瑞士研究人员开发并测试了一种能够自动分割MRI图像主要解剖结构的鲁棒AI模型，该模型对扫描序列具有独立性。这项研究发表在北美放射学会（RSNA）旗下《Radiology》期刊上，研究显示该模型性能优于现有公开工具。
MRI可提供人体详细影像，对诊断神经系统疾病到骨骼肌肉损伤至关重要。为深入解读MRI影像，传统上需要人工标注器官、肌肉和骨骼，这一过程称为分割。瑞士巴塞尔大学医院放射科研究员Jakob Wasserthal博士指出："传统MRI分割需耗费放射科医生大量时间，且存在主观差异。自动化系统可降低工作量，减少人为误差并提高结果一致性。"
研究团队基于nnU-Net框架开发了名为TotalSegmentator MRI的开源分割工具。该自配置框架通过自动调整架构、预处理和训练策略，仅需少量人工干预即可适应新数据集。此前开发的CT版本TotalSegmentator CT已被全球30余万用户每日处理超10万张CT影像。
在回顾性研究中，团队使用616例MRI和527例CT检查数据训练模型，实现了80种解剖结构的序列无关分割。这些结构涵盖体积测量、疾病特征分析、手术规划和机会筛查等常规用途。研究显示，模型在内部MRI测试集上取得0.839的骰子系数评分，显著优于两个现有工具（0.862 vs 0.838和0.560），且与CT版本性能相当。Wasserthal强调："据我们所知，这是唯一能自动分割最多MRI结构的模型，可提升放射科工作效率，实现手工难以完成的测量。"
该模型除用于研究与AI产品开发外，未来或将在临床治疗规划、疾病进展监测和机会筛查中发挥作用。研究团队特别展示了模型在CHAOS外部测试集中最佳和最差结果的表现，证实其跨设备和成像参数的适应能力。
【全文结束】
