European Radiology：如何实现CT上多囊肝的快速自动分割？

现阶段，巨大多囊肝患者的治疗依然是临床一大挑战。为此，可以采用药物治疗、放射治疗和外科手术等方式治疗，因此需要精确的体积测量来评估疗效。然而，目前对疾病进展与肝脏体积变化的评估仍然有限。

手动和半自动分割是目前评估CT或MRI图像上肝脏体积的参考技术，但这些现有的方法依赖于操作者的经验，费时费力并缺乏可重复性。巨大的囊肿会导致肝脏形态的严重改变，并使轮廓扭曲，使肝脏不再具有可识别的形状。

近日，发表在European Radiology杂志的一项研究开发和研究了基于卷积神经网络（CNN）的深度学习方法在CT成像中自动分割多囊肝的性能。

本项回顾性研究开发了一项自动分割多囊肝的CNN系统，并使用190个CT系列进行了监督训练和验证。使用41个CT系列进行了测试阶段的评估性能。使用一位放射科专家（Rad1a）的手动分割作为所有比较的参考。12周后，由同一读者确定观察者内部的变异性（Rad1b），由第二个读者确定观察者之间的变异性（Rad2）。Dice相似性系数（DSC）评估了分段之间的重叠情况。CNN的性能是用一致性相关系数（CCC）和CCC之间的两两之差来评估的；其置信区间是用自举法和Bland-Altman分析估计的。自动记录每种方法的肝脏分割时间。 

本研究共收集了来自88名连续患者的129次CT检查的231个系列。对于CNN来说，DSC为0.95±0.03，与参考值相比，体积分析得出的CCC为0.995。在CNN自动分割和人工分割之间没有观察到统计学上的差异。虽然手动分割需要22.4±10.4分钟，但中央和图形处理单元分别平均需要5.0±2.1秒和2.0±1.4秒。 

图 自动分割（红色）与人工分割（蓝色）的比较示例。有腹腔积液的强化（a）和（b）平扫的轴位图像；（c）显示多囊肾的增强轴位图像；（d）Dice相似系数高的轴位增强CT图像

本研究表明，人工智能可实现多囊肝的快速自动分割，其准确性与人工分割相似。本研究还强调了三维深度学习与医学图像分割的相关性及其在多囊肝自动分割中的临床应用潜力。

原文出处：

Bénédicte Cayot,Laurent Milot,Olivier Nempont,et al.Polycystic liver: automatic segmentation using deep learning on CT is faster and as accurate compared to manual segmentation.DOI:10.1007/s00330-022-08549-1