编辑推荐：
在医学影像分析中，为解决磁共振弹性成像（MRE）中肝脏和脾脏手动分割耗时耗力及缺乏专用算法的问题，研究人员开展了用预训练和训练的 U-Nets 进行肝脏和脾脏分割的研究。结果显示分割性能优异，表明自动量化 MRE 参数可行，具有重要意义。
在医学影像领域，磁共振弹性成像（Magnetic Resonance Elastography，MRE）作为一种无创评估肝脏纤维化程度的技术，正受到越来越多的关注。它通过测量组织的弹性特性，为医生提供有关组织健康状况的重要信息，在肝脏和脾脏疾病的诊断与研究中具有巨大潜力。然而，目前 MRE 技术在实际应用中面临着一些挑战。其中，最突出的问题是对肝脏和脾脏的准确分割困难。传统的手动分割方法，虽然准确性较高，但需要由经过专业认证的放射科医生操作，不仅耗时费力，而且成本高昂。此外，尽管基于卷积神经网络（Convolutional Neural Networks，CNNs）的自动分割方法在其他医学影像领域取得了显著进展，但针对 MRE 图像的专用分割算法却十分匮乏。MRE 幅值图像中蕴含着丰富的解剖信息，但长期以来未得到充分利用。在这样的背景下，为了推动 MRE 技术的进一步发展和应用，来自德国柏林夏里特医学院（Charité-Universit?tsmedizin Berlin）等机构的研究人员开展了一项极具意义的研究。他们致力于探索利用 U-Nets 这一特殊类型的深度卷积神经网络，实现对 MRE 幅值图像中肝脏和脾脏的自动分割，并对剪切波速度（Shear Wave Speed，SWS）进行自动量化分析。该研究成果发表在《Scientific Reports》上，为医学影像分析带来了新的突破。
研究人员采用了多种关键技术方法。在数据采集方面，72 名健康参与者在 1.5T 或 3T 的磁共振扫描仪上接受了多频 MRE 扫描，获取了不同参数的图像数据。对于肝脏和脾脏的分割，使用了预训练的 U-Net 以及分别在 MRE 数据上训练的 2D U-Net 和 3D U-Net。在训练过程中，运用 nnU-Net 框架，通过数据增强和 5 折交叉验证来优化模型。为评估分割准确性，计算了 Dice 分数和 Hausdorff 距离等指标，并采用深度集成不确定性量化方法估计模型的不确定性。
下面来看具体的研究结果。
- 肝脏分割结果：手动分割与 U-Nets 自动分割得到的肝脏感兴趣体积（Volume of Interest，VOI）大小无显著差异，均值分别为 541±157ml（手动）、537±151ml（预训练 U-Net）、526±146ml（2D U-Net）和 533±148ml（3D U-Net） ，P 值为 0.99。Dice 分数方面，预训练 U-Net、2D U-Net 和 3D U-Net 分别为 0.94、0.95 和 0.94，Hausdorff 距离分别为 7.87 体素、8.06 体素和 7.68 体素。肝脏 SWS 均值在不同方法间也无显著差异，手动为 1.35±0.13m/s，预训练 U-Net 为 1.35±0.12m/s，2D U-Net 为 1.35±0.12m/s，3D U-Net 为 1.35±0.13m/s ，P 值为 0.99。手动与各 U-Nets 分割的 SWS 均值相关性极强，相关系数 R 均为 0.99，组内相关系数（Intraclass Correlation Coefficient，ICC）为 0.99，表明一致性极佳。
- 脾脏分割结果：脾脏 VOI 大小，手动、预训练 U-Net、2D U-Net 和 3D U-Net 的均值分别为 94±50ml、94±36ml、89±36ml 和 93±36ml ，P 值为 0.95。Dice 分数分别为 0.89、0.90 和 0.89，Hausdorff 距离分别为 6.71 体素、6.16 体素和 6.25 体素。脾脏 SWS 均值手动为 1.94±0.21m/s，预训练 U-Net 为 1.92±0.21m/s，2D U-Net 为 1.93±0.22m/s，3D U-Net 为 1.92±0.22m/s ，P 值为 0.99。手动与各 U-Nets 分割的 SWS 均值相关性良好，相关系数 R 在 0.81 - 0.84 之间，ICC 在 0.90 - 0.92 之间。
研究结论表明，U-Nets 在 MRE 幅值图像中肝脏和脾脏的自动分割表现优异，手动与自动分割一致性良好。2D U-Net 在肝脏和脾脏分割中表现最佳，尽管 3D U-Net 和预训练 U-Net 的 Dice 分数也较高，但预训练 U-Net 在肝脾分割中未显示出优势。亚组分析显示 Dice 分数无统计学差异，证明网络具有良好的泛化能力。不过，该研究也存在一定局限性。参与者数量较少且均为健康人，无法探究腹水、病变等因素对分割的影响；训练基于高质量图像，在低质量图像上效果可能不佳；U-Nets 计算成本高，泛化性和可解释性存在问题。尽管如此，该研究为 MRE 技术的临床应用提供了重要支持，表明利用 MRE 幅值图像中的解剖信息实现 MRE 参数的全自动量化分析是可行的，有望在未来推动医学影像诊断技术的发展，为肝脏和脾脏疾病的精准诊断和治疗提供更有力的工具。
