编辑推荐：
为解决 IBD 诊断中肠道分段识别难题，研究人员构建相关数据集，评估多种方法，为 AI 研究奠基。
炎症性肠病（IBD）是一种反复发作的肠道疾病，如同隐藏在人体消化系统中的 “捣蛋鬼”，给全球超 1000 万人带来困扰。它主要包括克罗恩病（CD）和溃疡性结肠炎（UC），症状时好时坏，诊断和治疗都颇具挑战。比如 CD 可累及整个胃肠道，尤其偏爱回肠末端和升结肠，呈现出节段性、透壁性肉芽肿炎症。
在 IBD 的诊断和病情监测中，磁共振小肠造影（MRE）发挥着重要作用。它凭借出色的软组织分辨率和多参数成像能力，能清晰呈现肠道的解剖结构，还能敏锐捕捉到肠壁增厚、肠壁水肿、肠腔狭窄等病变迹象。然而，MRE 图像中肠道分段的识别却让放射科医生们头疼不已。肠道的边界模糊不清，形状、大小和外观变化多端，而且肠内充盈情况也不均匀，使得准确识别肠道分段既耗时又费力。
与此同时，基于深度学习的医学图像分割技术崭露头角，有望成为减轻医生负担、辅助疾病管理的得力助手。但这项技术的发展离不开大规模、精细标注的数据集支持，可目前针对肠道全部分段的公开、高质量数据集却十分匮乏。在这样的背景下，深圳大学医学院生物医学工程学院医学人工智能实验室、广东东软学院以及中山大学附属第一医院放射科的研究人员携手开展了一项意义重大的研究，相关成果发表在《Scientific Data》杂志上。
研究人员采用的主要技术方法如下：
- 样本队列：回顾性收集了 2019 年 12 月至 2022 年 5 月中山大学附属第一医院炎症性肠病中心 114 例 IBD 患者的临床和 MRE 数据。
- 数据采集：患者进行肠道准备后，扫描前 1 小时口服 1600 - 2000 mL 的 2.5% 甘露醇溶液充盈肠道，扫描前 10 分钟肌肉注射 10 mg 盐酸消旋山莨菪碱抑制胃肠道蠕动，使用 3.0 - T MRI 扫描仪（Siemens Prisma 或 Siemens Vida）采集 T2 加权冠状位 MRE 数据。
- 数据标注：由两位经验丰富的放射科医生将每位患者的肠道图像细分为 10 个分段（胃、十二指肠、小肠、阑尾、盲肠、升结肠、横结肠、降结肠、乙状结肠和直肠），并进行像素级标注，最后由一位腹部成像专家审核确定最终标注结果。
- 模型评估：选用 nnU - Net、ResUNet、UCTransNet 和 CoTr 等前沿医学分割模型，以 nnU - Net 为基线，在 GPU 上基于 PyTorch 框架开展实验，采用 Dice 相似系数（DSC）和 95% Hausdorff 距离（95Hd）评估模型分割质量。
下面来看具体的研究结果：
- 数据集构建：成功构建了一个独特的、聚焦临床的肠道综合分割数据集，涵盖 114 例患者的 MRE 数据，相比以往研究，该数据集对肠道的分段更细致，共分为 10 个肠道分段。数据集存于 Zenodo 平台，数据和标签文件命名规范，方便后续研究使用。
- 模型评估：评估了多种最先进（SOTA）的全监督分割方法在该数据集上的性能。
在医学领域，炎症性肠病（IBD）如同一个难以捉摸的 “幽灵”，困扰着全球众多患者。它不仅严重影响患者的生活质量，还给医疗诊断和治疗带来了诸多挑战。IBD 包含克罗恩病（CD）和溃疡性结肠炎（UC），其病情复杂多变，诊断往往需要综合多种手段，其中磁共振小肠造影（MRE）是重要的检查方法之一。
MRE 就像是医生的 “透视眼”，能够深入观察肠道的内部情况，帮助发现肠道的病变。然而，当医生面对 MRE 图像时，却像是在面对一幅复杂的拼图，要从这些图像中准确识别出不同的肠道分段，难度极大。这是因为肠道在图像中的表现千变万化，边界模糊、形态各异，给医生的判读带来了巨大的困扰，而且这一过程既耗费时间又容易出错。
随着科技的发展，基于深度学习的医学图像分割技术逐渐崭露头角，被视为解决这一难题的 “希望之星”。这项技术就像是一个智能助手，能够帮助医生更高效、准确地分析医学图像。但要让这个 “智能助手” 发挥最大的作用，需要大量的训练数据，而目前缺乏专门针对肠道分段的大规模、精确标注的数据集，这成为了该技术发展的 “绊脚石”。
为了搬走这块 “绊脚石”，深圳大学医学院生物医学工程学院医学人工智能实验室、广东东软学院以及中山大学附属第一医院放射科的研究人员开展了一项具有开创性的研究。
研究人员采用了一系列严谨的技术方法：首先，他们从中山大学附属第一医院炎症性肠病中心回顾性收集了 114 例 IBD 患者的临床和 MRE 数据。这些患者在检查前进行了肠道准备，口服 1600 - 2000 mL 的 2.5% 甘露醇溶液充盈肠道，同时注射盐酸消旋山莨菪碱抑制肠道蠕动，然后使用 3.0 - T MRI 扫描仪采集 T2 加权冠状位 MRE 数据。接下来，由经验丰富的放射科医生对肠道图像进行精细的像素级标注，将肠道分为 10 个分段，最后由腹部成像专家审核确定最终标注结果。在模型评估方面，研究人员选择了 nnU - Net、ResUNet、UCTransNet 和 CoTr 等前沿医学分割模型，以 nnU - Net 为基线，在 GPU 上基于 PyTorch 框架进行实验，采用 Dice 相似系数（DSC）和 95% Hausdorff 距离（95Hd）来评估模型的分割质量。
研究结果令人振奋：研究人员成功构建了一个高质量的肠道综合分割数据集，这一数据集包含了 114 例患者的 MRE 数据，并且对肠道的分段标注非常细致，共分为 10 个肠道分段。这一数据集的建立为后续的研究提供了重要的基础。在对多种最先进（SOTA）的全监督分割方法进行评估时发现，对于胃、十二指肠等大器官，这些方法都能取得较好的分割效果，DSC＞77% 。然而，在面对阑尾和盲肠等小器官时，几乎所有方法的分割效果都不理想，DSC＜70%，95Hd＞20 mm 。这一结果揭示了当前技术在小器官分割方面存在的挑战，也为后续的研究指明了方向。此外，由于空肠和回肠在 MR 图像上边界不清晰，研究中未对它们进行进一步区分，而回肠末端对于 IBD 的诊断具有重要意义，这也成为了研究的局限性之一。
这项研究意义重大：其构建的数据集为肠道分割研究提供了关键的资源，有助于推动全肠道分割方法的发展，为器官分割问题建立了新的标准。通过对多种 SOTA 方法的评估，明确了现有模型的优势和不足，为后续模型的改进和算法的优化提供了重要的参考。同时，该数据集和研究成果在 IBD 的临床诊断中具有广阔的应用前景，例如可以用于肠道 MR 信号分类、建立 IBD 疾病预测模型等，对于自动测量肠壁厚度、肠腔直径，自动拟合肠腔形态，以及对肠壁狭窄或穿透性病变进行定性和定量分析等方面都具有重要的价值。未来，研究人员还计划进一步扩大数据集规模，涵盖更多复杂的病例，为 IBD 的诊断和治疗带来更多的突破。
