TissUnet：通过成人期间改进的颅外组织和颅骨分割
计算机视觉与模式识别
2025-06-10 v2 人工智能
摘要
颅外组织在脑磁共振成像(MRI)上可见，可能对表征健康状况和临床决策具有重要价值，但鲜有被量化。当前工具在发育脑或潜在病理情况下的验证效果不佳。我们提出TissUnet，这是一种深度学习模型，可从常规三维T1加权MRI（有或无对比增强）中对颅骨、皮下脂肪和肌肉进行分割。该模型在155对MRI-CT扫描上进行训练，并在覆盖宽广年龄范围并包括脑肿瘤患者的九个数据集上进行验证。与来自37对MRI-CT对的AI-CT派生标签相比，TissUnet在健康成年人队列中达到中位数Dice系数为0.79[置信区间：0.77-0.81]。在第二个验证中使用专家手动注释，健康人群的中位数Dice为0.83[置信区间：0.83-0.84]，恶性肿瘤病例为0.81[置信区间：0.78-0.83]，超越了以往的最先进方法。可接受性测试在由平局裁决员(N=108个MRI)裁决后达到89%的接受率，TissUnet在盲目比较审查(N=45个MRI）中表现出色，包括儿童人群中的健康和肿瘤病例。TissUnet实现了颅外组织的快速、准确且可重复的分割，支持基于常规脑T1w MRI的大规模颅面形态学、治疗效果和心血管代谢风险研究。
引用
@article{arxiv.2506.05660,
title = {TissUnet: Improved Extracranial Tissue and Cranium Segmentation for Children through Adulthood},
author = {Markiian Mandzak and Elvira Yang and Anna Zapaishchykova and Yu-Hui Chen and Lucas Heilbroner and John Zielke and Divyanshu Tak and Reza Mojahed-Yazdi and Francesca Romana Mussa and Zezhong Ye and Sridhar Vajapeyam and Viviana Benitez and Ralph Salloum and Susan N. Chi and Houman Sotoudeh and Jakob Seidlitz and Sabine Mueller and Hugo J. W. L. Aerts and Tina Y. Poussaint and Benjamin H. Kann},
journal= {arXiv preprint arXiv:2506.05660},
year = {2025}
}
备注
44 pages, 4 tables, 6 figures, supplementary material