局灶性癫痫术后磁共振成像中切除腔的自动分割：一项多中心癫痫病灶检测研究

《Epilepsia》：Automated segmentation of postsurgical resection cavities on magnetic resonance imaging in focal epilepsy: A Multicentre Epilepsy Lesion Detection study

　　

目的：术后切除范围的定量评估需要术后磁共振成像（MRI）上切除腔的精确勾画。当前用于切除腔掩膜的方法耗时且劳动密集，现有自动方法在分割准确性上表现不一，尤其是在颞外切除中。研究人员开发了MELD-PostOp，一个在大型异质性队列上训练和评估的深度学习工具，用于自动分割切除腔。
方法：研究包括来自多中心癫痫病灶检测（MELD）项目（n_subjects = 969，27个中心）和EPISURG数据集（n = 133）的1.5T和3T术后三维T1加权（T1w）MRI图像。队列包括儿童和成人，以及多种切除位置、病理和MRI特征。切除腔在285名受试者中单独分割并用于训练nnU-Net原型模型。原型模型用于生成额外的680个切除掩膜，随后进行质量控制、编辑，并与原始285个合并以训练最终的MELD-PostOp模型（n = 965）。保留分层测试队列（n = 50）和独立测试队列（n = 87）用于模型评估。性能使用Dice相似系数（DSC）、第95百分位Hausdorff距离（HD95）、预测簇数量和推理时间评估，并与现有工具（Epic-CHOP、ResectVol和RESSEG）比较。
结果：MELD-PostOp在合并测试队列上达到中位DSC 0.85和HD95 3.61，优于Epic-CHOP（DSC 0.69，HD95 9.67）、ResectVol（DSC 0.66，HD95 15.05）和RESSEG（DSC 0.43，HD95 32.67），在颞叶尤其是颞外切除中有显著改善。模型检测到98.5%（135/137）的切除腔。MELD-PostOp每MRI运行时间17秒，而ResectVol为612秒，Epic-CHOP为3205秒，RESSEG为4秒。MELD-PostOp在临床和影像亚组中保持高性能（中位DSC > 0.8）。
意义：MELD-PostOp是一个开源研究工具，仅使用术后MRI扫描即可提供准确、高效和可泛化的术后切除腔分割解决方案。

论文解读文章

**研究背景与目的**
癫痫手术是药物难治性局灶性癫痫的有效治疗手段，完全切除致痫区是实现术后无发作的关键。然而，切除范围需与功能组织保留相平衡，以最小化神经认知后果。术后MRI在评估切除范围及其与术后无发作和神经认知结局的关联中起核心作用。当前切除范围的评估常依赖定性方法（如放射科医师视觉判断），存在观察者间变异且多为二分类（完全/不完全），限制了定量分析。切除腔的精确勾画是理解并改善手术结局研究的基础。手动分割是金标准但耗时且变异大，半自动方法虽加速但仍需人工审核。现有自动方法主要分为两类：基于SPM（统计参数映射）的注册与强度比较方法（如Epic-CHOP、ResectVol）和基于深度学习（DL）的方法（如RESSEG）。然而，SPM方法依赖精确的术前-术后配准和时间消耗，DL方法则受限于小样本量，且两者在颞外切除上表现不佳，失败率较高。因此，需要一种鲁棒、可泛化的分割框架，仅使用术后MRI数据即可准确勾画切除腔。

**研究内容与结论**
研究人员收集了来自MELD（多中心癫痫病灶检测）项目27个癫痫中心的969例术后T1w MRI以及EPISURG数据集的133例，共1102例患者，涵盖儿童和成人、多种病理（如皮质发育畸形、海马硬化、低级别癫痫相关肿瘤等）和切除位置（颞叶、额叶等）。采用半自动标注和伪标签策略：首先对285例进行手动分割训练原型nnU-Net模型，再用该模型预测680例，经质量控制和编辑后与原始285例合并，形成965例训练集，训练最终MELD-PostOp模型。保留50例分层测试队列和87例独立测试队列进行验证。与Epic-CHOP、ResectVol和RESSEG相比，MELD-PostOp在合并测试队列上达到中位DSC 0.85、HD95 3.61，检测率98.5%，运行时间17秒/例，显著优于其他方法，尤其在颞外切除上表现突出。亚组分析显示中位DSC均>0.8，颞叶切除优于颞外但差异最小。该论文发表在《Epilepsia》。

**主要关键技术方法**
- 样本队列来源：MELD项目（27个中心，969例）和EPISURG数据集（133例），均为术后三维T1w MRI。
- 使用nnU-Net框架（3D全分辨率配置，五折交叉验证），自动选择最优架构和超参数，训练epochs增至2000。
- 采用伪标签策略：原型模型（285例）预测680例，经质量控制和手动编辑后合并训练最终模型。
- 评估指标：Dice相似系数（DSC）、第95百分位Hausdorff距离（HD95）、预测簇数量、阳性预测值（PPV）、运行时间。
- 比较工具：Epic-CHOP（基于SPM）、ResectVol（基于SPM）、RESSEG（基于3D U-Net）。

**研究结果**
**3.1 研究人群**：纳入1102例患者，45.0%儿童，54.7%成人；病理以MCD（38.2%）最常见；切除位置以颞叶（57.4%）和额叶（27.6%）为主；多数为3T（76.7%）和等向性（72.6%）扫描。
**3.2 总体模型性能**：MELD-PostOp在合并测试队列（n=137）中位DSC 0.85，显著高于Epic-CHOP（0.69）、ResectVol（0.66）和RESSEG（0.43）（p<0.001）。检测率98.5%，有意义重叠（DSC>0.5）占93.4%。中位HD95 3.61，PPV 0.93，仅6%出现假阳性簇。平均运行时间17秒/例，远快于Epic-CHOP（3205秒）和ResectVol（612秒），但慢于RESSEG（4秒）。
**3.3 亚组分析**：MELD-PostOp在年龄、性别、病理、切除位置、MRI场强、等向性、术后时间等亚组中均保持中位DSC>0.8。海马硬化（HS）DSC最高（0.91），颞叶切除DSC（0.87）优于颞外（0.80），但差异最小。切除体积与DSC呈正相关（r=0.56，p<0.001），但最小10%切除腔的中位DSC仍为0.87。
**3.4 观察者间和方法间变异**：三位独立评阅者间DSC中位数≥0.82，ITK-SNAP与nnInteractive方法间一致性DSC>0.82。无显著评阅者效应，MELD-PostOp与专家一致性相当。

**讨论与结论**
讨论部分指出，MELD-PostOp在大型异质性多中心数据上训练并测试，显著优于依赖术前-术后强度比较的现有方法，原因包括：避免了配准误差、组织分割错误以及脑脊液变化等干扰。伪标签策略有效降低了标注成本。开放科学提供开源工具，便于独立验证和大规模数据分析。局限性包括：仅适用于切除手术（非激光消融或离断），未评估术中或术后早期MRI，对比剂状态未知，再手术情况未考虑，外部验证尚未由非联盟研究者完成。
结论部分翻译：MELD-PostOp是一个用于从癫痫患者术后MRI扫描中分割切除腔的自动研究工具。与现有模型相比，它具有改进的性能和快速的推理时间。该模型对异质性和未见数据的鲁棒性，加上其最低的输入要求，强调了其适用于研究应用。MELD-PostOp作为完全自动化和开源管道提供，以实现外部验证以及术后成像的大规模定量分析。