SegQC：基于分割网络的体数据医学图像多指标分割质量控制与分割错误检测框架

体数据医学图像中结构分割的质量控制对于识别临床实践中的分割错误和促进模型开发至关重要。本文介绍SegQC，一个用于分割质量估计和分割错误检测的新框架。SegQC计算体数据扫描及其各切片中分割质量的估计度量，并识别切片内可能的分割错误区域。其关键组成部分包括：1. SegQC-Net，一个深度网络，输入扫描及其分割掩膜，输出扫描中每个体素的分割错误概率；2. 三个新的分割质量指标，包括两个重叠指标和一个结构尺寸指标，由分割错误概率计算得出；3. 一种从分割错误概率计算得出的检测扫描切片中可能分割错误的新方法。我们引入了一种新的评估方案，基于放射科专家对自动生成分割的校正来衡量分割错误差异，该方案具有更小的观察者变异性，且更接近实际分割错误。我们在198例胎儿MRI扫描中的三个胎儿结构上展示了SegQC：胎儿大脑、胎儿身体和胎盘。为评估SegQC的优势，我们将其与无监督的测试时增强（TTA）质量估计进行比较。研究表明，对于胎儿身体和胎儿大脑结构分割，SegQC在皮尔逊相关系数和平均绝对误差（MAE）方面均优于基于TTA的质量估计。我们的分割错误检测方法在胎儿身体分割错误检测上实现了0.77的召回率和0.48的精确率，在胎儿大脑分割错误检测上实现了0.74的召回率和0.55的精确率。SegQC增强了对整体扫描和单个切片的分割指标估计，并提供了错误区域检测。