总细分器MRI:在MRI中对多个解剖结构进行强大的序列独立细分
Tugba Akinci D'Antonoli1, Lucas K Berger1, Ashraya K Indrakanti1
1Clinic of Radiology and Nuclear Medicine, University Hospital Basel, Petersgraben 4, CH-4031 Basel, Switzerland.
Radiology
|February 18, 2025
概括
一个新的自动化MRI细分模型,TotalSegmentator MRI,在所有MRI序列中稳定地细分了80个解剖结构. 这种开源工具增强了用于各种临床应用的医学成像分析.
科学领域:
- 医学成像医学成像
- 放射学中的人工智能
- 解剖学细分的细分 解剖学细分的细分
背景情况:
- 对类似于TotalSegmentator CT.的自动化MRI细分工具的需求.
- 需要一个强大的模型,适用于所有MRI序列和解剖结构.
研究的目的:
- 开发和评估一个自动化的MRI细分模型,用于对主要解剖结构进行强大的细分,独立于MRI序列.
- 将TotalSegmentator的功能扩展到MRI扫描中.
主要方法:
- 一个nnU-Net模型 (TotalSegmentator MRI) 在1143个MRI和CT扫描上受训,以分割80个解剖结构.
- 使用内部和外部测试集的Dice分数来评估性能,与现有模型和TotalSegmentator CT.相比.
- 该模型应用于大型数据集,以调查与年龄相关的器官体积变化.
主要成果:
- 该模型在内部MRI测试套件上获得0.839的Dice得分,超过了其他两个模型.
- 在TotalSegmentator CT测试组 (子分数0.966) 的表现与TotalSegmentator CT (0.970) 非常接近.
- 在衰老研究中,年龄和器官体积之间发现了强烈的相关性.
结论:
- 拟议的开源 TotalSegmentator MRI 模型允许在所有 MRI 序列中自动,强大的细分 80 个结构.
- 该工具易于使用,并将TotalSegmentator的实用程序扩展到MRI.
- 现有的在线资源有助于广泛采用和进一步研究.


