European Radiology：增强胸部CT中深度学习自动肺分割的进步与发展

计算机断层扫描 (CT) 成像中的肺分割是检测和提取解剖学上的肺边界研究的重点。在几乎所有的胸部CT临床人工智能(AI)应用中，如肺结节检测等，自动肺分割是一个重要和必要的步骤。准确的扫描可以检测感兴趣的区域(肺实质)和去除混杂组织(心脏和纵隔结构)。手动分割耗时费力，且在观察者之间和观察者内部存在显著差异。

在平扫胸部CT检查领域，从传统的计算机视觉方法到新的计算机辅助技术有着广泛的应用范围。现阶段，临床上已经引入了使用卷积神经网络的深度学习方法，其性能已经超过了传统的手动分割方法。然而，在这一领域的绝大多数研究集中，技术的发展与底层网络架构或处理技术的进步并不协调。计算机断层扫描肺血管造影 (CTPA) 包括静脉注射造影剂，除了胸部CT上的其他结构外，还能评估肺血管。对于怀疑有肺栓塞（PE）和肺动脉高压 (PH) 的患者可常规进行。 目前深度学习分割算法的一个已知限制是无法分割高密度对象，如胸膜下实变。

近日，发表在European Radiology杂志的一项研究建立了一个准确的CTPA肺分割模型，并评估两个不同的肺高压(PH)和间质性肺疾病(ILD)患者队列的输出。

本项回顾性研究利用来自两个专家中心(英国和美国)的数据开发了一个基于nnU-Net的分割模型。采用骰子得分系数(DSC)和归一化表面距离(NSD)进行检验。输出的临床评估由两名放射科医生进行，并评估其中错误的临床意义。同时，对28例ILD患者的异质对比和平扫进行了外部验证。

研究纳入的225例PH和28例ILD患者具有不同的人口学和临床特征。平均准确度、DSC和NSD评分分别为0.998 (95% CI 0.9976, 0.9989)、0.990(0.9840,0.9962)和0.983(0.9686,0.9972)。并没有分割失败。在影像学检查中，82%的内部病例和71%的外部病例没有错误，分别有18%和25%的临床不显著的错误。其中，外周肺不张和实变是导致分段不理想的常见原因。1例(0.5%)外伤性食管扩张患者出现了显著的临床错误。

 表 每个队列中放射分割(RedSeg) 结果的临床评价和次优表现的失败分析

本项研究表明，最先进的CTPA肺分割模型在PH和ILD两个不同队列的评估中提供了准确的输出和最小的临床错误。

原文出处：

Krit Dwivedi,Michael Sharkey,Samer Alabed,et al.External validation, radiological evaluation, and development of deep learning automatic lung segmentation in contrast-enhanced chest CT.DOI:10.1007/s00330-023-10235-9