编辑推荐：
当前基于全胰腺分割的方法无法提供区域特异性生物标志物，影响疾病严重程度预测。研究人员开展胰腺亚区域（头、体、尾）CT 分割研究，运用 3D nnUNet 模型，结果显示分割精度高。该研究有助于获取各亚区域成像生物标志物，助力疾病诊断。
基于计算机断层扫描（CT）的成像生物标志物可从胰腺中获取，用于检测胰腺疾病。然而，目前使用全胰腺分割的方法无法提供区域特异性生物标志物，而这对预测许多疾病（如胰腺腺癌）的严重程度至关重要。本研究旨在开发一种自动化的三维（3D）工具，用于在 CT 容积图像上检测和分割胰腺亚区域（头部、体部和尾部）。
这项回顾性研究使用了来自公开可用的 TotalSegmentator（TS）数据集的 549 个 CT 容积图像子集。数据集被随机分为训练集（n = 440）和测试集（n = 109）。此外，还使用了来自 TCIA NIH 胰腺 - CT 数据集的 30 个 CT 容积图像进行外部验证。使用自定义损失函数训练了一个 3D 全分辨率 nnUNet 模型，以检测对应于胰腺头部、体部和尾部的地标。基于检测到的地标，通过后处理算法生成亚区域分割。
研究人员使用 Dice 相似系数（DSC）和归一化表面距离（NSD），将预测的分割结果与真实掩模进行评估。胰腺头部、体部和尾部的 DSC（%）和 NSD（%）的平均值 ± 标准差分别为 90.8±4.1 和 94.5±4.6、83.3±7.6 和 87.2±7.4、85.1±9.8 和 89.7±8.8。在外部数据集上，胰腺头部、体部和尾部的 DSC 和 NSD 的平均值 ± 标准差分别为 83.4±2.6 和 89.7±4.1、79.4±5.9 和 88.5±6.0、81.2±5.5 和 91.4±5.3。
该模型能够准确分割胰腺的三个亚区域，使得可以从每个亚区域以及整个胰腺中获取成像生物标志物。
