基于MRI排粪造影利用nnU-Net算法进行阴道道分割用于生物力学分析

《International Urogynecology Journal》：Vaginal Canal Segmentation with nnU-Net Algorithm from MRI Defecography for Biomechanical Analysis

　　

摘要

介绍与假设

阴道道的精确三维分割对于个体化盆底建模、生物力学分析以及个性化阴道内器械的开发至关重要。然而，磁共振排便造影（MRD）图像的人工分割耗时较长且易受观察者间差异的影响。本研究旨在开发并评估一种基于nnU-Net框架的自动化深度学习流程，用于从MRD图像中分割阴道道。

方法

在这项回顾性研究中，纳入了47例因盆底功能障碍症状接受MRD检查的女性。使用3D Slicer软件对三维T2加权MRD体积图像进行阴道道的人工标注，以生成真值二值掩膜。采用五折交叉验证训练和评估一个三维全分辨率nnU-Net模型。使用Dice相似系数（DSC）和交并比（IoU）评估分割精度。对预测掩膜进一步使用孔洞填充、行立方体表面重建和Taubin平滑进行处理，生成三维网格并提取阴道体积和表面积。

结果

nnU-Net模型实现了较高的分割精度，平均DSC为0.9714，平均IoU为0.9675。对完整三维MRD体积的自动分割所需时间不到1秒，而人工分割大约需要30–45分钟。平均阴道体积为38.74 ± 13.98 cm³，平均阴道表面积为82.31 ± 19.31 cm²。

结论

nnU-Net框架能够实现从MRD图像中快速、准确且可重复地分割凝胶扩张的阴道腔。该自动化流程可促进可见阴道腔的标准化三维测量，并为个体化生物力学建模提供几何信息。