深度学习助力活体肝移植：精准 3D 肝脏分割与体积分析

研究人员利用 55 例供体腹部 CT 数据评估多种 U - Net 模型，其在肝移植中测肝体积可靠且具临床适用性。

　　本研究探索了深度学习在活体肝移植的三维（3D）肝脏分割和体积分析中的应用。研究人员使用 55 名供体的腹部计算机断层扫描（CT）数据，旨在评估多种基于 U - Net 的模型，包括 3D U - Net、RU - Net、DU - Net 和 RDU - Net 在肝切除术前和术后的肝脏分割性能。在肝移植中，准确测量肝脏体积对于确保足够的功能恢复和最小化术后并发症至关重要。这些模型采用五折交叉验证法进行训练和验证。使用诸如骰子相似系数（DSC）、召回率、特异性、精度和准确率等性能指标来评估分割结果。术前图像的分割精度最高，DSC 为 95.73±1.08%，而术后第 7 天的图像表现最差，DSC 为 93.14±2.10%。一项用于测量肝切除和再生率的体积分析显示，到术后第 63 天，平均肝切除率为 40.52±8.89%，再生率为 13.50±8.95%。对人工智能模型的肝切除率和再生率的体积结果进行回归分析，所有结果在 p<0.0001 时具有统计学意义。结果表明，深度学习模型在准确测量肝脏体积和评估再生能力方面具有较高的可靠性和临床适用性，从而有助于改善肝脏供体的管理和恢复。