基于深度学习的自动化宫颈MRI分析：为妊娠期宫颈评估建立三维生物测量与正常值模型

主要作者及机构： 本研究由伦敦国王学院（King’s College London）生物医学工程与成像科学学院的Alena Uus（通讯作者）主导，联合Agnieszka Glazewska-Hallin、Simi Bansal、Lisa Story、Jana Hutter等多位学者共同完成。研究成果于2026年发表于《Scientific Reports》期刊。

研究背景与目的： 在临床实践中，经阴道超声（transvaginal ultrasound, TVUS）测量宫颈长度（cervical length, CL）是评估早产（preterm birth）风险的金标准。宫颈长度小于25毫米被认定为早产风险增高的重要指标。然而，超声测量受限于观察者间及观察者自身差异、膀胱充盈度、探头压力等多种因素，且无法提供三维容积信息。相比之下，磁共振成像（magnetic resonance imaging, MRI）具有优越的组织对比度和真实的三维空间信息，能够更清晰地区分宫颈内部区域。然而，目前缺乏标准化的MRI宫颈测量协议和自动化分析方法。为此，本研究旨在开发首个基于深度学习的全自动多层级分割与生物测量流程（pipeline），用于分析经过三维运动校正的T2加权（T2-weighted, T2W）MRI图像中的妊娠期宫颈，并建立正常妊娠的宫颈容积和生物测量正常值范围。

研究流程与方法： 研究纳入了330例孕16至40周的胎儿MRI数据集，其中包括270例正常足月分娩的对照病例，所有数据均来自伦敦圣托马斯医院。数据采集使用了两种场强的MRI系统：156例来自0.55T西门子Magnetom Free.Max系统，174例来自3T飞利浦Achieva系统。所有图像首先通过基于可变形切片到容积配准（Deformable Slice-to-Volume Registration, DSVR）方法的流程，从多组二维扫描堆栈重建出各向同性分辨率为0.8毫米的三维容积图像。

研究的核心创新是定义了一套多标签分割协议（multi-label parcellation protocol），由经验丰富的临床医生在三维DSVR图像上手动勾画，将宫颈划分为四个区域：宫颈管内黏膜（endocervical canal, ECC），表现为高低信号混合的黏液区域；内层基质（inner stroma/subglandular zone, SGZ），呈低信号包绕宫颈管；外层基质（outer stroma, OS），呈中等信号强度；以及充满液体的囊肿（cysts）。同时，依据临床超声指南定义了生物测量标准，包括在正中矢状面测量的宫颈入口直径（inlet diameter）、出口直径（outlet diameter）以及宫颈长度。

基于该协议，研究团队训练了一个三维U-Net（3D UNet）深度学习网络以实现自动化分割。训练采用半监督策略，分三个阶段进行：首先使用20例手动分割的图像进行预训练；接着对网络输出的30例分割结果进行手动修正后用于下一阶段训练；最后，使用50例数据（再次手动修正）进行最终训练，最终模型在100例数据集上进行训练。自动化生物测量步骤则基于分割出的宫颈管标签，通过计算入口、中点和出口的特征点坐标，自动拟合线条并测量长度和直径。

主要研究结果： 在20例未参与训练的数据集上进行的测试显示，自动分割结果与手动修正标签之间具有很高的组内相关系数（intraclass correlation coefficient, ICC）。自动测量与四位观察者手动测量的平均值相比，宫颈长度、入口直径和出口直径的平均绝对误差分别为1.56±1.06毫米、1.18±0.81毫米和0.99±0.84毫米。值得注意的是，观察者间的手工测量变异性高于自动测量与平均手工测量之间的差异，凸显了自动化方法在减少观察者偏差方面的价值。

利用该流程处理270例正常对照病例，生成了孕16至40周的宫颈容积和生物测量生长曲线图（gestational charts）。协方差分析（ANCOVA）显示，宫颈长度和入口直径与孕周（gestational age, GA）存在显著相关性，随孕周增加，宫颈长度缩短，入口直径增大，这与分娩前宫颈逐渐重塑和软化的生理过程相符。此外，分析还发现孕妇年龄与宫颈长度及入口直径相关。研究还成功生成了基于81例0.55T和61例3T正常数据集的群体平均三维T2W宫颈图谱（population-averaged atlases），清晰展示了不同场强下的正常宫颈解剖结构。这些图谱和分割协议已在线公开。评估表明，该自动化流程在37%的病例中仅需少量手动修正，将每例分析时间从手动分割的20至40分钟缩短至3分钟以内。

研究结论与价值： 本研究首次为妊娠期三维T2W MRI宫颈图像引入了多层级分割协议和全自动分析流程，并生成了首个公开可用的群体平均三维宫颈MRI图谱。该工作证实了深度学习用于宫颈自动分析的可行性，为大规模MRI研究中实现客观、可重复的宫颈定量评估迈出了第一步。其科学价值在于提供了一套标准化的三维分析工具，能够捕捉传统二维测量无法企及的容积和形态信息，有望揭示宫颈结构与早产风险之间更深层次的关联。应用价值方面，该流程显著减少了耗时的手动操作，降低了观察者间变异性，未来经过对异常病例（如宫颈漏斗、严重缩短、术后疤痕）的优化后，有潜力部署为临床决策支持工具，用于产前早期识别高危妊娠，改善早产预防策略。

研究亮点： 研究的首要亮点在于其首创性，填补了MRI下自动化宫颈三维定量分析的标准和工具空白。其次是方法论的高完整度，从图像重建、多标签分割协议定义、三维U-Net网络训练，到自动化生物测量和正常值图谱生成，形成了一个完整的端到端（end-to-end）解决方案。最后，研究对象的特殊性和数据价值极高，涵盖了两种场强下的大样本正常妊娠队列，并建立了时间跨度大、测量指标全的妊娠期宫颈生长曲线，为未来比较正常与高危妊娠（如早产）提供了关键的基线数据。