A dual-validation 3D nnU-Net framework with harmonized preprocessing for robust DLBCL segamentation in PET/CT images
Notice bibliographique
Résumé
Diffuse large B-cell lymphoma (DLBCL) is an aggressive and common subtype of non-Hodgkin lymphoma. The automatic segmentation of DLBCL tumors from positron emission tomography/computed tomography (PET/CT) images remains a significant challenge due to the complexity and variable appearance of tumors. In this study, we developed and evaluated a 3D nn-UNet model for the automatic segmentation of DLBCL lesions to support treatment planning and monitoring. The model was trained on 18F-FDG PET/CT scans from 217 patients. Performance was assessed using geometric metrics, resulting in a mean Dice Similarity Coefficient (DSC) of 0.85, Intersection over Union (IoU) of 0.75, sensitivity of 88.3 %, specificity of 95.7 %, and accuracy of 97.1 %. To establish clinical validity, the Total Metabolic Tumor Volume (TMTV) was derived from both ground truth and predicted segmentations. Bland-Altman analysis demonstrated strong agreement, and linear regression confirmed a high correlation between the volumes. The key novelty of our work lies in a harmonized preprocessing pipeline and a dual-validation strategy that integrates geometric metrics (DSC, IoU) with volumetric and metabolic assessments (TMTV, Standardized Uptake Value (SUVmax)). The results, supported by box plots illustrating metric distributions, confirm the model's robustness, reliability, and potential for clinical utility in managing DLBCL.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».