MRSegmentator: Robust Multi-Modality Segmentation of 40 Classes in MRI and CT Sequences

目的：介绍一种深度学习模型，能够在MRI扫描中进行多器官分割，为当前MRI分析中由分辨率、标准化强度值以及序列变异等挑战所限制的局面提供解决方案。 材料和方法：该模型在来自英国生物库的1,200个手动注释的MRI扫描、221个内部MRI扫描和1,228个CT扫描上进行了训练，利用了从CT分割模型中的跨模态迁移学习。采用人机交互式注释工作流程，高效创建高质量分割。使用Dice相似系数（DSC）和Hausdorff距离（HD）来评估分割准确性。该模型将成为开源软件。 结果：该模型在分割明确定义的器官方面表现出高准确性，对于右肺和左肺的Dice相似系数（DSC）得分为0.97，对于心脏的DSC得分为0.95。它还展示了对于像肝脏（DSC：0.96）和肾脏（DSC：左0.95，右0.95）这样的器官的稳健性，这些器官呈现出更大的变异性。然而，对于像门脉和脾静脉（DSC：0.54）以及肾上腺（DSC：左0.65，右0.61）这样的较小和复杂的结构的分割揭示了需要进一步优化模型的需求。 结论：所提出的模型是MRI和CT图像中40个解剖结构的准确分割的强有力工具。通过利用跨模态学习和交互式注释，该模型实现了强大的性能和广泛适用性，使其成为研究人员和临床医生的宝贵资源。它是开源的，可以从https://github.com/hhaentze/MRSegmentator下载。

提出一种深度学习模型，能够在MRI扫描中进行多器官分割，解决MRI分析中分辨率、标准化强度值和序列变异性等挑战。

利用交叉模态迁移学习从CT分割模型中进行训练，采用人机交互注释工作流程高效创建高质量分割，实现对40个解剖结构的准确分割。

模型在UK Biobank、NAKO和AMOS22数据集上进行训练和测试，分割准确度高，尤其在像肺、心脏、肝脏和肾脏这样的器官上表现出鲁棒性。模型开源并可下载。

最近的相关研究包括：1）利用深度学习进行MRI图像分割的研究；2）利用交叉模态学习进行医学图像分割的研究。