4Bを提案する。
論文 参考訳（メタデータ） (2025-10-31T17:49:01Z) - Supervised Diffusion-Model-Based PET Image Reconstruction [44.89560992517543]
PET画像再構成の前兆として拡散モデル (DM) が導入された。
PET再構成のための教師付きDMベースアルゴリズムを提案する。
本手法はPETのポアソン確率モデルの非負性性を強制し,PET画像の広い範囲に適応する。
論文 参考訳（メタデータ） (2025-06-30T16:39:50Z) - Personalized MR-Informed Diffusion Models for 3D PET Image Reconstruction [40.722159771726375]
本稿では,PET-MR スキャンのデータセットから対象特異的なPET画像を生成するための簡易な手法を提案する。
私たちが合成した画像は、被験者のMRスキャンからの情報を保持し、高分解能と解剖学的特徴の保持につながる。
18ドルF]FDGデータセットのシミュレーションと実データを用いて,対象特異的な「擬似PET」画像を用いたパーソナライズされた拡散モデルの事前学習により,低カウントデータによる再構成精度が向上することを示す。
論文 参考訳（メタデータ） (2025-06-04T10:24:14Z) - SegAnyPET: Universal Promptable Segmentation from Positron Emission Tomography Images [21.883098685700666]
本研究は,PET画像からの普遍的プロンプト可能なセグメンテーションのためのモダリティ特異的な3次元基礎モデルであるSegAnyPETを開発する。
実験の結果,SegAnyPETは1点または数点のプロンプトポイントのみを用いて対象臓器をセグメント化できることがわかった。
論文 参考訳（メタデータ） (2025-02-20T08:17:13Z) - AutoPET III Challenge: Tumor Lesion Segmentation using ResEnc-Model Ensemble [1.3467243219009812]
我々は,新しいU-Netフレームワーク内で3次元残留エンコーダU-Netを訓練し,自動病変分割の性能を一般化した。
腫瘍病変のセグメンテーションを増強するために,テストタイム増強や他の後処理技術を利用した。
現在、私たちのチームはAuto-PET IIIチャレンジでトップの地位にあり、Diceスコア0.9627の予備テストセットでチャレンジベースラインモデルを上回っています。
論文 参考訳（メタデータ） (2024-09-19T20:18:39Z) - Autopet III challenge: Incorporating anatomical knowledge into nnUNet for lesion segmentation in PET/CT [4.376648893167674]
AutoPET III ChallengeはPET/CT画像における腫瘍病変の自動切除の進歩に焦点を当てている。
我々は,PETスキャンの最大強度投影に基づいて,与えられたPET/CTのトレーサを識別する分類器を開発した。
我々の最終提出書は、公開可能なFDGおよびPSMAデータセットに対して76.90%と61.33%のクロスバリデーションDiceスコアを達成している。
論文 参考訳（メタデータ） (2024-09-18T17:16:57Z) - From FDG to PSMA: A Hitchhiker's Guide to Multitracer, Multicenter Lesion Segmentation in PET/CT Imaging [0.9384264274298444]
本稿では,ResEncL アーキテクチャを用いた nnU-Net フレームワークを用いたマルチトラス,マルチセンタの一般化を目的とした AutoPET III チャレンジの解決策を提案する。
主なテクニックは、CT、MR、PETデータセット間での誤調整データ拡張とマルチモーダル事前トレーニングである。
Diceスコアが57.61となったデフォルトのnnU-Netと比較して、Diceスコアが68.40であり、偽陽性(FPvol: 7.82)と偽陰性(FNvol: 10.35)が減少している。
論文 参考訳（メタデータ） (2024-09-14T16:39:17Z) - Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine
PET Reconstruction [62.29541106695824]
本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。
計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。
2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
論文 参考訳（メタデータ） (2023-08-20T04:10:36Z) - A Data-scalable Transformer for Medical Image Segmentation:
Architecture, Model Efficiency, and Benchmark [45.543140413399506]
MedFormerは、一般化可能な3次元医用画像セグメンテーションのために設計されたデータスケーリング可能なトランスフォーマーである。
提案手法には, 望ましい帰納バイアス, 線形複雑度を考慮した階層的モデリング, マルチスケール特徴融合の3つの要素が組み込まれている。
論文 参考訳（メタデータ） (2022-02-28T22:59:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。