對肝臟MR圖像進行高效、精準的分割,是肝臟疾病智能診斷治療的基礎。此前,在國際上,基于深度學習、全自動進行肝臟磁共振圖像分割的研究很少見。
近日,首都醫科大學附屬北京友誼醫院楊正漢教授團隊與數坤科技聯合開展的研究,填補了該領域的空白。研究論文《Automated segmentation of liver segment on portal venous phase MRimages using a 3D convolutional neural network》發表于全球權威的醫學影像雜志《Insights into Imaging》(IF 5.179)。《Insights into Imaging》由歐洲放射學會 (ESR) 創立,是臨床影像相關教育及最新研究領域具有領先地位的一本期刊。
該項研究采用了基于多序列的3D卷積神經網絡模型,由數坤科技自主研發,用于肝臟MR圖像的精準分割。
肝臟分割模型的網絡結構
結論顯示,該模型可作為肝臟MR圖像自動分割標注的有效工具,且對于不同廠家及不同場強的MRI設備采集的肝臟圖像及不同肝背景均有穩健的表現。該模型為AI智能輔助肝臟疾病MRI診斷奠定了堅實的基礎,對于精準手術計劃及預后判斷將具有重要的臨床意義。
模型應用于不同MR設備圖像的質量評估,結果顯示該模型適用于不同廠家及不同場強的MRI設備。
肝臟MRI智能化挑戰
需求強、難度高、研究少
慢性肝病影響著全球數以千萬計的人群,各種慢性肝病如未能得到有效控制,將逐漸進展直至終末期肝病,這些患者又都是肝臟腫瘤的高危人群。中國超過五分之一的人群受到肝臟疾病的困擾。
MRI檢查具有多方位、多參數、高軟組織分辨力的成像優勢,已成為常用的肝臟影像學檢查方法。肝臟的精準分割,是肝臟疾病鑒別診斷、精準手術規劃及預后判斷的基礎。
在影像診斷環節,肝臟及病灶的精準分割,可幫助醫生發現病灶、精準定位并提取其影像特征。手術環節,術前需對肝臟的結構、肝內病灶等進行整體性評估,以幫助肝膽外科醫生精準有效切除病灶,盡可能減少對殘余肝臟的損害,為患者帶來最大遠期利益。
對于肝臟MR圖像的分割,通常由放射醫生通過人眼識別、手工分割完成,不僅工作繁瑣、耗費人力、時間,且結果會因為醫生個體差異而導致分割結果的差異。另外,肝臟自身解剖學結構復雜,手術史、腫瘤壓迫或肝硬化等原因造成肝臟實質及管道系統的變異,及肝臟MRI增強掃描多達1000~3000幅圖像數量,都為智能分割帶來了一定困難。
過去20年中,科學家已經開展了計算機輔助肝臟分割的研究,但其中大部分使用的是傳統機器學習的技術,在效率和準確率上無法滿足臨床需求。臨床亟需一種能自動、準確進行肝臟分割的智能化工具。
AI在肝臟MRI應用潛能廣闊
效率提升195倍,精準助力手術規劃及預后
這項研究評估了一種使用深度神經網絡的自動化肝臟分割方法,該方法分別使用 367、157 和158 例門靜脈期 MR 圖像進行訓練、驗證和測試。研究數據結果顯示,該模型在Dice相似系數(DSC)、平均表面距離(MSD)、豪斯多夫距離(HD)、容積率(RV)這四個指標上表現出高準確性(分別為0.920、3.34、3.61、1.01)。與手動分割相比,該模型將分割時間從26分鐘大幅縮短至8秒,效率提升了195倍。
在圖像分割的質量評估上,基于該自動化分割模型,高質量分割圖像占比高達79%,中等質量分割圖像占比達15%,中高質量分割圖像合計占比達到94%。
在間接評估中,僅基于模型自動分割的結果就可以將 93.4% (99/106) 的病灶分配到正確的肝段。
間接評估樣例
深度學習的肝臟分割具有自動化、智能化、標準化的特點,解決了依照個人經驗而導致同質化水平低的問題。且精準的肝臟分割,是肝臟病變智能診斷的基礎;也為肝膽外科醫生進行手術規劃、預后判斷的智能化提供了可能。
該模型不僅填補了利用深度學習全自動、智能進行肝臟MR圖像分割的研究空白,更對于肝臟疾病的精準診療具有重要臨床意義。
-
神經網絡
+關注
關注
42文章
4771瀏覽量
100719 -
AI
+關注
關注
87文章
30739瀏覽量
268896 -
數坤科技
+關注
關注
0文章
5瀏覽量
2911
發布評論請先 登錄
相關推薦
評論