TotalSegmentator：CT 图像中 104 个解剖结构的鲁棒分割
图像与视频处理
2023-08-21 v2 计算机视觉与模式识别
摘要
我们提出了一种深度学习分割模型，可自动且鲁棒地分割全身 CT 图像中的所有主要解剖结构。在这项回顾性研究中，使用 1204 例 CT 检查（来自 2012、2016 和 2020 年）分割了 104 个与器官体积测定、疾病表征、手术或放疗规划等应用场景相关的解剖结构（27 个器官、59 块骨骼、10 块肌肉、8 条血管）。CT 图像从常规临床研究中随机采样，因此代表了一个真实世界数据集（不同年龄、病理、扫描仪、身体部位、序列和站点）。作者在该数据集上训练了 nnU-Net 分割算法，并计算 Dice 相似系数（Dice）以评估模型性能。训练后的算法被应用于第二个包含 4004 例全身 CT 检查的数据集，以研究年龄依赖的体积和衰减变化。所提出的模型在包含广泛临床数据及主要病理的测试集上显示出高 Dice 分数（0.943）。在独立数据集上，该模型显著优于另一公开可用的分割模型（Dice 分数分别为 0.932 与 0.871）。衰老研究显示，年龄与多种器官组的体量和平均衰减之间存在显著相关性（例如，年龄与主动脉体积；年龄与固有背侧肌群的平均衰减）。所开发的模型实现了 104 个解剖结构的鲁棒且准确的分割。标注数据集（https://doi.org/10.5281/zenodo.6802613）与工具包（https://www.github.com/wasserth/TotalSegmentator）已公开可用。
引用
@article{arxiv.2208.05868,
title = {TotalSegmentator: robust segmentation of 104 anatomical structures in CT images},
author = {Jakob Wasserthal and Hanns-Christian Breit and Manfred T. Meyer and Maurice Pradella and Daniel Hinck and Alexander W. Sauter and Tobias Heye and Daniel Boll and Joshy Cyriac and Shan Yang and Michael Bach and Martin Segeroth},
journal= {arXiv preprint arXiv:2208.05868},
year = {2023}
}
备注
Accepted at Radiology: Artificial Intelligence