近日，北京协和医院放射科金征宇教授、孙昊教授团队完成的发明专利“基于深度学习卷积神经网络的自动分割前列腺全腺体方法”获得授权。这一方法从前列腺解剖结构特点出发，能够为临床提供更为精准的前列腺全腺体分割方法，可以用于前列腺癌分期自动判断和辅助制定放射治疗计划等领域。该研究得到了中央高水平医院临床科研专项的支持。

在前列腺磁共振（MR）图像上对全腺体进行精准地自动分割，能显著缩短分割时间，并提高分割结果一致性，对于前列腺癌、前列腺增生的病程管理发挥着重要作用，这一技术对于自动判断前列腺癌分期、制定放射治疗计划等具有显著的临床价值。近年来，基于深度学习的自动分割技术已在前列腺中开展探索应用，但既往研究大多基于单中心数据集或单一序列图像，且部分分割模型缺乏对于新数据的适应能力，模型难以准确预测异质性的外部数据集，泛化性欠佳。造成上述问题的原因在于没有充分考虑到不同序列的前列腺MR图像的分辨率差异较大，且没有从前列腺解剖结构出发解决分割难点问题。

▲分割结果示例：在T2WI和DWI上，模型自动分割（红线）与手动分割（绿线）在前列腺尖部、中部和底部（从左至右）均有良好重叠，T2WI上分割的总体DSC为0.931，DWI上分割的总体DSC为0.860

放射科团队基于前列腺MR图像的特点和前列腺解剖结构的特点，建立了一种基于深度学习卷积神经网络的自动分割前列腺全腺体方法、设备、系统及存储介质。这一方法将前列腺MR图像分为T2WI、DWI、ADC或DCE图像等多种类型，并将划分的前列腺尖部、中部和底部MR图像全部输入前列腺全腺体分割网络，得到前列腺尖部、中部及底部图像后，将自动分割所得到的结果合并，最终得到全腺体分割图像。

该方法通过在分割网络训练时分别进行分割模型训练的方式，系统解决了前列腺MR图像中不同序列图像分辨率差异较大的问题，并且在分割网络上采样模块和下采样模块上分别进行了调整。此外，团队充分考虑到前列腺的解剖结构差异，分别训练前列腺尖部、中部和底部分割网络，特别是对前列腺尖部分割网络进行了模型强化，以提升整体的分割效果。

孙昊介绍，这一技术通过优化训练流程、强化薄弱模块，实现了更为精准的前列腺全腺体分割，可以辅助前列腺癌放疗靶区快速勾画，并实现基于自动分割的前列腺全腺体形态学特征快速分析。

第一发明人：许梨梨

北京协和医学院2021级博士研究生。曾获2021年北京市优秀毕业生、北京协和医学院优秀毕业生、北京协和医院优秀住院医师、2020年度国家奖学金。研究方向为前列腺MRI影像学研究，以第一作者身份发表SCI论文8篇，研究成果发表于放射学顶刊Radiology等。

第二发明人：孙昊

主任医师，硕士研究生导师。以第一和通讯作者发表SCI论著38篇，承担国家级、省部级科研和教学课题8项。主要研究方向是泌尿及男性生殖系统放射影像诊断和人工智能转化研究。

文字/陈恔

图片/孙昊提供

编辑/肖雄