基于深度学习18F-FDG PET影像的肝脏精准分割技术研究

为解决传统肝脏分割依赖CT/MRI导致的配准误差问题，来自未知机构的研究团队创新性地开发了基于nnUNet框架的3D U-Net模型，首次实现仅用18F-FDG PET影像即可完成肝脏分割。该模型在20例测试数据中取得平均IoU 0.89、Dice系数0.94的优异表现，为无创评估肝脏SUVmean/SUVmax及SNR提供了新范式。

　　

这项突破性研究开创了单模态分子影像分割的新范式。传统基于CT或MRI的深度学习分割方法常受图像配准误差困扰，而研究者另辟蹊径，利用120例¹⁸F-FDG PET影像构建数据库，通过nnUNet框架的3D U-Net模型实现肝脏的"一键式"精准勾勒。在100例训练集5折交叉验证中，模型展现出惊人的学习能力，最终在独立测试集上交出了Dice系数0.94的亮眼成绩单——这相当于将肝脏轮廓的识别误差控制在毫米级。更令人振奋的是，分割后的PET影像完美保留了SUVmean（标准摄取值均值）、SUVmax（标准摄取值峰值）等关键参数，信噪比(SNR)也未出现显著波动。这意味着临床医生从此可以抛开繁琐的多模态检查，仅凭PET扫描就能同步获取肝脏解剖结构和代谢活性的双重信息，为肝癌诊疗、转移灶评估开辟了高效新路径。