使用常规T2扫描在各向同性和各向异性MRI中对盆腔软组织进行深度学习分割

《Journal of Computer Assisted Tomography》：Deep Learning Segmentation of Pelvic Soft Tissue in Isotropic and Anisotropic MRI Using Routine T2 Scans

本研究比较了基于各向异性MRI重建和等向性MRI重建的深度学习模型在骨盆解剖结构（包括梨状肌、闭孔神经等）的分割性能，发现等向性模型在闭孔神经分割的Dice系数（0.76 vs 0.71）和图像平滑度上表现更优，建议临床优先采用等向性重建以提高术前规划和手术导航的精度。

　　

摘要 通俗语言总结

---

目的：

利用深度学习网络对3D骨盆地形进行自动分割，有潜力提高术前规划和手术导航的准确性。然而，临床实践中常用的各向异性MRI扫描由于其在不同解剖平面上的分辨率不均匀而存在重大限制。我们比较了在各个向异性MRI重建数据上训练的模型与在各向同性MRI重建数据上训练的模型在分割骨盆肌肉和神经组织方面的性能。

方法：

共纳入35名直肠癌患者，每位患者均配备了轴向、矢状和冠状T2加权MRI扫描图像。从各向异性扫描数据中重建出各向同性体积数据。训练了两个nnU-Net模型：一个在各个向异性数据上训练，另一个在各向同性重建数据上训练。这两个模型均被用于评估其对骶神经、闭孔神经和梨状肌的分割能力。通过计算Dice相似系数（DSC）、交并比（IoU）、精确度和召回率来评估模型性能。

结果：

在各向同性图像上训练的模型在分割性能上表现更好，尤其是在闭孔神经的分割方面（DSC：0.76对比0.71）。两个模型在梨状肌的分割上均获得了较高的DSC分数（>0.95），并且在骶神经的分割上也表现良好（>0.86）。定性评估显示，各向同性模型生成的解剖结构更加平滑自然，而各向异性模型则显示出粗糙、不连续的表面。

结论：

各向同性MRI重建数据产生了略佳的分割结果，并提供了更精确的3D模型。这表明在临床工作中应优先使用各向同性重建技术，以提高骨盆MRI图像的分割准确性和效率，从而实现准确的术前规划和手术导航。

导出