用于子宫内膜异位症盆腔器官分割的多模态盆腔MRI数据集及基于深度学习的应用

子宫内膜异位症是一种常见的妇科疾病，全球约有1.9亿育龄女性受其影响。由于其复杂的表现和诊断程序的侵入性，磁共振成像（MRI）已成为诊断该病的首选非侵入性方法。鉴于对先进诊断工具的迫切需求，本研究介绍了一个新颖的多模态盆腔MRI数据集，专门为深度学习应用设计，旨在对子宫内膜异位症患者的盆腔器官进行分割。\n\n该数据集包含来自两个不同临床机构的MRI扫描，共计132名女性受试者。第一部分是一个多中心数据集，包括51名受试者，具有由三位专家独立提供的多个盆腔结构的手动标注，以评估评分者间的一致性。第二部分是一个单中心数据集，包含81名受试者，由单一评分者标注，用于开发和优化自动卵巢分割流程。\n\n为评估分割性能，研究评估了两种自动分割方法：自配置的nnU-Net和定制设计的卷积神经网络RAovSeg。两种模型均负责描绘关键盆腔器官，主要是子宫和卵巢，这些器官均为所有受试者标注。此外，数据集还包括所有可见子宫内膜异位囊肿的分割。这一全面的标注范围支持针对子宫内膜异位症复杂性的分割算法的稳健训练和评估。\n\n研究强调的一个重大挑战是子宫内膜异位症MRI扫描中卵巢手动分割的困难。评分者间的差异凸显了手动描绘的主观性，强化了对可靠且可重复的自动分割方法的需求。该数据集的可用性旨在促进深度学习模型的进一步研究和开发，最终提升诊断准确性和患者治疗效果。\n\n重要的是，该数据集已公开发布，促进透明度并使更广泛的科学社区能够参与盆腔MRI自动分割研究。该研究的开放获取性质鼓励协作努力，推动分割算法的改进，可能加速子宫内膜异位症诊断和治疗监测的进步。