BriefGPT - AI 论文速递
·
自动PET挑战III：测试广义Dice焦点损失训练的3D残差UNet在全身PET/CT图像中对FDG和PSMA病灶分割的稳健性
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
该研究使用3D Residual UNet模型和广义Dice焦点损失函数，成功解决了PET/CT扫描中自动分割癌性病灶的挑战。经过5折交叉验证，平均Dice相似系数为0.6687，为常规PET/CT图像分析提供了有效的分割模型。
🎯
关键要点
- 该研究解决了在PET/CT扫描中自动分割癌性病灶的挑战。
- 研究考虑了病灶在大小、形状和放射性示踪剂摄取方面的变化。
- 采用3D Residual UNet模型和广义Dice焦点损失函数。
- 经过5折交叉验证，平均Dice相似系数为0.6687。
- 为常规PET/CT图像分析提供了一个有效的分割模型。
➡️
