Towards an automated Segment Anything Model (SAM) for lesion segmentation in oncological PET/CT images
Notice bibliographique
Résumé
In this work, we test the generalizability of a convolutional neural network, Residual-UNet trained on PET/CT images of one cancer type to other cancer types. We used three oncological PET/CT datasets of different cancer types: lymphoma (n=145), lung cancer (n=168) and melanoma (n=188), collected from two institutions. For each cancer type, the networks were trained to segment the specific single cancer type under 5-fold cross-validation (CV). We evaluated the model on the internal test set of the same cancer type as the training set and then assessed the transferability of the model's lesion segmentation ability on a different cancer type. We further explored different ensembling techniques - Average, Weighted Average, Vote, and STAPLE to combine the five models trained in 5-fold CV as a possible route towards improving model generalizability to new cancer types. For lymphoma-trained ensemble models, we obtained the best Dice similarity coefficient (DSC) (mean, median) of (0.58±0.28, 0.72) on lymphoma test set and a DSC of (0.44±0.25, 0.45) and (0.43±0.31, 0.43) were achieved on lung cancer and melanoma test sets, respectively. Similarly, for lung cancer-trained ensemble models, the best DSC obtained was (0.71±0.20, 0.77) on lung cancer test set and a DSC of (0.41±0.28, 0.48) and (0.42±0.27, 0.48) were achieved on lymphoma and melanoma test sets, respectively. Finally, for melanoma-trained ensemble models, the best DSC obtained was (0.52±0.28, 0.61) on melanoma test set and a DSC of (0.46±0.25, 0.52) and (0.43±0.23, 0.46) were achieved on lymphoma and lung cancer test sets, respectively. We emphasize that ensembling can be a powerful method for generalization, especially in cases when a model is evaluated on a cancer type different from what it was trained on. For internal testing, Weighted Average ensemble generally performed the best, while for testing on a different cancer type, different ensembles performed the best on various training and test set pairs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».