北京協和醫院放射團隊發明更精準快捷的前列腺全腺體分割方法

近日，北京協和醫院放射科金征宇教授、孫昊教授團隊完成的“基于深度學習卷積神經網絡的自動分割前列腺全腺體方法”獲得發明專利授權。這項技術從前列腺解剖結構特點出發，通過優化訓練流程、強化薄弱模塊，實現了更為精準的前列腺全腺體分割，為臨床提供了更為精準的前列腺全腺體分割方法，可以用于前列腺癌分期自動判斷和輔助制定放射治療計劃等領域。

在前列腺磁共振（MR）圖像上對全腺體進行精準地自動分割，能顯著縮短分割時間，并提高分割結果一致性，對于前列腺癌、前列腺增生的病程管理發揮著重要作用，這一技術對于自動判斷前列腺癌分期、制定放射治療計劃等具有顯著的臨床價值。近年來，基于深度學習的自動分割技術已在前列腺中開展探索應用，但既往研究大多基于單中心數據集或單一序列圖像，且部分分割模型缺乏對于新數據的適應能力，模型難以準確預測異質性的外部數據集，泛化性欠佳。造成上述問題的原因在于沒有充分考慮到不同序列的前列腺MR圖像的分辨率差異較大，且沒有從前列腺解剖結構出發解決分割難點問題。

團隊基于前列腺MR圖像的特點和前列腺解剖結構的特點，建立了一種基于深度學習卷積神經網絡的自動分割前列腺全腺體方法、設備、系統及存儲介質。這一方法將前列腺MR圖像分為T2WI、DWI、ADC或DCE圖像等多種類型，并將劃分的前列腺尖部、中部和底部MR圖像全部輸入前列腺全腺體分割網絡，得到前列腺尖部、中部及底部圖像后，將自動分割所得到的結果合并，最終得到全腺體分割圖像。該方法通過在分割網絡訓練時分別進行分割模型訓練的方式，系統地解決了前列腺MR圖像中不同序列圖像分辨率差異較大的問題，并且在分割網絡上采樣模塊和下采樣模塊上分別進行了調整。此外，團隊充分考慮到前列腺的解剖結構差異，分別訓練前列腺尖部、中部和底部分割網絡，特別是對前列腺尖部分割網絡進行了模型強化，以提升整體的分割效果。

該研究得到了國家高水平醫院臨床科研專項資助的支持。