软组织肿瘤（STTs）是一种罕见的肿瘤，具有广泛的分化范围，可发生在体内的多种部位。STT的进展在不同患者之间差异很大。STT的三维描绘，即分割，需要用于多种目的，如靶向（NEO）辅助放疗计划、定量成像生物标志物（放射组学）计算、计算实体肿瘤反应评价标准（RECIST）。目前，这些分割必须手动进行，这对医生的时间造成了很大的负担，增加了医疗成本，并且依赖于观察者。因此，在临床实践中需要更省时、自动化的分割方法。

使用深度学习的全自动分割方法已被证明在医学成像领域的各种应用中是成功的。然而，由于STT表型、位置和成像方式的广泛差异，在STT中的应用受到限制，这使得很难训练出一种适用于所有STT患者的全自动分割方法。因此，自动分割方法的性能仍将低于标准。一个潜在的解决方案可能是允许最少的人工交互，利用放射科医生的知识来指导分割，从而提高通用性，同时保持临床环境中的实际效率。

最近，发表在European Radiology 上的一篇文章开发了一种基于CT和MRI的基于最小交互深度学习的软组织肿瘤（STTs）分割方法，为临床的实践操作提供了技术支持。

本项研究交互式方法需要用户点击图像中肿瘤极端边界附近的六个点。这六个点被转换成距离图，并与图像一起作为卷积神经网络的输入。一个包含514名患者和7个解剖位置的9种STT表型的多中心公共数据集，使用CT或T1加权MRI进行训练和内部验证。为了进行外部验证，研究采用了另一个公共数据集，其中包括CT， T1加权MRI和T2加权脂肪饱和（FS） MRI上的五种未见的四肢STT表型。

内部验证结果显示，CT的骰子相似系数（DSC）为0.85±0.11（平均值±标准差），T1加权MRI为0.84±0.12。外部验证结果显示，CT的DSCs为0.81±0.08，T1加权MRI为0.84±0.09，T2加权FS为0.88±0.08。体积测量结果重复性一致，内部误差低(体积：1±28 mm³， r = 0.99；直径：- 6±14mm， r = 0.90)和外部(体积：- 7±23mm³， r = 0.96；直径：- 3±6mm， r = 0.99)。交互式分割时间（CT: 364 s， T1加权MRI: 258s）明显短于人工分割时间（CT: 1639s， T1加权MRI: 1895s）。

 表 nnU-Net， MIDeepSeg和InteractiveNet之间的表型特异性协议与参考分割

本项研究表明，最小交互分割方法有效地分割了CT和MRI上的STT表型，对未见表型和成像方式具有强大的泛化性。

原始出处：

Douwe J Spaanderman,Martijn P A Starmans,Gonnie C M van Erp,et al.Minimally interactive segmentation of soft-tissue tumors on CT and MRI using deep learning.DOI:10.1007/s00330-024-11167-8

Tags： European Radiology：基于深度学习的软组织肿瘤CT和MRI微创交互分割