TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images

目的：开发一个开源且易于使用的分割模型，可以自动且稳健地独立于MR序列分割大多数主要解剖结构。 材料和方法：本研究扩展了TotalSegmentator对MR图像的功能。使用了298个MR扫描和227个CT扫描来分割59个解剖结构（20个器官、18个骨骼、11个肌肉、7个血管、3种组织类型），这些结构对于器官容积测量、疾病特征描述和手术规划等应用场景非常重要。MR和CT图像是从常规临床研究中随机抽样的，因此代表了真实世界的数据集（不同年龄、病理学、扫描仪、身体部位、序列、对比度、回波时间、重复时间、磁场强度、层厚度和部位）。我们在这个数据集上训练了一个nnU-Net分割算法，并计算了Dice相似系数（Dice）来评估模型的性能。 结果：该模型在测试集上展现了0.824（CI: 0.801, 0.842）的Dice分数，测试集包含了各种主要病理的临床数据。该模型明显优于另外两个公开可用的分割模型（Dice分数，0.824比0.762高；p<0.001，0.762比0.542高；p<0.001）。在原始TotalSegmentator论文的CT图像测试集上，它几乎与原始TotalSegmentator的性能相匹配（Dice分数，0.960比0.970；p<0.001）。 结论：我们提出的模型扩展了TotalSegmentator对MR图像的功能。注释数据集（https://zenodo.org/doi/10.5281/zenodo.11367004）和开源工具包（https://www.github.com/wasserth/TotalSegmentator）是公开可用的。

开发一种开源且易于使用的分割模型，能够独立于MR序列自动且稳健地分割大多数主要解剖结构。

使用298个MR扫描和227个CT扫描来训练nnU-Net分割算法，扩展了TotalSegmentator的能力，可以在MR图像中分割20个器官、18个骨骼、11个肌肉、7个血管和3种组织类型的59个解剖结构。

该模型在测试集上的Dice相似度系数为0.824，比其他两个公开可用的分割模型显著优越。作者提供了一个可公开访问的已注释数据集和开源工具包。

最近的相关研究包括：'Automated segmentation of the left ventricle in cardiac MRI using a joint CNN-RNN model', 'A review of deep learning in medical imaging: Image traits, technology trends, case studies with progress highlights, and future promises'等。