Representation Learning in PET Scans Enhanced by Semantic and 3D Position Specific Characteristics.
研究背景
转移性黑色素瘤（MM）扩散快、生存率低，免疫疗法需紧密监测治疗反应。PET/CT成像广泛用于癌症监测，18F - FDG PET图像可指示肿瘤高摄取区域，但手动分割耗时且易出错，因此需高效的数据增强表示学习方法区分肿瘤与非肿瘤高摄取区域。
方法速览
采用VICReg框架进行自监督学习，引入PEB模块结合位置信息与语义特征。数据集为转移性黑色素瘤患者的FDG - PET/CT全身图像。通过类特定采样策略生成相同类别的ROI对，增强语义一致性，还进行多种消融实验评估不同组件和参数设置。
主要发现
- 性能提升显著：所提表示学习方法敏感性和F1分数分别提高10.50%和4.89%，PEB在多个评估指标上优于基线模型，F1分数、平衡准确率和AUC分别提高4.04%、2.83%和3.2%。
- 有限数据表现佳：仅用15%训练数据时，模型在F1分数、平衡准确率和AUC上分别提高5.70%、6.47%和5.18%，泛化能力强。
- 对比优势明显：与多种现有方法相比，在autoPET和私有数据集上多个指标表现出色。
- 单模态PET最优：单模态PET在F1分数、平衡准确率和AUC上表现最佳，计算负担小，多模态方法增加误报率。
- 位置信息关键：t - SNE可视化显示，引入位置信息使模型区分肿瘤和非肿瘤区域表现更佳。
总结展望
本研究提出的方法创新性强，PEB模块、类特定采样策略和高效数据利用提升了模型性能。但也存在固定输入大小、依赖少量标注数据和数据集约束等局限性。未来可优化位置向量适应性以处理不同来源数据。