AI 分割：为所有人提供更快速、更简单的 3D 建模

术前儿科规划中的 3D 解剖可视化

放射影像扫描对于可视化内部结构和理解患者病理至关重要。AI 可以自动化扫描分割，而这项任务通常既耗时又昂贵。这份来自美国德克萨斯大学西南医学中心（达拉斯，德州）的报告回顾了公开可用的 AI 分割工具，以及它们如何以最低成本快速集成到术前规划中。

手动与 AI 分割

医学图像分割旨在将图像划分为有意义的区域，以分离解剖结构、检测异常，并为诊断、治疗规划和疾病监测提供测量数据。算法工具可以加速这一过程，使 3D 渲染或导出在几分钟内完成。在本研究中，使用了 3D Slicer 对分割结果进行微调，尽管大多数 3D 模型是通过 AI 扩展自动生成的。

AI 分割工具

术前规划应用越来越多地使用 AI 算法来分析医学影像。

TotalSegmentator 基于巴塞尔大学医院的 1,204 组 CT 数据训练，可高精度分割 104 个解剖结构。它已集成到 3D Slicer 以及 Medicalholodeck 等商业 3D/VR 平台中。

MONAI 是一个面向医疗领域的开源深度学习框架。其 3D Slicer 扩展 MONAI Auto3DSeg 提供针对特定器官的自动分割模型，并允许研究人员为特定病理训练自定义模型。

患者的 MRI 和 CT 扫描经过匿名化处理，并以 DICOM 格式导出，以便在 3D Slicer 中测试 AI 扩展，研究采用了儿科手术病例的便利样本。

AI 在儿科 3D 规划中的应用

AI 生成的 3D 重建为儿科手术术前规划提供了精确的解剖标志，并与术中解剖结构高度一致。主要的 AI 扩展 —— TotalSegmentator、MONAI Auto3DSeg 和 RVesselX —— 可在本地运行，在 60-90 秒内生成胸部和腹部分割结果。尽管这些模型基于成人数据训练，但它们仍能可靠识别多种儿科结构，以便与体积渲染图像进行有效叠加。其局限性包括在年龄非常小或体重较低的患者中准确性下降，以及缺乏集成的术中应用。导出的 3D 模型还可用于教育、VR/AR 可视化以及手术模拟器或植入物的 3D 打印。

通过 AI 实现 3D 分割的普及

AI 和计算机视觉显著降低了从标准 CT 和 MRI 扫描生成 3D 重建的技术和经济门槛。如今，公开可用的工具使儿科外科医生无需专业知识或昂贵软件即可快速创建高保真模型。未来的发展——例如专门基于儿科数据训练的 AI 模型——有望实现更高的精度以及更广泛的术中和教育应用。

Medicalholodeck 与 TotalSegmentator 结合后，可在几分钟内完成分割，提供快速且易于获取的 3D 模型，而无需手动处理。这显著有助于理解每位患者的解剖结构、改善病例规划，并可能提升手术结果。