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，从而解决MRI分析中分辨率、标准化强度值和序列变异等方面的挑战。 材料和方法：该模型在英国生物库的1,200个手动注释的MRI扫描、221个内部MRI扫描和1228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，以高效地创建高质量的分割。使用Dice相似系数（DSC）和Hausdorff距离（HD）来评估分割精度。该模型将开源。 结果：该模型在分割明确定义的器官方面表现出高精度，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为0.95。它还展示了在肝脏（DSC：0.96）和肾脏（DSC：左0.95，右0.95）等更具变异性的器官中的稳健性。然而，对于像门静脉和脾静脉（DSC：0.54）以及肾上腺（DSC：左0.65，右0.61）这样的较小和复杂结构的分割，需要进一步优化模型。 结论：所提出的模型是MRI和CT图像中40个解剖结构精确分割的强大工具。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，成为研究人员和临床医生的有价值资源。它是开源的，可以从https://github.com/hhaentze/MRSegmentator下载。

深度学习模型在MRI扫描中的多器官分割问题

使用交叉模态转移学习和人机交互注释，提出一种新的深度学习模型，可以准确地对MRI和CT图像中的40个解剖结构进行分割。

该模型在UK Biobank、NAKO和AMOS22数据集上进行了测试，表现出高精度和鲁棒性。同时，该模型是开源的，可以从https://github.com/hhaentze/MRSegmentator下载。

最近的相关研究包括“基于深度学习的医学图像分割”和“多器官分割的自动化方法：回顾和现状”。