基于多模态盆腔MRI的深度学习子宫内膜异位症盆腔器官自动分割数据集研究

本研究针对子宫内膜异位症诊断难题，开发了首个公开的多中心盆腔MRI数据集（含132例患者T1/T2加权序列），提出RAovSeg自动分割管道（结合ResNet18分类器与Attention U-Net），卵巢分割DSC达0.290，优于nnU-Net基准模型（0.272），为解决盆腔器官分割的观察者间差异（卵巢Krippendorff's α仅0.46）提供新工具。

　　

在全球约1.9亿育龄女性深受子宫内膜异位症困扰的背景下，磁共振成像（MRI）虽被推荐为非侵入诊断金标准（敏感性>90%），但卵巢等微小结构的精准分割仍面临巨大挑战——不同医师对同一卵巢轮廓的标注一致性（Krippendorff's α）低至0.46，远低于子宫的0.73。这种主观差异严重制约了子宫内膜囊肿（endometrioma）检测和手术规划的可重复性。

为解决这一瓶颈问题，美国德克萨斯大学休斯顿健康科学中心麦威廉姆斯生物医学信息学院（McWilliams School of Biomedical Informatics, University of Texas Health Science Center at Houston）的研究团队联合贝勒医学院妇产科，构建了首个多机构子宫内膜异位症盆腔MRI数据集（UT-EndoMRI），包含来自15个医疗中心的51例多标注者数据和81例单中心标准化数据，相关成果发表于《Scientific Data》。研究创新性地开发了RAovSeg管道：通过ResNet18分类器（ResClass）筛选含卵巢的MRI切片，再经定制化Attention U-Net（AttUSeg）实现2D分割，最终Dice相似系数（DSC）达0.290，较传统nnU-Net提升6.6%。该数据集首次公开了多厂商（GE/Philips/Siemens）、多场强（1.5T/3T）设备采集的T1/T2加权序列，并包含子宫内膜囊肿标注（40例），为深度学习模型泛化性验证奠定基础。

关键技术方法包括：1）多中心数据采集（Memorial Hermann Hospital System与Texas Children's Hospital的132例患者）；2）3D Slicer软件下多标注者手动轮廓勾画；3）基于强度阈值（卵巢信号范围0.22-0.3）的MRI预处理；4）ResClass与AttUSeg的级联训练（采用Focal Tversky Loss优化小目标分割）；5）形态学后处理（闭运算与连通域分析）降低假阳性。

【Interrater agreement analysis】
通过三标注者对比发现，卵巢体积（12.2±6.5 cc）远小于子宫（220.3±120.2 cc），导致其分割一致性显著更低（平均DSC 0.48 vs 0.73）。Gwet's AC₂指标显示，卵巢标注者间中位一致性仅0.72，揭示临床实践中主观判断的局限性。

【Auto-segmentation method】
RAovSeg的消融实验证明：移除ResClass组件会使DSC暴跌至0.013，凸显切片预筛选的关键作用。如图3所示，该管道通过两阶段架构显著提升小器官定位精度，在变形卵巢（如术后病例）中表现尤为突出。对比图5中Subject C的预测结果，nnU-Net完全漏诊不规则卵巢，而RAovSeg仍能捕捉部分结构。

【Technical Validation】
后处理步骤使假阳性减少48%（图4），但相邻切片干扰导致卵巢周边仍存在误判。值得注意的是，尽管采用相同预处理，nnU-Net性能不升反降（DSC从0.272降至0.200），说明传统框架对强度调整的适应性不足。

这项研究的意义在于：1）填补了子宫内膜异位症MRI公共数据集的空白；2）证实多中心异构数据可训练鲁棒分割模型；3）揭示卵巢自动分割的临床价值——不仅辅助子宫内膜囊肿（17-44%患者伴发）检测，更能预测卵巢切除后的并发症风险。未来工作需扩大样本量以覆盖更复杂的盆腔解剖变异，并将RAovSeg整合至端到端诊断流程。数据集已开源（Zenodo DOI:10.5281/zenodo.15750762），代码详见GitHub（RAovSeg），推动盆腔医学图像分析标准化进程。