乐于分享
好东西不私藏
当前位置：夜雨聆风 > 技术教程 > 软件教程 > AI精准分割子宫内膜癌MRI肿瘤:媲美专家水平,助力精准诊疗新突破

AI精准分割子宫内膜癌MRI肿瘤:媲美专家水平,助力精准诊疗新突破

当前时间： 2026-04-25 12:48:53 更新时间： 2026-04-25 分类：软件教程 评论(0)

AI精准分割子宫内膜癌MRI肿瘤:媲美专家水平,助力精准诊疗新突破

子宫内膜癌作为工业化国家最常见的妇科恶性肿瘤，术前精准评估肿瘤范围、体积与侵袭性，是制定手术方案与个体化治疗的核心关键。传统人工肿瘤分割耗时费力，难以适配临床高效需求，而深度学习技术的崛起，为医学影像自动化分析带来了全新可能。

近日，一项发表于Scientific Reports的研究，利用3D卷积神经网络（3D CNN） 实现子宫内膜癌MRI肿瘤全自动分割，其精度与一致性达到人类专家水平，为子宫内膜癌术前风险分层、个性化治疗提供了强有力的技术支撑。

一、研究背景：临床痛点与技术需求

  1. 疾病现状子宫内膜癌多数早期患者可通过手术治愈，但约15%会出现复发，预后极差；术前MRI是评估肿瘤局部侵犯的核心手段，肿瘤体积、纹理特征是预测高危疾病与生存期的重要指标。

  2. 临床痛点人工全容积肿瘤分割工作量极大，无法在日常临床中常规开展，亟需自动化、高精度的分割工具替代人工。

  3. 技术趋势深度学习与CNN在医学影像领域应用广泛，3D MRI成像更适合癌症术前规划，基于3D CNN的肿瘤自动分割成为研究热点。

二、研究核心内容：AI分割结果与专家高度一致

本研究纳入139例子宫内膜癌患者术前盆腔MRI数据，采用3D U-Net模型完成肿瘤自动分割，通过多维度指标验证AI性能，核心结果通过图表直观呈现：

1. Figure 1：3D肿瘤分割可视化对比

Figure 1 3D体积渲染与轴位切片分割对比
  • 左侧：AI分割与人工分割的3D体积渲染，橙色为真阳性（一致区域），蓝色为假阴性、紫色为假阳性（差异区域）；
  • 右侧：3组轴位MRI切片+肿瘤局部放大，清晰展示AI与人工分割轮廓；
  • 关键发现：AI分割误差主要集中在肿瘤边缘，核心肿瘤区域识别高度精准。

2. Figure 2：2D肿瘤轮廓分割一致性

Figure 2 AI与两位专家的2D肿瘤轮廓对比
  • 红色实线为AI、专家1、专家2的肿瘤分割轮廓，叠加在MRI VIBE序列图像上；
  • 量化结果：DSC_ML,R1=0.96、DSC_ML,R2=0.89、DSC_R1,R2=0.90，AI与专家轮廓重合度极高。

3. Figure 3：肿瘤体积测量无显著差异

Figure 3 两位专家与AI的肿瘤体积箱线图
  • 箱线图展示专家1、专家2、AI测量的肿瘤体积分布；
  • 统计结果：Friedman检验p=0.28，三者中位肿瘤体积无统计学差异，AI体积测量无明显偏差。

4. Figure 4：Bland-Altman分析：体积一致性卓越

Figure 4 专家间、AI与专家间肿瘤体积Bland-Altman图
  • 左图：专家1 vs 专家2，95%一致性界限±10ml，偏倚-1.46ml；
  • 中图：专家1 vs AI，95%一致性界限±21.8ml，偏倚1.94ml；
  • 右图：专家2 vs AI，95%一致性界限±27.5ml，偏倚3.4ml；
  • 关键结论：AI与专家的肿瘤体积测量一致性极高，组内相关系数（ICC）无显著差异。

5. Figure 5 + Table 1：分割精度多指标验证

Figure 5 DSC、HD、ASD指标箱线图对比
  • DSC（戴斯相似系数）：专家间中位0.89，AI与专家1为0.84，无显著差异（p=0.08）；
  • HD（豪斯多夫距离）：专家间中位5.15mm，AI与专家1为6.39mm，无显著差异（p=0.60）；
  • ASD（平均表面距离）：专家间中位0.42mm，AI与专家1为1.08mm，无显著差异（p=0.05）；
  • 亚型分析：子宫内膜样癌分割效果最优，非子宫内膜样癌因样本量小，差异无统计学意义。

三、实验及分析方法流程总结

  1. 研究对象139例经病理确诊的子宫内膜癌患者，2009-2019年于挪威霍克兰大学医院行术前盆腔MRI，分为训练集84例、验证集21例、测试集34例。

  2. MRI数据采集使用1.5T/3T西门子扫描仪，采用T1-VIBE脂肪抑制序列，统一参数扫描，DICOM格式转换为NIfTI格式。

  3. 人工分割标准两位盆腔影像经验丰富的放射科专家独立完成肿瘤3D分割，互盲操作，结果作为金标准。

  4. AI模型构建基于3D U-Net架构，Keras+TensorFlow框架，加入旋转、缩放、水平翻转等数据增强，输入尺寸(192,192,32)体素，RMSprop优化器训练，早停法防止过拟合。

  5. 评价指标

  • 体积一致性：Friedman检验、Bland-Altman、ICC；
  • 分割精度：DSC、HD、ASD；
  • 统计学检验：Wilcoxon符号秩检验，显著性水平α=0.05。

四、研究结论与展望

核心结论

  1. 3D CNN可实现子宫内膜癌MRI肿瘤全自动分割，肿瘤体积测量、轮廓分割精度达到人类专家水平；
  2. AI分割误差仅集中在肿瘤边缘，核心区域识别可靠，可稳定提取肿瘤体积与全容积纹理特征；
  3. 该工具可替代人工分割，实现实时全容积放射组学分析，助力术前风险分层与个性化治疗。

未来展望

  1. 扩大样本量，开展多中心、前瞻性研究，纳入不同设备、不同人群数据，提升模型泛化性；
  2. 结合半监督、弱监督学习，减少人工标注工作量，进一步提升分割精度；
  3. 推进临床转化，将AI分割工具整合到MRI诊断流程，实现子宫内膜癌精准诊疗落地。

论文基础信息

  • DOI：10.1038/s41598-020-80068-9
  • 发表期刊：Scientific Reports（Nature旗下）
  • 发表单位：挪威NORCE研究中心、霍克兰大学医院、卑尔根大学、美国梅奥诊所等