深度学习在体部CT图像上自动分割肠道
本研究开发3D nnU-Net模型,在体部CT上自动分割全胃肠道并分为食管、胃、小肠和大肠四部分,外部测试DSC达0.985±0.008,除食管外四部分分离DSC均超过0.95。模型用于估算便秘患者大肠长度,身高校正后大肠长度在便秘组更长,且与人工分割大肠长度高度一致(ICC=0.994)。
要点
- 模型全胃肠道分割外部测试DSC为0.985±0.008,食管分离DSC仅0.807±0.173,为薄弱环节。
- 身高校正后大肠长度在便秘组更长:按检查79.1±12.4 vs 88.8±15.8 cm/m(p=0.001)。
- 模型与人工分割大肠长度ICC=0.994(95%CI 0.977–0.998),但人工分割平均耗时24.9±11.1分钟/例。
核心结论
- 模型能准确分割全胃肠道及其主要分区,并可无创估算便秘患者的大肠长度。
研究设计与样本
- 回顾性研究,开发集133例CT扫描(88例患者,年龄63.6±10.6岁,39例男性),外部测试集60例扫描(30例患者,年龄48.9±15.8岁,16例男性),来自另一家医院。
- 模型开发使用对比剂增强和未增强的腹部、胸部及全身CT图像,外部测试使用配对的增强前后腹部CT。
- 采用3D nnU-Net模型分割全胃肠道并分为食管、胃、小肠和大肠四部分,以放射科医师分割为参考标准。
- 大肠长度分析纳入51例患者共100次CT扫描(便秘组29例59次扫描,正常排便组22例41次扫描),便秘依据Rome IV标准判定。
关键影像表现/征象
- 模型全胃肠道分割外部测试平均DSC、敏感度、精确度分别为0.985±0.008、0.985±0.011、0.984±0.007。
- 四部分分离外部测试DSC:胃0.970±0.047、小肠0.960±0.029、大肠0.963±0.024、食管0.807±0.173。
- 外部测试中全胃肠道分割DSC均超过0.95,无严重分割错误;食管分离有18例DSC低于0.80。
- 外部测试中胃分离有2例DSC低于0.80,小肠和大肠无DSC低于0.80的病例。
诊断标准与关键数值
- 分割准确性以Dice相似系数(DSC)评估,DSC低于0.80定义为分割不佳。
- 便秘组与正常排便组身高校正后大肠长度比较:按检查LBL/身高79.1±12.4 vs 88.8±15.8 cm/m(p=0.001),LBL/身高平方47.9±7.9 vs 55.2±10.9 cm/m²(p<0.001)。
- 按受试者LBL/身高77.6±13.6 vs 86.9±17.1 cm/m(p=0.04),LBL/身高平方47.1±8.6 vs 53.9±11.8 cm/m²(p=0.02)。
- 未校正身高时,按检查平均大肠长度便秘组131.1±21.2 vs 143.1±24.1 cm(p=0.01),按受试者128.3±23.0 vs 140.3±26.1 cm(p=0.10,未达统计学显著)。
临床应用与阅片要点
- 模型可自动分割胃肠道各分区,有望用于便秘患者大肠长度的半自动测量。
- 食管分割准确性欠佳,外部测试DSC为0.807±0.173,阅片时需注意食管分割结果可靠性有限。
- 增强后数据集大肠分割精确度略低于增强前(0.967±0.027 vs 0.958±0.034,p=0.01),但差异较小。
- 外部测试中增强前食管分割DSC和敏感度低于增强后(DSC 0.740±0.215 vs 0.874±0.074,敏感度0.681±0.258 vs 0.887±0.116,p<0.001)。
局限性
- 由于商业考虑,模型目前无法公开获取。
- 样本量估算为63对,但受人力与生成金标准掩膜所需时间限制,实际仅纳入30对(共60次扫描)而非63对。
- 模型分割食管准确性欠佳,内部和外部数据集DSC分别为0.821±0.044和0.807±0.173。
全文中译11 节 · 点击展开
引言
腹部CT是诊断各种肠道疾病的首选检查方法,可通过追踪肠袢来评估和定位炎症、梗阻或穿孔[1, 2]。它对于评估内镜难以到达的小肠尤为重要[3]。追踪胃肠道(GI)道既繁琐又具有挑战性,尤其是当肠道未充盈扩张时。此外,胃肠道道的长度和走行因人而异,且可在肠系膜内移动,这使得即使对同一患者在不同CT扫描间进行追踪也变得复杂。因此,放射科医师——尤其是经验较少的医师——往往在肠道评估上花费大量时间,有时还可能因时间限制而做出错误诊断[4, 5]。
肠管长度在胃肠道疾病中也具有重要意义。例如,克罗恩病或坏死性小肠结肠炎患者有时需要反复行肠管切除术进行治疗[6, 7]。对于这些患者,估计术后小肠残余长度至关重要,因为剩余小肠过短可导致营养不良,即短肠综合征[8]。此外,有研究报道全结肠或直肠乙状结肠长度与便秘之间存在关联[9, 10]。横断面影像学检查可作为测量肠管长度的无创工具,但基于影像的测量因其耗时耗力以及难以一致地追踪肠袢而具有挑战性。一项研究报道了使用MR小肠造影半自动测量小肠长度,但每例耗时超过30分钟,使其在临床应用中不切实际[11]。
用于追踪肠道、检测病变肠段和测量肠管长度的自动化算法有助于克服这些挑战。从CT图像中分割肠道是此类算法的第一步,深度神经网络是潜在的候选方法[12, 13]。然而,用于胃肠道道分割的深度神经网络精度有限[14, 15],且胃肠道道固有的复杂性阻碍了其发展。本研究旨在开发一个功能完备的深度神经网络,用于CT图像上的肠道自动分割,并评估其在估计便秘患者大肠长度(LBL)方面的适用性。
材料与方法
参与医院的机构审查委员会批准了这项回顾性研究(中心A/C的IRB编号为2207-038-1337,中心B的IRB编号为2022-07-023),该研究旨在开发用于肠道自动分割的深度神经网络,由于其为回顾性研究,知情同意的要求被豁免。中心C是中心A的附属医院,两者共享同一IRB批准。由于商业化考虑,目前将模型公开尚不可行。
研究人群
在模型开发方面,我们使用了来自单一三级医院(中心A)的各种平扫和增强体部CT扫描:(1) 增强腹部CT,伴有或不伴有配对的虚拟平扫CT(VNC)图像,(2) 增强胸部CT,伴有配对的VNC图像,以及(3) 作为全身PET-CT扫描一部分的平扫全身CT(WBCT)(图1)。所有VNC图像均使用各厂商平台中实现的市售后处理系统在临床上获取(即,用于SOMATOM Force [Siemens Healthineers]的Syngo.via和用于IQon Spectral CT [Philips Healthcare]的IntelliSpace Portal)。所有这些扫描均包含胃肠道的一部分,但解剖覆盖范围各不相同。我们有意纳入这种变异性而非选择最佳输入,以确保在不同身体区域、成像方案以及无论是否使用对比剂增强的情况下实现稳健的分割。本研究使用的所有数据集均从先前用于其他研究的部分数据集中随机选取:共从125例腹部CT检查中随机选取50例、从104例胸部CT检查中随机选取15例、从100例WBCT检查中随机选取28例用于本研究(补充文本)[16–18]。先前的研究涉及分割肝脏、肺血管或身体成分,而在本文中,我们分割肠道结构[16–18]。排除标准为:(1) 除阑尾外任何胃肠道部分已被手术切除(n = 2),(2) 胃肠道内植入了介入相关异物(n = 2),或(3) 由于严重伪影或病变导致胃肠道无法辨认(n = 1)。最终,共纳入来自88例患者的133次CT扫描——48例腹部CT检查(32例配有配对VNC图像)、13例配有配对VNC图像的胸部CT检查以及27例WBCT检查。
在外部测试方面,我们纳入了2021年9月至12月期间在另一家三级医院(中心B)因临床目的作为单一腹部CT方案一部分接受平扫和增强腹部CT扫描的18岁以上患者。应用相同的排除标准,最终纳入30对平扫和增强配对。样本量估计为63,假设我们模型的目标Dice相似系数(DSC)为0.95,且我们的模型与TotalSegmentator v2.2.1之间DSC差异的标准差为0.05,基于TotalSegmentator v2.2.1在外部数据集上报告的DSC为0.932 [19]。然而,由于人力资源和创建金标准掩膜所需时间的实际限制,我们将病例数限制为30对(共60次扫描)而非63对。
在估计LBL方面,我们纳入了51名随机选择的受试者,这些受试者于2003年至2022年间在另一家三级医院(中心C)进行健康体检,包括腹部CT和肛门镜检查。参与者接受了关于其排便习惯的详细访谈,并通过直肠指检和肛门镜检查评估解剖异常。根据罗马IV标准区分便秘组(n = 29)和正常排便习惯组(n = 22),评估因素包括用力排便、粪便性状、排便不尽感/肛门直肠梗阻感、排便时需手动辅助的必要性、排便频率以及泻药使用情况(图1)[20]。
数据准备
所有CT图像在进行处理前均以匿名DICOM文件形式存储,随后使用商用软件(MEDIP v.2.3.0.4410.,MEDICAL IP)创建胃肠道的地面真值掩膜。地面真值掩膜采用半自动方式生成以提高效率并缩短处理时间,具体如下。首先,由软件使用商用模型自动生成内部器官掩膜[18]。其次,通过从内部器官掩膜中去除腹部实质器官(肝脏、胆囊、胰腺、脾脏、双肾及膀胱)、心脏及大血管的掩膜,自动创建整个胃肠道的初步掩膜,这些器官掩膜由先前训练的神经网络生成。随后,由技术人员对初步掩膜进行粗略修正,再由两名委员会认证的放射科医师(均具有7年体部CT判读经验)中的一位逐层审阅并手动修正,以创建地面真值掩膜。最后,放射科医师将整个胃肠道的地面真值掩膜裁剪为四个部分:食管、胃、小肠和大肠。地面真值掩膜从胸廓入口绘制至肛直肠角,包括胃肠道壁及管腔。对于地面真值掩膜的四部分分离,胃肠道各部分定义如下:(1)食管,从胸廓入口至胃食管交界处;(2)胃,从胃食管交界处至幽门;(3)小肠,从十二指肠球部至回盲瓣;(4)大肠,从盲肠至肛直肠角,包括阑尾(若未手术切除)。当CT扫描未覆盖整个胃肠道时(例如腹部CT上的食管,胸部CT上的胃、小肠和大肠),掩膜中包含所覆盖胃肠道的每一部分。
神经网络的开发与验证
我们基于nnU-net的网络开发涉及两项主要任务:(1)CT图像中整个胃肠道分割;(2)将分割的胃肠道四部分分离为食管、胃、小肠和大肠[21]。第一个网络接收内部器官区域(使用先前研究中的身体成分分割算法预测)作为输入数据,并输出整个胃肠道区域[18]。第二个网络接收整个胃肠道区域作为输入数据,并输出食管、胃、小肠和大肠区域。在开发过程中,整个胃肠道的地面真值掩膜被用作第二个网络的输入数据。然而,在内部和外部测试中,我们使用第一个网络的输出数据作为第二个网络的输入,以一站式流程同时执行整个胃肠道分割和四部分分离,假设四部分分离不存在整个胃肠道的地面真值掩膜。采用此方法旨在评估我们的网络在真实临床环境中的准确性。
开发数据集按约8:1:1的比例随机分为训练集、调优集和内部测试集(110次CT扫描用于训练,11次用于调优,12次用于内部测试),并按CT扫描方案进行分层(图1)。数据集划分在患者层面进行。然而,对比增强图像和虚拟平扫(VNC)图像均作为独立输入使用,即使是来自同一患者的配对对比增强和VNC图像也是如此。nnU-Net可根据数据集自适应调整预处理策略和网络超参数(如补丁大小、池化层数量或卷积核大小)。补丁大小初始化为图像形状的中位数,并在相应调整网络拓扑结构的同时迭代减小,直至在给定图形处理器内存限制下网络能够以至少为2的批量大小进行训练。最终的补丁大小配置为:第一个网络为80×160×160,第二个网络为64×160×160。
3D nnU-Net模型参数采用He初始化方法进行初始化。网络优化采用随机梯度下降算法,并在最终softmax层之后结合交叉熵损失和Dice损失函数。多项式学习率调度器初始值设为0.01。训练前,应用软核和锐核转换作为数据增强,以增加训练数据的多样性。训练过程中,随机应用镜像、缩放和旋转等即时数据增强方法。最终模型根据调优数据集中最高的平均Dice相似度进行选择。训练和验证过程使用PyTorch 1.11.0和NVIDIA GeForce RTX 3090(图2)。
根据便秘情况比较LBL
由于部分患者接受了多次CT扫描,共使用来自51例患者的100次CT扫描(29例便秘患者的59次扫描和22例排便习惯正常患者的41次扫描)进行LBL分析。假设大肠为长圆柱形结构,通过以下方法使用所有CT扫描估算LBL。该假设允许我们通过将体积除以圆柱的横截面积来估算LBL。
首先,我们的模型自动分割了大肠并计算了其体积。接下来,一位委员会认证的腹部放射科医师(J.P.)分别在升结肠、横结肠、降结肠和乙状结肠处测量了直径,测量位置为既无过度扩张也无塌陷的部位。基于这些测量值,使用公式π ×(直径/2)²计算了四个肠段的估计横截面积。这些面积的平均值被确定为大肠的平均横截面积。最后,通过将我们的模型计算的大肠体积除以估计的平均横截面积来估计模型计算的LBL。身高校正长度通过将LBL除以身高或身高的平方来计算。出于比较目的,使用放射科医师半自动分割的大肠掩膜(即人工生成的LBL)以相同方式对来自20名患者的20次扫描(正常排便习惯组10名,便秘组10名)计算了LBL和身高校正长度。
统计分析
为评估全肠道和四个肠段的分割准确性,计算了真实标注与网络生成掩膜之间的DSC、敏感性和精确率(补充文本)。分割不良定义为DSC < 0.80 [22]。内部数据集与外部数据集之间的分割准确性根据正态性采用t检验或Mann–Whitney U检验进行比较,外部数据集被分为增强前和增强后数据集以使用配对t检验比较CT扫描之间的分割准确性。此外,我们的网络与TotalSegmentator v2.2.1或MEDIP软件创建的初步掩膜之间的分割准确性也根据正态性采用配对t检验或Wilcoxon符号秩检验进行比较 [19](补充文本)。LBL在便秘患者与非便秘患者之间使用独立t检验进行比较。模型计算与人工生成的LBL之间的相关性使用组内相关系数进行评估。p值 < 0.05被认为具有统计学意义。统计分析使用R统计软件(版本4.2.0;R Foundation for Statistical Computing)进行。
结果
分割性能
开发和外部数据集中受试者的平均年龄和性别分布分别为63.6 ± 10.6岁(女性,55.6%)和48.9 ± 15.8岁(女性,46.7%)(表1)。我们基于3D nnU-Net的分割模型在内部和外部数据集中均实现了准确的整个胃肠道分割。对于内部数据集,平均DSC、灵敏度和精确率分别为0.962 ± 0.021、0.970 ± 0.011和0.954 ± 0.033(表2)。对于外部数据集,整个胃肠道分割的准确率更高,平均DSC、灵敏度和精确率分别为0.985 ± 0.008、0.985 ± 0.011和0.984 ± 0.007(表3)。与内部数据集相比,外部数据集的DSC、灵敏度和精确率显著更高(p ≤ 0.001)(补充表1)。相比之下,初步掩码在内部数据集中的DSC、灵敏度和精确率分别为0.730 ± 0.157、0.973 ± 0.017和0.605 ± 0.170,在外部数据集中分别为0.816 ± 0.036、0.996 ± 0.007和0.693 ± 0.052。我们模型的DSC和精确率显著更高(p < 0.001)。初步掩码的灵敏度在外部数据集中具有统计学显著性更高(p < 0.001),但差异较小(补充表2和补充图1)。外部数据集中未发生整个胃肠道分割的严重错误:所有病例的DSC均大于0.95。增强前和增强后数据集之间的DSC(p = 0.16)和灵敏度(p = 0.68)无显著差异。增强后数据集的精确率显著较低,但差异较小(0.986 ± 0.006 vs 0.983 ± 0.007,p < 0.001)(表3)。
关于四部分分离,我们的分割模型在内部数据集中除食管外均取得了良好性能。胃、小肠和大肠分割的DSC分别为0.944 ± 0.036、0.934 ± 0.025和0.953 ± 0.018(表2)。该模型在外部数据集中对胃、小肠和大肠的分离也取得了优异的分割精度,DSC分别为0.970 ± 0.047、0.960 ± 0.029和0.963 ± 0.024(表3)。然而,食管分离的精度在内部和外部数据集中均不理想,DSC分别为0.821 ± 0.044和0.807 ± 0.173。比较内部与外部数据集之间的分割性能时,胃(p < 0.001)和小肠(p = 0.005)的DSC在外部数据集中显著更高,而食管(p = 0.59)和大肠(p = 0.10)的DSC无显著差异(补充表1)。在外部数据集中,胃有2例分割效果不佳(DSC < 0.80),小肠和大肠无分割效果不佳的病例,食管有18例。对于胃、小肠和大肠分割,除大肠分割的精确率外(0.967 ± 0.027 vs 0.958 ± 0.034,p = 0.01),增强前与增强后数据集之间在DSC、敏感性和精确率方面均未发现分割精度有显著差异。然而,对于食管分割,增强前数据集的DSC(0.740 ± 0.215 vs 0.874 ± 0.074,p < 0.001)和敏感性(0.681 ± 0.258 vs 0.887 ± 0.116,p < 0.001)显著低于增强后数据集(表3)。我们的分割模型进行高保真度和低保真度四部分分离的示例见图3和图4。
将我们的模型与TotalSegmentator v2.2.1进行比较时,我们的模型在内部和外部数据集中的全胃肠道分割方面均优于TotalSegmentator(DSC方面p ≤ 0.001)。我们的模型在四部分分离中也一致表现出更高的DSC(p < 0.001),但外部数据集中食管分离除外(DSC,0.807 ± 0.173 vs 0.764 ± 0.052,p = 0.07)。此外,增强前(n = 30)和增强后(n = 30)数据集的亚组分析进一步证实了我们的模型具有更高的DSC(p < 0.001),但增强前图像中食管分离除外(DSC,0.740 ± 0.215 vs 0.748 ± 0.055,p = 0.85)(表2和表3及图5)。
在有和无便秘的患者中估计LBL
无便秘组和有便秘组之间年龄无显著差异(按检查计算的平均年龄,67.6 ± 6.2 vs 66.6 ± 7.3岁,p = 0.64)。然而,便秘组中女性比例显著更高(22.0% vs 54.2%,p = 0.003)。此外,两组之间身高(165.7 ± 9.3 vs 161.7 ± 7.6 cm,p = 0.02)和CT方案(p = 0.03)存在显著差异(表1)。
按检查计算,便秘组的平均LBL显著更长(131.1 ± 21.2 vs 143.1 ± 24.1 cm,p = 0.01),但按受试者计算未达到统计学显著性(128.3 ± 23.0 vs 140.3 ± 26.1 cm,p = 0.10)。然而,当通过将LBL除以身高或身高平方来校正LBL差异时,平均LBL/身高和平均LBL/身高2在按受试者和按检查比较中均显示便秘组值显著更高(平均LBL/身高,按受试者计算,77.6 ± 13.6 vs 86.9 ± 17.1 cm/m,p = 0.04;按检查计算,79.1 ± 12.4 vs 88.8 ± 15.8 cm/m,p = 0.001;平均LBL/身高2,按受试者计算,47.1 ± 8.6 vs 53.9 ± 11.8 cm/m2,p = 0.02;按检查计算,47.9 ± 7.9 vs 55.2 ± 10.9 cm/m2,p < 0.001)(表4、图6和补充图2)。
在同时计算人工生成大肠长度(LBL)的亚组中,模型计算与人工生成的LBL之间的组内相关系数为0.994(95%置信区间,0.977–0.998),显示出极好的一致性。然而,手动分割大肠以计算人工生成的LBL平均每例耗时24.9 ± 11.1分钟。在该亚组中,经身高或身高平方校正后,模型计算和人工生成的LBL在便秘组均显示出更长的趋势,但差异未达到统计学显著性(p = 0.09–0.18)(补充表3)。
讨论
本研究成功开发并验证了一种两步深度神经网络,用于从CT扫描中对全胃肠道进行分割及四部分分离。我们采用两步分割方法以确保逐步优化精度、管理计算约束并提高对各种应用的适应性,从而使全胃肠道和亚区域分割均得以使用。我们的模型在来自不同医院的外部数据集中对全胃肠道分割取得了较高的DSC、灵敏度和精确率,均高于0.98。该性能超越了其他研究中的模型,后者报告使用腹部CT或MRI数据分割全部或部分胃肠道的DSC评分范围为0.75至0.95 [15, 19, 23–26]。此外,我们的模型在胃、小肠和大肠的分离方面也表现出较高的DSC,在外部数据集中超过0.95。唯一的例外是食管,其分割精度略有下降,大多数分割不佳(DSC < 0.80)的病例尤其出现在平扫图像中。这可能部分归因于其体积小且与邻近结构(如主动脉、左心房和奇静脉)紧密相邻,使得区分更具挑战性。此外,与TotalSegmentator v2.2.1相比,我们的模型在平扫和增强CT扫描中,除食管分离外,在全肠道分割和四部分分离方面均表现出更优的性能。这表明我们的模型即使在未使用造影剂的情况下也能保持稳健的性能。
与内部数据集相比,外部数据集的分割性能更好,尽管外部数据集使用的是来自不同医院的数据。这一结果可能归因于两个因素:第一,用于内部测试的样本量较小,可能限制了评估的稳健性;第二,与包含各种扫描方案的CT扫描的内部数据集不同,外部数据集仅由腹部CT扫描组成,这可能相对更容易进行分割。使用更大、更多样化的数据集进行进一步验证将有助于确认我们的发现。
在临床应用中,我们比较了来自另一家医院的有便秘和无便秘患者之间的LBL,该医院与训练数据集和外部测试数据集均不同。我们的研究结果显示,在调整身高差异后,便秘与LBL增加之间存在显著关联。这些结果表明便秘影响大肠的解剖特征;然而,考虑到先前一份报告指出便秘可能导致结肠长度增加[27],因果关系仍不确定。我们的发现与最近一项研究一致,该研究报告LBL与排便习惯和性别相关,特别是较长的LBL往往与较少的排便频率相关[9]。此外,另一项使用MRI数据比较有便秘和无便秘的儿科患者之间LBL的研究发现,便秘患者的LBL更长[28]。然而,这些研究依赖于大肠的手动分割,这一过程耗时耗力,且由于其资源需求而在真实临床环境中难以实施。相比之下,我们的模型能够从胃肠道CT图像中准确分割结肠,展示了在临床实践中可行应用的潜力。尽管如此,尽管AI辅助分割与放射科医生之间具有高度一致性,但缺乏真实参考值(在手术环境中获得的金标准测量值)限制了其即时临床适用性。此外,由于我们的研究基于有限的样本量,需要使用更大规模、前瞻性收集的数据集进行进一步验证。
目前尚无准确测量小肠长度的标准方法,但在手术室直接使用丝线或脐带线测量被认为相对可靠[29]。尽管近期一篇论文[11]已成功尝试使用MR小肠造影测量小肠长度,但由于这一细长器官难以追踪,在传统CT或MR上手动测量小肠具有挑战性。在CT图像上精确测量小肠长度可显著惠及需要手术的克罗恩病患者,有助于手术规划和术后护理策略以防止短肠综合征。我们的模型能够在平扫和增强CT扫描中均可选择性地分割小肠。这意味着量化病变肠道长度之外的其他特征或许是可行的;进一步研究的可能方向包括对比剂强化程度或碘浓度,其反映炎症程度[30]。小肠比大肠更长且走行更复杂,并且在常规腹部CT上大多处于塌陷状态。因此,即使分割准确,使用类似我们结肠长度测量的方法也难以测量准确长度。尽管如此,如果我们的模型在进一步研究中能应用于CT小肠造影,则可能通过分割来测量小肠长度,这可为克罗恩病等小肠疾病患者提供临床获益。
我们的研究存在一些局限性。第一,虽然本研究中开发的深度学习模型在我们的数据集上表现出高准确性,但这些数据来自无胃肠道手术史且大多无胃肠道疾病的患者。特别是,外部验证仅使用腹部CT扫描进行,凸显了需要以更多样化的数据集进一步验证。我们的模型对各种疾病和区域数据集的泛化能力需要进一步验证。第二,鉴于食管分割准确性欠佳,模型需要改进以提高该区域的分割准确性。第三,参考标准掩膜是通过使用自动生成的内部器官掩膜半自动生成的。尽管放射科医师逐层仔细审查并校正了掩膜,最终参考标准掩膜仍可能在一定程度上受到初始生成的内部器官掩膜的影响,导致潜在的自动化偏倚。第四,我们对大肠长度(LBL)的估计未考虑大肠的实际解剖结构,例如非圆形横截面积以及由于结肠袋引起的周期性管腔变化。我们最初尝试使用数学算法(如Floyd-Warshall方法)对大肠的3D体积掩膜测量LBL。然而,在大肠部分与其它肠段相邻的病例中,该方法尤其具有挑战性,阻碍了算法识别肠道走行轨迹。第五,估计的LBL未与参考标准测量进行验证,例如外科医生在手术中使用尺子手动测量结肠长度。尽管如此,目前缺乏无创测量肠道长度的工具,这凸显了我们估计LBL方法的价值。
总之,我们的研究成功开发了一种深度学习模型,用于从CT扫描中准确分割胃肠道,并通过无创测量肠管长度展示了该分割模型有价值的临床意义。有必要进一步改进分割算法并开展更大规模的临床研究,以增强我们研究结果的临床实用性,并促进胃肠道疾病监测和患者护理方面的进展。
补充信息
电子补充材料
引用
- Park J, Park S, Chung HJ, et al. Deep learning for automatic volumetric bowel segmentation on body CT images. Eur Radiol. 2025. PMID: 40314787. doi:10.1007/s00330-025-11623-z
- 全文:PMC12559117(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12559117/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。