基于AI与图像结构建模的Couinaud肝段自动分割新方法

《Abdominal Radiology》：Automatic Couinaud segmentation using AI and pictorial representation landmarking

本研究针对传统Couinaud肝段分割方法劳动密集、易变性强的问题，开发了一种融合深度学习分割与图像结构标志点识别的智能框架。通过225例T1加权MRI数据验证，该方法在5/8标志点定位和7/8肝段体积估算上显著优于基准算法，且具备模型可解释性、多模态兼容性和免重训练更新优势，为肝脏手术规划提供了更精准可靠的自动化工具。

　　

在肝脏外科手术和病灶监测领域，Couinaud分段法作为肝脏解剖划分的金标准，其准确划分直接关系到手术方案制定和剩余肝体积预测。然而，传统手动划分方法不仅耗时费力，且存在显著的观察者间差异。虽然已有半自动或全自动分割算法问世，但往往需要人工干预初始化，或需对输出结果进行繁琐的后处理校正。更令人困扰的是，现有深度学习模型如Arya等人提出的方法，虽能自动定位血管标志点，但其决策过程如同"黑箱"，缺乏临床可接受的解释性。

为解决这些痛点，Perspectum公司的Luis Miguel Núnez团队在《Abdominal Radiology》发表了一项创新研究，将深度学习分割的鲁棒性与图像结构模型的可解释性相结合，开发出新型Couinaud自动分割框架。该研究的独特之处在于引入"辅助标志点"概念，通过Total Segmentator模型分割肝脏周边59个解剖结构，构建包含8个Couinaud标志点（如下腔静脉下段IVCi、门静脉左支LPV等）和9个辅助标志点的个性化图像结构模型。模型通过计算三维空间中标志点间的位移概率分布，将已知标志点位置作为约束条件，预测未知标志点最可能位置。

关键技术方法包括：基于Total Segmentator的全身多结构自动分割、辅助标志点启发式提取算法、个性化图像结构配置模型（通过留一法交叉验证优化训练集样本量至10例），以及与基准方法（Arya等）的系统性能对比。研究队列包含225例无造影T1加权MRI数据，来自Precision1（NCT04597710）、HepaT1ca（IRAS 223180）等4项临床试验，涵盖西门子、飞利浦、GE多种机型1.5T/3T扫描数据。

标志点定位精度

个性化模型在8个Couinaud标志点中的6个（GBF、IVCi、LPV、MHV、RHV、RPV）表现出显著优于基准方法的定位精度（p<0.01），平均误差降低30-50%。特别是右肝静脉（RHV）误差从27.7mm降至12.9mm（p<0.001）。与人工标注员间变异相比，个性化模型在IVCs、LPV等5个标志点误差稍高，反映了某些标志点固有的解剖变异性和人工识别的挑战性。

肝段体积估算准确性

在肝段体积估算方面，个性化模型在7/8个肝段（除4b外）均优于基准方法，其中对整体肝体积贡献最大的5、6、7、8段改进尤为显著（p<0.01）。关键的是，出现至少一个肝段体积误差＞10%的病例比例从基准方法的31.7%降至9.8%，达到与人工标注员间变异（10%）相当的水平。

个性化训练集规模优化

研究发现随着训练集样本量减少，模型性能先升后降，在N=10时达到最优平衡点。过小样本（如N=4）会导致图像结构表征不充分，而过大数据集则引入过多解剖变异噪声。这种"少而精"的个性化选择策略，有效解决了人群平均水平对个体特异性的不适应问题。

研究结论表明，该框架通过解剖约束关系实现了可解释的AI决策，其概率热图可分解显示每个已知标志点对预测结果的贡献权重，如图2所示^[1]的脐静脉裂（UF）定位过程中，胆囊顶部、心脏右下缘等9个辅助标志点形成的概率分布云共同约束最终位置。这种透明化机制使临床医生能够追溯每个预测的解剖依据。

更重要的是，该方法具有成像模态无关性——仅依赖实际解剖位移数据而非图像特征，使其可轻松扩展至CT等其他模态。模型更新仅需追加新病例的位移矩阵，避免了深度学习模型重新训练的巨量计算成本。不过研究者也指出，当前模型尚未包含肝脏切除或严重病理变形的病例，未来需纳入更广泛解剖变异数据以提升普适性。

这项研究标志着肝脏自动分割从"黑箱"预测向透明化、个性化决策的重要转变，其融合几何先验知识与数据驱动方法的思路，为其他器官解剖建模提供了新范式。随着多中心验证的推进，这种可解释AI工具有望成为肝脏外科手术规划中不可或缺的智能助手，最终实现精准医疗的承诺。

---

注释

[1] 原文Fig.2展示脐静脉裂（UF）定位的概率热图分解，显示9个辅助标志点形成的独立概率分布如何组合成最终定位热图。