医学
摘要：基于图像的肝脏 Couinaud 分段旨在自动提供肝脏 CT/MR 图像中可疑病灶的位置。一旦实现，医生将被引导至可疑结节所在的目标层面和区域。然而，主要在健康肝脏图像上训练的传统算法，通常由于病理性结构畸变而无法泛化到肝细胞癌（HCC）病例。在本研究中，我们提出了一种稳健的两阶段框架，将 3D Unet 与 3D 解剖结构引导图卷积网络（3D GCN）相结合。该两阶段策略能够有效分离肝脏体积，消除来自邻近器官（如脾脏）的结构噪声，从而使框架能够专注于八个肝段之间复杂的三维解剖关系。
为确保全局空间推理所需的拓扑一致性，我们实施了一个标准化预处理流程，将仅包含肝脏的体积沿 z 轴统一归一化为恰好 50 帧。通过结合轻量级 3D UNet 主干网络与用于精细边界推理的 3D GCN，我们的模型在未见临床数据集上表现出更优的泛化性能，在盲测中取得了 0.828 的平均 Dice 分数。通过公开我们的代码和预训练权重，我们旨在提供首个公开可用的、用于稳健 Couinaud 分段的深度学习资源。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.11.724316v1?rss=1
🏷️ 肝脏分段 Couinaud分段 三维图卷积网络 医学影像分析 深度学习 肝细胞癌