چکیده
ما یک مدل آناتومیک-آگاه، قابل مقیاسپذیر برای بخشبندی تظاهرات سراسر بدن در PET/CT FDG و PSMA ارائه میدهیم که برای چالش AUTOPET V طراحی شده است. روش پیشنهادی بهصورت خانوادهای از مدلهای مبتنی بر nnU-Net ساخته شده و در دو مرحله آموزشدهی قرار گرفته است: i) مرحله پیشآموزشی که یک بخشبندی اولیه قوی تولید میکند، و ii) مرحله تعاملی آنلاین که از پرامپتهای خطکشی بهرهمند شده و پیشبینی را در تعاملات موفقیتآمیز بهبود مییابد. زمینه آناتومیک از طریق نظارت آناتومیک با استفاده از یک سر واحد مشترک که تظاهرات و اعضا را از همان ویژگیها پیشبینی میکند، گنجانده شده است؛ این امر بخشبندیهای مثبت کاذب ناشی از جذب فیزیولوژیک را کاهش میدهد. همچنین از آنجا که ردیاب (یعنی FDG/PSMA) در زمان استنتاج ارائه نمیشود، یک طبقهبندی ردیاب بر اساس پردازش تصویر و یک جنگل تصادفی بر اساس ویژگیهای MIP کورونال اضافه میکنیم که هر مطالعه را به یک مدل ترکیبی FDG+PSMA یا به یک مدل خاص PSMA هدایت میکند. در اعتبارسنجی چهارگوشهای، مدل با نظارت آناتومیک بهترین و پایدارترین عملکرد را حاصل میکند، مرحله تعاملی امتیاز دایس را تقریباً با هر پرامپت بهبود میدهد، و آموزش خاص PSMA قویترین نتایج را در سطح ردیاب به دست میآورد.
متن کامل
رشته علوم کامپیوتر > بینایی کامپیوتر و تشخیص الگو
arXiv:2608.28461v1 (cs) [ارسال شده در ۲۸ آگوست ۲۰۲۶]
**عنوان:** تقسیمبندی آگاه از آناتومی با قابلیت پرسش و آموزش تعاملی برخط برای AUTOPET V
**نویسندگان:** پابلو لوزانو-خیمنز، سرخیو رومرو-تاپیادور، روبن تولوسانا
[مشاهده نسخه PDF این مقاله با عنوان «تقسیمبندی آگاه از آناتومی با قابلیت پرسش و آموزش تعاملی برخط برای AUTOPET V» نوشته پابلو لوزانو-خیمنز و ۲ نویسنده دیگر]
**چکیده:** ما یک مدل آگاه از آناتومی و قابل پرسش برای تقسیمبندی ضایعات تمامبدن در تصاویر FDG و PSMA PET/CT ارائه میدهیم که برای چالش AUTOPET V توسعه یافته است. روش پیشنهادی به صورت خانوادهای از مدلهای مبتنی بر nnU-Net طراحی شده و در دو مرحله آموزش میبیند: i) مرحله پیشآموزش که یک تقسیمبندی اولیه قوی تولید میکند، و ii) مرحله تعاملی برخط که از پرسشهای اسکریبل (scribble) بهرهبرداری میکند و پیشبینی را در تعاملات متوالی بهبود میدهد. زمینه آناتومیکی از طریق نظارت بر اندامها با یک سر مشترک وارد میشود؛ به این ترتیب که ضایعات و اندامها از ویژگیهای یکسان پیشبینی میشوند، که مثبتهای کاذب ناشی از جذب فیزیولوژیکی را کاهش میدهد. همچنین از آنجایی که نوع ردیاب (یعنی FDG/PSMA) در زمان استنتاج ارائه نمیشود، یک طبقهبندیکننده ردیاب مبتنی بر پردازش تصویر و یک جنگل تصادفی (random forest) روی ویژگیهای MIP کرونال اضافه کردهایم که هر مطالعه را به یک مدل ترکیبی FDG+PSMA یا به یک مدل اختصاصی PSMA هدایت میکند. در اعتبارسنجی متقاطع چهارتایی، مدل با نظارت بر اندامها بهترین و پایدارترین عملکرد را به دست میآورد، مرحله تعاملی امتیاز دایس (Dice score) را با هر پرسش به طور یکنواخت بهبود میبخشد، و آموزش اختصاصی PSMA قویترین نتایج را برای هر ردیاب به همراه دارد.
**موضوعات:** بینایی کامپیوتر و تشخیص الگو (cs.CV)؛ هوش مصنوعی (cs.AI)
**استناد:** arXiv:2608.28461 [cs.CV] (یا arXiv:2608.28461v1 [cs.CV] برای این نسخه)
https://doi.org/10.48550/arXiv.2608.28461
**تاریخچه ارسال:**
از: پابلو لوزانو خیمنز [مشاهده ایمیل]
[v1] جمعه، ۲۸ آگوست ۲۰۲۶، ۱۵:۴۹:۵۸ UTC (۲۳ کیلوبایت)
(چیست CORE؟) نویسنده مکان نهاد موضوع درباره arXivLabs آزمایشهای arXivLabs: پروژههای آزمایشی با همکاران انجمنی
arXivLabs چارچوبی است که به همکاران اجازه میدهد تا ویژگیهای جدید arXiv را مستقیماً روی وبسایت ما توسعه و به اشتراک بگذارند. هر فرد یا سازمانی که با arXivLabs همکاری میکند، ارزشهای باز بودن، انجمنی بودن، برتری و حریم خصوصی دادههای کاربری را پذیرفته و به آنها پایبند شده است. arXiv نیز به این ارزشها وفادار است و تنها با شرکایی که به این اصول پایبند هستند همکاری میکند.
ایدهای برای پروژهای که ارزش افزودهای برای انجمن arXiv فراهم میکند؟ درباره arXivLabs بیشتر بدانید.
کدام نویسندگان این مقاله حمایتکنندگان (endorsers) هستند؟ | غیرفعال کردن MathJax (چیست MathJax؟)