PSC定制nnU-Net模型在脂肪抑制T2WI肝脏分割中的多中心验证
研究针对原发性硬化性胆管炎患者在脂肪抑制T2加权MR上比较三种肝脏分割工具及十种算法,以内外部183例患者为对象,以参考肝脏轮廓为金标准。PSC特异性训练的nnU-Net模型表现最优,平均DSC达95%,平均HD为25.7 mm。该模型分割质量获放射专家定性认可,将用于多中心验证GLRM-RunEntropy预后价值。
要点
- PSC特异性训练的nnU-Net模型对肝脏分割平均DSC达95%,优于其他算法。
- Total Segmentator虽平均DSC达90%,但更易受肝脏形态变异影响。
- nnU-Net模型对肝实质包含更好、非肝组织排除更优,且对肝脏僵硬敏感性更低。
核心结论
- PSC定制训练的nnU-Net模型在脂肪饱和T2WI肝脏分割中表现最优,平均DSC为95%,平均HD为25.7 mm。
- 域特异性训练对于慢性肝病影像中的稳健分割具有重要意义。
- 经验证的nnU-Net分割模型将公开使用,以支持GLRM-RunEntropy多中心大规模验证。
研究设计与样本
- 研究类型为多中心验证研究,纳入183例PSC患者的脂肪饱和T2加权MR图像。
- 比较三种分割工具(Total Segmentator、Philips MR Liver Health、内部训练的nnU-Net)衍生的十种分割算法。
- 以参考肝脏轮廓为金标准,采用DSC和HD进行定量评价。
- 由放射专家进行定性评估作为补充评价手段。
关键影像表现/征象
- PSC患者肝脏形态变异可影响分割工具性能,Total Segmentator受影响更为明显。
- nnU-Net模型对肝脏实质包含更充分,对非肝组织排除更优。
- nnU-Net模型对肝脏僵硬的敏感性更低,对队列间变异具有稳健性。
诊断标准与关键数值
- PSC特异性训练的nnU-Net模型(算法#10)平均DSC为95%,平均HD为25.7 mm。
- Total Segmentator(算法#1)平均DSC为90%,但更易受肝脏形态变异影响。
临床应用与阅片要点
- 在PSC患者脂肪饱和T2WI肝脏分割中优先选用PSC特异性训练的nnU-Net模型。
- 通用分割工具虽可用,但需注意肝脏形态变异对分割精度的影响。
- 该分割模型可用于后续GLRM-RunEntropy影像组学特征的标准化提取,服务预后评估。
局限性
- 研究为针对PSC患者的特定模型验证,结果外推至其他慢性肝病需进一步验证。
以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。
英文原文(摘要)· 点击展开
In this study, we aimed to identify an effective and accurate liver segmentation strategy for fat-saturated T2-weighted MRI in PSC patients, enabling multicentre validation of GLRM-RunEntropy, a radiomics feature which showed prognostic value. We evaluated three segmentation tools (Total Segmentator, Philips MR Liver Health, and an in-house trained nnU-Net model) across 183 PSC patients from internal and external cohorts. Ten segmentation algorithms derived from these tools were quantitatively assessed using DSC and HD against reference liver contours. The nnU-Net model trained on PSC-specific T2w-SPIR images (algorithm #10) outperformed all others, achieving a mean DSC of 95 % and mean HD of 25.7 mm. Total Segmentator (algorithm #1) showed strong DSC (90 %) but was more affected by variations in liver morphology. Qualitative evaluation by expert radiologists confirmed the superior inclusion of liver parenchyma and exclusion of non-hepatic tissues by the nnU-Net model, together with a lower sensitivity to liver stiffness and robustness to cohort variability. Our findings highlight the importance of domain-specific training for robust segmentation in the setting of chronic liver disease imaging. The validated nnU-Net segmentation model will be made available to support large-scale multicentre validation of GLRM-RunEntropy as a prognostic biomarker in PSC.
引用
- De Bernardi, Cristoferi, Franco, et al. A PSC-tailored deep learning model for liver segmentation on fat-saturated T2-weighted MR: Robustness to hepatic dysmorphia and multicentre generalisability. Eur J Radiol. 2026. PMID: 42302441. doi:10.1016/j.ejrad.2026.113010
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。