基于深度学习分割的磁共振电影成像中小肠运动评分影响因素分析

《European Radiology》：Effects of patient and imaging factors on small bowel motility scores derived from deep learning-based segmentation of cine MRI

来自某研究团队的研究人员针对小肠运动量化中患者因素与影像学因素的干扰问题，通过深度学习算法分割磁共振电影成像(cine MRI)中的小肠区域，结合光流算法计算运动评分。研究发现：运动评分仅与MRI切片相关因素（解剖位置、肠管面积及前后位位置）显著相关（β=?4.9~28.8，p<0.05），而患者因素无影响。该研究为临床精准解读小肠运动功能提供了关键校正依据。

　　

小肠蠕动功能的量化一直是临床评估的难点。这项研究巧妙利用磁共振电影成像(cine MRI)技术，结合深度学习驱动的自动分割算法（平均体积Dice系数75.4±18.9%）和光流法运动分析，对54例慢性便秘或疑似结肠假性梗阻患者展开研究。

令人惊讶的是，患者年龄、性别甚至症状程度都未能撼动运动评分的稳定性，反倒是影像切片本身的特性成为关键变量：当回肠与空肠混合区域出现时，评分显著降低4.9分（p=0.01）；肠管面积呈现有趣的U型关联（一阶β=?0.2，二阶β=5.7×10^?4
，均p<0.001）；而解剖位置前后偏移更会引发评分剧烈波动（β=?51.5~28.8）。这些发现犹如给临床医生配备了"运动评分校正仪"，提示未来评估全域小肠 motility 时必须考虑这些"影像指纹"的干扰。

研究团队特别指出，26.5秒的人工修正耗时和3.1-26.6的评分离散度，暗示着这项技术已具备临床转化潜力。或许不久的将来，放射科医生只需轻点鼠标，就能获得经算法"去噪"的真实小肠运动图谱。