nnU-Net 在盆腔多器官分割中的卓越表现：小数据也有大能量

研究人员针对深度学习模型训练数据需求大的问题，开展盆腔多器官分割研究，发现 nnU-Net 在小数据下表现良好，意义重大。

　　在医学领域，精准的器官分割对于疾病的诊断和治疗至关重要。随着技术的发展，深度学习模型在医学图像分割中展现出巨大潜力，但训练这些模型通常需要大量且昂贵的数据集，这就像给模型成长设置了一道高高的门槛。对于一些内部的医学图像分割任务，比如特定医院针对前列腺癌患者进行的盆腔器官分割，收集大规模数据面临诸多困难，成本高、时间长，还涉及患者隐私等复杂问题。这不仅限制了深度学习模型在实际医疗场景中的广泛应用，也让精准医疗的推进遇到阻碍。在这样的背景下，开展关于如何在有限数据条件下实现高效盆腔多器官分割的研究迫在眉睫。

澳大利亚联邦科学与工业研究组织（CSIRO）等机构的研究人员针对这一难题展开研究，相关成果发表在《Physical and Engineering Sciences in Medicine》上。他们聚焦于盆腔多器官的磁共振成像（MRI）引导放射治疗（MRgRT），旨在探索在有限数据和特定领域条件下，nnU-Net（一种知名的分割模型）的性能表现，为解决实际医疗中的图像分割问题提供依据。

为开展此项研究，研究人员首先从澳大利亚汤斯维尔医院和健康服务中心（THHS）招募了 12 名接受前列腺癌放射治疗的患者，获取了 58 张盆腔 MRI 图像。在这些图像中，由经验丰富的放射治疗师和肿瘤学家手动勾勒出前列腺、精囊（SV）、膀胱和直肠的轮廓。之后，研究人员选择 nnU-Net（版本 2.2）作为研究模型，因其具有开源、可灵活修改以及在小数据集上表现出色等优势。他们通过逐渐减小训练数据集的规模，训练了 7 个不同的模型，同时设置了有数据增强和无数据增强两种训练情况。在评估模型性能时，采用了骰子相似系数（DSC）、平均表面距离（MSD）和 95% 豪斯多夫距离（HD95）等指标。

研究结果主要体现在以下几个方面：

1. 模型性能与数据集大小关系：当使用全部 46 张训练图像时，模型在前列腺、精囊、直肠和膀胱上的平均 DSC 分别达到 0.903、0.851、0.884 和 0.967 。进一步研究发现，当训练集数量大于来自 4 名参与者的 12 张图像时，分割性能保持稳定；但当训练集数量小于这个阈值时，性能迅速下降。
2. 数据增强的作用：数据增强在所有数据集大小的情况下都对模型性能有积极影响，尤其是在极小的数据集场景中。例如，从 6 张图像（实验 G）增加到 12 张图像（实验 F）训练时，前列腺、直肠、精囊和膀胱的 DSC 分别提高了 0.173、0.090、0.296 和 0.303 。而当数据集规模继续增大时，性能提升逐渐趋于平稳。
3. 不同器官受影响差异：膀胱和前列腺在性能变化上相对较为稳定，而直肠和精囊的表现则更为复杂。有时，训练数据较少的模型在某些指标上表现反而优于训练数据多的模型，如训练数据为 50%（实验 D）的直肠模型，其中位 HD95 为 4.752，中位 MSD 为 0.696 ，而使用 100% 训练数据（实验 A）的模型，其中位 HD95 为 6，平均 MSD 为 0.927 。
4. 与其他模型对比：将该研究中的参考模型（实验 A）与其他最先进模型相比，nnU-Net 在前列腺分割上的 DSC 为 0.903，虽然略低于 Muled-Net 的 0.95，但两者都超过了观察者间的 DSC 变异性范围（0.88±0.05），表明 nnU-Net 生成的轮廓可靠性与人类观察者相当。

研究结论和讨论部分表明，nnU-Net 在有限数据、单一扫描仪和特定领域的条件下，展现出强大的男性盆腔多器官分割能力。即使训练数据集小至来自 4 - 5 名参与者的 12 - 17 张图像，也能取得可接受的结果。数据增强在小数据集训练时效果显著，能有效提升模型性能。然而，研究也存在一定局限性，如测试队列较小，可能影响结果的普遍性；仅考虑了单一扫描仪和男性盆腔解剖结构，未涉及异构领域和其他器官；nnU-Net 目前的增强方法有限等。尽管如此，nnU-Net 对数据需求低的特点，使其在一些内部医疗场景中具有重要应用价值，如可用于生成初始轮廓，辅助人工进行更精准的分割，为未来精准医疗的发展提供了有力支持。未来研究可针对这些局限性展开，进一步拓展 nnU-Net 在医学图像分割领域的应用。