影像学在肝细胞癌（HCC）的筛查、监测、诊断、分期和治疗反应评估中起着核心作用。根据肿瘤的血管特征（动脉期的高强化和门静脉/延迟期的廓清），可以用计算机断层扫描（CT）和磁共振成像（MRI）进行准确诊断。HCC治疗反应的影像学评价主要是通过动脉期和门静脉期的大小和坏死的百分比来评估。治疗前和治疗后的肿瘤测量是在单个层面上的最大轴向直径进行的。然而，这种评估价值十分有限，容易受到观察者之间差异的影响。肿瘤体积评估可能更准确和精确，对治疗计划和反应评估更有价值。然而，这些测量方法十分耗时，在临床实践中并不实用。现阶段，容积肿瘤分割也被用于新兴的放射组学领域，从成像数据中提取大量的特征，因此，自动化和半自动化的肿瘤分割将有助于HCC的诊断、定性和对治疗的反应评估。

最近，深度学习（DL）作为人工智能（AI）的一个子领域，已经在各种复杂的任务中提供了令人鼓舞的结果。卷积神经网络工程（CNN）代表了DL的一个领域，可在学习过程中使用图像本身作为输入。一些临床应用已经提出并研究了CNN在影像学中的分类、检测和分割任务。特别是CNN的一种类型-U-Net架构，已被证明在医学成像分割任务中可进行稳健和高效的应用。现阶段，不同的DL算法已被应用于肝脏成像。最近的一项研究表明，一个具有U-Net结构的CNN可以用来分割肝脏，并在多参数MRI上自动检测和分割HCC病变、自动检测的病变和相应的人工分割之间的平均骰子相似系数（DSC）为0.64/0.68（验证/测试集）。

近日，发表在European Radiology杂志的一项研究评估了基于CNN的管道在MRI上对HCC肿瘤进行半自动分割的性能及能力，为临床对HCC肿瘤的更加快速及准确的评估提供了技术支持。

本项回顾性单中心研究纳入了292名在2015年8月至2019年6月期间病理证实为HCC的患者（237名男性/55名女性，平均年龄61岁），所有患者均在手术前接受了MRI。数据集被随机分为训练（n = 195）、验证（n = 66）和测试集（n = 31）。由3位独立的放射学家在不同的序列（T2加权成像[WI]，T1WI动脉[AP]、门静脉[PVP]、延迟[DP，对比后3分钟]和肝胆相[HBP，使用钆喷酸的强化前后图像，以及扩散加权成像[DWI]）上手动放置感兴趣的体积（VOIs）。人工分割被用作训练和验证基于CNN的管道的基础真理。对于肿瘤的半自动分割，研究在VOI内随机选择一个像素，由CNN提供两个输出：单层面和容积输出。使用三维Dice相似性系数（DSC）分析了分割性能和观察者之间的一致性。 

在训练/验证集上总共有261个HCC被分割，在测试集上有31个。病变大小的中位数是3.0厘米（IQR 2.0-5.2厘米）。平均DSC（测试集）取决于MRI序列，单层面分割的范围在0.442（ADC）和0.778（高b值DWI）之间；体积分割的范围在0.305（ADC）和0.667（T1WI前）之间。两种模型之间的比较显示在单片分割方面有更好的表现，在T2WI、T1WI-PVP、DWI和ADC上有统计学意义。分段分析的观察者间重现性显示，1至2厘米的病变平均DSC为0.71，2至5厘米的病变为0.85，大于5厘米的病变为0.82。 

图 在单层面和体积分割分析中，每个MRI序列显示的测试集的平均Dice相似性系数（DSC）得分

CNN模型在半自动HCC分割中具有一般到良好的性能，取决于序列和肿瘤大小，单其中层面方法的性能更好。因此在未来的研究中，研究需要对体积方法进行完善。 

原文出处：

Daniela Said,Guillermo Carbonell,Daniel Stocker,et al.Semiautomated segmentation of hepatocellular carcinoma tumors with MRI using convolutional neural networks.DOI:10.1007/s00330-023-09613-0

Tags： European Radiology：基于卷积神经网络的肝细胞癌MRI半自动化分割