醫學
摘要：基於圖像的肝臟 Couinaud 分段旨在自動提供肝臟 CT/MR 圖像中可疑病灶的位置。一旦實現，醫生將被引導至可疑結節所在的目標層面和區域。然而，主要在健康肝臟圖像上訓練的傳統算法，通常由於病理性結構畸變而無法泛化到肝細胞癌（HCC）病例。在本研究中，我們提出了一種穩健的兩階段框架，將 3D Unet 與 3D 解剖結構引導圖卷積網絡（3D GCN）相結合。該兩階段策略能夠有效分離肝臟體積，消除來自鄰近器官（如脾臟）的結構噪聲，從而使框架能夠專注於八個肝段之間複雜的三維解剖關係。
為確保全局空間推理所需的拓撲一致性，我們實施了一個標準化預處理流程，將僅包含肝臟的體積沿 z 軸統一歸一化為恰好 50 幀。通過結合輕量級 3D UNet 主幹網絡與用於精細邊界推理的 3D GCN，我們的模型在未見臨床數據集上表現出更優的泛化性能，在盲測中取得了 0.828 的平均 Dice 分數。通過公開我們的代碼和預訓練權重，我們旨在提供首個公開可用的、用於穩健 Couinaud 分段的深度學習資源。
📄 原文連結：https://www.biorxiv.org/content/10.64898/2026.05.11.724316v1?rss=1
🏷️ 肝臟分段 Couinaud分段 三維圖卷積網絡 醫學影像分析 深度學習 肝細胞癌