基于深度学习的全自动上颈髓C1–C3椎体水平识别流水线及其质量控制模块的开发与多中心验证

《npj Digital Medicine》：A deep learning framework for automated cervical spinal cord vertebral labeling and morphometric extraction from brain MRI with large-scale multicenter validation

　　本研究的目的是开发并验证一种全自动流水线，用于T1加权脑MRI中上颈髓（脊髓）椎体水平（C1–C3）的识别，并包含一个用于评估生成掩膜的质量控制模块。研究共使用998例对照和879例遗传性共济失调患者（来自32个中心，年龄5–85岁，男性占46%）的MRI数据，训练深度学习模型（nnU-Net、带深度监督的U-Net、SwinUNETR）以实现C1–C3水平的自动椎体标注。此外，基于VGG、ResNet和EfficientNet架构训练的二级模型用于识别椎体标注错误。该流水线还生成图像质量指标，包括信噪比、对比噪声比、联合变异系数和熵聚焦准则。研究使用来自四个公开数据集的2737例MRI进行了外部验证，并在51例多发性硬化患者的纵向队列中展示了临床实用性。其中nnU-Net表现最佳（Dice系数：C1=0.85，C2=0.89，C3=0.89），成功标注了脊髓工具箱中95.8%的误标病例。基于VGG的分类器准确率达到97.9%，灵敏度达到98.7%。外部验证结果显示，在五个数据集中的四个准确率超过92%，并且对多发性硬化的纵向脊髓萎缩具有敏感性。该流水线可实现上颈髓椎体标注与形态学提取的可扩展化和可靠化操作，适用于多中心研究，并为神经退行性疾病的生物标志物开发提供支持。