論文の概要: Improving PET/CT-Based Whole-Body Lesion Segmentation Using Prediction Uncertainty-Augmented Models

• arxiv url: http://arxiv.org/abs/2606.10115v1
• Date: Mon, 08 Jun 2026 19:49:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.165587
• Title: Improving PET/CT-Based Whole-Body Lesion Segmentation Using Prediction Uncertainty-Augmented Models
• Title（参考訳）: 予測不確かさ拡張モデルを用いたPET/CTによる全体病変分割の改善
• Authors: Bashirul Azam Biswas, Biratal Raj Wagle, Zhihan Yang, Marc A. Seltzer, Matthew E. Maeder, James B. Yu, Indrani Bhattacharya,
• Abstract要約: PET/CT画像からの病変のデライン化は, 微妙な画像特徴, 共同ファウンダー, 読取者間変動などにより臨床的に困難である。 既存のディープラーニングアプローチは、トレーニング関連性、一貫性のない予測、高腫瘍バーデン症例の病変の欠如、不確実性の欠如に悩まされている。 全身PET/CT病変分類のための不確実性認識フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.533732724414947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate lesion segmentation from whole-body Positron Emission Tomography (PET)/Computed Tomography (CT) scans is essential for cancer staging and treatment planning. PET provides functional metabolic information with different radiotracers, while CT offers anatomical localization. Lesion delineation from PET/CT imaging is clinically challenging due to subtle imaging features, confounders, and inter-reader variability. Existing deep learning approaches suffer from training-related stochasticity, inconsistent predictions, missed lesions in high tumor-burden cases, and lack uncertainty quantification, limiting their clinical reliability. Using nnU-Net as a baseline, we propose an uncertainty-aware framework for whole-body PET/CT lesion segmentation that integrates (1) Bayesian ensembling to reduce training stochasticity, (2) voxel-wise uncertainty quantification with epistemic and aleatoric decomposition, and (3) epistemic uncertainty-augmented training to improve lesion detection. Two public datasets, AutoPET-III (1,611 scans) and Deep-PSMA (200 scans), comprising FDG and PSMA studies across multiple cancer types, are used for training and evaluation. Bayesian ensembling improves robustness and performance over deterministic nnU-Net models on the unseen AutoPET-III test set. Uncertainty maps highlight regions of model disagreement and correlate with misclassifications, particularly false positives. Uncertainty-augmented training improves lesion recovery at the cost of increased FPVol, reflecting a precision-recall trade-off. A case-adaptive routing strategy further improves Dice by selecting between the base and augmented models. To our knowledge, this is the first study to systematically investigate uncertainty quantification in multi-tracer, pan-cancer PET/CT segmentation and to combine Bayesian ensembling with uncertainty-aware modeling for this task.
• Abstract（参考訳）: 全身ポジトロンCT(PET)/CT(CT)スキャンの正確な病変分割は,がんのステージングと治療計画に不可欠である。 PETは異なる放射性物質で機能的な代謝情報を提供するが、CTは解剖学的局在を提供する。 PET/CT画像からの病変のデライン化は, 微妙な画像特徴, 共同ファウンダー, 読取者間変動などにより臨床的に困難である。 既存のディープラーニングアプローチは、トレーニング関連の確率性、一貫性のない予測、高腫瘍バーデン症例の病変の欠如、不確実な定量化の欠如、臨床的信頼性の制限に悩まされている。 基礎としてnnU-Netを用いた全身PET/CT病変セグメンテーションのための不確実性認識フレームワークを提案し,(1)トレーニング確率を下げるためのベイズアンサンブル,(2)てんかんおよび動脈解離を伴うボクセル単位の不確実性定量化,(3)てんかん検出を改善するための不確実性増強トレーニングについて検討した。 2つの公開データセット、AutoPET-III (1,611スキャン) とDeep-PSMA (200スキャン) は、複数のがん種にわたるFDGおよびPSMA研究を含む。 ベイズアンサンブルは、未知のオートPET-IIIテストセット上の決定論的nnU-Netモデルよりも堅牢性と性能を向上させる。 不確実性マップは、モデル不一致の領域を強調し、誤分類、特に偽陽性と相関する。 不確実性増強トレーニングは、FPVolの増加による病変回復を改善し、正確なリコールトレードオフを反映している。 ケース適応ルーティング戦略は、ベースモデルと拡張モデルの間で選択することで、Diceをさらに改善する。 本研究は,マルチトラック,パンキャンサーPET/CTセグメンテーションにおける不確実性定量化を系統的に検討し,ベイズアンアンサンブルと不確実性認識モデルを組み合わせた最初の研究である。

関連論文リスト

• Cross-Source Supervision for Bone Infection Segmentation in Dual-Modality PET-CT [9.800199332507164]
  PETメタボリック信号とCT骨窓解剖を統合したバイモーダル・エンド・ツー・エンドセグメンテーション・フレームワークを開発した。 本研究では,従来の2次元評価手法を捨て,厳格な患者レベル3次元容積評価とクロスバリデーションを実装した。 実験の結果, 患者レベルでの性能変化を客観的に報告し, 多モードPET-CT融合の有効性を実証した。
  論文  参考訳（メタデータ） (2026-05-10T17:22:42Z)
• Advanced Tumor Segmentation in PET/CT Imaging: A Training Strategy Study with nnU-Net for AutoPET III [0.0]
  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。
  論文  参考訳（メタデータ） (2026-05-04T12:55:12Z)
• 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)
• 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)
• Multi-modal Evidential Fusion Network for Trustworthy PET/CT Tumor Segmentation [5.839660501978193]
  臨床環境では,PET画像とCT画像の画質は著しく変化し,ネットワークによって抽出されるモダリティ情報の不確実性が生じる。 我々は,CFL(Cross-Modal Feature Learning)とMTF(Multi-Modal Trustworthy Fusion)の2つの基本段階からなる,新しいMulti-Modal Evidential Fusion Network(MEFN)を提案する。 本モデルでは, 自動セグメンテーション結果の受け入れや拒絶の判断において, セグメンテーション結果の確実な不確実性を, 放射線技師に提供することができる。
  論文  参考訳（メタデータ） (2024-06-26T13:14:24Z)
• 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)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)

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。