近日，在磁共振领域全球规模最大、学术性最强、行业内最具权威性和影响力的学术盛会之一——国际医学磁共振学会(ISMRM)年会2022在英国伦敦举行。数坤科技分别与北京友谊医院、中山大学附属第三医院、中山大学附属肿瘤医院等机构合作的三篇论文均被ISMRM会刊收录。大会每年都会收到来自世界各地的磁共振专家学者的投稿，其审稿选稿十分严格，代表了目前磁共振成像领域的最新发展方向，在医疗及学术界具有极高权威性。
肝脏疾病影响着全球数以千万计的人群的健康，在中国有超过五分之一的人群受到肝脏疾病的困扰。MRI检查具有多方位、多参数、高软组织分辨力的成像优势，已成为常用的肝脏影像学检查方法。
然而，目前将前沿的深度学习技术与肝脏MR影像结合起来的研究、临床应用的探索并不多。本次，数坤与全国顶级三甲医院、顶级大学研究院合作投稿的三篇论文均被收录，内容涵盖了基于深度学习模型的肝脏、肝段、血管分割和重建，及基于深度学习模型的肝脏动态增强核磁图像配准和自动减影方法，在肝脏MR人工智能领域实现了创新突破，具有引领意义。
【一】
数坤科技*首都医科大学附属北京友谊医院
《Deep Learning Algorithm for Automated Liver Segmentation Using Portal Venous Phase Magnetic Resonance Images》
（《基于Deep Learning 方式的肝脏/肝段分割可行性评估》）
在MR影像下对肝脏组织进行高效、精准的勾画提取，是肝脏疾病智能诊断、手术规划及术中指导的基础。目前，基于Couinaud分段法的解剖性肝切除是当前主流的手术方式。这要求影像科医生在报告中对肝脏分段的精准描述，协助外科医生进行精准手术计划及预后判断。
此前，利用深度学习技术（卷积神经网络）对腹部MR增强检查全序列影像下的肝脏组织自动分割研究很少见。一方面，由于肝脏解剖结构复杂、临近脏器低对比度及病变等原因，肝脏分割在医学图像处理领域仍具有相当的挑战性；另一方面，临床上MR多序列多对比成像能全面反应组织和病变特征，然而同时对MR每个序列进行分析最难也最耗时。
本次大会中，数坤科技与首都医科大学附属北京友谊医院合作开展研究的发表，填补了此领域的空白。本研究基于数坤科技研发的一种深度学习神经网络，在全球范围内首次利用AI完成了腹部MR增强检查全序列影像的肝脏自动分割，在肝背景较好和一些晚期肝硬化或多发性肝转移等复杂性肝脏疾病中均取得了优秀的分割效果，突破了肝脏MR AI技术瓶颈。基于此自动生成门静脉期的肝段分割，为后续进行MR多序列组合的病变诊断和精准定位提供了可靠基础。
结果评估中，将AI模型分割的肝脏图像与两位5年以上的高年资医师分割结果进行比较，采用DSC（the dice similarity coefficient）及RV（volume ration）系数评估来该模型的肝脏分割的准确性。
研究数据显示，反应模型对不同肝段分割准确度的DSC系数在87.21~92.72之间，对于全肝分割的DSC系数为94.41。不同肝段分割的RV系数在0.90~1.20之间。该模型在Xeon（R) Silver 4210R 和GeForce RTX 2070 GPU加速器上运算用时为8.2±2.4秒。
利用深度学习模型进行肝脏及肝段自动分割的评估结果如下：
深度学习模型对健康肝脏进行分割实例
深度学习模型对异常肝脏进行分割实例
全球首发的肝脏MR AI系统，不仅在全球率先实现了核磁增强检查下全序列的肝脏自动分割分段，为后续进行MR多序列组合的病变诊断提供了可靠基础；本次研究也进一步验证了数坤引领全球的技术能力及临床洞察。
【二】
数坤科技*中山大学附属第三医院
《Automatic segmentation and reconstruction of liver vascular structure on MRI with a deep learning model》
（《基于Deep Learning 方法的肝脏血管分割及VR重建》）
肝脏存在复杂的动静脉血管分布及丰富的血流供应，临床上，对肝脏血管结构准确分析对肝脏解剖结构分析、疾病诊断，尤其是手术规划具有重要意义。肝脏MR具有优异的软组织对比度，然而其图像空间分辨率较肝脏CT图像差，故目前基于血管的重建多在CT图像上进行。临床上，往往需要患者同时进行MR和CT两类增强检查，不仅辐射剂量增加、费用高，且易造成碘造影剂过敏引起其他临床问题。
由肝脏MR图像序列可三维重建清晰的肝实质和肝血管立体图像，并且可进一步探索肝叶段间血管及胆管的走行及相互关系，更有优势。基于深度学习技术对肝脏MR血管自动分割及重建技术难度高，目前鲜有研究涉及此领域。
本次研究中，研究者提出一个完全自动的肝脏血管分割重建算法，能对3D对比增强MR图像的包括门静脉、肝静脉及下腔静脉进行准确分割。该深度学习网络由数坤科技自主研发，自动分割肝脏血管重建的深度学习神经网络模型可见下图。
用于分割的复合深度学习网络结构总览
为测试该网络的结果，试验过程中统一培训了两位影像医师检查MRI图像样本，并请医师采用ITK-SNAP软件对于每个序列的目标血管手动完成分割。采用DICE相似系数（DSC）、平均表面距离（MSD）、豪斯多夫距离（HD）及容积率（RV）评估模型在测试集中血管精准分割的表现。
评估结果如下：
肝脏影像轴状位自动分割的一个实例
深度学习提取肝脏血管的3D影像实例
本次研究结果显示，数坤科技研发的复合深度学习网络可自动提取 3D 对比增强门静脉期 MR 图像上的门静脉、肝静脉和下腔静脉血管，精准度甚至可与CT影像媲美。其临床实施意义巨大。这不仅能减轻多次扫描对患者带来的身心压力，使亿万患者受益；AI 自动化、更一致的分割重建结果，也为医生节省时间，结果更准确。高精度的肝脏MR血管自动分割及重建，可进一步探索肝叶段间血管及胆管的走行及相互关系，为疾病精准诊断及手术规划奠定基础。
【三】
数坤科技*中山大学附属肿瘤医院、华南肿瘤生物学国家重点实验室、清华大学医学院生物医学工程系生物医学影像研究中心
《Deep Learning Method Based Automatic Subtraction of Liver DCE-MR Images》
（《基于Deep Learning 模型的肝脏增强图像配准及减影方法》）
MR 增强减影是临床上常用的一种后处理技术，辅助医生正确评估病变在增强前后的信号变化，为T1W1高信号的占位性病变提供有价值的影像学依据，是诊断包括肝癌等肝脏局灶性病变的重要手段。一张好的减影图像能完全消除病变周围背景组织的干扰, 使病灶大小、边缘及其内部的强化情况清晰显示，有利于细小和强化不明显的病灶显示，提高诊断的准确性和阅片速度，同时对临床诊断和治疗具有指导意义。
然而，成功的减影并不容易，需要依赖于增强前后图像的精确配准。而扫描中患者运动造成的伪影，如呼吸、心跳、肠蠕动等，均可导致配准误差，而影响减影效果。利用传统刚性配准无法克服此类问题，减影图像的质量欠佳。
本研究中开发了一种基于深度学习的非刚性配准算法，使用数个解剖标志关键点测量配准后位移，并自动生成肝脏减影图像。为检测该模型，将传统减影技术、设备商提供的软件（Inline Liver Registration，Siemens Healthcare）与深度学习模型进行了比较。
结果显示，与人工标注的数据做比较，深度学习模型平均DICE系数一致性为0.8624。在配准误差表现上，深度学习模型在LAP、PVP、DP期的误差均小于其他两种方式，误差值最多减少了2/3。
详细数据见以下表格：
未配准的传统减影方式在 LAP、PVP、DP期的误差分别为 26.79±5.23、28.67±5.46、31.47±6.93；
采用传统工作站后，误差值有所减少，为15.78±5.47、17.78±4.03、19.12±4.83；
应用深度学习算法模型误差值显著减少，分别为11.07±2.97、12.57±3.54、13.52±3.74
和MRI设备厂商自带软件处理的图像相比，研究中的深度学习模型表现更佳。
深度学习模型与设备厂商减影结果对比实例，红色箭头指示出二者不同之处
此外，深度学习模型在效率上有着显著优势，在配置了64G内存及11GB 显存的图形处理单元的个人电脑上（2080Ti,英伟达，SantaClara,CA,USA），模型完成一例肝脏自动减影的平均耗时仅为0.88±0.14秒。
该研究表明，采用基于深度学习的非刚性配准算法，可极大提高运动图像的配准效果，且更高效、便捷，帮助临床医生对肝脏局灶性病变做出高效精准诊断。
这些研究中使用的深度学习神经网络均由数坤科技自主研发。此前，数坤在行业内率先发布首个肝脏MR人工智能解决方案，开创了AI引领临床治疗的新模式。这些前沿的研究成果，进一步验证了数坤在肝脏MR及人工智能领域强大的科研实力、技术创新能力及临床洞察，充分展现了数坤的研究和开发能力。这些算法模型已经应用于数坤AI产品中，更好地服务临床。
数坤一直致力于利用原研创新AI技术服务医学科研及临床急需；借助AI力量，真正释放医生的核心实力，把医生从繁琐、机械的工程化代码中解放出来，为医生提供从科研想法到科研成果的一站式服务，让影像数据真正成为医院和科室的重要数据资产。
- 推荐阅读 -

继续阅读
阅读原文