Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
AutoPETIII : La frontière du Tracer. Quelle frontière ?
Created by
Haebom
Auteur
Zacharia Mesbah, Léo Mottay, Romain Modzelewski, Pierre Decazes, Sébastien Hapdey, Su Ruan, Sébastien Thureau
Contour
Le concours AutoPET 2024 visait à développer un algorithme de segmentation de lésions entièrement automatisé pour les scanners TEP/TDM utilisant des traceurs FDG ou PSMA, sans connaître le type de traceur. Cet article décrit comment entraîner deux ensembles de six modèles à l'aide du framework nnUNetv2 et comment sélectionner l'ensemble de modèles pour la segmentation à l'aide de MIP-CNN.
Takeaways, Limitations
•
Takeaways: Nous présentons une solution efficace au problème de segmentation des lésions en TEP/TDM à l'aide de divers traceurs, en exploitant le framework nnUNetv2. Une stratégie de sélection de modèle utilisant MIP-CNN améliore l'adaptabilité à divers traceurs.
•
Limitations: Cet article se concentre sur la description d'un cadre et d'un modèle spécifiques, et ne comporte pas d'analyse comparative avec d'autres approches. L'analyse de l'impact de variables autres que les différents traceurs (par exemple, la qualité de l'examen, la taille de la lésion) est inadéquate. Les résultats de la validation des performances en situation clinique réelle ne sont pas présentés.
