論文の概要: Advanced Tumor Segmentation in PET/CT Imaging: A Training Strategy Study with nnU-Net for AutoPET III

• arxiv url: http://arxiv.org/abs/2605.08161v1
• Date: Mon, 04 May 2026 12:55:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.410777
• Title: Advanced Tumor Segmentation in PET/CT Imaging: A Training Strategy Study with nnU-Net for AutoPET III
• Title（参考訳）: PET/CT画像における高度な腫瘍分離 : nnU-NetによるAutoPET IIIの訓練戦略
• Authors: Hussain Alasmawi,
• Abstract要約: 本研究は,AutoPET IIIチャレンジのために開発された全身腫瘍セグメンテーション法を提案する。 我々は、ResNetベースのエンコーダをベースラインとしてnnU-Netフレームワークを採用し、トレーニング戦略の影響を体系的に調査する。 実験の結果,これらの戦略がモデル性能,特に偽陽性の低減と病変の変動性に対する堅牢性の改善に大きく影響していることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tumor segmentation in whole-body PET/CT imaging is crucial for precise disease evaluation and treatment planning. However, it remains challenging due to variability in lesion size, contrast, and anatomical distribution. Relying on manual segmentation makes the process time-consuming and prone to intra- and inter-observer variability. This work presents a whole-body tumor segmentation method developed for the AutoPET III challenge, where the goal is to build models that generalize across tracers and multi-center data. We employ the nnU-Net framework with a ResNet-based encoder as our baseline and systematically investigate the impact of training strategies, including intensity normalization, batch dice optimization, and data augmentation using CraveMix. Our experiments show that these strategies significantly influence model performance, particularly in reducing false positives and improving robustness to lesion variability. The best-performing configuration achieves a Dice score of up to 0.80 on the preliminary test phase, and our method ranked third in the AutoPET III challenge. The code is publicly available here.
• Abstract（参考訳）: PET/CT画像における腫瘍のセグメンテーションは, 正確な疾患評価と治療計画に不可欠である。 しかし, 病変の大きさ, コントラスト, 解剖学的分布の変動により, 依然として困難である。 手動のセグメンテーションを頼りにすることで、プロセスは時間がかかり、サーバ内およびサーバ間の変動が生じる。 この研究はAutoPET IIIチャレンジのために開発され、トレーサとマルチセンターデータにまたがる一般化モデルを構築することを目的としている。 我々は、ResNetベースのエンコーダを備えたnnU-Netフレームワークをベースラインとして、強度正規化、バッチダイス最適化、CraveMixを用いたデータ拡張を含むトレーニング戦略の影響を体系的に調査する。 実験の結果,これらの戦略がモデル性能,特に偽陽性の低減と病変の変動性に対する堅牢性の改善に大きく影響していることが示唆された。 The best-performing configuration achieve a Dice score to up 0.80 on the pre test phase, and our method ranked in the AutoPET III Challenge。 コードはここで公開されている。

関連論文リスト

• The autoPET3 Challenge: Automated Lesion Segmentation in Whole-Body PET/CT $\unicode{x2013}$ Multitracer Multicenter Generalization [67.92281859568168]
  第3回オートPETチャレンジ(MICCAI 2024)の設計と成果を報告する。 全身PET/CTにおける自動病変分割を, 構成的一般化条件下でベンチマークした。 トップランクのアルゴリズムは平均DSCが0.66、FNVが3.18mL、FPVが2.78mLである。
  論文  参考訳（メタデータ） (2026-05-07T07:07:09Z)
• Developing Foundation Models for Universal Segmentation from 3D Whole-Body Positron Emission Tomography [36.14746684754266]
  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。
  論文  参考訳（メタデータ） (2026-03-12T07:41:28Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• 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: PET/CT Semantic Segmentation [0.4905104543244113]
  PET/CT画像におけるセグメント病変に対する2段階の深層学習手法を,AutoPET IIIチャレンジのために実装した。 最初の段階では、DynUNetモデルを使用して、広い関心領域を識別する粗いセグメンテーションを行った。 第2ステージでは、SwinUNETR、SegResNet、UNetモデルのアンサンブルを使用して、このセグメンテーションを改良した。
  論文  参考訳（メタデータ） (2024-09-19T17:45:17Z)
• Data-Centric Strategies for Overcoming PET/CT Heterogeneity: Insights from the AutoPET III Lesion Segmentation Challenge [0.9854844969061186]
  第3のAutoPETチャレンジは、今年新たにデータ中心のタスクを導入した。 この課題は、PET/CT画像の転移性病変セグメンテーションの改善に焦点を移した。 PET/CT画像の特徴に合わせてセグメンテーション性能を向上させる手法を開発した。
  論文  参考訳（メタデータ） (2024-09-16T09:32:04Z)
• 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)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)

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。