T1加权Dixon序列MRI中胰腺自动分割模型的性能比较：PanSegNet在体积测量与胰内脂肪评估中的优势

【编辑推荐】本研究系统评估了三种公开深度学习模型（TotalSegmentator、TotalVibeSegmentator、PanSegNet）在T1加权Dixon MRI中的胰腺分割性能。结果显示，融合Transformer机制的PanSegNet在Dice相似系数（DSC=0.883±0.095）、体积一致性（CCC=0.958）和胰内脂肪分数（IPFF）评估（CCC=0.993）上均优于其他模型，其精度与人工标注无统计学差异（p=0.24），为大规模胰腺形态与脂肪定量研究提供了可靠工具。

　　

引言
胰腺影像学研究近年取得显著进展，特别是胰腺自动分割技术在疾病检测和定量分析中的应用日益广泛。T1加权Dixon磁共振成像(MRI)因其能同步评估形态学和脂肪含量而成为研究热点，但传统手动分割方法耗时且难以应对大规模数据分析需求。本研究聚焦三种公开人工智能模型——基于nnU-Net框架的TotalSegmentator MRI（59结构分割）、TotalVibeSegmentator（71结构分割）以及结合nnU-Net与Transformer的PanSegNet，系统评估其在Dixon序列（同相位、反相位、水相、脂相）中的胰腺分割性能及胰内脂肪分数(intrapancreatic fat fraction, IPFF)测量准确性。

材料与方法
研究纳入20例上腹部T1加权Dixon MRI数据（2013-2023年），覆盖1.5T/3.0T GE/Siemens四种扫描设备，年龄跨度为20-80岁。三位放射科医师（8年/3年/2年经验）使用3D Slicer在水相图像上独立标注胰腺，通过体素级多数表决生成金标准掩膜。IPFF计算采用侵蚀后掩膜内脂相信号强度与（水相+脂相）信号强度比值。评估指标包括DSC、95%豪斯多夫距离(HD95)、平均对称表面距离(ASSD)、阳性预测值(PPV)、灵敏度及Bland-Altman分析，体积与IPFF一致性采用一致性相关系数(concordance correlation coefficient, CCC)量化。

结果
PanSegNet在水相图像表现最优：DSC达0.883±0.095，与人工标注均值（0.896±0.068）无显著差异（p=0.24），显著优于TotalVibeSegmentator（0.731±0.105）和TotalSegmentator（0.707±0.142）（p<0.001）。体积测量中，PanSegNet虽轻微高估5,240 mm³
，但CCC达0.958；IPFF评估偏差仅+0.006，CCC高达0.993。TotalVibeSegmentator因掩膜过大导致IPFF高估0.071，而TotalSegmentator体积低估11,700 mm³
。

讨论
PanSegNet的优异表现归因于其混合架构：nnU-Net提供精准的局部特征提取，Transformer自注意力机制则有效捕捉胰腺长程空间关系。值得注意的是，尽管Dixon两分法存在场不均匀性等局限，PanSegNet的IPFF测量结果与既往磁共振波谱研究高度吻合。模型在非增强水相图像的适应性提示，胰腺与周围脂肪的高对比度可能补偿了训练数据（主要基于增强T1加权图像）的差异。

局限与展望
研究样本量受限于人工标注成本，且人群集中于肝病疑似患者。未来需在胰腺癌、胰腺炎等病理状态下验证模型性能。局部形态改变（如癌旁"K形"萎缩）的检测能力、多中心异构数据的泛化性仍是待解问题。

结论
PanSegNet在Dixon MRI中展现出临床级胰腺分割精度，其自动化体积与IPFF测量功能为探索胰内脂肪沉积与胰腺疾病（如癌症、糖尿病）的关联提供了高效工具，特别适用于UK Biobank等大规模队列研究。