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

背景：在腹部MRI中对器官和结构进行分割对于许多临床应用非常有用，例如疾病诊断和放疗。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别注释。因此，多结构分割的分割工具也不可用。 方法：我们策划了一个T1加权腹部MRI数据集，包括在美国国立卫生研究院（NIH）临床中心接受成像检查的195名患者。该数据集包括每个患者的轴向前造影T1、动脉、静脉和延迟相，因此总共有780个序列（69,248个2D切片）。每个序列包含62个腹部器官和结构的体素级别注释。在该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真实值进行比较。 结果：MRISegmentator在内部测试集中实现了平均DSC为0.861±0.170，NSD为0.924±0.163。在AMOS22数据集上，MRISegmentator实现了平均DSC为0.829±0.133，NSD为0.908±0.067。对于杜克大学肝脏数据集，获得了平均DSC为0.933±0.015，NSD为0.929±0.021的结果。 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、放疗、疾病分类等。

提供一种多结构分割的解决方案，以加速腹部MRI图像的临床应用

使用一个基于nnUNet的模型，对包含62个腹部器官和结构的大规模MRI数据集进行训练，并取得了较高的分割准确性

论文提供了一个包含195个病人的大规模MRI数据集，每个病人包含四个不同的MRI序列，总计780个序列，所有序列都进行了62个器官和结构的像素级注释；使用所提出的MRISegmentator模型，在内部测试集和两个外部数据集上实现了高水平的平均Dice相似系数和标准化表面距离；该工具具有加速疾病诊断、放疗等临床研究的潜力

在这个领域中，已有一些相关研究。例如，一篇题为“Multi-Atlas Segmentation”的论文，提出了一种基于多个图谱的分割方法，但该方法需要大量计算资源和时间。另一篇题为“DeepIGeoS”的论文，提出了一种基于深度学习的分割方法，但该方法仅针对肝脏进行分割。