通用深度学习框架助力 3D 医学图像精准分割，突破数据与资源瓶颈

研究人员为解决医学图像分割难题，开展 3D 医学图像分割研究，提出新框架且效果良好，有重要意义。

　　在医学领域，精准的图像分割对于疾病诊断、手术规划等至关重要。想象一下，医生要为患者制定手术方案，就像建筑师设计一座复杂的建筑，需要清晰地了解人体内部 “结构” 的每一处细节。然而，传统的手动分割医学图像方法，就如同手工绘制复杂的建筑图纸，不仅耗时费力，还容易受到主观因素影响，导致不同医生之间的分割结果存在差异。随着人工智能技术的发展，机器学习算法，尤其是深度学习模型，逐渐崭露头角，被寄予厚望来自动化这一过程。但深度学习方法通常需要大量的数据集进行微调，还依赖强大的图形处理单元（GPU），这使得其在资源有限的环境中难以广泛应用。

为了解决这些问题，来自瑞典隆德大学（Lund University）和斯科讷大学医院（Sk?ne University Hospital）等机构的研究人员 Tobias Ekman、Arthur Barakat 和 Einar Heiberg 等开展了一项关于 3D 医学图像分割的研究。他们提出了一种强大的深度学习框架，该研究成果发表在《3D Printing in Medicine》杂志上。

在研究中，研究人员用到了几个关键技术方法。首先，网络架构采用标准的 2D U - Net，将 3D 图像体积重采样后分割成多个 2D 图像堆栈，用 2D U - Net 对其进行分割，最后平均概率得到最终结果。其次，在训练和数据增强方面，使用 CT 或 MR 扫描图像训练网络，通过优化交叉熵损失函数调整权重和偏差，同时对图像进行数据增强。此外，研究中设置了固定的超参数，减少超参数调整的工作量。研究使用了六个不同的队列，涵盖多种解剖结构和疾病类型，为模型训练和评估提供数据支持。

下面来看具体的研究结果：

• 模型性能评估：通过计算 Dice 评分、Jaccard 评分和表面距离测量等指标评估模型性能。结果显示，该框架在不同临床应用中表现出色，平均 Dice 评分为 92%（SD = ± 0.06），Jaccard 评分为 86%（SD = ± 0.08）。例如，在骨骼结构分割任务中，Dice 评分达到 0.94 ± 0.06，Jaccard 评分达到 0.89 ± 0.101。
• 训练数据量对模型的影响：针对骨骼结构应用，研究人员训练了不同训练集大小的模型。结果发现，即使使用仅 3 个受试者的训练数据，模型也能取得不错的成绩，与使用 40 个受试者训练的模型得分相差不大，平均 Dice 评分仅相差 2%。这表明增加训练数据量对初始分割困难的病例提升更明显3。
• 模型泛化性测试：研究人员通过在测试集中加入未在训练集中出现的膝关节扫描数据进行 “零样本” 推理，模型在膝关节分割上也取得了良好的成绩，Dice 评分达到 0.95，Jaccard 评分达到 0.91，证明了模型具有良好的泛化能力2。

在研究结论和讨论部分，该框架在多种医学图像分割任务中展现出了高性能，即使训练数据相对较少也能取得较好效果。虽然可能通过不同架构和超参数调整获得更高的分数，但目前的精度已经足以节省大量时间，具有重要的临床意义。不过，该研究也存在一些局限性，例如固定的超参数可能并非适用于所有情况，部分模型仅训练了一次，研究未涉及软组织器官等。未来研究可以进一步探索平衡可调超参数、增加训练次数以及纳入软组织器官等研究。

总体而言，这项研究提出的深度学习框架为 3D 医学图像分割提供了新的解决方案，降低了对大量训练数据和强大计算资源的依赖，有望加速临床工作流程，推动人工智能驱动的分割技术在医疗领域的广泛应用，为医生提供更高效、精准的医学图像分析工具，助力医学发展。