[论文解读] Whole-Body Lesion Segmentation in 18F-FDG PET/CT

Jia Zhang, Yukun Huang+2 more|arXiv (Cornell University)|Sep 16, 2022

Medical Imaging Techniques and Applications被引用 4

一句话总结

该论文提出了一种基于ResNet18主干网络的联合2D-3D nnUNet模型，用于18F-FDG PET/CT扫描中的全身影像病灶分割，结合了2D网络的轴向平面敏感性与3D ResNet-based网络的三维体素上下文信息。该方法在AutoPet挑战赛中取得了最先进性能，总队列Dice分数达到0.79，并通过加权融合与后处理策略显著减少了假阳性和假阴性结果。

ABSTRACT

There has been growing research interest in using deep learning based method to achieve fully automated segmentation of lesion in Positron emission tomography computed tomography(PET CT) scans for the prognosis of various cancers. Recent advances in the medical image segmentation shows the nnUNET is feasible for diverse tasks. However, lesion segmentation in the PET images is not straightforward, because lesion and physiological uptake has similar distribution patterns. The Distinction of them requires extra structural information in the CT images. The present paper introduces a nnUNet based method for the lesion segmentation task. The proposed model is designed on the basis of the joint 2D and 3D nnUNET architecture to predict lesions across the whole body. It allows for automated segmentation of potential lesions. We evaluate the proposed method in the context of AutoPet Challenge, which measures the lesion segmentation performance in the metrics of dice score, false-positive volume and false-negative volume.

研究动机与目标

• 开发一种完全自动化的基于深度学习的全身影像病灶分割方法，用于18F-FDG PET/CT扫描，以支持癌症预后与治疗方案制定。
• 通过CT提供的结构信息，解决在脑、膀胱和肾脏等器官中区分恶性病灶与生理性FDG摄取的挑战。
• 通过在nnUNet框架内结合2D与3D网络架构，提升分割精度，以同时利用轴向平面敏感性与3D体素上下文信息。
• 通过加权融合策略与一种新型后处理方法，减少假阳性和假阴性结果。

提出的方法

• 所提出的方法采用联合2D-3D nnUNet架构，其中2D UNet与3D全分辨率ResUNet（3D F-Res）分别独立训练，其预测结果通过加权平均进行融合。
• 3D F-Res模型将ResNet18作为编码器主干网络，通过残差单元实现更深的网络连接与更优的信息流动。
• 2D UNet以448×448的感受野处理轴向切片，捕捉精细的、平面特异的病灶细节。
• 3D F-Res模型采用128×128×128的切片大小，处理体素数据以建模跨切片的空间上下文。
• 融合通过加权组合实现：$\text{softmax}_{\text{pred}} = 0.55 \times \text{softmax}_{3D} + 0.45 \times \text{softmax}_{2D}$，偏向3D输出。
• 应用一种后处理方法以进一步减少高摄取生理性区域的假阳性结果。

实验结果

研究问题

• RQ1 与独立的2D或3D模型相比，联合2D-3D nnUNet架构是否能提升18F-FDG PET/CT中全身影像病灶分割的准确性？
• RQ2 在3D nnUNet中集成ResNet18作为主干网络，是否相比标准UNet主干网络能提升病灶分割性能？
• RQ3 2D与3D预测结果的加权融合如何影响假阳性与假阴性率之间的平衡？
• RQ4 通过级联低分辨率预测与高分辨率模型是否能提升分割性能，还是因分辨率损失而降低性能？
• RQ5 后处理方法在多大程度上能减少肠道与膀胱等生理性FDG摄取区域的假阳性结果？

主要发现

• 联合2D-3D模型在AutoPet挑战赛验证集上获得最高总体排名（第1名），在Dice分数、假阳性体积与假阴性体积方面均优于所有其他模型。
• 联合模型在总队列中Dice分数达到0.79，其中肺癌为0.83，黑色素瘤为0.78，淋巴瘤为0.74。
• 3D F-Res模型在所有疾病类型中假阴性体积最低（1.93），表明其具有更优的病灶检测能力。
• 3D L-Res模型假阳性体积最低（0.51），但假阴性体积最高（9.93），表明其在敏感性与特异性之间存在权衡。
• 2D UNet模型假阳性体积最低（1.63），但假阴性体积最高（4.60），凸显其在非病灶区域对假阳性的敏感性。
• 联合模型成功缓解了黑色素瘤与阴性病例中的假阳性问题，并弥补了肺癌中的漏检病灶，展示了2D与3D分支的互补优势。