基于深度学习的儿童胰腺 MRI 分割
摘要
目标: 本研究旨在评估和验证 PanSegNet，这是一种用于儿童胰腺 MRI 分割的深度学习(DL)算法，针对因急性胰腺炎(AP)、慢性胰腺炎(CP)和健康对照儿童的 MRI 扫描。方法: 在伦理委员会批准下，我们retrospectively 收集了 84 例 MRI 扫描(1.5T/3T Siemens Aera/Verio)，来自 2-19 岁的儿童，于 Gazi University(2015-2024)。该数据集包括健康儿童以及基于临床标准诊断的 AP 或 CP 患者。儿童和一般放射科医生手动分割胰腺，然后由资深儿童放射科医生确认。PanSegNet 生成的分割结果采用 Dice 相似系数(DSC)和 95 百分位 Hausdorff 距离(HD95)进行评估。Cohen's kappa 用于衡量观察者间的一致性。结果: 获得来自 42 名 AP/CP 病人(平均年龄: 11.73 岁，标准差 ±3.9 岁)和 42 名健康儿童(平均年龄: 11.19 岁，标准差 ±4.88 岁)的胰腺 MRI T2W 扫描。PanSegNet 在对照组达到 DSC 88%，AP 组 81%，CP 组 80%，HD95 分别为 3.98 mm、9.85 mm、15.67 mm。观察者间 kappa 为 0.86(对照组)，0.82(胰腺炎)，内观察者一致性达到 0.88 和 0.81。在对照组 R^2=0.85，疾病组 R^2=0.77 时，自动化和手动体积之间 observed strong agreement，表明具有临床可靠性。结论: PanSegNet 是首个为胰腺 MRI 分割验证的深度学习解决方案，实现了健康和疾病状态下的专家水平性能。这一工具、算法以及我们标注的数据集均可免费提供于 GitHub 和 OSF，推动了儿童胰腺成像无辐射、可及性以及该领域缺乏研究的合作研究。
关键词
引用
@article{arxiv.2506.15908,
title = {Pediatric Pancreas Segmentation from MRI Scans with Deep Learning},
author = {Elif Keles and Merve Yazol and Gorkem Durak and Ziliang Hong and Halil Ertugrul Aktas and Zheyuan Zhang and Linkai Peng and Onkar Susladkar and Necati Guzelyel and Oznur Leman Boyunaga and Cemal Yazici and Mark Lowe and Aliye Uc and Ulas Bagci},
journal= {arXiv preprint arXiv:2506.15908},
year = {2025}
}
备注
Code and MRI data available for public