基于 MRI 的胎儿脂肪自动量化

正常胎儿脂肪组织（AT）发育对围产期健康至关重要。AT，或简称脂肪，以脂质形式储存能量。营养不良可能导致脂肪过多或不足。尽管既往研究显示了 AT 量与围产期结局的相关性，产前 AT 评估受限于缺乏定量方法。利用磁共振成像（MRI），可从两点 Dixon 图像获得整个胎儿的 3D 仅脂肪与仅水图像，以实现 AT 脂质量化。本文首次提出一种基于 Dixon MRI 开发深度学习胎儿脂肪分割方法的方法学。它优化了放射科医生的手动胎儿脂肪勾画时间以生成标注训练数据集。其包含两步：1）基于模型的半自动胎儿脂肪分割，由放射科医生审核并修正；2）使用在所得标注数据集上训练的深度学习网络进行自动胎儿脂肪分割。训练了三个 DL 网络。我们显示相较手动分割，分割时间（3:38 小时至 < 1 小时）与观察者变异性（Dice 从 0.738 至 0.906）显著改善。使用 3D Residual U-Net、nn-UNet 与 SWIN-UNetR 变换器网络对 24 个测试例的自动分割分别产生 0.863、0.787 与 0.856 的平均 Dice 分数。这些结果优于手动观察者变异性，且与自动成人与儿童脂肪分割相当。一名放射科医生审核并修正了使用性能最佳网络分割的六个新独立病例，得到 0.961 的 Dice 分数与显著减少至 15:20 分钟的修正时间。利用这些新分割方法与短 MRI 采集时间，可在临床与大队列研究中对个体胎儿进行全身皮下脂质量化。