在CT和MRI上的肝脏细分和损伤细分:对TotalSegmentator的开源贡献
Andrew Phillip Nicoli1, Michael Bach1, Jakob Wasserthal1
1Clinic of Radiology and Nuclear Medicine, University Hospital Basel, Petersgraben 4, 4031, Basel, Switzerland.
Journal of imaging informatics in medicine
|October 24, 2025
概括
这项研究引入了一个开源的深度学习工具,用于在CT和MRI扫描上准确地细分肝脏和病变. 该工具在评估肝细胞癌 (HCC) 治疗反应方面表现有希望,有助于临床研究.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 肝脏解剖学和病变的准确细分对于肝脏疾病的诊断和治疗监测至关重要.
- 手动细分是耗时的,并且受观察者之间的变化影响.
- 深度学习为自动化和准确的医学图像分析提供了潜力.
研究的目的:
- 开发和验证基于深度学习的工具,用于CT和MRI上自动细分肝脏和肝脏病变.
- 评估该工具在评估肝细胞癌 (HCC) 对跨动脉化学栓塞 (TACE) 反应的临床实用性.
- 提供开发的模型作为开源软件,以增强现有的工具,如TotalSegmentator.
主要方法:
- 肝脏细分模型经过训练和测试,在193个CT和120个MRI上使用五倍交叉验证.
- 肝损伤细分模型 (nnU-Net) 在750张图像上进行训练,并在80张图像上进行测试,使用414张CT和308张MRI数据集.
- 对20个CT和20个MRI进行了评估,对20个TACE治疗的HCC病例进行了临床效用评估.
主要成果:
- 肝脏细分模型实现了CT的0.897和MRI的0.847的Dice系数.
- 在CT检测肝损伤时显示75.8%的灵敏度和0.658滴滴;在MRI检测时显示62.7%的灵敏度和0.337滴滴.
- 该模型显示了跟踪HCC治疗反应的潜力,TACE后的中位数HCC衰减显著下降.
结论:
- 开发的深度学习算法可靠地检测和细分CT和MRI上的肝脏细分和病变.
- 该工具显示了研究和应用的潜在临床价值,特别是在监测HCC的治疗反应时.
- 这些模型的开源发布旨在提高肝脏图像分析和细分能力.
