基于 nnU-Net 的 MRI 图像中前列腺腺体自动分割

准确分割 multiparametric MRI（mpMRI）中的前列腺腺体是广泛临床和研究应用的基础步骤，包括图像配准、体积估计和放射组学分析。然而，手动描绘耗时且受观察者间变异性影响，而通用分割工具往往无法为前列腺特定任务提供足够的准确性。本文提出了一种基于 nnU-Net v2 框架的专用深度学习方法，用于自动前列腺腺体分割。该模型利用多模态 mpMRI 数据，包括 T2 加权成像、扩散加权成像（DWI）和 apparent diffusion coefficient（ADC）图，以发挥补充组织信息的作用。训练在 981 例 PI-CAI 数据集上完成，采用全腺体注释。模型性能通过 5 折交叉验证和在 Hospital La Fe 的独立队列中 54 名患者的外部验证进行评估。本研究提出的模型在交叉验证中获得了 0.96 +/- 0.00 的平均 Dice 评分，在外部测试集上为 0.82，显示出尽管存在域迁移，仍具备强大的泛化能力。与此相比，通用方法（TotalSegmentator）表现显著低下，Dice 评分为 0.15，主要由于腺体分割不足。这些结果凸显了面向特定任务的多模态分割策略的重要性，并展示了该方法可被可靠地集成到临床研究工作流程中的潜力。为促进可重复性和部署，模型已完全容器化，可作为即插即用推理工具提供。