《Epilepsia》：Fully automated three-dimensional deep learning-based magnetic resonance imaging segmentation of brain cavities in epilepsy surgery
编辑推荐：
目的：确定癫痫手术后切除的脑组织量有多种临床和研究应用；然而，术后磁共振成像（MRI）的手动分割不精确且耗时。在这项研究中，研究人员开发并基准测试了ResectVol DL，一种免费可用的基于深度学习（deep learning）的工具，可自动执行此任务。
目的：确定癫痫手术后切除的脑组织量有多种临床和研究应用；然而，术后磁共振成像（MRI）的手动分割不精确且耗时。在这项研究中，研究人员开发并基准测试了ResectVol DL，一种免费可用的基于深度学习（deep learning）的工具，可自动执行此任务。
方法：为了创建ResectVol DL，研究人员使用来自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，并针对手动勾画（金标准）进行了评估。ResectVol DL还与三种自动方法（ResectVol 1.1.2、DeepResection和Auto3DSeg）进行了比较，使用的指标包括Dice相似性系数（DSC）、Pearson相关系数以及相对于手动分割的体积差异。为了评估假阳性检测和超越癫痫的泛化能力，研究人员额外处理了来自健康对照（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）。额外包括42张图像（22名健康对照和20名脑肿瘤病例）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达到了最高的中位DSC（.925），在Bonferroni校正后显著优于ResectVol 1.1.2、DeepResection和Auto3DSeg。Auto3DSeg和ResectVol DL的体积指标相似（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空腔（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提供了准确、全自动的术后切除空腔分割，为癫痫手术的大规模术后影像研究提供了一种稳健且可重复的方法学工具。ResectVol DL还提供了源自区域标注的体积信息，这可能作为与手术结局相关的预测模型的潜在输入；然而，此应用尚未得到验证。
**研究背景、问题与研究目的**
癫痫严重影响患者的生活质量、发病率和死亡率。约30%–40%的患者对药物治疗无反应，可考虑手术干预，尤其是存在结构性改变时。然而，高达50%接受手术的患者未能实现持续无发作。因此，识别可优化手术计划的因素至关重要。既往研究尝试确定手术成功的因素，并开发了列线图用于个体化结局预测，但多数手术结局研究仍将手术方式按粗略分类（如颞叶/颞叶外、海马保留与否），这种过度简化可能忽略了可用于预测模型的关键信息，例如切除部分的大小或体积（如海马的90%、颞上回的30%），而不仅仅是标记为“颞叶”或“颞叶外”。手动勾画切除空腔可提供体积信息并支持进一步研究，但该任务劳动密集、耗时，限制了大规模研究的可扩展性。因此，近年来自动化这一任务的需求增加，催生了深度学习和基于规则的工具。ResectVol 1.1.2和EPIC-Chop是基于统计参数映射工具箱的方法，依赖术后与术前图像相减，但基于规则的方法通常较慢且参数可能不适用于所有数据。基于深度学习的方法如Resseg和DeepResection常更准确，但需要大量多样化数据集。然而，目前尚无深度学习工具使用nnU-Net框架，该三维自适应架构在分割任务中表现优异。基于此，本研究目的有二：（1）引入ResectVol DL，一种基于nnU-Net的全自动深度学习方法，用于分割颞叶和颞叶外脑空腔；（2）将ResectVol DL与三种其他工具（ResectVol 1.1.2、DeepResection和Auto3DSeg）进行比较。论文发表在《Epilepsia》。
**主要关键技术方法**
研究人员采用回顾性队列设计，从克利夫兰诊所癫痫中心和坎皮纳斯大学神经影像实验室选取癫痫患者术后T1加权MRI，共120例（训练集72例，测试集48例）。额外纳入22名健康对照（无手术）和20例脑肿瘤术后患者（评估泛化性）。手动分割由两名专家在MRIcron中进行，作为金标准。研究人员基于nnU-Net深度学习框架开发ResectVol DL，该框架自动调整架构和训练参数。模型训练采用五折交叉验证，使用Dice损失和交叉熵损失函数，随机梯度下降优化。在测试集上，将ResectVol DL与ResectVol 1.1.2（需术前+术后图像）、DeepResection（仅需术后图像，2D U-Net+多数投票）和Auto3DSeg（自配置框架，集成多种架构）进行对比，评估指标包括Dice相似性系数（DSC）、Pearson相关系数、相对体积差异及假阳性率。
**研究结果**
**3.1 受试者**
癫痫队列共120例患者（57名女性，平均年龄31.5±15.9岁），其中45例颞叶癫痫、75例颞叶外癫痫。健康对照22例（14名女性，平均年龄28.8岁），脑肿瘤病例20例（8名女性，平均年龄36.0岁）。所有术后图像采集于术后≥5个月（中位6.2个月），避免坏死组织干扰。
**3.2 成像方案**
T1加权解剖MR图像来自8种不同MRI系统（Siemens和Philips），44例1.5T、118例3T，参数与质量各异，增强了评估的鲁棒性。
**3.3 ResectVol DL**
ResectVol DL在测试集上达到中位DSC 0.925（Q1–Q3: 0.882–0.945），显著优于ResectVol 1.1.2（中位DSC 0.775，p<0.001）和DeepResection（仅颞叶中位DSC 0.898，p<0.001），与Auto3DSeg（中位DSC 0.919）相比，尽管差异微小但统计显著（全癫痫数据p=0.024；颞叶p=0.022；颞叶外p=1.0）。体积相关性：ResectVol DL与手动体积的Pearson相关系数r=0.985，相对差异中位8.1%，与Auto3DSeg无显著差异（Δr=?0.004，p=1.0），但优于ResectVol 1.1.2（Δr=0.357，p=0.0024）。假阳性率：ResectVol DL和DeepResection在22例健康对照中均未产生假阳性（0/22，95% CI 0%–15%），而Auto3DSeg产生3例假阳性（14%），ResectVol 1.1.2产生22例假阳性（100%）。在脑肿瘤图像中，ResectVol DL达到中位DSC 0.907。仅1例体积最小（494.6 mm3）的颞叶外病例未被检测到（DSC=0）；另有3例因图像噪声、伪影或标注差异导致DSC<0.8。
**3.4 大空腔与小空腔**
Spearman相关分析显示，所有工具的空腔体积与DSC均呈显著正相关（ResectVol DL: ρ=0.630, p<0.05），表明大空腔分割性能更优。
**讨论与结论**
本研究报告了ResectVol DL这一基于nnU-Net的自动分割工具，在术后T1加权MRI上对脑空腔进行分割，其精度优于早期基于规则的方法（ResectVol 1.1.2）和2D U-Net方法（DeepResection），且与自配置框架Auto3DSeg性能相当，但在假阳性控制上更具优势。3D U-Net架构可同时学习三维空间依赖性，而自适应框架自动优化模型配置，提升了性能。体积与DSC的正相关关系提示小空腔更易受分割偏差影响。ResectVol DL在大多数病例中表现稳健，仅对极少病例因图像质量或伪影导致失败。此外，该工具可提供切除区域内子结构的体积信息，潜在用于术后结局预测。未来需在激光间质热疗等其他手术类型MRI上验证，并进一步评估结构标注的准确性。
**结论**（翻译原文第5节）：ResectVol DL成功分割了接受手术的癫痫患者MRI中的脑空腔。ResectVol DL快速、准确，且无需任何图像预处理，便于大规模队列研究。它仅依赖术后三维T1加权MR图像来测量空腔体积，并提供空腔内解剖结构的体积估计。该体积信息可能支持未来研究，并有望作为下游应用促进手术结局预测模型的发展。
