儿科动态MRI中胸腹部器官的自动分割

《MEDICAL PHYSICS》：Auto-segmentation of thoraco-abdominal organs in pediatric dynamic MRI

动态MRI（dMRI）多器官自动分割方法及实验研究。提出两步分割架构：DL-R（识别）和DL-D（ delineation），结合PAN和DAN模块优化特征提取与器官边界标记，针对189名儿童（含TIS患者）的dMRI sagittal切片，实现肺、肝、脾、肾及皮肤外界的分割。实验表明，DL-R平均定位误差（LE）1-1.5 mm，DL-DDice系数达0.82-0.94，较U-Net和Mask R-CNN性能更优。创新性在于：1）分离式训练识别与边界标记模块；2）多呼吸相位协同训练策略；3）动态强度标准化处理技术挑战。

　　动态磁共振成像（dMRI）是一种在儿童及患有胸廓功能障碍（TIS）等疾病的患者中，用于捕捉胸腹区域组织及其动态变化信息的实用成像技术。本文提出了一种自动分割系统，用于在dMRI图像中对肺、肾脏、肝脏、脾脏以及胸腹皮肤外边界（Skn）进行分割。这一方法旨在提高对这些器官的识别与分割精度，从而为医学影像分析，尤其是与胸廓和腹腔动态相关的疾病研究提供支持。dMRI图像通常具有低分辨率、运动模糊、对比度差以及图像强度分布不一致等特点，这使得多器官分割变得尤为困难。因此，开发一种高效且鲁棒的自动分割方法对于相关医学研究具有重要意义。

为了应对这些挑战，本文采用了一种基于深度学习（DL）的两阶段分割框架。第一阶段是识别阶段，通过使用预训练模型，对感兴趣的目标进行粗略定位，输出边界框（BB）。第二阶段是细化阶段，利用特定的神经网络结构，对目标的轮廓进行精确划分。在识别阶段，采用了结合注意力机制的路径聚合网络（PAN）和双注意力网络（DAN）的架构，以提升识别的准确性。而在细化阶段，采用了基于ABCNet的改进型编码器-解码器网络，该网络结构经过优化，能够有效提取多尺度的特征信息，从而在复杂的dMRI图像中实现更精确的器官轮廓分割。

本文的研究数据来源于189名年龄在6至20岁之间的健康儿童，这些数据通过前瞻性的研究协议获得，并经过严格的筛选，排除了因身体运动或图像伪影而影响质量的样本。这些数据被划分为训练集、验证集和测试集，其中训练集包含89名儿童的图像，验证集为10名儿童的图像，而测试集则包括剩余的90名儿童。在实验设计中，作者特别考虑了不同呼吸相位（如吸气末（EI）和呼气末（EE））的图像，并探索了不同情况下如何利用已有的分割结果（GT）来辅助分割同一患者的其他呼吸相位图像。这种设计思路不仅提高了分割的效率，也减少了人工标注的负担，为后续的动态分析提供了坚实的基础。

在实验结果中，DL-R（识别网络）在肺、肾脏和脾脏的平均位置误差（LE）大约为1个体素，而在肝脏和皮肤外边界（Skn）的误差略高，约为1.5个体素。标准差（SD）则在1至2个体素之间波动。这表明，尽管存在一定的误差，但该方法在不同器官的识别上表现较为稳定。在DL-D（细化网络）方面，对于肺、肝脏和皮肤外边界，平均Dice系数（DC）达到了0.92至0.94之间，而对于肾脏和脾脏则略低，分别为0.82和0.81。然而，SD值在这些器官中较为一致，表明模型在不同样本间的分割结果具有较好的一致性。

为了进一步验证模型的性能，作者设计了多种实验场景，分别利用不同呼吸相位和不同受试者的数据进行测试。其中，Exp. 0使用了单一呼吸相位的图像，并结合数据增强策略。结果显示，使用数据增强后，分割效果有所提升，但某些器官的性能依然有限。Exp. 1至Exp. 3则分别测试了训练与测试数据集在不同呼吸相位和不同受试者之间的关系。在这些实验中，Exp. 3表现出最佳的性能，这与训练数据集中包含更多呼吸相位的信息有关。Exp. 4至Exp. 6则测试了在多个呼吸相位下的分割效果，进一步验证了模型在动态变化下的鲁棒性。尽管这些实验在某些器官的分割结果略逊于Exp. 3，但整体上仍然显示出良好的一致性。

在实际应用中，该自动分割系统能够有效应对dMRI图像中常见的挑战，如低分辨率、运动模糊和对比度不足。特别是在儿童群体中，由于呼吸频率较快，图像质量相对较低，因此对分割方法提出了更高的要求。本文提出的系统不仅能够在这些复杂条件下实现较好的分割效果，还能通过利用已有的GT分割信息，自动扩展至其他呼吸相位，从而提高效率并减少后续的人工校正工作。此外，作者还比较了该方法与其他现有分割技术的性能，例如Mask R-CNN和U-Net。结果显示，ABCNet在分割性能上具有显著优势，尤其是在肝脏、肾脏和脾脏等结构复杂的器官上，其Dice系数和平均Hausdorff距离（mean-HD）均优于其他方法。

本文的另一个重要贡献是，通过设计多种实验场景，系统地评估了不同训练和测试条件下模型的性能。这种评估方式不仅有助于理解模型在不同情况下的适用性，也为未来在更广泛的数据集和临床场景中的应用提供了参考。此外，作者还提出了利用自然智能与人工智能相结合的思路，以进一步提升分割的准确性和泛化能力。这种方法可以有效应对不同临床中心的数据差异，提高模型的适用性。

总体而言，本文提出的自动分割系统在处理dMRI图像中胸腹区域的多器官分割方面表现出色，为医学影像分析提供了有力的支持。该方法不仅能够提高分割效率，还能在复杂图像条件下保持较高的精度。未来的研究可以进一步扩展该系统，应用于更多类型的医学影像，并探索如何在不同呼吸相位和不同受试者之间更有效地利用已有信息，以提升分割的整体性能。此外，结合更多的数据增强策略和更复杂的网络架构，也可能进一步优化模型的鲁棒性和泛化能力。