本研究提出了一种结合解剖知识与nnUNet模型的方法，以提高PET/CT成像中的病灶分割准确性。在FDG和PSMA数据集上的验证结果显示，该方法的Dice分数分别为76.90%和61.33%。

本文提出了一种新的合成框架，用于神经影像学中的病灶分割任务。该方法通过使用健康和中风数据集导出的标签图来训练深度学习模型，实现了对健康组织和病理病变的分割。该框架在评估中表现稳定，并在领域外数据上优于当前方法。这一贡献有望推动医学影像分析的进展，减少对大型标注数据的依赖。