PulseAugur
中
实时 10:21:14
English(EN) The autoPET3 Challenge -- Automated Lesion Segmentation in Whole-Body PET/CT - Multitracer Multicenter Generalization

AI 模型在未见过的 PET/CT 示踪剂组合上表现不佳，尽管分割能力有所提升

作者 PulseAugur 编辑部 · [1 个来源] ·

在 MICCAI 2024 上举办的 autoPET3 挑战赛，专注于全身 PET/CT 扫描中的病灶自动分割，特别是测试组合泛化能力。该挑战赛使用了来自两家主要医院的超过 1600 项 PET/CT 研究的大型数据集，其中包括最大的公开可用的带注释 PSMA PET/CT 数据集。十七个团队开发了算法，主要基于 nnU-Net，其中表现最佳的团队取得了 0.66 的平均 Dice Similarity Coefficient (DSC)。结果表明，虽然在域内分割已接近人类水平，但泛化到未见过的示踪剂-中心组合仍然是一个重大挑战，而算法选择对顶尖表现者的数据异质性影响较小。 AI

影响 突显了医学图像分割模型在组合泛化方面的局限性，指明了未来研究和发展的方向。

排序理由 这是一篇详细介绍自动化医学图像分割挑战赛及其结果的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

AI 模型在未见过的 PET/CT 示踪剂组合上表现不佳，尽管分割能力有所提升

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Jakob Dexl, Katharina Jeblick, Andreas Mittermeier, Balthasar Schachtner, Anna Theresa St\"uber, Johanna Topalis, Maximilian Rokuss, Fabian Isensee, Klaus H. Maier-Hein, Hamza Kalisch, Jens Kleesiek, Constantin M. Seibold, Hussain Alasmawi, Lap Yan Lennon ·

    The autoPET3 Challenge -- Automated Lesion Segmentation in Whole-Body PET/CT - Multitracer Multicenter Generalization

    arXiv:2605.05775v1 Announce Type: new Abstract: We report the design and results of the third autoPET challenge (MICCAI 2024), which benchmarked automated lesion segmentation in whole-body PET/CT under a compositional generalization setting. Training data comprised 1,014 [18F]-FD…

相关实体

相关话题