文献速递腹部骨肌技术与安全MRCT

VIBESegmentator:面向NAKO与UK Biobank的全身体部MRI分割模型

VIBESegmentator: full body MRI segmentation for the NAKO and UK Biobank.
PubMed 文献 · Eur Radiol · 2025-10-09

本研究开发并公开了一个基于深度学习的躯干MRI与CT分割模型VIBESegmentator,提供71个MRI语义标签和72个CT标签的体素级覆盖,训练集含626名受试者的2897个序列。内部梯度回波测试集平均Dice为0.90±0.06,在Amos数据集上平均Dice为0.81±0.14,与最佳模型持平且视野更大、结构更多。

要点

  • 模型对躯干MRI提供71个语义标签分割,覆盖器官、肌肉、血管、骨骼及体成分,可作自动分析骨架。
  • 内部梯度回波测试集平均Dice为0.90±0.06,Amos数据集平均Dice为0.81±0.14。
  • 模型在Amos上Dice 0.81±0.14与最佳模型持平,且视野更大、包含结构更多。

核心结论

  • 作者认为其工作提供了迄今最详细的全躯干MRI和CT分割模型,可将几乎全部受试者体素归类。
  • 模型在Amos数据集上平均Dice为0.81±0.14,与最佳模型持平,且视野更大、结构数量明显更多。
  • 该模型可用于MRI结构的自动处理与提取,并已作为计算机辅助自动分析的骨架。

研究设计与样本

  • 回顾性研究,使用NAKO、UK Biobank及内部MRI和CT数据的随机子集。
  • 训练集为626名受试者(290名女性,平均年龄53±16岁)的2897个序列,采用nnUNet框架3折交叉验证(20%留出)。
  • 内部测试集为12名受试者(6名男性,平均年龄60±11岁)的36个序列。
  • 外部验证使用Kart等的腹部器官自动分割(n=1000)、Freiburg独立标注的梯度回波数据(器官50名受试者、体成分40名受试者)及Amos数据集(n=60)。
  • 图像重采样至轴位面内分辨率1.4 mm、层间分辨率3 mm,MRI分割71个语义组织类别,CT分割72个。

关键影像表现/征象

  • 模型分割包括20个器官、10块肌肉、19条血管、16块骨骼,CT含肋骨,以及椎间盘、脊髓、椎管和体成分(皮下脂肪、未分类肌肉、内脏脂肪)。
  • MRI未分割肋骨,结肠与小肠合并为「肠」标签,颅骨与脑因超出视野未分割。
  • 髌骨、腓骨、胫骨、尺骨和桡骨归入「其他骨」类别。
  • 模型使分割掩膜延伸至解剖边界,避免结构间人工间隙,减少骨与肌肉边界的欠分割。
  • 肺部按五个肺叶分割,而非左右两侧。

诊断标准与关键数值

  • 内部梯度回波测试集71个语义标签平均Dice为0.90±0.06。
  • 与Kart等自动分割比较:肝脏Dice 0.94(CI 0.94–0.94),左/右肾0.93/0.94(CI 0.93–0.94/0.94–0.94),脾0.93(CI 0.92–0.93),胰腺0.73(CI 0.72–0.73)。
  • 与Freiburg独立标注比较:皮下脂肪Dice 0.94(CI 0.94–0.95),肌肉0.91(CI 0.90–0.91),内脏脂肪0.78(CI 0.76–0.80),主动脉0.89(CI 0.89–0.89),肝脏0.93(CI 0.92–0.93),胰腺0.81(CI 0.81–0.82),前列腺0.79(CI 0.79–0.80)。
  • 与TotalSegmentator MRI v.2.5.0共享44个结构,本模型平均Dice 0.91±0.05 vs 0.68±0.15(p<0.001);与MRSegmentator共享36个结构,本模型0.92±0.05 vs 0.73±0.13(p<0.001);与MRISegmenter重叠32个结构,本模型0.92±0.05 vs 0.39±0.31;MedSAM2平均Dice 0.42±0.24。
  • Amos MRI数据集上本模型平均Dice 0.81±0.14,MRSegmentator 0.78±0.16,MRISegmenter 0.81±0.14,TotalSegmentator MRI 0.76±0.15,MedSAM2 0.59±0.28。

临床应用与阅片要点

  • 模型与预训练权重已在GitHub公开(https://github.com/robert-graf/VIBESegmentator),便于部署和推理。
  • 模型采用单一统一架构处理所有分割、区域和模态,简化部署并加速推理。
  • 胰腺分割在病理病例或高内脏脂肪受试者中差异较大,Kart等模型在内脏脂肪高时欠分割胰腺,本模型未见此问题。
  • T2w HASTE序列表现最佳,即使存在呼吸和心脏运动;MEVIBE的out-of-phase图像器官边界清晰;质子密度和T2w TSE在NAKO中信号下降明显处产生误差。
  • 前列腺分割保留CT勾画范围(含包膜),较MRI独立分割偏大(Dice 0.79,CI 0.79–0.80,按一像素腐蚀后)。

局限性

  • NAKO和UKBB数据集以白种人为主,多样性相对同质。
  • 数据集虽视野大、分辨率高,但异常病例较少,可能限制训练数据中病理病例的多样性。
  • 梯度回波图像中消化器官对比变化小,勾画较增强T1加权快速自旋回波图像更困难。
  • UKBB中肾上腺等小结构因几乎淹没于图像噪声而难以分割。
  • 所有MR数据集中手臂、腿和头仅部分可见,导致这些区域分割行为未定义,需单独改进数据集。
全文中译12 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2025 Oct 9;36(4):2548–62. doi: 10.1007/s00330-025-12035-9

引言

大规模生物医学影像队列的可获得性,如德国国家队列(NAKO)[1]、波美拉尼亚健康研究[2]和英国生物样本库(UKBB)[3],显著推动了人口健康领域的数据驱动研究。然而,充分利用这些数据集需要稳健的自动化方法,从医学图像中提取具有解剖学意义的定量信息。[4–8] 全身MRI分割仍然具有挑战性,原因包括复杂的解剖结构、不同序列间的对比度差异以及缺乏高质量、标准化的参考标注[9]。

近期的深度学习方法,如nnUNet [10, 11]和MedSAM [12, 13],为医学图像分割设定了强有力的基线。然而,尚无公开可用的方法能够对MRI中的完整躯干进行全面的体素级分割。尽管MedSAM [12, 13]被设计为通用分割模型,但在实现广泛泛化性方面仍面临挑战。虽然MRISegmenter [14]、MRSegmentator [15]和TotalSegmentator-MRI [16]等较新工具与我们的工作同期出现,但它们并未分割人体内部的每个体素,且通常缺乏扩展到结构边界的能力。虽然这在计算信号值时避免了部分容积效应,但会导致器官体积被低估、3D形状被平滑化。

相比之下,我们开发了用于身体部位提取的容积识别分割器(VIBESegmentator),这是一种基于深度学习的工具,旨在最大化正确的组织体素覆盖,生成延伸至解剖分区边界的分割掩膜。这一特性对于准确的体积估计、空间映射和3D形状估计至关重要。我们在所有分割、区域和模态中使用单一统一模型,简化了部署并加速了推理。

VIBESegmentator的开发受到大规模流行病学研究需求的驱动,以及基于图像的研究对可重复、可扩展工具的广泛需求。秉承开放科学理念,我们已在GitHub(https://github.com/robert-graf/VIBESegmentator)上免费提供模型和预训练权重。我们模型的早期版本已被整合到使用英国生物样本库的研究中[17, 18],支持具有高解剖保真度的队列水平分析。

为进一步提高泛化性,我们逐步扩展了对额外MRI序列的支持,并在最终开发阶段增加了对计算机断层扫描(CT)分割的兼容性。为促进大规模医学图像分割,我们的模型优先考虑完整体素覆盖、分区边界处的解剖精度以及多模态支持。

材料与方法

本回顾性研究使用来自NAKO、英国生物样本库(UKBB)队列的躯干影像数据随机子集,以及内部MRI和CT数据进行训练和评估。数据收集的伦理批准已从各自的伦理委员会获得,NAKO和UKBB均已获取知情同意。对于内部数据,我们获得了当地伦理委员会的伦理批准(593/21 S-NP);知情同意已豁免。

我们采用了一种使用nnUNet框架[10]的迭代训练策略,其中新生成的标签经过手动校正,并在下一次训练迭代中用于改进模型。我们使用nnUNet框架标准5折交叉验证中的3折。我们的标签集与基于CT的TotalSegmentator[19]的标签集一致,但我们细化了解剖学定义以更好地适应MRI数据。特别是,我们解决了常见的MRI分割挑战,例如骨骼和肌肉边界处的欠分割问题。与以往方法不同,我们旨在触及解剖边界,刻意避免区域之间的人为间隙。

最终数据集包括来自UKBB和NAKO队列的用于水脂分离的拼接梯度回波序列[20, 21],覆盖从颈部到膝部的视野(FOV)。从NAKO中,我们还纳入了T2加权HASTE序列(躯干)、质子密度图像(髋部区域)、六点Dixon T1加权梯度回波扫描(腹部)以及矢状面T2加权涡轮自旋回波序列(脊柱)。为进一步提高泛化性,我们纳入了一个内部数据集,该数据集由躯干MRI组成,包括NAKO中不存在的增强图像,以及全身CT扫描。所有图像均重采样至轴向平面内分辨率1.4 mm和平面间分辨率3 mm。我们最终的分割模型包括MRI的71个语义组织类别和CT的72个类别(图1)。我们复现了TotalSegmentator[19]中存在的大部分分割。在脊柱处,我们忽略实例标签,将所有椎骨分为椎体和后部结构,因为实例分割在使用nnUNet时经常导致差一错误。我们添加了五个额外的语义区域(皮下脂肪、肌肉(未另行分类)、内脏脂肪、椎间盘和椎管)。由于标注困难,我们未在MRI中分割肋骨,并将结肠与小肠合并为单一的“肠道”标签。颅骨和脑的分割被省略,因为它们位于FOV之外,且MRI中已有许多成熟的颅骨分割算法[22, 23]。此外,髌骨、腓骨、胫骨、尺骨和桡骨等结构在NAKO和UKBB数据集的FOV中很少且仅部分被捕获,因此归入标记为“骨骼(其他)”的集合类别。我们未复现囊肿类别,因为此类病理超出本工作范围,且与临床数据集相比在UKBB和NAKO中代表性极低。

图1 我们的分割在NAKO、UK-Biobank和内部CT数据受试者上的三维渲染,基于容积插值屏气检查(VIBE)水图像。A 骨骼、椎间盘和肋软骨;B 消化系统;C 肺叶和气管;D 肌肉;E 器官;F 血管;G 皮下脂肪、肌肉(其他)和内脏脂肪。NAKO,德国国家队列 查看原图 ↗

真实标签生成

由于完全手动标注全身图像以获得基线非常耗时,我们选择了一种迭代、逐步的方法,将可用的分割模型与现有的真实标注和多次手动修正相结合(图2)。分割修正过程涉及四名放射科医生使用ITK-Snap 3.8.0版本[24]。三名具有2-3年经验的放射科医生(P.P.、E.O.R.、C.R.)在具有22年经验的高级放射科医生J.S.K.的监督下修正了初始分割。我们使用了三个来源作为初始分割建议:在操控水图像上运行的CT TotalSegmentator、来自“spineps”模型的T2w涡轮自旋回波椎体分割[25–27],以及Jung等人的身体成分模型[28, 29]用于分割额外的皮下脂肪、肌肉(其他)和内脏脂肪。我们在其界面处协调了分割以确保跨组织边界的无缝分割。我们连接了结构之间的边缘以填充分割中的孔洞,导致与原始真实标注的轻微偏移,在肌肉、内脏脂肪和骨骼分割中最为明显。与Jung等人的参考相比[28, 29],我们的身体成分有意添加了近端手臂、腿部以及部分肩部区域。我们采用了类似于TotalSegmentator [19]、Verse [30]和AbdomenAtlas-8K [31]的迭代方法来增加训练图像的数量。该迭代过程涉及修正预测的分割掩码并重新训练模型,直到达到收益递减点:在获得前4个分割后,我们迭代训练了一个nnUNet [10]。在模型训练的后期阶段,我们切换到更大的UNet(残差编码器UNet-L)[11],这是nnUNet现在推荐的。每次重新训练后,我们再次修正新的分割掩码以增加训练数据集。在训练中,我们关闭了随机翻转以防止预测左右标签的问题。此外,我们采用弹性变形生成额外的训练图像,将数据集大小增加2至500倍。分割模型在单张输入图像上以随机初始化进行训练,其中我们有三张对齐的梯度回波图像“水”、“同相”或“反相”。我们将三个输出合并为单个分割。我们移除每个器官小于特定体积阈值的连通分量。如果某个器官仅由一个紧密排列的连通分量组成,我们丢弃除最大分量外的所有分量。合并时的优先级集中在易于欠分割的结构上,较低优先级的分割仅添加到未占用的体素中。该过程有助于消除小的假阳性和低估,特别是对于血管,如TotalSegmentator所报道的。在后续迭代中,我们添加了新的MRI对比。我们将2000个内部器官的自动分割与Kreit等人在NAKO数据上的结果进行了比较[32, 33],以筛选模型不一致的病例(45名受试者,每人最多13个不同序列)。该方法识别了肝脏、肾脏和脾脏有病变的病例。纳入这些减少了病变病例中的误差,但由于数量少且病变变异大,并未完全避免。在最终迭代中,我们添加了CT图像并通过肋骨[34]、脊柱[30]和下肢分割[35]以及基于阈值的其他骨骼纳入和模板配准来添加IVD,从而改进了骨骼分割。最终训练在2359个MRI和538个CT序列上进行,总共608,809张重采样的3 mm 2D切片。见图2。

图2 迭代训练流程:我们从不同来源生成初始掩膜(黄色),然后迭代增加训练数据集(红色)。用于训练和验证的受试者从未在评估期间使用:我们使用了四个测试集(蓝色):一个手动校正的测试集、Amos数据集、来自弗赖堡的完全独立的人工标注分割,以及一个来自腹部器官分割的大型自动测试集。NAKO,德国国家队列;UKBB,英国生物银行 查看原图 ↗

评估

所有评估均在先前未纳入训练和验证数据集的受试者上进行。我们使用了四个不同来源:(1)我们将我们的模型与Kart等人[32, 33]腹部模型对肝脏、肾脏、脾脏和胰腺的自动分割(n = 1000)进行比较,因为该模型已在NAKO的大型子集上得到验证。(2)我们从弗赖堡获得了基于NAKO梯度回波数据的独立标注肝脏、主动脉、胰腺、前列腺、内脏脂肪、皮下脂肪和肌肉[28, 29]金标准分割。这包括50名受试者的器官分割和40名受试者的身体成分分割,每名受试者包含三幅空间对齐图像,有效将我们内部测试集的规模扩大了三倍。(3)我们在36个内部手动校正分割上验证了我们的模型(12名受试者共3幅对齐梯度回波图像),在NAKO和UKBB数据集之间均匀分布(50%女性),选择覆盖每种性别和每个数据集内广泛的体重范围。(4)我们使用Amos数据集(n = 60)[36]测试肝脏、肾脏、脾脏、胃、主动脉、胆囊、下腔静脉、胰腺、食管和肾上腺的MRI分割。质量指标使用3D Dice评分评估。

对于全身数据,我们将MRISegmenter的预测裁剪至金标准周围50 mm处,以确保公平比较,因为它并非为此类大视野设计。MedSAM2接收来自中心层面金标准的2D边界框并应用层面传播。

统计分析

评估中,我们使用了Scipy [37]和Panoptica Python [38]软件包。采用10,000次迭代的非参数自助法计算95%置信区间(CI),并使用Wilcoxon秩和检验计算统计显著性。

结果

最终训练数据集包含来自626名受试者的608,809个2D层面,共2,897个序列。我们提供了VIBE序列上的示例分割(图3)以及其他MRI模态和CT上的示例分割(图4)。

图3 我们对NAKO和UK Biobank上三幅随机VIBE图像的分割结果 查看原图 ↗
图4 在其他NAKO序列类型和内部CT上运行我们的分割。我们使用重采样的金标准分割在其他序列类型上进行训练。T2w Haste(半傅里叶采集单次激发涡轮自旋回波)效果最佳,即使图像存在呼吸和心脏运动。MEVIBE(多回波VIBE)具有器官边界清晰的反相位图像。质子密度和T2w TSE(涡轮自旋回波)在NAKO中存在信号衰减,在信号衰减过强处产生错误 查看原图 ↗

对Kart等人模型的外部评估

在图5中,我们展示了所有三次外部评估的Dice评分。在肝脏(Dice 0.94;CI:0.94–0.94)、肾脏(左/右 Dice 0.93/0.94;CI:0.93–0.94/0.94–0.94)和脾脏(Dice 0.93;CI:0.92–0.93)的情况下,我们的分割结果与Kart等人[32, 33]的自动腹部分割高度一致。胰腺的Dice评分较低(0.73;CI:0.72–0.73),与Kart等人[32, 33]的结果一致。大多数差异出现在病理病例中,或当Kart等人的模型在高内脏脂肪受试者中对胰腺分割不足时;这一问题在我们的模型中未见。我们在补充材料中通过模型与Kart等人的一致性添加了失败分析。

图5 外部验证。A 在1000个测试样本上与Kart等人腹部分割模型预测比较的Dice评分 B 弗莱堡独立专家在NAKO图像上的分割。C、D 具有不同分辨率和MR序列的Amos数据集 查看原图 ↗

在弗莱堡标注的梯度回波数据上的外部评估

我们测量了皮下脂肪(Dice 0.94;CI:[0.94, 0.95])和肌肉(Dice 0.91;CI:[0.90, 0.91])的Dice,同时排除了手臂和腿部。我们扩展了内脏脂肪以匹配其他器官边界,导致我们的预测与参考相比发生变化(Dice 0.78;CI:[0.76–0.80])。我们对主动脉的分割(Dice 0.89;CI:[0.89, 0.89],腐蚀一个像素)包括升主动脉以及血管壁,而参考仅分割了主动脉弓和降部的管腔。来自弗莱堡的肝脏(Dice 0.93;CI:[0.92, 0.93])和胰腺(Dice 0.81;CI:[0.81, 0.82])分割达到了与Kart等人在其内部数据上报告的评分相似的分数。在MRI中,前列腺的包膜通常不被分割,而在CT中则被包括。我们保留了CT勾画,这使得我们的分割大于弗莱堡的独立分割(Dice 0.79;CI:[0.79, 0.80],腐蚀一个像素)。这些结果与其他可用的分割模型相似(表1)。

表1 弗莱堡梯度回波图像上的Dice评分和95%置信区间(CI) 查看原表 ↗

在梯度回波数据上的内部评估

我们使用内部测试数据集将我们的模型与其他多结构MRI分割模型进行了比较(见表2)。由于训练和内部测试数据在采集和分割定义上的高度一致性,预期会有更高的性能值。在我们的内部测试集上,所有类别的平均体积Dice评分为0.90 ± 0.06。各项评分详见表2。

我们与TotalSegmentator MRI v. 2.5.0——D’Antonoli等[16]共享44个解剖结构,其平均Dice评分为0.68 ± 0.15,而我们的模型为0.91 ± 0.05(p < 0.001)。MRSegmentator——Häntze等[15]共享36个结构,平均Dice评分为0.73 ± 0.13,而我们为0.92 ± 0.05(p < 0.001)。MRISegmenter——Zhuang等[14]与32个结构重叠,但平均Dice评分显著较低,为0.39 ± 0.31。这可能是由于训练数据的差异,特别是其较小的视野(FOV)以及在NAKO/UK Biobank梯度回波数据上明显较差的表现。若干结构——如骶骨、臀大肌、臀中肌、髂腰肌和主要血管结构——在其参考标注中仅被部分标注,原因是其训练数据中视野有限。此外,某些类别在个别梯度回波数据中完全未被预测。这导致评分大幅下降。MedSAM2——Ma等[12]表现出高度变异的性能(平均Dice评分0.42 ± 0.24),严重依赖于所选的目标器官。即使采用手动交互,MedSAM2也无法在个别图像中始终如一地对任意结构产生准确的分割。

表2 NAKO和UK Biobank梯度回波数据内部测试数据上的Dice评分和95%置信区间(CI) 查看原表 ↗

在Amos上的外部评估

我们还对其他重采样序列进行了训练,如图4所示。使用AMOS数据集[36],我们证明了我们的分割模型能够处理多种MRI模态,包括增强图像和冠状面图像,平均Dice评分为0.81 ± 0.14。各类别结果见表3。在目前所有五种现有模型中,MRSegmentator——Häntze等[15](平均Dice:0.78 ± 0.16)、MRISegmenter——Zhuang等[14](平均Dice:0.81 ± 0.14)和我们的模型(平均Dice:0.81 ± 0.15)获得了最高的逐类Dice评分(图6)。相比之下,TotalSegmentator MRI v. 2.5.0——D’Antonoli等[16](平均Dice:0.76 ± 0.15)的表现略差于其他基于nnUNet的模型。MedSAM2——Ma等[12](平均Dice:0.59 ± 0.28)在分割脾、胰腺、肾、胆囊和肝脏方面略差于前三名模型,而在其他结构上的表现则明显更低。在Amos CT数据上,我们达到平均Dice 0.74 ± 0.16,而Totalsegmentator v. 2.5.0——Wasserthal为0.81 ± 0.13(表4)[19]。

图6 在NAKO数据集的梯度回波图像(水重建)冠状位切片中,TotalSegmentator MRI、MRSegmentator、MRISegmenter、MedSAM2与我们的方法的视觉比较。我们的分割不会对肌肉和骨骼等结构分割不足,并且更好地遵循解剖边界。对于骨骼,暗线是骨骼结构的一部分,因为致密骨产生低质子信号。分割不足的示例用红色箭头标记。我们仅显示与我们的标签集相对应的标签。与其他将肺分割为两侧的方法不同,我们的方法识别全部五个肺叶。MRISegmenter是在较小视野(FOV)上训练的;我们用橙色线表示其大致边界。在最后一个示例中,MRISegmenter未能分割心脏和肌肉,并且MedSAM将肝脏分割延续到心脏区域(用橙色箭头标记)。这些效应在同一受试者的其他对齐梯度回波图像中可重复出现。仅为可视化目的,我们合并了MedSAM2预测单独存储的输出。NAKO,德国国家队列 查看原图 ↗
表3 在Amos MR图像训练集和测试集合并上的Dice评分和95%置信区间(CI) 查看原表 ↗
表4 在Amos CT图像训练集和测试集合并上的Dice评分和95%置信区间(CI) 查看原表 ↗

讨论

在本研究中,我们开发了一个综合的全躯干分割模型,包含71个用于MR和CT图像的语义分割标签。具体而言,我们的模型实现了对CT中20个器官、10块肌肉、19条血管、16块骨骼和肋骨的详细分割,以及3个额外的脊柱结构(椎间盘、脊髓和椎管)。此外,我们将身体成分分割为三类,描绘不同的脂肪隔室和身体部位。[19] 在各种对齐序列上训练后,我们的模型在多种不同的MRI对比度和CT中展现出多功能性。既往研究已强调分割技术在NAKO队列中的效力,例如在20,000名参与者的大样本中进行腹部器官分割和质量控制[32, 33]。我们的模型在Jung等人[28, 29]关于VIBE图像的工作基础上,扩展了全身分割模型的既往能力,以包括详细的脂肪和肌肉组织。这种分割有助于脂肪分布估计,类似于Somasundaram和Wu等人在6点Dixon图像上采用的方法[39]。独立于我们的工作,其他几个全身MR分割框架已被开发出来[14–16]。虽然这些框架在训练数据集上存在根本差异,但我们的方法也引入了关键的方法学区别。通过整合身体成分信息,我们能够将大多数像素分配到特定的解剖或组织类别,从而增强分割稳定性。我们方法的另一个独特优势在于其能够纳入复杂边界区域——例如骨骼周围区域——并准确识别肌肉群与相邻结构之间的接触点。

在将对比增强图像纳入我们的训练集后,我们的方法在AMOS数据集[36]上达到了与Häntze等人的MRSegmentator [15]和Zhuang等人的MRISegmenter [14]相当的性能。相比之下,所有模型均优于D'Antonoli等人的TotalSegmentor MRI [16]。尽管MRISegmenter在AMOS上取得了最佳结果,但它在梯度回波全身图像上表现不佳,且仅限于特定视野。Ma等人的MedSAM2 [12]仅对选定的解剖结构表现可靠,这可能是因为其训练范围有限,未包含某些结构。此外,某些解剖结构的勾画本质上仍存在歧义——例如血管结构的精确起点和终点——这些结构在影像数据中缺乏明确定义的边界,类MedSAM模型只能通过过拟合或人工干预来学习。这些挑战凸显了在MedSAM的全自动分割系统中引入解剖先验知识和领域特定细化步骤的必要性。

尽管具有优势,NAKO和UKBB数据集仍存在某些局限性。它们主要由白种人群组成,在多样性方面相对同质。虽然这些数据集提供了大视野和高分辨率,但其包含的异常病例较少,可能限制了训练数据中病理病例的多样性。对于消化器官,与使用对比剂的T1加权快速自旋回波图像相比,梯度回波图像中的勾画更具挑战性,因为梯度回波图像中的对比度变化极小。尽管HASTE、质子密度和MEVIBE序列的可用性是一个显著优势,但挑战依然存在。例如,UKBB数据集中非常小的结构(如肾上腺)因几乎淹没于图像噪声中而难以分割。此外,手臂、腿部和头部在所有MR数据集中仅部分可见,导致这些区域的分割行为不明确,需要单独的改进数据集。

总之,我们的工作通过提供一种详细且精细的全身分割方法,显著推进了MRI分割领域,尤其是在UKBB或NAKO等大型数据集中。我们的模型可用于MRI中结构的自动处理和提取,是迄今为止最详细的全身分割模型,可对躯干内几乎所有体素进行分类。

补充信息

电子补充材料

引用

  1. Graf R, Platzek P, Riedel EO, et al. VIBESegmentator: full body MRI segmentation for the NAKO and UK Biobank. Eur Radiol. 2025. PMID: 41068435. doi:10.1007/s00330-025-12035-9
  2. 全文:PMC13035649(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13035649/

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。