数坤科技3D卷积神经网络模型用于肝脏MR图像的精准分割

对肝脏MR图像进行高效、精准的分割，是肝脏疾病智能诊断治疗的基础。此前，在国际上，基于深度学习、全自动进行肝脏磁共振图像分割的研究很少见。

近日，首都医科大学附属北京友谊医院杨正汉教授团队与数坤科技联合开展的研究，填补了该领域的空白。研究论文《Automated segmentation of liver segment on portal venous phase MRimages using a 3D convolutional neural network》发表于全球权威的医学影像杂志《Insights into Imaging》（IF 5.179）。《Insights into Imaging》由欧洲放射学会 （ESR） 创立，是临床影像相关教育及最新研究领域具有领先地位的一本期刊。

该项研究采用了基于多序列的3D卷积神经网络模型，由数坤科技自主研发，用于肝脏MR图像的精准分割。

肝脏分割模型的网络结构

结论显示，该模型可作为肝脏MR图像自动分割标注的有效工具，且对于不同厂家及不同场强的MRI设备采集的肝脏图像及不同肝背景均有稳健的表现。该模型为AI智能辅助肝脏疾病MRI诊断奠定了坚实的基础，对于精准手术计划及预后判断将具有重要的临床意义。

模型应用于不同MR设备图像的质量评估，结果显示该模型适用于不同厂家及不同场强的MRI设备。

肝脏MRI智能化挑战

需求强、难度高、研究少

慢性肝病影响着全球数以千万计的人群，各种慢性肝病如未能得到有效控制，将逐渐进展直至终末期肝病，这些患者又都是肝脏肿瘤的高危人群。中国超过五分之一的人群受到肝脏疾病的困扰。

MRI检查具有多方位、多参数、高软组织分辨力的成像优势，已成为常用的肝脏影像学检查方法。肝脏的精准分割，是肝脏疾病鉴别诊断、精准手术规划及预后判断的基础。

在影像诊断环节，肝脏及病灶的精准分割，可帮助医生发现病灶、精准定位并提取其影像特征。手术环节，术前需对肝脏的结构、肝内病灶等进行整体性评估，以帮助肝胆外科医生精准有效切除病灶，尽可能减少对残余肝脏的损害，为患者带来最大远期利益。

对于肝脏MR图像的分割，通常由放射医生通过人眼识别、手工分割完成，不仅工作繁琐、耗费人力、时间，且结果会因为医生个体差异而导致分割结果的差异。另外，肝脏自身解剖学结构复杂，手术史、肿瘤压迫或肝硬化等原因造成肝脏实质及管道系统的变异，及肝脏MRI增强扫描多达1000~3000幅图像数量，都为智能分割带来了一定困难。

过去20年中，科学家已经开展了计算机辅助肝脏分割的研究，但其中大部分使用的是传统机器学习的技术，在效率和准确率上无法满足临床需求。临床亟需一种能自动、准确进行肝脏分割的智能化工具。

AI在肝脏MRI应用潜能广阔

效率提升195倍，精准助力手术规划及预后

这项研究评估了一种使用深度神经网络的自动化肝脏分割方法，该方法分别使用 367、157 和158 例门静脉期 MR 图像进行训练、验证和测试。研究数据结果显示，该模型在Dice相似系数（DSC）、平均表面距离（MSD）、豪斯多夫距离（HD）、容积率（RV）这四个指标上表现出高准确性（分别为0.920、3.34、3.61、1.01）。与手动分割相比，该模型将分割时间从26分钟大幅缩短至8秒，效率提升了195倍。

在图像分割的质量评估上，基于该自动化分割模型，高质量分割图像占比高达79%，中等质量分割图像占比达15%，中高质量分割图像合计占比达到94%。

在间接评估中，仅基于模型自动分割的结果就可以将 93.4% （99/106） 的病灶分配到正确的肝段。

间接评估样例

深度学习的肝脏分割具有自动化、智能化、标准化的特点，解决了依照个人经验而导致同质化水平低的问题。且精准的肝脏分割，是肝脏病变智能诊断的基础；也为肝胆外科医生进行手术规划、预后判断的智能化提供了可能。

该模型不仅填补了利用深度学习全自动、智能进行肝脏MR图像分割的研究空白，更对于肝脏疾病的精准诊疗具有重要临床意义。

　　审核编辑：彭菁