腫瘤分割在全身PET/CT成像中對於精確的疾病評估和治療規劃至關重要。然而，由於病灶大小、對比度和解剖分佈的變異性，這一任務仍充滿挑戰。傳統的人工分割不僅耗時，而且存在觀察者內和觀察者間的變異性，這限制了其在臨床實踐中的可靠性和可重複性。為了應對這些難題，AutoPET III挑戰賽旨在構建能夠跨示蹤劑和多中心資料進行泛化的模型，從而推動自動腫瘤分割技術的發展。
本研究由Hussain Alasmawi等人開展，以nnU-Net框架為基礎，結合ResNet編碼器作為基線，系統探索了多種訓練策略的影響。研究團隊重點考察了強度歸一化、批次Dice最佳化以及基於CraveMix的資料增強技術。強度歸一化有助於減少不同掃描器和協議之間的影像差異；批次Dice最佳化透過在訓練過程中最佳化Dice係數，直接針對分割效能進行學習；CraveMix則是一種專門設計的混合增強方法，透過合成新的病變樣本提高模型對病灶多樣性的適應能力。實驗結果表明，這些策略顯著影響了模型效能，尤其是在減少假陽性以及提高對病灶變異性的魯棒性方面。研究團隊對不同的組合進行了對比實驗，發現綜合使用這些策略能夠有效提升分割精度。
在AutoPET III的初步測試階段，採用最佳配置的模型實現了高達0.80的Dice分數，這一成績在參賽隊伍中位列第三。Dice分數是醫學影像分割中常用的評價指標，衡量預測分割與真實分割的重疊程度。0.80的分數表明模型在全身腫瘤分割任務上具有較高的準確性，尤其考慮到PET/CT影像中病灶的多樣性，這一結果令人鼓舞。此外，研究團隊已將程式碼公開發布，為醫學影像分割領域提供了可復現的基線方法和寶貴的資源。
該研究的成功展示了深度學習在醫學影像分析中的巨大潛力。透過系統化的訓練策略研究，不僅提高了分割效能，也為未來開發更魯棒的腫瘤分割模型提供了指導方向。未來，這些訓練策略有望進一步整合到臨床工作流中，輔助放射科醫生和腫瘤學家進行更精準的病灶識別和量測，從而改善癌症患者的診斷和治療效果。同時，該研究也為其他醫學影像分割任務提供了參考，例如腦腫瘤分割和肺結節檢測等。隨著公開程式碼的廣泛使用，預計將推動更多研究者探索和最佳化相關技術。