基于图像反转预处理的CT模型适配策略实现MRI高效标注

本研究针对MRI新类别标注耗时问题，创新性提出利用CT分割模型通过图像反转预处理实现MRI预分割。研究表明，T1加权序列经强度反转后，TotalSegmentator模型对24个腹部结构的平均DSC从0.04提升至0.56(p<0.001)，肾肿瘤模型DSC从0.04提升至0.42。该方法显著减少人工标注需求，为MRI分析工具开发提供高效解决方案。

　　

在医学影像分析领域，精准的图像分割是构建自动化诊断工具的基础。虽然计算机断层扫描（CT）的分割技术已相当成熟，出现了能够同时分割117个解剖结构的TotalSegmentator等先进工具，但磁共振成像（MRI）的分割，特别是多器官分割和病理病变分割，仍然面临重大挑战。当前最大的MRI分割模型仅能处理80个结构，而对于腹部病变（如肾肿瘤）的分割研究更是相对匮乏。这种技术差距在临床实践中造成明显不便——尽管CT是肾脏疾病诊断的首选 modality（检查方式），但MRI同样被临床指南推荐使用，且应用广泛。

研究人员意识到，从头开始标注MRI图像既耗时又费力。而另一方面，许多在MRI中缺乏标注的目标类别，在CT模型中却已有良好支持。这就引出了一个关键问题：能否将成熟的CT分割模型直接迁移到MRI领域？然而，这两种成像模式存在本质差异——在CT中呈现高密度的组织（如骨骼），在MRI中却表现为低信号。这种对比度的根本差异成为模型迁移的主要障碍。

为了解决这一挑战，来自德国柏林夏里特医学院的研究团队开展了一项创新性研究，提出了一种基于图像反转的预处理方法，成功实现了CT模型对MRI图像的适配。他们的研究成果发表在《European Radiology Experimental》上，为跨模态医学图像分析提供了新的思路。

研究团队采用了几项关键技术方法：首先收集了包含1,012例CT扫描和100例患者配对的T1加权（T1w）与T2加权脂肪饱和（T2wfs）MRI序列的数据集；开发了特定的图像反转预处理算法，将MRI强度值进行反转并将背景设置为零；利用两个CT训练模型（TotalSegmentator-fast和多类别肾肿瘤模型）在原始和反转后的MRI图像上进行推理测试；最后使用Dice相似系数（DSC）定量评估分割质量，并通过统计检验分析预处理策略的有效性。

结果

CT模型在未处理MRI序列中的表现

研究结果显示，未经预处理时，TotalSegmentator在T1w序列中几乎无法检测到任何类别（除结肠外DSC为0.38）。在T2wfs序列中，该模型能够分割8个大型腹部器官，DSC值超过0.40（右肾0.60；脾脏0.55；小肠0.55），但在分割血管（主动脉0.17）和肌肉（右髂腰肌0.19）方面表现较差。

图像反转对分割质量的改善

对比反转预处理显著提高了T1w图像所有类别的分割质量（图1）。20个类别的DSC介于0.40（右肾上腺）到0.77（右肾）之间。尽管仍有改善空间，但分割效果最差的出现在左右肺（DSC 0.15、0.16）、胆囊（DSC 0.23）和椎骨（DSC 0.26）。所有类别的平均DSC从0.04增加到0.53。

对于T2加权图像，数据增强导致所有类别的分割质量下降，仅主动脉例外（DSC从0.17提高到0.30）。在所有情况下，未设置背景为零的普通反转效果均不如设置背景为零的反转方法。

肾肿瘤模型的特异性表现

针对肾肿瘤模型，研究人员重点评估了三个特定类别：肿瘤、邻近正常肾脏（AN）和对侧正常肾脏（CN）。在未处理的T1w MRI中，模型无法正确分割任何这三个类别（DSC≤0.03）。在未处理的T2wfs序列中，模型能够大致分割肾脏（AN的DSC为0.57，CN的DSC为0.63），但肿瘤分割仍不成功（DSC：0.12）。添加反转步骤并将背景设置为零后，T1w分割准确性显著提高（AN的DSC：0.71；CN的DSC：0.76；肿瘤的DSC：0.42），但阻碍了T2wfs序列中的分割（所有类别的DSC≤0.10）。

肿瘤体积与分割性能的相关性

在特定的反转对比T1w图像中，75例扫描中肿瘤被正确定位，19例定位错误，6例未检测到。这些组中肿瘤的中位体积分别为35 cm³、23 cm³和6 cm³。体积低于中位值29 cm³的肿瘤分割DSC为0.22，而高于中位值的肿瘤分割DSC为0.62。Spearman等级相关显示肿瘤体积与DSC之间存在显著相关性（p<0.001）。

讨论与结论

本研究证实，将现有的CT分割模型与图像反转预处理相结合，能够为MRI图像创建高质量的预分割结果，DSC最高可达0.77。这种方法既适用于通用的多类别模型，也适用于专门的肾肿瘤模型，为MRI标注工作提供了显著效率提升。

是否包含反转步骤取决于MRI序列类型。两个CT模型都能够在无需任何预处理的情况下，在T2wfs序列中大致分割腹部器官。相反，对于T1w序列，反转步骤显著提高了分割质量。这种差异很可能源于T2wfs图像中水信号强度较高，大多数器官比周围组织更亮。

肾肿瘤分割在T2wfs序列中失败，但在T1w序列中结合反转步骤时取得成功。与许多具有清晰边界腹部器官不同，肾病变可能与肾脏具有相似的信号强度。尽管如此，研究仍在许多情况下成功分割了肿瘤。分割质量与肿瘤体积高度相关，较大肿瘤的定位和分割效果更好。

该方法特别适用于肌肉骨骼结构的分割，在T1w序列中实现了自主肌、髂腰肌和脊柱分割的改进。虽然未明确测试其他骨骼，但它们在CT中的高密度和在许多MRI序列中的低信号表明该方法可能推广到其他肌肉骨骼结构。

与先前研究的机器学习-based图像转换方法相比，本研究提出的方法不依赖于创建合成CT图像，避免了人工结构幻化的风险，且更易于实施和推广。这种方法特别适合作为主动学习框架（如MONAI Label）的第一步，快速应用于大型数据集，让标注者能够评估质量并优先处理最佳分割结果。

研究的局限性包括使用自动分割创建参考标准可能影响DSC的准确性，专注于原发性肾肿瘤而忽略继发性肿瘤或转移瘤，以及基于单中心回顾性数据集的评估。未来需要通过多中心外部验证进一步评估和完善该方法的适用性。

总之，这项研究强调了将可用CT模型（包括病理病变模型）迁移到MRI领域的可行性，为需要大规模像素级标注的项目提供了有效的效率提升方案。尽管更复杂的模态转移方法可能增加普适性，但实施这些复杂模型具有挑战性，对于小规模项目可能不成比例。对于某些序列，仅CT模型和图像反转就足以达到令人满意的结果。