原題
AutoPET Challenge on Fully Automated Lesion Segmentation in Oncologic PET/CT Imaging, Part 2: Domain Generalization.
背景:2回目の自動PETチャレンジでは、単一ソース全身F-FDG PET/CTで訓練されたML病変セグメンテーションモデルが臨床的に関連する変動に一般化するかどうかを評価した。
方法:17チームが1,014の注釈付きスキャンで訓練を受け、5つの領域(異なる施設、病理、集団、追跡者)からの200症例で検査された。指標:Dice、偽陽性ボリューム、偽陰性ボリューム。チャレンジ後のエラーおよび順位分析を実施した。
結果:トップダイスは0.5038(平均FPV 87.84 mL、FNV 8.42 mL)であった。nnU-Net/3D U-Netが優勢であった。特に小児およびPSMAデータでは、領域外のパフォーマンスが低下した。よくみられたエラーは、生理学的偽陽性および小/低取り込み病変の見逃しであった。アンサンブルは最小限の実質的な利益をもたらした。
結論:単一ソースドメインの一般化は依然として大きな制限であり、堅牢性を向上させるためには多様な公開データセットが必要である。
Journal: J Nucl Med (CiteScore 2022: 12.9)
DOI: 10.2967/jnumed.125.270260
PMID: 41469162
コメント