肿瘤分割在全身PET/CT成像中对于精确的疾病评估和治疗规划至关重要。然而，由于病灶大小、对比度和解剖分布的变异性，这一任务仍充满挑战。传统的人工分割不仅耗时，而且存在观察者内和观察者间的变异性，这限制了其在临床实践中的可靠性和可重复性。为了应对这些难题，AutoPET III挑战赛旨在构建能够跨示踪剂和多中心数据进行泛化的模型，从而推动自动肿瘤分割技术的发展。
本研究由Hussain Alasmawi等人开展，以nnU-Net框架为基础，结合ResNet编码器作为基线，系统探索了多种训练策略的影响。研究团队重点考察了强度归一化、批次Dice优化以及基于CraveMix的数据增强技术。强度归一化有助于减少不同扫描仪和协议之间的图像差异；批次Dice优化通过在训练过程中优化Dice系数，直接针对分割性能进行学习；CraveMix则是一种专门设计的混合增强方法，通过合成新的病变样本提高模型对病灶多样性的适应能力。实验结果表明，这些策略显著影响了模型性能，尤其是在减少假阳性以及提高对病灶变异性的鲁棒性方面。研究团队对不同的组合进行了对比实验，发现综合使用这些策略能够有效提升分割精度。
在AutoPET III的初步测试阶段，采用最佳配置的模型实现了高达0.80的Dice分数，这一成绩在参赛队伍中位列第三。Dice分数是医学图像分割中常用的评价指标，衡量预测分割与真实分割的重叠程度。0.80的分数表明模型在全身肿瘤分割任务上具有较高的准确性，尤其考虑到PET/CT图像中病灶的多样性，这一结果令人鼓舞。此外，研究团队已将代码公开发布，为医学图像分割领域提供了可复现的基线方法和宝贵的资源。
该研究的成功展示了深度学习在医学影像分析中的巨大潜力。通过系统化的训练策略研究，不仅提高了分割性能，也为未来开发更鲁棒的肿瘤分割模型提供了指导方向。未来，这些训练策略有望进一步集成到临床工作流中，辅助放射科医生和肿瘤学家进行更精准的病灶识别和量测，从而改善癌症患者的诊断和治疗效果。同时，该研究也为其他医学影像分割任务提供了参考，例如脑肿瘤分割和肺结节检测等。随着公开代码的广泛使用，预计将推动更多研究者探索和优化相关技术。