使用人工智能与图像结构标志点定位的自动Couinaud肝段分割
研究提出将深度学习分割与辅助标志点识别整合的框架,在225例非增强T1加权MRI上构建个体化图像模型以精确定位Couinaud标志点。在126例测试集中,个体化模型在8个标志点中的6个和8个肝段中的5个显著优于基准方法,且仅9.8%的病例出现至少一个肝段体积误差超过10%。
要点
- 个体化模型在6/8个标志点和5/8个肝段上显著优于基准方法。
- 个体化模型仅9.8%病例至少一个肝段体积误差>10%,基准模型为31.7%。
- 个体化模型在5个标志点和4b段体积误差上显著高于操作者间变异。
核心结论
- 所提系统可解释、不依赖成像模态且无需重新训练即可纳入新数据,有望提高Couinaud分割准确性并优化肝脏手术规划与监测流程。
研究设计与样本
- 研究论文,使用来自4项研究的225例非增强T1加权MRI数据,扫描设备包括Siemens、Philips和GE,场强为1.5T和3T。
- 以有经验操作者手动放置的标志点作为地面真值,与Arya等开发的基准算法进行比较。
- 因99例曾用于基准模型训练或验证,从测试集中剔除,最终测试集为126例。
- 个性化 pictorial 模型通过留一交叉验证评估,并从训练集中选取最解剖相似的10例构建个体化模型。
关键影像表现/征象
- 原文未涉及影像征象。
诊断标准与关键数值
- 分割9个Couinaud肝段需定位8个解剖标志点:下腔静脉下段、下腔静脉上段、胆囊窝、脐裂、左门静脉、右门静脉、中肝静脉和右肝静脉。
- 仅尾状叶(1段)不基于标志点定义,其性能指标被排除在结果之外。
- 个体化模型在6/8个标志点(胆囊窝、下腔静脉下段、左门静脉、中肝静脉、右肝静脉、右门静脉)和5/8个肝段(3、5a、6、7、8段)上较基准方法有统计学显著改善。
- 个体化模型至少一个肝段体积误差>10%的病例比例为9.8%,基准模型为31.7%,基础模型为30.1%。
- 操作者间变异中,10%的病例至少一个肝段体积变异≥10%。
临床应用与阅片要点
- 原文未据此给出推荐。
- 作者指出,个体化模型在5个标志点(下腔静脉上段、左门静脉、右肝静脉、右门静脉、脐裂)和4b段体积估计上的误差显著高于操作者间变异。
- 作者指出,若审阅者认为某标志点欠佳,可通过单击将标志点调整至最佳位置进行校正。
- 作者指出,模型仅基于标志点间真实距离,不依赖成像模态或序列类型,前提是相应分割模型表现足够。
- 作者指出,Couinaud肝段预测根本上依赖初始分割质量,上游分割误差可传播至标志点检测。
局限性
- 当前模型仅在不曾接受肝切除或无明显解剖改变的患者上训练,对复杂临床表现(如术后、病变或先天变异导致的肝脏形态改变)的泛化性目前有限。
- Couinaud肝段预测根本上依赖初始分割质量,上游分割误差可传播至标志点检测。
- 成像序列、对比增强或空间分辨率的变化可能引入辅助标志点和Couinaud标志点放置的系统性偏倚,尤其当训练数据未充分代表此类变异时。
- 未来工作应优先纳入多模态和病理数据集、在多样手术场景中开展更广泛临床验证,并整合分割质量评估以量化其对标志点准确性的影响。
全文中译8 节 · 点击展开
引言
Couinaud段是用于肝脏病变检测与监测及肝脏手术中最常用的肝脏解剖分区方法[1, 2]。该方法以血管系统为参照,将肝脏划分为九个互不重叠的段。在肝切除术中,外科医生术后将保留的剩余肝体积取决于肝实质的健康状况,其准确测量是成功干预的关键[3, 4]。Couinaud段已被采纳为外科手术中的标准,用以支持对可切除肝脏部位的决策[5],因此同样需要对Couinaud段进行准确分区以预测各段体积。
在三维图像(通常为CT或MRI)中手动勾画肝脏Couinaud段既费力又耗时,这促使了自动或半自动方法的发展。近年来已开发出若干此类方法。例如,采用区域生长[6]和混合建模[7]的半自动方法已被开发。基于深度学习的全自动勾画方法也已被开发[8]。然而,当前方法仍存在局限性: либо需要手动输入以初始化勾画,要么在输出欠佳时需要大量后处理或校正。Arya等人[9]的工作提供了一种旨在同时解决这两个问题的方案,基于血管系统及其他感兴趣结构中的一组解剖标志点进行Couinaud分割,这些标志点沿随后定义的平面将肝脏划分,其中标志点可自动检测,且任何校正均可简化为将标志点移至更优位置这一相对容易的步骤。然而,该方法缺乏可解释性,因为尚不清楚模型如何确定标志点位置或生成热力图,尽管这些据称与特定解剖结构相关。模型决策过程缺乏透明度限制了其可解释性,并可能限制其临床接受度。
对象的图结构表示最早于1973年提出[10],它将预期结构的若干组成部分以可变形配置相互连接组合。该配置使得能够利用观测组件的数据和测量以及整个对象的图形表示来推断未知组件。该技术已用于人脸检测[11]、人体位置检测[12, 13]等研究,并通过假设身体解剖部位具有可变但可泛化的建模身体解剖部位空间关系,扩展至医学影像领域[14, 15]。例如,肋骨数量通常是可预测的,脊柱结构亦然;但肋骨的长度、厚度和间距在个体间存在差异,胸骨到脊柱的距离亦如此,这些差异可通过统计分布来表示。
在本研究中,我们提出了一种新方法,该方法结合了基于深度学习的分割模型的性能与鲁棒性以及图形表示的可解释性,以提供稳健且可解释的自动Couinaud分割。我们的方法优于最先进的自动标志点定位系统,同时提供增强的可解释性和可靠性。该方法涉及构建基于标志点的图形配置模型,其中包括直接用于Couinaud分割的标志点以及一组额外的“辅助”标志点。这些标志点中有一部分可从基于深度学习的分割特征中被良好预测,该子集与图形配置模型结合使用,以预测其余Couinaud标志点的位置。我们的方法对照最先进的自动标志点定位方法以及专家标注中观察到的变异性进行了评估。
方法
Couinaud分割
我们通过指定由八个解剖标志点的位置所定义的平面,将肝脏分为九个Couinaud段,如Germain等人[2]的指南所述。我们使用的具体标志点为:下腔静脉下段(IVCi)、下腔静脉上段(IVCs)、胆囊窝(GBF)、脐裂(UF)、左门静脉(LPV)、右门静脉(RPV)、肝中静脉(MHV)和肝右静脉(RHV)。这些标志点如图1所示。随后由三个标志点的子集构建分割肝脏的平面。只有一个段,即尾状叶(第1段),不是基于标志点定义的,该段的性能指标被排除在结果之外,因为它不受标志点定位精度的影响。我们注意到,在临床实践中,Couinaud段由血管血流定义,它们之间的边界通常不是平面的。然而,我们提出的平面用于基于指南近似这些边界,从而实现更精确的手术定位。
辅助标志点
Couinaud段使用由标志点位置定义的元素图形表示进行建模,其配置由标志点在三维空间中的位移确定。为丰富模型,除了直接用于定义Couinaud段的标志点外,还纳入了位于肝脏内及周围的额外辅助标志点。
利用Total Segmentator [16, 17]所勾画结构的启发式规则,共定义了九个辅助标志点,该模型是一个稳健的深度学习模型,可勾画全身多达59种不同结构。该模型勾画的肝脏内及周围的解剖部位被用于提取标志点并定义该区域的图形模型。这些结构包括肝脏、右肾、胰腺、门静脉、胆囊、下腔静脉和心脏。每个辅助标志点的详细信息和示例图像见补充材料。
辅助标志点可被视为定义一个围绕肝脏的框架,该框架约束我们旨在预测的标志点的位置,而这些标志点将定义Couinaud肝段。辅助标志点必须在解剖学上有意义,并且易于从分割模型(在我们的研究中为Total Segmentator)提供的输出中可靠地提取,这一点很重要。本质上,我们部署它们的原因是:如果我们知道肾脏、心脏和胆囊等器官的位置,我们就可以约束肝脏和诸如腔静脉等结构的位置。
图示结构配置
配置模型由一个四维数据矩阵定义,该矩阵包含每次扫描中每对标志点之间在三维空间中的位移。数据矩阵的大小为 ,其中P为患者数量,N为标志点数量,与Potešil等人[18]描述的空间模型类似。该模型使用标志点对之间的位移而非位置,因为重要的信息编码在它们的关系中而非其具体位置中。为了估计未知标志点 的位置,估计一个空间概率图,并将概率最高的体素位置分配给该标志点。概率图 通过将各个条件概率图(示例见图2)相乘来估计,其中 遍历已知标志点,每个已知标志点由三维高斯分布表示,其均值位移和协方差矩阵由训练集中标志点 和 之间的三维位移导出。训练病例中缺失的标志点不纳入三维高斯位移的均值和协方差计算:
从大型队列创建的图示模型为标志点对之间的位移创建了概率分布,这些分布趋向于代表人群中的“平均人”。然而,某些患者的标志点分布可能无法被这种平均分布很好地近似。个体病例可能存在特异情况,例如如果患者 previously 接受过切除术、存在扭曲器官形状的肿瘤,甚至患者体型和器官分布异常,使得人群平均值成为建模标志点分布的次优表示。为缓解这一问题,我们通过从完整训练集中选择解剖学上最相似的病例子集,为每位患者创建个性化图示模型。相似性基于已知标志点的配置进行评估:对于解剖学上相似的患者,我们期望已知标志点对之间具有相似的对应位移模式。然后,所选子集用于如前所述估计缺失标志点的空间概率图。对于可能存在不同解剖变异的异质性人群,子集选择方法提供了亚组分布的估计,这些分布编码在数据矩阵及导出的均值和协方差矩阵中。
两名患者A和B之间的距离 通过所有已知标志点位移的绝对差之和来估计。如果患者A或B中任一缺失某个标志点,则该标志点从距离计算所用的标志点集合中移除。个性化模型以与原始模型相同的方式训练,仅更改从训练集中选择的病例。
数据与实验
该分析使用了来自多项临床试验的225例患者的非增强T1w MRI数据集,包括Precision1(NCT04597710)、HepaT1ca(IRAS 223180)和另外两项经伦理批准的研究(IRAS ID 213343和226607)的扫描。完整队列包含在图像采集前未接受肝切除术的患者以及患有不同疾病的患者的扫描,这些扫描使用Siemens、Philips和GE扫描仪获取,场强为1.5T和3T。所有图像的Couinaud标志点均由经验丰富的操作者手动放置,这些被视为“金标准”。
我们将我们的方法与Arya等人[9]开发的算法进行了比较,该算法被视为针对同一组标志点估计Couinaud分段的基准。对于每种方法,我们计算了预测标志点与手动定义的Couinaud标志点之间的距离。由每种自动化方法的标志点定义的Couinaud勾画也根据占全肝体积的百分比与金标准进行了评估,以评估对肝脏手术规划的潜在影响,其中这些百分比决定了手术决策的阈值。
在用于创建图像表示模型的225幅图像中,没有一幅用于Total-Segmentator的开发,99幅用于基准模型的训练或验证。这99例被从测试集中移除,以避免实验结果中的过拟合偏倚,最终留下126例的测试集。图像配置模型允许进行留一交叉验证,通过简单地从4D模型矩阵中移除目标病例的子矩阵,用由其余224例构建的模型预测每个病例。
在构建个性化图像模型时,用于形成训练集的相似病例选择数量被变化以评估其对模型性能的影响。
新方法和基准方法的输出还与Mojtahed等人[19]对来自另一经伦理批准队列(IRAS ID 241312)的10例病例进行的操作者间实验进行了比较,以将所提出方法的变异性与手动创建金标准数据时观察到的变异性进行比较。
结果
使用所提出的方法和基准方法对从用于构建图像模型的原始225幅图像中选出的126幅测试集图像进行了分析。计算并比较了预测标志点与金标准标志点之间的距离(图3),同时附加操作者间距离作为额外参考。此外,评估并比较了各方法之间Couinaud段体积相对于金标准的变化(图4)。
在用于构建图绘模型的数据集中,40例患者有1个缺失标志点,3例患者有2个缺失标志点。这些缺失标志点被排除在用于患者相似度指标的Couinaud标志点估算之外。其缺失归因于多种因素,包括模型性能不佳、目标结构在解剖上缺如,或图像质量差——如噪声或伪影——妨碍了准确可视化。
基础图绘模型(无个性化)在大多数标志点的定位上优于基准方法(表1),其中RHV和RPV的改善具有统计学显著性(p = 0.002和p = 0.012)。然而,与基准相比,该模型对第3段的体积误差显著更高(表2)。
对于个性化图绘模型,评估了不同大小的训练集以确定可改善模型性能的最佳配置(图5)。为了确定准确且稳健的个性化模型,同时评估最大误差和平均误差以决定合适的子集大小。最终选择大小为十的子集,因为其对大多数标志点给出了最低的最大误差,同时平均误差较低,显示出准确性和稳健性。随后所有个性化模型的实验均采用该子集大小进行。
与基准方法相比,个性化模型在八个标志点中的六个(GBF、IVCi、LPV、MHV、RHV、RPV)以及八个Couinaud段中的五个(3、5a、6、7、8)显示出统计学显著改善。
与操作者间变异性相比,个性化模型在五个标志点(IVCs、LPV、RHV、RPV和UF)以及第4b段的体积估算中显示出显著更高的误差。
计算了至少一个或更多段体积误差超过10%的病例百分比。在该指标上,个性化模型(9.8%)优于基准模型(31.7%)和基础模型(30.1%)。它也优于操作者间变异性,后者中10%的病例在至少一个段中变异性为10%或以上。
讨论
我们的方法在单一框架内结合深度学习模型和解剖标志点的图形化表示,实现了Couinaud分割的自动化。除了提高标志点预测准确性外,该方法通过大幅降低不合理或离群标志点建议的可能性,增强了可靠性和稳健性。将来自多个辅助标志点的个体概率图相结合提供了互补的空间背景信息,与基准方法相比有助于获得更一致和可信的结果。
个性化图形建模通过使用已知标志点选择训练数据的一个子集,在标志点定位方面取得了优异的结果。有趣的是,随着个性化训练集中使用的病例数减少,性能提高,直到达到约N = 10的阈值(图5)。低于该点后,模型变得不稳定,尽管整体平均性能有所改善,但离群值增加。进一步减少后,在N = 4左右,由于样本量过小导致图形化表示不佳,性能下降。尽管具体阈值有所不同,但随着子集样本减少的性能变化模式在所有标志点中保持一致。
基础图形模型在定位标志点和测量Couinaud段体积方面表现出强劲的性能,在八项指标中的七项上与基准模型相当,无论是标志点还是段体积。值得注意的是,使用十个病例的个性化训练集时,性能显著增强。该方法在八个标志点中的六个和八个段中的五个上优于基准方法,其中四个段对整体肝脏体积贡献最大。这些也是分割错误可能严重影响手术规划的段。此外,与操作者间变异性相比,个性化方法仅有一个段显示出显著更高的误差。
与操作者间变异性相比,不同标志点之间误差水平的变化可能由两个主要因素解释:某些标志点可能天然具有更大的解剖变异性,使其位置更难从周围结构推断;以及人类操作者在手动标注过程中视觉上一致识别这些标志点的固有困难。个性化模型也表现出稳健的性能,仅9.8%的病例显示至少一个段误差超过10%——与操作者间变异性相当,且较基础方法和基准方法有显著改善。在审查者认为某个标志点欠佳的情况下,例如那些显著差于操作者间变异性的情况,修正就像单击将标志点调整到其最佳位置一样简单。
除性能指标外,图像模型相比传统深度学习方法具有若干优势。在可解释性方面,与内部决策过程通常不透明的黑箱模型不同,我们的方法依赖于解剖标志之间可解释的几何关系。用于标志预测的数据对应于在一组患者中观察到的实际物理位移,使模型建立在可测量的解剖变异性基础之上。此外,如图2所示,最终标志热图可以分解为各个独立分量,其中每个已知标志的影响通过其自身的加权概率图明确表示。这种透明结构使临床医生和研究人员能够追溯每个预测的证据。
由于图像构型模型仅包含训练集中解剖标志之间的真实世界距离,它保持独立于成像模态或序列类型。这使得它易于扩展到新的成像数据,前提是相应的分割模型表现足够好。在我们的示例中,Total-Segmentator软件支持CT和多种MR序列。这种灵活性应有助于积累更大规模的、模态无关的训练集,随着数据集增长实现更好的个性化建模。尽管如此,Couinaud肝段预测仍然从根本上依赖于初始分割的质量。上游分割中的误差(由于图像质量低、解剖异常或模态特异性限制)可能传播至标志检测。此外,成像序列、对比增强或空间分辨率的变化可能在辅助标志和Couinaud标志的放置中引入系统性偏差,特别是当此类变异性未在训练数据中得到充分代表时。
图像模型还充当紧凑表示,而个性化集合选择方法则类似于数据库查询。这种方法在某些标志缺失或放置错误的情况下特别有用,例如胆囊切除术后。向图像模型添加新数据很直接:标志间距离(经手动校正后)可以直接追加到模型矩阵中。这消除了深度学习方法更新训练数据时所需的耗时且计算昂贵的再训练过程[9]。然而,当前模型仅在无既往肝脏切除或显著解剖改变的患者上训练。因此,其对于复杂临床表现——如因手术、病理或先天变异导致的肝脏形态改变——的泛化能力目前有限。我们预计在此类病例上应用时性能会下降,因为其解剖构型超出了已学习的变异性范围。为提高鲁棒性,模型应纳入更广泛的解剖结构,使个性化选择机制能够在推理时检索到更相关的训练类似样本。
未来工作应优先纳入多模态和病理数据集、在多样化手术场景中开展更广泛的临床验证,以及整合分割质量评估以量化其对标志准确性的影响。
总之,本研究表明,将深度学习与解剖标志的图形模型相结合,为Couinaud段的分割提供了一个稳健且高效的框架。该方法提高了准确性,改善了可解释性,并在不同成像模态之间提供了灵活性,同时解决了数据隐私和操作者间变异性等关键问题。无需重新训练即可轻松整合新数据的能力进一步凸显了其可扩展性。这些特点使该方法成为一种有前景的工具,可推进肝脏分割并提升其在手术规划和结果预测等临床应用中的实用性。
电子补充材料
以下是电子补充材料的链接。
补充材料1
引用
- Núñez LM, Aljabar P, Brady SM, et al. Automatic Couinaud segmentation using AI and pictorial representation landmarking. Abdom Radiol (NY). 2025. PMID: 40736570. doi:10.1007/s00261-025-05123-3
- 全文:PMC12971927(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12971927/
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。