从未标注的CT数据中学习解剖结构：一种用于改进前列腺放射治疗分割的自监督框架

《MEDICAL PHYSICS》：Learning anatomy from unlabelled CT volumes: A self-supervised framework for improving prostate radiotherapy segmentation

本研究通过自监督切片预测预训练的轻量级2D U-Net模型，提升前列腺、精囊体等结构的CT图像分割精度，降低标注数据依赖，适用于资源有限临床环境。

　　

摘要

背景

在计算机断层扫描（CT）中准确地进行结构轮廓勾画对于前列腺癌的放射治疗至关重要，但这一过程仍然需要大量人工操作，并且容易受到观察者差异的影响，尤其是在处理前列腺、精囊（SV）和阴茎头（PB）等体积小、对比度低的器官时。深度学习模型可以自动化这一任务。然而，这些模型通常需要大型、完全标注的数据集，而这些数据集在临床环境中往往难以获得。

目的

本研究评估了自我监督（无标签）切片预测预训练是否能够提高分割性能，尤其是在标注数据有限的场景中。

方法

我们使用了322个盆腔CT数据集（其中215个来自UMMC，107个来自TCIA），并将它们按80:20的比例分为训练集和测试集（分别为258名训练患者和64名测试患者）。首先，我们使用一个轻量级的2D U-Net编码器在未标注的数据上进行预训练，该编码器能够处理轴向、矢状和冠状平面的切片预测任务。然后，使用完整数据集或60名标注患者的简化子集对预训练模型进行多类分割的微调。为了进行比较，我们还使用了从零开始训练的基线模型，这些基线模型分别采用1通道和3通道输入。分割准确性通过平均距离一致性（MDA）和Dice相似系数（DSC）进行评估。统计显著性通过带有Bonferroni校正的配对t检验来判定。

结果

经过自我监督预训练的模型在所有主要盆腔结构上的MDA值均有所下降。具体来说，膀胱的MDA从0.600毫米降至0.547毫米，股骨头的MDA从1.370毫米降至0.994毫米，阴茎头的MDA从1.470毫米降至1.283毫米，直肠的MDA从0.792毫米降至0.669毫米，前列腺的MDA从1.281毫米降至1.183毫米，精囊的MDA从1.175毫米降至0.893毫米。

结论

通过切片预测进行自我监督预训练能够实现基于解剖结构的特征学习，并在数据有限的条件下提高分割的稳定性。这种策略无需依赖手动标注即可提升分割精度，同时适用于计算资源有限的临床环境。

利益冲突声明

作者声明不存在利益冲突。