基于集成学习与部分监督学习的精准鲁棒小鼠器官自动分割方法研究

本研究针对小鼠μCT图像多器官分割中手动标注耗时、易受观察者差异影响的问题，开发了基于2.5D集成学习和部分监督学习（PSL）的深度学习模型。通过对比2D、3D nnU-Net及条件nnU-Net（cnnU-Net）、动态需求U-Net（DoDNet）等框架，证实3D模型在外部数据集泛化性（DSC>0.8）和准确性上具有显著优势，同时提出的PSL框架可有效利用部分标注数据。该成果为临床前放疗工作流提供高效自动化工具，符合动物实验3R（替代、减少、优化）原则，有望通过重复μCT成像减少实验动物用量。

　　

在生物医学研究中，小鼠模型因其与人类的遗传相似性成为疾病机制研究和治疗开发的重要工具。然而，临床前放疗工作流中的关键环节——小鼠μCT图像多器官分割，仍严重依赖耗时的手动标注（单只小鼠需60分钟），且存在显著的观察者间差异。这种低效性不仅延长麻醉时间影响实验结果，更违背动物实验伦理倡导的3R（替代、减少、优化）原则。

为解决这一瓶颈，来自荷兰马斯特里赫特大学等机构的研究团队Lars H.B.A.Daenen等开发了基于深度学习的小鼠器官自动分割系统。研究首次将2.5D集成方法和部分监督学习（PSL）框架引入临床前影像分析，通过对比2D、3D nnU-Net及条件nnU-Net（cnnU-Net）、动态需求U-Net（DoDNet）等模型性能，发现3D nnU-Net在外部数据集上展现卓越泛化能力（Dice相似系数DSC>0.8），而提出的DoDNet框架能有效整合部分标注数据集。相关成果发表于《Scientific Reports》，为提升临床前研究效率提供了重要技术支撑。

研究采用三项关键技术：首先通过k均值聚类将不同设备的μCT值统一转换为伪质量密度，解决跨中心数据异质性；其次构建2.5D集成系统，融合冠状位、矢状位、轴位2D nnU-Net预测结果；最后开发PSL框架（含cnnU-Net和DoDNet），利用5个部分标注数据集（含12个器官标签）训练统一模型。所有实验均在五折交叉验证下进行，评估指标包括DSC和95%豪斯多夫距离（HD95）。

Ensemble methods
研究显示2D模型在训练集（Dataset 1&3）上表现优异（中位DSC>0.9），但对外部胸段裁剪数据集（Dataset 4&5）泛化性差，尤其心脏分割在对比增强数据中完全失效（DSC<0.8）。软投票集成法虽能提升稳定性，但3D模型展现出绝对优势：在心脏对比增强情况下仍保持DSC>0.8，且推理时间与单2D模型相当（GPU约1.6秒）。

Partially-supervised learning
PSL框架在交叉验证中达到与单器官网络相当的精度，但测试集表现分化：DoDNet能有效分割胸腹部器官（除脊髓和眼睛外），而cnnU-Net仅大脑分割成功。值得注意的是，DoDNet出现心脏-大脑-膀胱的预测混淆，需通过基于解剖位置的自动后处理修正。

图像质量影响
研究发现CT投影数显著影响分割精度：360投影（48 mAs）因条带伪影导致性能下降，而720投影（96 mAs）以上可保证所有器官DSC达标。

该研究确立了3D nnU-Net在小鼠器官分割中的优越性，其空间上下文学习能力使其在跨设备、跨解剖区域数据中保持稳定性能。提出的DoDNet框架为整合异构标注数据提供了可行方案，虽需进一步优化器官特异性识别能力。技术层面，将μCT值转换为伪质量密度的方法显著提升了模型鲁棒性。这项工作的临床意义在于：①将分割时间从小时级缩短至秒级，减少麻醉副作用；②通过高精度时序μCT监测实现"动物自身对照"，有望减少30%实验动物用量；③为放射组学分析提供标准化工具。未来研究可探索视觉Transformer（ViT）在PSL中的应用，并扩充眼部等低对比度器官的训练数据多样性。