[论文解读] TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI

Tugba Akinci D’Antonoli, Lucas K. Berger+17 more|arXiv (Cornell University)|May 29, 2024

Medical Image Segmentation Techniques被引用 22

一句话总结

本稿将 TotalSegmentator 概念扩展到 MRI，提出一个在 MRI 与 CT 上训练的与序列无关的 nnU-Net 模型，以自动在 MRI 中分割 80 个解剖结构，具有较高的 Dice 表现并进行外部验证。

ABSTRACT

Since the introduction of TotalSegmentator CT, there is demand for a similar robust automated MRI segmentation tool that can be applied across all MRI sequences and anatomic structures. In this retrospective study, a nnU-Net model (TotalSegmentator) was trained on MRI and CT examinations to segment 80 anatomic structures relevant for use cases such as organ volumetry, disease characterization, surgical planning and opportunistic screening. Examinations were randomly sampled from routine clinical studies to represent real-world examples. Dice scores were calculated between the predicted segmentations and expert radiologist reference standard segmentations to evaluate model performance on an internal test set, two external test sets and against two publicly available models, and TotalSegmentator CT. The model was applied to an internal dataset containing abdominal MRIs to investigate age-dependent volume changes. A total of 1143 examinations (616 MRIs, 527 CTs) (median age 61 years, IQR 50-72) were split into training (n=1088, CT and MRI) and an internal test set (n=55; only MRI), two external test sets (AMOS, n=20; CHAOS, n=20; only MRI), and an internal aging-study dataset of 8672 abdominal MRIs (median age 59 years, IQR 45-70) were included. The model showed a Dice Score of 0.839 on the internal test set and outperformed two other models (Dice Score, 0.862 versus 0.759; and 0.838 versus 0.560; p<.001 for both). The proposed open-source, easy-to-use model allows for automatic, robust segmentation of 80 structures, extending the capabilities of TotalSegmentator to MRIs of any sequence. The ready-to-use online tool is available at https://totalsegmentator.com, the model at https://github.com/wasserth/TotalSegmentator, and the dataset at https://zenodo.org/records/14710732.

研究动机与目标

• 开发一个稳健的、序列无关的自动分割工具，用于跨多个解剖结构的 MRI。
• 利用多模态训练方案（MRI 和 CT）以提升 MRI 的分割性能。
• 在内部和外部测试集上评估性能，并与其他模型及先前的 TotalSegmentator CT 进行比较。
• 提供开源、可直接使用的模型和在线工具，供临床在器官体积测量、疾病特征描述和计划中的实际应用。

提出的方法

• 在综合 MRI 与 CT 数据集上训练基于 nnU-Net 的 TotalSegmentator 模型，以分割 80 个解剖结构。
• 使用 Dice 分数对照专家放射科医生的参考，在内部和外部测试集上评估分割性能。
• 将 TotalSegmentator MRI 与另外两种模型及 TotalSegmentator CT 作为基准进行比较。
• 使用常规临床研究的回顾性采样，以反映真实世界的数据变异性。
• 使用内部腹部 MRI 老化数据集分析与年龄相关的体积变化。
• 发布开源代码、在线工具和数据集链接以提高可重复性。

实验结果

研究问题

• RQ1 单一的、序列无关的模型是否能够在多种序列下可靠地在 MRI 中分割 80 个解剖结构？
• RQ2 在内部和外部的 MRI 测试集上，与替代模型及先前的基于 CT 的版本相比，MRI 训练的 TotalSegmentator 的表现如何？
• RQ3 该模型在腹部 MRI 数据集中检测与年龄相关的体积变化的能力如何？

主要发现

• 模型在内部 MRI 测试集上取得了 Dice 分数 0.839。
• 相较于另外两种模型，Dice 分数分别为 0.862 对 0.759（p<0.001）和 0.838 对 0.560（p<0.001）。
• 研究使用了 1143 次检查（616 例 MRIs，527 例 CTs）用于训练和测试，外部 MRI 测试在 AMOS（n=20）和 CHAOS（n=20）。
• 分析了一个包含 8672 例腹部 MRI 的内部老化数据集，以研究年龄相关的体积变化。
• 该方法将 TotalSegmentator 扩展到任意序列的 MRI，并以开源形式发布，提供在线工具。