基于DIXON MRI的人群规模睾丸体积分割研究及其在男性生育力评估中的应用

　　本研究针对男性生育力评估中睾丸体积精确测量难题，利用UKBiobank大规模DIXON MRI数据，首次开发了基于nnUnet 3D架构的自动化分割模型。该模型实现了0.89的中位Dice分数，超越人工标注者间一致性（0.85），成功建立首个种群级睾丸体积分析管道，为GWAS研究和男性生殖健康研究提供关键技术支撑。

　　

男性生育力评估一直是生殖医学领域的核心课题，而睾丸体积作为评估睾丸功能的关键指标，其精确测量对男性生育力诊断具有重要意义。传统临床实践中，医生通常通过触诊（如Prader orchidometer）或超声成像来估算睾丸体积，但这些方法存在明显局限：触诊易受主观因素影响且倾向于高估小睾丸体积，而超声测量则因缺乏国际标准化公式导致结果可比性差，两种方法间平均差异可达5ml之多。这种测量不确定性给临床诊断带来巨大挑战。

更令人遗憾的是，尽管现代医学影像技术如磁共振成像(MRI)能提供精确的三维体积数据，但其在睾丸体积评估中的应用仍停留在小规模研究层面。此前唯一的相关深度学习研究仅基于200例T2加权图像，且样本均来自患有男科疾病的患者群体，存在严重选择偏倚，无法代表普通人群特征。这种研究空白使得大规模种群水平的睾丸体积分析难以实现，阻碍了通过基因组关联分析(GWAS)探索睾丸体积遗传基础的研究进程。

为解决这一难题，来自德国明斯特大学的研究团队在《Computers in Biology and Medicine》上发表了开创性研究。他们利用英国生物银行(UKBiobank)中22,499名男性的DIXON MRI数据，构建了首个针对种群规模的睾丸自动分割模型。DIXON技术作为一种特殊的MRI序列，能同时生成水相、脂肪相、同相位和反相位四种图像对比，为组织分割提供丰富信息。研究团队特别选择了第五成像窗口（尺寸224×162×72）的水相图像作为主要分析对象，因此区域在大多数受试者中包含骨盆及睾丸组织。

研究采用的核心技术方法包括：基于UKBiobank大规模人群队列的DIXON MRI数据采集与预处理；专业医师手工标注的350例高质量三维分割数据集构建；综合评估DeepLabV3、DeepLabV3+、U-Net、3D U-Net、nnUnet 2D/3D等多种深度学习架构；采用5折交叉验证和模型集成策略；使用Dice分数和Hausdorff距离作为主要评估指标。

在人类表现评估方面，研究揭示了有趣发现：同一标注者重复标注的一致性中位Dice分数为0.90，而不同标注者间的一致性降至0.85，体积估算差异中位数达5.46ml，且存在统计学显著差异（p<0.001）。这一结果凸显了即使专业医师间也存在显著判断差异，进一步证明了自动化分割的必要性。

通过系统模型比较，nnUnet 3D全分辨率模型表现出最优性能，在5折交叉验证中达到0.88的中位Dice分数和2.23的Hausdorff距离，显著优于其他模型配置。最终集成模型在测试集上获得0.89的中位Dice分数，与人工标注无显著差异（p=0.075），实现了真正的人类水平性能。

大规模应用结果显示，在22,134例未标注数据中，模型成功计算出平均双睾丸体积为47.8ml（标准差17.9ml），其中6.2%的个案超出正常范围（±2SD）。通过人工核查异常值案例，研究人员识别出多种失败模式：2,251例因睾丸位于成像窗口边缘而被截断；221例仅存在单侧睾丸；87例出现鞘膜积液病理变化；另有177例因图像质量问题导致分割失败。这些发现为后续模型优化指明了方向。

研究讨论部分指出，尽管模型在大多数情况下表现良好，但仍面临一些挑战：DIXON MRI相对较低的分辨率使睾丸与周围组织区分困难；睾丸的生理移动性增加了分割复杂度；罕见病理情况（如鞘膜积液）在训练集中代表性不足。这些因素共同导致了对异常病例的处理能力有限。

该研究的重大意义在于首次实现了种群水平的睾丸体积自动化分析，为男性生殖健康研究提供了强大工具。通过克服传统方法的局限性和避免患者数据的选择偏倚，该技术使基于UKBiobank数据的大规模遗传学研究成为可能，特别是那些此前因不孕症诊断不足而受阻的研究领域。研究人员承诺公开训练模型、比较基线方法和标注训练数据，这将极大促进睾丸MRI分割研究的可及性和可重复性。

随着未来研究整合更先进的Transformer模型、改进三维架构，以及纳入更多病理案例进行训练，睾丸自动分割技术有望成为男性生育力评估的新的金标准，最终推动男性生殖健康领域的精准医疗发展。