多项研究显示，人工智能（AI）在影像学诊断中的应用有望通过减少检测误差、提高准确性和改善疾病的非侵入性特征来彻底改变病人的护理及治疗。在癌症成像中，与大多数放射医师在标准护理和肿瘤学临床试验中使用的传统线性测量相比，肿瘤分割代表了对疾病负荷更精确的量化。与肿瘤分割相比，肿瘤的线性测量具有规则的椭圆体形态，对肿瘤大小的细微变化并不敏感，而且可受到技术因素的影响，如病人在扫描仪中的位置降低了观察者之间的一致性。肿瘤分割也是放射组学分析的先决条件，应用人工智能对肿瘤进行无创定性以指导最佳治疗，对跟踪单个肿瘤随时间变化的纵向分析也是必不可少的。尽管肿瘤分割对临床治疗和研究都有价值，但由于需要花费大量的时间和精力，肿瘤分割无法常规应用。

虽然人工智能已经改变了非医疗图像的自动处理，但由于放射学图像标签的时间密集型和过程所需的领域专家的稀缺，放射学人工智能的进展相对缓慢。健全的分割人工智能模型通常需要至少数千张标注的训练图像，然而由于模型通用性的限制和目标数据的转移，部署的模型可能需要额外的标注数据进行再训练。因此，依赖人工注释放射学数据进行完全监督学习是对放射学人工智能发展的一个重大挑战和障碍。

现阶段，临床上需要可扩展的自动图像注释技术以克服这种大规模手工操作的必要性，将主要的工作负荷从放射科医生转移到人工智能模型和数据科学家，而放射科医生则保持监督和确保模型性能的关键作用。在以前的研究中提出了一个自动管道，该管道对PACS中临床生成的肿瘤线测量注释进行数据挖掘，并采用半监督学习（SSL）来生成训练图像中未标记的肿瘤周围的边界框，实现了脑部MRI的准确肿瘤检测。在使用由成熟的临床放射学工作流程产生的图像注释实现高性能时，该管道避免了完全监督学习中固有的手动注释瓶颈，并为模型再训练提供了连续的注释数据来源。

近日，发表在European Radiology杂志的一项研究探讨了PACS数据挖掘和肿瘤检测管道使用完全自动化的人工智能方法进行扩展以实现对颅脑MRI上强化肿瘤准确分割的能力，为该技术在肿瘤影像学中的进一步应用提供了技术支持。

本项回顾性研究利用从PACS中挖掘出的临床注释训练的肿瘤检测模型与无监督分割相结合，在T1加权强化图像（9911张图像，3449名成年患者）上生成增强肿瘤的划分。在一个半监督学习（SSL）框架内训练并采用基线分割模型来完善划分。在每个自我完善周期之后，对319个手动分割的图像（93名成年患者）进行新的模型训练和测试，SSL周期持续到Dice评分系数（DSC）达到峰值。使用自举重样法对DSCs进行了比较。利用表现最好的模型，比较了两种推断方法：(1)传统的全图像分割，(2)一种混合方法，将全图像分割与检测加图像斑块分割相结合。 

基线分割模型的DSC分别为0.768（U-Net）、0.831（Mask R-CNN）和0.838（HRNet），随着自我精炼的进行，分别提高到0.798、0.871和0.873（每个P<0.001）。混合推理的表现优于单独的全图像分割： DSC 0.884（Mask R-CNN）对0.873（HRNet），p < 0.001。 

图 自我完善过程中的划分演变实例。使用阈值与检测到的肿瘤界线盒协同自动生成的基线划分的示例 (前两列)。最初有噪音的划分在HRNet结构的连续自我完善周期中得到改善（第三至第五列）

本项研究表明，从PACS中挖掘出的线条注释可以在一个自动管道中被利用以产生准确的颅脑MRI肿瘤分割模型，而不需要手动分割的训练数据，为临床提供了一个机制来快速建立跨放射学模式的肿瘤分割能力。

原文出处：

Nathaniel C Swinburne,Vivek Yadav,Krishna Nand Keshava Murthy,et al.Fast, light, and scalable: harnessing data-mined line annotations for automated tumor segmentation on brain MRI.DOI:10.1007/s00330-023-09583-3