MRISegmentator-Abdomen: A Fully Automated Multi-Organ and Structure Segmentation Tool for T1-weighted Abdominal MRI

背景：腹部MRI器官和结构的分割对于许多临床应用非常有用，例如疾病诊断和放射治疗。目前的方法主要集中在勾画有限的一组腹部结构（13种类型）。迄今为止，没有公开可用的腹部MRI数据集，其中包含多个器官和结构的体素级注释。因此，也没有多结构分割的分割工具。方法：我们策划了一个T1加权腹部MRI数据集，其中包括在国家卫生研究院（NIH）临床中心接受成像的195名患者。该数据集包括每个患者的轴向T1前对比剂、动脉、静脉和延迟相，因此总共有780个系列（69,248个2D切片）。每个系列包含62个腹部器官和结构的体素级注释。在此数据集上训练了一个3D nnUNet模型，称为MRISegmentator-Abdomen（简称MRISegmentator），并在内部测试集和两个大型外部数据集（AMOS22和Duke Liver）上进行了评估。使用Dice相似系数（DSC）和归一化表面距离（NSD）将预测的分割与地面实况进行比较。结果：MRISegmentator在内部测试集中实现了平均DSC为0.861±0.170和NSD为0.924±0.163。在AMOS22数据集上，MRISegmentator实现了平均DSC为0.829±0.133和NSD为0.908±0.067。对于Duke Liver数据集，获得了平均DSC为0.933±0.015和NSD为0.929±0.021。解释：所提出的MRISegmentator提供了T1加权腹部MRI序列中62个器官和结构的自动、准确和稳健的分割。该工具有潜力加速各种临床主题的研究，例如异常检测、放射治疗、疾病分类等。

提出一个多结构分割的MRI工具，用于解决腹部MRI的多器官和结构分割问题。

使用一个新的T1加权腹部MRI数据集，训练了一个3D nnUNet模型，实现了对62个腹部器官和结构的自动、准确、稳健的分割。

使用了一个包含195个患者的大型T1加权腹部MRI数据集，其中每个序列都包含了62个腹部器官和结构的体素级注释。在内部测试集和两个大型外部数据集上进行了评估。模型在Duke Liver数据集上取得了最好的结果，平均DSC为0.933±0.015，NSD为0.929±0.021。该工具有助于加速研究各种临床主题，如异常检测、放射治疗、疾病分类等。

最近的相关研究包括： 1. Abdominal multi-organ segmentation using deep learning: A review（使用深度学习进行腹部多器官分割：综述） 2. Automated segmentation of abdominal organs and adipose tissue in pregnant women using convolutional neural networks（使用卷积神经网络自动分割孕妇腹部器官和脂肪组织） 3. A deep learning-based framework for automatic liver and tumor segmentation in CT images（一种基于深度学习的自动肝脏和肿瘤CT图像分割框架）