基于U-Net實現CT圖像上肝段自動分割和術前評估的初步研究

謝婷婷，劉想，林子楹，張曉東，張耀峰，張大斗，成官迅，王霄英

Couinaud’s肝段分類系統是目前最為廣泛使用的肝段劃分方法[1-2]，是肝臟占位病變的定位基礎，也用于計算剩余肝臟體積百分比(Future liver remnant，FLR %)，進而評估手術可行性。目前，肝段體積測量和FLR %評估主要依賴于外科醫生在后處理工作站上“虛擬切除”目標肝段后獲得[3-4]，臨床應用受限、耗時較長。實現肝段的自動分割、體積測量及FLR %評估已成為臨床需求。

近年來通過深度學習實現CT圖像上肝臟分割已有報道[5-7]，但肝段分割、體積測量乃至進一步運用到術前FLR %評估罕見。本研究基于U形全卷積神經網絡(U-shaped fully convolutional neural network,U-Net)，使用肝臟增強CT薄層圖像訓練深度學習模型，并驗證其準確性，旨在探討此模型植入臨床工作中的可行性。

材料與方法

本研究獲得北京大學第一醫院、北京大學深圳醫院倫理審查委員會的批準[2019(169)、2021(071)]。本研究為回顧性研究，按照北京大學第一醫院AI項目研發規范進行。

1.用例定義

根據本單位AI項目管理方法，首先定義研發增強CT薄層圖像Couinaud’s肝段分割模型用例(Use Case)。分割模型的目標對象定義為增強CT薄層圖像上基于Couinaud’s分類系統的肝段。AI模型的預測結果(即8個獨立的Couinaud’s肝段及肝段體積)用于半肝切除術(右半肝切除術、擴大右半肝切除術、左半肝切除術、擴大左半肝切除術)相應FLR %的計算。AI模型提供的數據包括8個獨立的Couinaud’s肝段分割結果及體積。

2.研究隊列的建立

回顧性收集2017年1月至2019年2月在北京大學第一醫院(醫學中心A)行腹部CT增強掃描連續病例的資料，為增加模型適用性，納入多種肝臟背景。……