基于U-Net实现CT图像上肝段自动分割和术前评估的初步研究

目的:评估基于U形全卷积神经网络(U-Net)对CT图像上Couinaud法肝段的自动分割及体积测量的准确性，探讨其用于半肝切除术剩余肝脏体积百分比(FLR%)评估的可行性。方法:回顾性收集医学中心A的腹部CT增强扫描数据(共170例)用于肝段分割模型的建立，先分割肝脏轮廓，再训练自动分割肝段的模型，最终获得各肝段体积。将放射科医生标注的肝段数据作为金标准。采用医学中心B的CT数据(50例)作为外部验证集，以平均Dice相似性系数(DSC)评价模型效能，分析比较模型与医师在肝段分割、体积测量、FLR%评估上的差异。结果:医学中心A所有数据随机分为训练集(132例)、调优集(19例)、测试集(19例)。外部验证集平均DSC值为(0.92±0.00),肝段平均体积最小为Ⅰ段[(37.59±1.26) mL],最大为Ⅷ段[(241.76±6.07) mL]。模型与手工标注FLR%评估结果一致性高(95%一致范围为0.9768～0.9906),在手术可行性预测上差异无统计学意义(P=0.25)。结论:基于U-Net的Couinaud’s肝段自动分割、体积测量并评估半肝切除术FLR%具有可行性。