4D U-Net主动脉分割：Dice达0.927，跨8中心泛化，告别密集标注！
Segmentation of the aorta in 4D flow MRI using 4D convolutional kernels and learning from sparse annotations
📖 AI 总结
该研究提出了一种基于4D（三维空间加时间）卷积核的全自动主动脉分割方法，用于4D血流MRI数据分析。该方法采用参数高效的混合4D U-Net架构，利用稀疏标注（来自现有2D专家轮廓和中心线）训练，避免了密集4D标注的需求。研究纳入来自8个中心和2个厂商的268例扫描，内部测试集32例，外部对比增强测试集30例。结果显示，4D U-Net在内部和外部测试集上的Dice系数分别达0.927和0.911，优于逐帧3D U-Net（0.919/0.847）、静态PC-MRA（0.893）和基于配准的传播方法（0.808），尤其在舒张期差异显著。与专家轮廓相比，该方法在峰值流速、净流量、壁面剪切应力和直径等血流动力学指标上具有极佳一致性（ICC≥0.954）。该模型具备跨中心、跨厂商及独立对比增强数据的良好泛化能力，为自动化、可重复的时变主动脉分割和血流动力学分析提供了高效工具，模型已公开。
🔑 关键词速览
| 4D flow MRI | 一种磁共振成像技术，可同时获取三维空间和时间上的血流速度信息，用于血流动力学评估。 |
| U-Net | 一种基于卷积神经网络的图像分割架构，具有编码器-解码器结构，常用于医学图像分割。 |
| Dice score | 一种衡量分割结果与真实标注重叠程度的指标，值介于0和1之间，越高表示分割越准确。 |
| Sparse annotations | 仅对部分图像或区域进行标注，而非对所有像素或时间点进行密集标注，以减少标注成本。 |
| Wall shear stress | 血流对血管壁产生的切向应力，是评估血管功能和疾病风险的重要血流动力学参数。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅