跳转至

Automated head and neck tumor segmentation from 3D PET/CT

论文地址

https://arxiv.org/abs/2209.10809

摘要

Cite

2022年头颈部肿瘤分割挑战赛 （HECKTOR）为研究人员提供了一个平台，以比较他们的解决方案，以从3D CT和PET图像中分离肿瘤和淋巴结。 在这项工作中，我们描述了我们对HECKTOR 2022分割任务的解决方案。我们将所有图像重新采样到一个通用的分辨率，在头部和颈部区域进行裁剪， 并从MONAI训练SegResNet语义分割网络。我们使用5折交叉验证来选择最佳模型检查点。最终提交的作品是来自3次运行的15个模型的集合。 我们的解决方案（团队名称NVAUTO）在HECKTOR22挑战排行榜上排名第一，总骰子得分为0.788021。它是用Auto3DSeg实现的。

看一下Auto3dSeg的报告

方法

网络选用SegResNet（？），数据处理步骤包括

  1. 使用简单的阈值方法裁剪出待分割的区域，减少图像尺寸和计算量
  2. 图片强度调整归一化
  3. 随机分成5折
  4. 训练的时候采样192192192进行训练，采样的策略是按照正负样本比例采样，肿瘤0.45，淋巴0.45，背景0.1
  5. 数据增强包括：强度缩放、强度偏移、噪音、模糊
  6. 训练300个epoch，8个16G的V100，每个机器batch size 1

提交结果的时候可以提交三个，这里提交的三个模型是

总结

Cite

总之，在这项工作中，我们描述了我们对HECKTOR22挑战的解决方案（NVAUTO团队）。我们的自动化解决方案通过 MONAI和 Auto3DSeg实现。 我们在 HECKTOR22 挑战赛任务中获得第一名。

只是说了怎么做，但是有一个核心问题没说就是为什么在这个任务上SegResNet效果好

评论