日前，柏视医疗与山东省肿瘤医院联合开展的关于海马体自动分割的科研项目相关论文刊载于《Medical Physics》。
期刊简介
《Medical Physics》是医学物理学领域的权威期刊，成立于1974年。该期刊是美国医学物理学家协会（AAPM）的科学期刊，也是加拿大医学物理学组织、加拿大医学物理学院和国际医学物理学组织（IOMP）的官方科学期刊。
作为一本在全球范围内具有影响力的核心期刊，该期刊发表原创且具有高影响力的物理学、影像学和工程研究方面的文章，这些研究具有很大临床价值转换潜力，抑或在尖端工程和物理学具有创新的临床应用，核心读者群包括放射肿瘤学或放射科相关的医学物理学家。
01研究目的
本研究旨在使用一种基于边缘感知的多任务学习来提升海马体自动分割的精度。
02研究方法
针对全脑性放射治疗中对海马体此类重要危及器官的勾画需求，我们开发了一种多任务的弱边界小器官自动分割算法。
本研究先使用3D U-net作为主干模型，并设计如下两个任务作为网络的训练目标：
1）缩小目标掩模（金标准）与模型生成预测之间的差距；
2）优化辅助边缘预测任务，该任务用于提升模型对海马弱边界的模型检测性能。
此外，为了平衡上述多任务目标，本研究还提出了一个优化的梯度归一化方法，该方法可自适应调整不同任务损失权重。
本次研究采集了247例病人的T1W的MR数据进行模型的训练和验证，其中116例为增强图像，剩下131例为非增强图像。
我们使用了三种评价指标来对模型的效果进行验证和评估，分别是Dice coefficient (Dice)、Hausdorff distance (HD)和Average Hausdorff distance (AVD)。
03研究结果
在对上述模型进行五折交叉检验后，结果表明Dice值能达到0.8483±0.0036、HD值为7.5706±1.2330 mm，而AVD为0.1522±0.0165 mm；与之相反，作为baseline模型的 3D U-net的三个指标分别是0.8340 ± 0.0072、10.4631 ± 2.3736 mm和0.1884 ± 0.0286 mm。
而当我们对baseline模型和提出的模型结果进行威尔科克森符号秩检验（Wilcoxon signed-rank test）后发现，两者的表现在统计学上有显著性差异（P<0.05）。
（箱线图-三个模型在海马体自动分割上表现的Dice、HD和AVD值的比较）
（三种分割方法的结果——同一列图像是同个目标主体，从第二行起由上到下分别是3D U-net、优化后的3D U-net和本研究提出的多任务边缘感知学习模型；红色轮廓线为医生手动勾画，黄色线则是模型自动勾画。）
04研究结论
研究结果表明，基于边缘感知的多任务学习自动分割方法能提高海马体自动分割的有效性，对于海马体保护性全脑的精确放疗有重要意义。
我们所提出的多任务学习框架亦可在其他医学成像上低对比度、弱边缘的小器官的自动分割上发挥作用。
关键词
海马体分割，磁共振，多任务学习，动态任务平衡
