瑞士的研究人员开发并测试了一种强大的AI模型，该模型可以自动分割MRI图像中的主要解剖结构，且不受序列影响。这项研究已发表在《放射学》杂志上。在研究中，该模型的表现优于其他公开可用的工具。
MRI提供了人体的详细图像，对于诊断各种医疗条件至关重要，从神经系统疾病到肌肉骨骼损伤。为了深入解读MRI图像，需要对图像中的器官、肌肉和骨骼进行轮廓勾勒或标记，这一过程称为分割。
“传统上，MRI图像一直是手动分割的，这是一个耗时的过程，需要放射科医生付出大量努力，并且容易受到不同阅片者的主观差异影响，”瑞士巴塞尔大学医院放射科的研究科学家Jakob Wasserthal博士表示。
“自动化系统有可能减少放射科医生的工作量，减少人为错误，并提供更一致和可重复的结果。”
Wasserthal博士及其同事基于nnU-Net构建了一个开源自动分割工具，称为TotalSegmentator MRI。nnU-Net是一个自我配置框架，在医学图像分割方面设定了新的标准。它可以根据新数据集进行自适应调整，最小化用户干预，自动优化其架构、预处理和训练策略。类似的CT模型（TotalSegmentator CT）已被全球超过30万用户用于每天处理超过10万张CT图像。
在回顾性研究中，研究人员使用随机抽样的616例MRI和527例CT检查数据集训练了TotalSegmentator MRI，以提供与序列无关的主要解剖结构分割。训练集包括用于测量体积、表征疾病、手术规划和机会性筛查的80个解剖结构的分割。
“我们的创新在于创建了一个大型数据集，”Wasserthal博士说。“我们使用了更多的数据，并分割了比以往更多的器官、骨骼和肌肉。我们的模型还可以适用于不同的MRI扫描仪和图像采集设置。”
为了评估模型的性能，研究人员计算了预测分割与放射科医生参考标准之间的Dice得分，Dice得分用于衡量两组数据的相似性。该模型在80个结构上的表现良好，内部MRI测试集的Dice得分为0.839。
它还显著优于两个公开可用的分割模型（分别为0.862、0.838和0.560），并与TotalSegmentator CT的性能相匹配。
“据我们所知，我们的模型是唯一一个可以在任何序列的MRI上自动分割最多结构的模型，”他说。“它是一种帮助改善放射科医生工作的工具，使测量更加精确，并使一些原本需要花费太多时间的手动测量成为可能。”
除了研究和AI产品开发外，Wasserthal博士表示，该模型还可以用于临床治疗计划、监测疾病进展和机会性筛查。
(全文结束)
