研究人员开发了自动分割MRI图像的人工智能模型

瑞士的研究科学家开发并测试了一种强大的人工智能模型，该模型可以自动分割MRI图像中的主要解剖结构，而不依赖于序列。在这项研究中，该模型的表现优于其他公开可用的工具。

　　

根据今天发表在北美放射学会（RSNA）期刊《Radiology》上的一项新研究，瑞士的研究科学家已经开发并测试了一种强大的人工智能模型，该模型可以自动分割MRI图像中的主要解剖结构，而不依赖于序列。在这项研究中，该模型的表现优于其他公开可用的工具。

核磁共振成像提供人体的详细图像，是诊断各种医疗状况的必要条件，从神经系统疾病到肌肉骨骼损伤。为了对MRI图像进行深入解读，对图像中的器官、肌肉和骨骼进行轮廓或标记，这就是所谓的分割。

瑞士巴塞尔大学医院放射科研究科学家Jakob Wasserthal博士说：“传统上，MRI图像是手动分割的，这是一个耗时的过程，需要放射科医生付出巨大的努力，并且受不同读取器的影响。”“自动化系统可以潜在地减少放射科医生的工作量，最大限度地减少人为错误，并提供更一致和可重复的结果。”

Wasserthal博士及其同事基于nnU-Net构建了一个开源的自动分割工具TotalSegmentator MRI，这是一个自配置框架，为医学图像分割设定了新的标准。它以最少的用户干预适应任何新的数据集，自动调整其架构、预处理和训练策略以优化性能。一个类似的CT模型（TotalSegmentator CT）被全球超过30万用户使用，每天处理超过10万张CT图像。

在回顾性研究中，研究人员训练TotalSegmentator MRI，使用随机抽样的616个MRI和527个CT检查数据集，提供与序列无关的主要解剖结构分割。

训练集包括80个解剖结构的分割，通常用于测量体积，表征疾病，手术计划和机会筛选。

“我们的创新是创建一个大型数据集，与以前相比，我们使用了更多的数据，分割了更多的器官、骨骼和肌肉。我们的模型也适用于不同的MRI扫描仪和图像采集设置。”

为了评估模型的性能，在预测的分割和放射科医生的分割参考标准之间计算了Dice分数（衡量两组数据的相似程度）。在内部MRI测试集中，该模型在80个结构上表现良好，Dice得分为0.839。它还显著优于两种公开可用的分割模型（0.862 vs 0.838和0.560），并与TotalSegmentator CT的性能相匹配。

他说：“据我们所知，我们的模型是唯一一个可以自动分割任何序列的核磁共振成像上最多数量的结构的模型。”“这是一种有助于改善放射科医生工作的工具，使测量更加精确，并使其他测量能够完成，这些测量需要花费太多时间来手动完成。”

除了研究和人工智能产品开发之外，Wasserthal博士说，该模型还可能在临床上用于治疗计划、监测疾病进展和机会性筛查。