基于深度学习的小鼠全身扫描多器官分割

基于深度学习的小鼠全身扫描多器官分割

作为生物医药研究领域的支柱，动物模型被广泛的应用于相关科研工作。其中小鼠是最常用的生物载体，在影像技术的加持下对小鼠解剖结构的分割，可在器官损伤、药物摄取、生物标志物等相关领域得到广泛应用。然而，传统手动分割或半自动分割，容易出现人为误差，对实验结果造成负面影响。因此，为了避免人为主观因素影响，对小鼠解剖结构的自动分割在相关实验中显得尤为重要。

本实验，使用四种不同成像方式（CT、增强CT、普通显微镜成像、荧光染色显微镜成像）的数据集用于训练和评估AIMOS网络。CT、增强CT数据为来自Nature Scientific Data的公开数据集，CT数据由20只小鼠的140次扫描构成，CTA数据由于图像质量因素仅采用了其中的8只小鼠的81次扫描，这221次扫描均进行了手动标注。而两种显微镜成像来自，此中心之前实验的15只小鼠的15次扫描。之后采用 k—折交叉验证的方式，由深度学习网络自动划分了训练集、验证集、测试集。

AIMOS网络的预处理模块首先将数据集的冠状位影像通过减去其平均值并将其除以标准差来标准化信号强度，并将它们重新采样到网络所需的分辨率。然后随机旋转 (±10°) 和随机裁剪（降至原始图像区域的 80%）来进行数据增强。之后导入主干类似U-net的网络（图 1）进行深度学习，使用 soft-Dice 损失函数和 Adam 优化器进行训练，通过 sigmoid 函数产生了每个器官的体积概率图，通过Dice系数评判分割性能。最后为了验证AIMOS网络性能，实验与其他几种网络进行了对比。

AIMOS 网络能够与人类相当的准确度分割器官。在CT、增强CT数据集中心脏、肺、肝脏、膀胱、肠道和双肾的 Dice 分数中位数在 88% 到 93% 之间变化（图 2a、b）。Dice得分的中位数均高于人类专家注释的 Dice 得分（蓝线）表明 AIMOS在器官分割方面的表现匹配或超过了人类专家。而且在分割时间上AIMOS 网络仅需0.83秒，人工却要9小时。

在与其他自动分割网络对比时（图3），对于CT数据AIMOS在心脏方面获得了良好的结果(92%)，接近最好的结果(W19) 对于肺、肝、肾、脾、膀胱和肠道，AIMOS达到了迄今为止报道的最高Dice分数。总平均值88%，AIMOS是第二高的，仅次于（H18）。对于增强CT，AIMOS在肾脏方面取得了良好的结果，尽管略低于Y17对于所有其他器官(心、肺、肝、脾、膀胱、肠和胃)和骨骼，截止本文发表时AIMOS产生了的最高Dice分数。此外，89%的总体平均得分是迄今为止报道的最高水平。

同时，AIMOS 网络也适用于其他成像方式（图4），在两种显微镜成像上平均性能是相似的：普通显微镜成像Dice平均性能为84%，荧光染色显微镜成像Dice平均性能为86%。脾脏综合分割的Dice分数较低为 73%，大脑、心脏、肝脏、肺和肾脏的Dice综合分数介于肝脏的 83% 和心脏和肾脏的 89% 之间。

综上，AIMOS 是一种简单且精确的深度学习的网络，在取得较好一致性的同时，分割效率明显提高。未来的实验可能会进一步探索其鲁棒性和可解释性。