深度学习优化盆腔CT器官分割：损失函数效应与SegResNet模型突破性表现

为解决放疗规划中器官风险区(OARs)手工勾画效率低、变异大的难题，研究人员利用MONAI框架对比了U-Net、ResU-Net等四种卷积神经网络(CNN)模型在盆腔CT图像自动分割中的应用。研究发现SegResNet模型表现最优，膀胱分割DSC达0.951，DiceCE损失函数使前列腺分割DSC提升至0.845（p=0.0138），为精准放疗提供了可靠AI解决方案。

　　

精准放射治疗的核心挑战在于器官风险区(OARs)的精确勾画。传统手工分割不仅耗时费力，还受制于操作者间差异。这项突破性研究将卷积神经网络(CNN)技术引入盆腔CT图像分析，重点攻克膀胱、前列腺、直肠和股骨头(FHs)的自动分割难题。

研究团队依托医学人工智能开放平台(MONAI)，系统评估了U-Net、带残差连接的ResU-Net、具有跳跃连接优势的SegResNet以及引入注意力机制的Attention U-Net四大模型。通过对240例前列腺病例和220例其他器官病例的大规模测试，采用Dice相似系数(DSC)、Jaccard指数(JI)和95%豪斯多夫距离(95^thHD)等专业指标进行量化评估。

令人振奋的是，SegResNet展现出全面优势：膀胱分割DSC高达0.951，左右股骨头分别达到0.979和0.985（p<0.05 vs传统U-Net）。Attention U-Net则在膀胱和直肠分割中表现亮眼。在损失函数筛选中，Dice损失展现稳定优势，而DiceCE混合损失使前列腺分割DSC提升至0.845（p=0.0138），验证了算法优化的临床价值。

这项研究为医学影像分析树立了新标杆，证明深度学习方法不仅能匹配专家级分割精度，更能大幅提升放疗规划效率。特别是SegResNet与优化损失函数的组合策略，为个性化癌症治疗提供了可靠的技术支撑。