深度学习助力多方位磁共振成像检测与分割子宫肌瘤：开启精准医疗新征程

为解决子宫肌瘤自动检测与分割问题，研究人员收集经诊断患者的治疗前矢状面和轴向 T2 加权磁共振成像（MRI）扫描数据，基于三维 nnU-Net 框架构建模型。结果显示模型检测和分割性能良好，有望成为可靠方法。

　　研究收集了被诊断患有子宫肌瘤患者治疗前的矢状面和轴向 T2 加权磁共振成像（T2WI）扫描数据。所提出的分割模型基于三维 nnU-Net 框架构建。研究评估了肌瘤检测效果，并按大小和位置进行亚组分析，使用骰子相似系数（DSC）、95% 豪斯多夫距离（HD95）和平均表面距离（ASD）评估分割性能。内部数据集包含 299 名患者，分为训练集（n = 239）和内部测试集（n = 60），外部数据集包含 45 名患者。在内部测试集中，矢状面 T2WI 模型和轴向 T2WI 模型检测肌瘤的召回率分别为 74.4%/76.4%，精度分别为 98.9%/97.9%。对于≥4cm 的肌瘤，模型召回率达到 93.7%/95.3%。国际妇产科联盟（FIGO）2 - 5 型、0\1\2 型（黏膜下）、5\6\7 型（浆膜下）肌瘤的召回率分别为 100%/100%、73.3%/78.6%、80.3%/81.9% 。在内部测试集中，所提模型分割子宫肌瘤的平均 DSC 为 0.789 和 0.804，HD95 为 9.996 和 10.855mm，ASD 为 2.035 和 2.115mm；在外部测试集中，平均 DSC 为 0.834 和 0.818，HD95 为 9.971 和 11.874mm，ASD 为 2.031 和 2.273mm。结论表明，所提出的深度学习模型有望成为自动检测和分割子宫肌瘤，尤其是具有临床意义的子宫肌瘤的可靠方法。