数据准备与手动分割
为深度学习模型提供训练和测试数据，并建立手动分割的金标准。
回顾性收集癫痫手术患者术后T1加权MRI，由专家在MRIcron中手动分割脑腔作为金标准；另收集健康对照和脑肿瘤病例用于假阳性检测和泛化性测试。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
基于三维深度学习的癫痫手术脑腔磁共振成像全自动分割
Fully automated three-dimensional deep learning-based magnetic resonance imaging segmentation of brain cavities in epilepsy surgery
实验完整度
高包含模型训练与交叉验证、多工具对比测试、假阳性检测（健康对照）及泛化性测试（脑肿瘤病例）等多个验证层级，且使用统计检验。
主要模型
癫痫手术患者术后T1加权MRI队列（120例） 健康对照无手术MRI（22例） 脑肿瘤切除术后MRI（20例）
重点核对
模型基于nnU-Net框架，使用72例术后T1加权MRI训练，5折交叉验证，1000轮/折 测试集包含48例癫痫患者，涵盖颞叶（23例）和颞叶外（25例） 术后图像采集时间中位数6.2个月（范围0.2-63.9个月） 与手动分割对比，采用DSC、Pearson相关系数、相对体积差异指标 健康对照22例用于假阳性检测，脑肿瘤病例20例用于泛化性测试
摘要
目的：确定癫痫手术后切除脑组织的量有若干临床和研究应用；然而，术后磁共振成像（MRI）的手动分割不精确且耗时。在本研究中，我们开发并评估了ResectVol DL，一种可免费获得的、基于深度学习的工具，可自动执行此任务。方法：为了创建ResectVol DL，我们使用癫痫手术患者的术后T1加权MRI训练了一个类似UNet的深度学习模型，并将其与手动勾画（金标准）进行了评估。还将ResectVol DL与三种自动化方法（ResectVol 1.1.2、DeepResection和Auto3DSeg）进行了比较，使用Dice相似系数（DSC）、Pearson相关系数和相对于手动分割的体积差异。为了评估假阳性检测和癫痫之外的泛化性，我们还处理了健康对照（无切除）和脑肿瘤病例的图像。结果：最终癫痫队列包括120名患者（57名女性，手术时平均年龄=31.5±15.9[标准差]岁），分为训练集（n=72）和测试集（n=48）。另外还纳入了42张图像（22名健康对照和20例脑肿瘤病例）用于测试假阳性和泛化性。不同方法的分割性能存在差异（Friedman检验，p<.001）。ResectVol DL取得了最高的中位DSC（.925），在Bonferroni校正后显著优于ResectVol 1.1.2、DeepResection和Auto3DSeg。体积指标在Auto3DSeg和ResectVol DL之间相似（r=.988，相对差异=8.4% vs. r=.985，8.1%；无显著差异），但Auto3DSeg在无手术对照中产生了三个假阳性腔（3/22，95%置信区间[CI]=3%–35%），而ResectVol DL和DeepResection未观察到假阳性（0/22，95%CI=0%–15%）。意义：ResectVol DL提供准确、全自动的术后切除腔分割，为癫痫手术的大规模术后影像研究提供了稳健且可重复的方法学工具。ResectVol DL还提供基于区域标记的体积信息，可能作为与手术结果相关的预测模型的潜在输入；然而，此应用尚未得到验证。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 本研究旨在开发并验证一种基于深度学习的全自动工具ResectVol DL，用于癫痫术后MRI中脑切除腔的自动分割，并评估其性能与泛化能力。
- 核心机制
- ResectVol DL采用nnU-Net框架，该框架基于3D U-Net架构，通过编码器-解码器结构及跳跃连接自动学习三维空间特征，实现脑腔的精确分割。
- 主要证据
- 在48例癫痫患者测试集上，ResectVol DL取得中位DSC 0.925，显著优于ResectVol 1.1.2（0.775）和DeepResection（0.072），与Auto3DSeg（0.919）相当；在22例健康对照中无假阳性（0/22），而在20例脑肿瘤患者中DSC为0.907。
- 研究意义
- ResectVol DL提供准确、全自动的术后切除腔分割，支持大规模术后影像研究，其体积信息可能用于预测手术结果，但该应用尚未验证。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
模型训练与验证
训练基于nnU-Net的深度学习模型，验证其分割性能。
使用训练集72例术后T1加权MRI训练nnU-Net模型，采用5折交叉验证，1000轮/折，损失函数为Dice和交叉熵之和，优化器为带Nesterov动量的SGD，并进行多种数据增强。
多工具性能对比
评估ResectVol DL与现有自动化工具在分割精度和体积一致性上的差异。
将ResectVol DL与ResectVol 1.1.2、DeepResection、Auto3DSeg在相同的48例癫痫测试集上比较，使用DSC、Pearson相关和相对体积差异。
假阳性检测与泛化性测试
评估ResectVol DL在无切除对照中的假阳性率，并测试其在非癫痫病例中的泛化性。
将ResectVol DL应用于22例健康对照（无切除）和20例脑肿瘤切除术后图像，评估假阳性率和分割性能。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 软件工具 | ResectVol DL | -- | -- |
| ResectVol 1.1.2 | -- | -- | |
| DeepResection | -- | -- | |
| Auto3DSeg | -- | -- | |
| 手动分割 | MRIcron | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据采集 | T1加权MRI图像，来自Siemens和Philips两种厂商共8台不同系统，场强1.5T或3T，体素大小范围0.41×0.45×0.41至1×2×1 mm³，重复时间7-2200ms，回波时间2.3-5.0ms，矩阵180×96至512×512 阅读提示：参见Methods 2.1和2.2节，及Table S2 |
| 模型训练 | 训练集72例，5折交叉验证，1000轮/折，损失函数Dice+交叉熵，优化器SGD（Nesterov动量μ=0.99），初始学习率0.01，多项式衰减，数据增强参数 阅读提示：参见Methods 2.3节 |
| 分割性能评估 | 测试集48例，手动分割作为金标准，评估指标包括DSC、Pearson r、相对体积差异，统计方法Friedman检验、Wilcoxon符号秩检验（Bonferroni校正） 阅读提示：参见Methods 2.5节 |
| 假阳性与泛化性测试 | 健康对照22例（无切除），脑肿瘤病例20例（切除术后），分别用于假阳性检测和泛化性测试 阅读提示：参见Methods 2.1节和Results 3.3节 |