WiseSeg：147 个解剖结构的弱监督全身 PET/CT 分割

《EJNMMI Physics》：WiseSeg: weakly supervised whole-body PET/CT segmentation of 147 anatomical structures

　　

摘要

背景

全身器官分割对于放疗计划和全身疾病评估至关重要，但现有的针对 PET/CT 的分割方法存在解剖覆盖不足、严重标注瓶颈以及准确性和速度之间不利权衡的问题，限制了其临床转化。为解决这些问题，我们开发了一种弱监督框架，用于对 PET/CT 上的 147 种解剖结构进行全身分割，并建立了健康个体的正常 SUV 参考范围。

方法

这项回顾性研究纳入了来自两家医院的 2308 例 18F?FDG PET/CT 扫描和 1746 例公开 CT 扫描。模型开发使用 1846 例扫描进行伪标签训练（1746 例公开 CT?+?100 例 PET/CT）和 2000 例未标记的 PET/CT 扫描进行弱监督学习；独立测试使用 110 例 PET/CT 扫描。纳入 98 例健康队列以建立正常 SUV 参考范围。训练了一种不确定性引导的伪标签学习算法来分割 147 种解剖结构。计算了模型预测与专家标注之间的 Dice 系数。使用配对 t 检验或 Bonferroni 校正的 Wilcoxon 检验进行统计分析。

结果

该模型在测试集上的 147 种结构平均 Dice 系数达到 0.874，每次扫描的分割在 120 秒内完成。对于与 TotalSegmentator 匹配的 113 种结构，其性能优于 TotalSegmentator（0.895 对 0.884；P?<?0.001）。不确定性加权策略改善了小血管结构的分割（0.702 对 0.651；P?<?0.001）。在 PET 定量中，该模型在第 95 百分位 SUV（SUV₉₅；0.018 对 0.021）上的绝对偏差也低于 TotalSegmentator。从健康队列中建立了 147 种结构的正常 SUV 参考范围。

结论

所提出的弱监督框架能够对 PET/CT 上的 147 种结构进行精确高效的全身分割。建立的正常 SUV 参考范围为定量 PET/CT 解读提供了标准化基准。源代码和预训练权重可在 https://github.com/Wpx01/WiseSeg 公开获取。