腹部CT多臟器的自動分割可以提高疾病診斷、預后分析和治療計劃等臨床工作流程的效率。然而，大量帶人工標注的臨床CT數據導致分割模型的標注過程非常耗時，而且多尺度病人臟器與形狀變化和臟器邊界模糊效應導致自動精準的腹部CT多臟器分割充滿挑戰。
對此，研究團隊提出了一種混合形變模型(Hybrid Deformable Model, HDM)的新型數據擴充方法，緩解了因訓練數據不足導致的網絡過擬合問題。HDM由不同病人間的臟器配準形變和同一病人內的臟器隨機形變組成。相比于傳統的數據擴充方法，HDM因其產生幾何變化的多樣性，使網絡更能捕捉到腹部CT中不同形態的臟器位置。HDM不僅能用于醫學圖像分割，還可以用于圖像配準和圖像重建，有望成為一種基于深度學習的通用數據擴充方法。此外，研究團隊設計了一個基于三維注意力機制的多尺度特征融合網絡，有效地降低了網絡的訓練難度并提升了分割精度。通過在多中心的腹部CT數據上的交叉驗證，結果顯示研究團隊提出的方法成功實現了腹部CT多臟器智能分割。
該研究得到了國家重點研發專項、國家自然科學基金聯合基金、國家自然科學基金面上項目等的支持。
圖1 研究團隊提出的腹部CT多臟器分割框架的示意圖
圖2 分割結果圖 第1-2行分別為手動分割和提出的分割方法的三維效果圖，第3-5行表示不同CT層面的分割結果。第1-3列分別為較差、中等和較好的分割結果。顏色(a)-(h)分別表示脾臟、左腎、膽囊、食管、肝臟、胃、胰腺和十二指腸。
