深度学习驱动的序列自适应肝脏多参数MRI定量分析：T1/T2弛豫时间自动测量的创新方法

本研究针对慢性肝病(CLD)诊断中多参数磁共振成像(mpMRI)手动量化耗时且序列特异性训练需求高的难题，开发了一种基于深度学习(DL)的两步法自动分析工具。通过nnU-Net分割肝脏实质后，采用物理坐标空间配准技术实现T1/T2弛豫时间图的序列自适应量化，在原发性硬化性胆管炎和肝纤维化患者中验证显示与手动测量高度一致（ICC>0.9）。该技术首次实现无需重新训练即可分析任意mpMRI序列，为临床肝表型分析提供了高效标准化解决方案。

　　

肝脏疾病的精准诊断一直面临重大挑战，传统活检具有侵入性风险，而多参数磁共振成像(mpMRI)虽能无创评估肝纤维化、炎症等病理改变，却存在量化过程繁琐的瓶颈。临床医生需要手动测量不同序列（如T1/T2弛豫时间图）在多个肝段的参数值，不仅耗时长达12分钟/病例，更因序列间差异导致结果可比性受限。这种低效性严重阻碍了mpMRI在肝病动态监测和个性化治疗中的应用推广。

瑞士伯尔尼大学医院联合ARTORG生物医学工程研究中心的研究团队在《European Radiology Experimental》发表创新成果，开发出全球首个序列自适应的深度学习分析系统。该系统通过"分割-配准"两步策略，首次实现无需重复训练即可自动量化任意mpMRI序列的肝段参数，在原发性硬化性胆管炎和肝纤维化患者队列中验证显示，自动测量与人工结果差异仅1.8-2.0ms（中位数），为建立标准化肝定量分析平台奠定基础。

研究采用三项关键技术：1）基于200例肝脏MRI训练nnU-Net模型实现Couinaud肝段分割；2）通过物理坐标空间配准将分割结果映射至T1/T2弛豫时间图；3）设计质量控制系统（包括ROI侵蚀、高熵检测等）确保测量可靠性。研究对象涵盖三个队列：训练集（n=200）、优化/内部测试集（n=120含原发性硬化性胆管炎患者）和外部测试集（n=90含活检确诊肝纤维化患者）。

【Automated quantification performance】
算法在内部测试集表现出色，非对比T1图各肝段ICC达0.93±0.07，对比增强T1图更达0.99±0.00。典型病例中，算法测量肝段IVb的T1值为835ms与人工842ms高度吻合，且处理时间从人工12分钟/3序列缩短至2分钟。

【Disagreement analysis】
在2358个可测量肝段中，82.9%实现完全一致。差异主要源于算法更严格的质控标准：12.7%的肝段因呼吸运动伪影或ROI过小被算法排除，而人工仍进行测量。这种保守策略反而提高了结果的可靠性。

【Clinical applicability】
该技术突破传统DL模型需针对每种序列重新训练的局限，首次实现"一次分割，多序列通用"。在肝纤维化评估中，非对比T1值835ms与文献报道的纤维化患者数据（781±90ms）高度吻合，证实其临床适用性。

这项研究标志着肝病影像分析进入智能化新阶段。其创新性体现在三方面：首先，序列自适应设计打破技术壁垒，使PDFF、IVIM等新兴序列可快速整合至分析流程；其次，标准化量化将医师从繁琐操作中解放，有利于多中心研究数据比对；更重要的是，全面肝段参数图谱为肝病异质性研究提供新视角。未来推广需验证其在1.5T设备及合并肝脏占位病例的表现，但其现有成果已为构建"数字肝"生物标志物系统迈出关键一步。正如作者Lukas Zbinden指出，该算法框架可扩展至其他器官的mpMRI分析，为精准医疗时代的定量影像学树立新范式。