European Radiology：突破肠道分割难题！三维 nnU-Net 模型助力 CT 影像高效诊断肠道疾病》

腹部 CT 是诊断各种肠道疾病的首选方式，通过追踪肠袢，能够评估和定位炎症、梗阻或穿孔等情况。对于评估小肠尤其关键，因为小肠难以通过内镜检查。然而，追踪胃肠道（GI）是一项繁琐且具有挑战性的工作，特别是在肠道未扩张的情况下。此外，胃肠道的长度和走行在个体之间存在差异，并且在肠系膜内是可移动的，这使得即使是同一患者在不同 CT 扫描中的追踪过程也变得复杂。因此，放射科医生，尤其是经验不足的医生，常常在肠道评估上花费大量时间，有时还可能因时间限制而做出错误诊断。

肠道长度在胃肠道疾病中也具有重要意义。例如，克罗恩病或坏死性小肠结肠炎患者有时需要反复进行肠切除手术治疗。对于这些患者，估计术后小肠的剩余长度至关重要，因为剩余小肠过短可能导致营养不良，即短肠综合征。此外，有报告表明整个结肠或直肠乙状结肠的长度与便秘之间存在关联。断层成像可作为测量肠道长度的一种非侵入性工具，但基于成像的测量具有挑战性，因为其耗时耗力，且难以持续追踪肠袢。有研究报告了使用磁共振肠造影半自动测量小肠长度的方法，但每例患者需要超过 30 分钟，这使得该方法在临床应用中不切实际。

用于追踪肠道、检测病变节段和测量肠道长度的自动化算法将有助于克服这些挑战。从 CT 图像中分割肠道是此类算法的第一步，深度神经网络是潜在的选择。然而，用于胃肠道分割的深度神经网络存在准确性有限的问题，并且胃肠道的固有复杂性阻碍了它们的发展。

最近，发表在European Radiology 上的一篇文章开发了一种用于自动肠道分割的深度神经网络，并评估了其在估计便秘患者大肠长度（LBL）方面的适用性。

我们使用增强和非增强的腹部、胸部及全身 CT 图像进行模型开发。外部测试则使用了来自另一家医院的成对的腹部增强前和增强后 CT 图像。我们开发了三维 nnU-Net 模型，用于分割胃肠道，并将其分为食管、胃、小肠和大肠。根据放射科医生的分割结果，使用 Dice 相似系数（DSC）评估分割的准确性。我们使用该网络估计进行腹部 CT 健康检查的患者的大肠长度（LBL），并比较了有便秘和无便秘组之间经身高校正后的大肠长度。

133 次 CT 扫描（88 名患者；年龄，63.6±10.6 岁；男性 39 名）用于模型开发，60 次 CT 扫描用于外部测试（30 名患者；年龄，48.9±15.8 岁；男性 16 名）。在外部数据集中，整个胃肠道的平均 Dice 相似系数（DSC）为 0.985±0.008。除食管（DSC，0.807±0.173）外，四部分分割的平均 DSC 均超过 0.95，优于 TotalSegmentator。对于大肠长度（LBL）的测量，使用了来自 51 名患者的 100 次 CT 扫描（年龄，67.0±6.9 岁；男性 59 次扫描；59 名患者有便秘）。在每次检查（79.1±12.4 vs 88.8±15.8 cm/m，p = 0.001）和每位患者（77.6±13.6 vs 86.9±17.1 cm/m，p = 0.04）的基础上，便秘组经身高校正后的大肠长度均显著更长。 

表 无便秘患者与便秘患者之间 LBL 的比较

本项研究表明，该模型能够从 CT 扫描中准确分割整个胃肠道及其主要部分，并能够无创地估计便秘患者的大肠长度（LBL）。

原文出处：

Junghoan Park,Sungeun Park,Han-Jae Chung,et al.Deep learning for automatic volumetric bowel segmentation on body CT images.DOI:10.1007/s00330-025-11623-z