[论文解读] TotalSegmentator: robust segmentation of 104 anatomical structures in CT images

Jakob Wasserthal, Hanns‐Christian Breit+10 more|PubMed|Aug 11, 2022

Advanced X-ray and CT Imaging参考文献 19被引用 279

一句话总结

作者训练了一个公开可用的 nnU-Net 模型，在 CT 图像中对 104 个解剖结构进行稳健分割，展现出高准确性和广泛适用性，包括对一个大型全身 CT 队列的年龄相关分析。

ABSTRACT

The developed model enables robust and accurate segmentation of 104 anatomic structures. The annotated dataset (<i>https://doi.org/10.5281/zenodo.6802613</i>) and toolkit (<i>https://www.github.com/wasserth/TotalSegmentator</i>) are publicly available.<b>Keywords:</b> CT, Segmentation, Neural Networks <i>Supplemental material is available for this article</i>. © RSNA, 2023See also commentary by Sebro and Mongan in this issue.

研究动机与目标

• 开发一个 segmentation 模型，能够在 CT 图像中自动且稳健地分割 104 个解剖结构。
• 创建一个多样化、真实世界的训练数据集和人工标注，以最大限度提高泛化性。
• 公开访问该模型和训练数据，以促进在研究和临床规划中的广泛应用。

提出的方法

• 使用 nnU-Net 作为分割骨架，并对数据集进行自动配置。
• 在 1204 份 CT 检查中标注 104 个结构，并通过迭代完善来创建地面真值。
• 训练独立的高分辨率和低分辨率模型（1.5 mm 和 3 mm），并使用 Dice 和 NSD 指标进行评估。
• 与 BTCV 公共模型进行比较，以评估相对性能。
• 将训练好的模型应用于一个独立的年龄相关数据集（4004 份全身 CT 扫描），以研究年龄相关的变化。

实验结果

研究问题

• RQ1 单一模型是否能够在多样化 CT 图像中准确分割 104 个解剖结构？
• RQ2 1.5 mm 分辨率模型在分割准确性和边界精度方面与 3 mm 分辨率模型相比如何？
• RQ3 该模型是否能泛化到外部数据集（如 BTCV）以及在大型多发创伤队列中的年龄分析？

主要发现

• 测试集的 Dice 得分：0.943（95% 置信区间 0.938–0.947）。
• 3 mm 模型 Dice 得分：0.840（95%CI 0.836–0.844），NSD：0.966（95%CI 0.962–0.969）。
• 我们的1.5 mm模型在测试集上的表现优于基于 BTCV 模型的 nnU-Net（Dice 0.932 vs 0.871；p<0.001）。
• 在 BTCV 数据上，我们的1.5 mm模型达到 Dice 0.849 和 NSD 0.932。
• 年龄研究显示多种结构的体积/衰减与年龄之间存在显著相关性（例如主动脉体积 rs=0.64；p<0.001；背部肌群衰减 rs=−0.74；p<0.001）。
• 模型公开可用，含预训练权重和训练数据（TotalSegmentator），并且可在 CPU 上运行，RAM 小于 12 GB。