综述：超声波在适应性运动医学中的应用

《Physical Medicine and Rehabilitation Clinics of North America》：Ultrasound Applications in Adaptive Sports Medicine

深度学习多分割方案在MRI前列腺分割中的临床评估与优势验证。本研究提出了一种名为DVAS的数据变异感知分割方法，通过训练多个解码器生成不同分割方案。在13例患者的MRI数据上，对比了DVAS与传统单分割方法。结果显示DVAS的分割方案获得更高临床评分（51% vs 42%无修正切片），且医生更倾向选择其方案。该方法有效捕捉了观察者间的自然变异，为临床半自动分割提供了新思路。

　　在医学影像分析领域，器官分割是一项至关重要的任务，尤其在放射治疗计划制定过程中。传统的分割方法依赖于人工操作，耗时且容易受到操作者主观判断的影响。近年来，深度学习（Deep Learning, DL）技术被广泛应用于医学图像分割，其自动化和半自动化的特性显著提升了效率。然而，经典深度学习分割方法通常只生成单一的分割结果，忽略了实际临床中不同医生可能对同一影像有不同的分割方式，这种差异被称为观察者间变异性（inter-observer variation）。因此，开发能够生成多种分割结果的深度学习方法，不仅有助于提高分割结果的多样性，也可能更贴近实际临床需求，从而增加其被采纳的可能性。

本研究提出了一种新的深度学习分割方法，称为“数据变异性感知分割”（Data Variation-Aware Segmentation, DVAS），其核心思想是通过将训练数据集划分为多个子集，分别训练多个分割模型，从而生成多个分割结果。这种方法模拟了不同观察者在分割过程中的不同风格和偏好，使生成的分割结果更加贴近真实临床场景。在训练过程中，DVAS采用了一个带有多个解码路径的神经网络架构，使得每个解码器能够专注于特定的分割风格。通过这种方式，DVAS不仅能够提供更高质量的分割结果，还能产生多个可能的分割变体，为医生提供更多的选择，从而减少手动修正的需求。

为了验证DVAS的实际应用价值，本研究邀请了三位经验丰富的放射肿瘤科医生对13名前列腺癌患者的MRI影像进行评估。这些影像均来自HDR（高剂量率）前列腺近距离放疗的临床数据，其中包含了在治疗前植入的塑料导管。医生们对由DVAS生成的两个分割结果、由经典深度学习模型（Classical DLM）生成的单一分割结果以及临床手动分割结果进行了评分和排名。评分标准分为四个等级：1表示需要完全拒绝，2表示需要大量的手动修正，3表示需要轻微的修正，4表示无需任何修正即可接受。医生们还对所有分割结果进行了整体评估，并按优劣顺序进行了排名。

研究结果显示，DVAS生成的分割结果在多个方面优于经典深度学习方法。在逐层评估中，DVAS的分割结果被标记为“无需手动修正”的比例达到了51%，而经典深度学习方法仅为42%。此外，在被标记为“不可接受”的比例上，DVAS也明显优于经典方法，只有6.6%的分割层被评定为不可接受，而经典方法则为8.3%。这表明DVAS在生成高质量分割结果方面具有明显优势，其分割结果更接近临床医生的偏好，从而减少了后续手动调整的需要。

在整体评估中，DVAS生成的分割结果也表现优异。三位医生中有两位在大多数情况下将DVAS的分割结果排在首位或次优位置，而参考分割结果（即临床手动分割）则在某些情况下被评定为需要手动修正。这种结果不仅验证了DVAS方法的实用性，还说明了该方法在临床应用中的潜力。更重要的是，DVAS生成的两个分割结果在某些情况下表现出了显著的差异，特别是在前列腺的基底和顶端区域。这些区域的分割变异性较大，因此不同的分割结果可能更符合不同医生的偏好。这一发现进一步支持了DVAS方法在临床场景中的价值，因为它能够提供更丰富的分割选择，从而满足不同医生的需求。

研究还发现，医生们在选择分割结果时存在一定的偏好差异。例如，在评估分割结果时，两位医生可能更倾向于其中一个DVAS分割结果，而另一位医生则可能更喜欢另一个。这种差异通过Cohen’s kappa系数进行了量化，结果显示在某些情况下，医生们对DVAS生成的两个分割结果的偏好并不一致。这表明，DVAS方法生成的分割结果并非完全统一，而是能够反映不同医生的分割风格，从而为临床医生提供更多的参考。同时，这也意味着，DVAS方法在实际应用中可能需要进一步优化，以更好地适应不同医生的偏好，或通过引入更多分割变体来提升其灵活性。

从技术实现的角度来看，DVAS方法的训练过程采用了优化算法，旨在找到最佳的数据子集划分方式，以确保每个子集中的分割结果具有较高的质量和多样性。训练过程中，医生们对分割结果的评分和排名被用作评估标准，以衡量不同分割方法的性能。通过这种方式，DVAS方法不仅能够生成高质量的分割结果，还能确保这些结果在临床场景中具有实际应用价值。此外，研究还指出，DVAS方法的分割结果在某些特定区域（如前列腺的基底和顶端）与参考分割结果存在显著差异，这可能与这些区域的分割难度较高有关。

尽管DVAS方法在大多数情况下表现优异，但研究也指出了其存在的局限性。例如，在某些情况下，DVAS生成的分割结果在靠近前列腺顶部和底部的区域评分较低，这可能是由于训练数据中这些区域的分割信息不够充分，或者模型未能准确区分前列腺与周围结构（如精囊）。此外，经典深度学习方法在这些区域同样存在一定的不足，这表明目前的深度学习分割方法在处理前列腺边缘区域时仍面临挑战。因此，为了进一步提升DVAS方法的性能，未来的研究可以考虑引入更多的高质量分割数据，特别是针对前列腺边缘区域的详细标注，以提高模型在这些区域的分割精度。

从临床角度来看，DVAS方法的引入可以显著减少医生在分割过程中的手动工作量。传统的分割方法需要医生对每一层进行仔细标注，而DVAS方法则能够提供多个分割结果，供医生选择。这种半自动化的分割方式不仅提高了效率，还减少了因主观判断差异导致的分割误差。更重要的是，DVAS方法生成的分割结果在大多数情况下能够被医生直接采纳，无需进行大量手动修正。这不仅节省了时间，还降低了人为错误的风险，提高了治疗计划的质量和一致性。

然而，DVAS方法的临床应用仍面临一些挑战。例如，如何确保生成的分割结果能够准确反映不同医生的偏好，以及如何在实际操作中有效管理多个分割结果，是需要进一步研究的问题。此外，随着分割结果的多样性增加，医生在选择最佳分割结果时可能会面临更多的决策负担。因此，未来的研究可以探索如何优化分割结果的展示方式，使医生能够更高效地选择和评估不同的分割变体。

总的来说，DVAS方法为医学图像分割提供了一种新的思路，其通过生成多个分割结果，不仅能够提高分割质量，还能更好地反映临床医生的偏好。研究结果表明，DVAS方法在前列腺分割任务中具有显著优势，能够减少手动修正的需求，提高分割结果的实用性。然而，该方法在处理前列腺边缘区域时仍存在一定的局限性，未来的研究可以针对这些问题进行优化，以进一步提升其在临床中的应用价值。此外，随着医学影像分析技术的不断发展，DVAS方法的应用范围可能会进一步扩大，不仅限于前列腺分割，还可以推广到其他器官的分割任务中，从而为放射治疗计划制定提供更全面的支持。