0 引言

       肝脏作为人体内最大的实质性器官，以其复杂的解剖结构和至关重要的生理功能维系着机体的代谢平衡。肝脏体积（liver volume, LV）作为一项直观的形态学指标，不仅能够反映肝脏的大小、容量及肝细胞数量^[1]，更能体现肝脏的代谢能力和血流灌注状态，是临床评估肝脏储备功能的重要参数^[2]。在临床实践中，LV的测量对于评估患者手术预后、残肝代偿功能具有重要的指导价值^[3]；特别是在肝移植领域，供体LV的准确评估和解剖学特征的深入研究，对于确保受体获得足够的残余肝脏、优化移植物体积以及实现精准肝切除手术都具有决定性意义。因此，有研究指出，将LV测定纳入肝病相关专科的常规诊疗实践，对提升临床诊疗水平具有重要的现实意义^[4]。

       国内外学者对LV测量方法进行了广泛而深入的研究，旨在推动其精确化与标准化。然而，手动测量方法存在耗时、主观性强等局限性，难以满足临床高效精准的需求；传统自动化方法则对某些复杂病例的适应性有限。随着医学影像技术的快速发展，从二维成像到三维重建，再到人工智能（artificial intelligence, AI）技术的引入，LV测量技术取得了显著进展。AI技术能够快速、准确地完成肝脏分割和体积测量，显著提高了临床效率。然而，AI技术在不同模态数据的泛化能力上仍有待提升。故如何将AI技术更好地与临床实践结合，以实现肝脏疾病的早期诊断和精准治疗，仍是未来研究的重要方向。本文旨在系统回顾LV测量技术的发展历程，分析现有技术的优势及局限性，总结AI在肝脏分割和体积测量中的应用现状，以期为临床诊疗提供更可靠的技术支持，并展望在临床实践中的应用前景，为相关领域的研究和实践提供参考。

1 影像学测量技术

1.1 超声测量

       超声（ultrasound, US）因其广泛的应用性、低成本、无电离辐射等优势，成为肝脏初始评估的首选方法^[5]。但US扫描在LV测量中存在显著的技术瓶颈，尤其表现在图像质量缺陷方面，如噪声干扰、肝包膜边界模糊及深部组织信号衰减导致的局部视野缺损等。故有研究表明^[6]，使用US测量的LV往往低于真实体积。此外，在US图像分析领域，机器学习（machine learning, ML）的开发面临两大核心挑战：高质量标注数据的普遍缺乏以及US图像本身存在的动态扫描差异和声学伪影干扰。针对这些问题，浦秀丽^[7]团队的研究取得了重要突破。在肝包膜分割方面，该团队提出的边缘监督U-Net网络（ES-Unet）通过融合空洞卷积和边缘监督模块，采用混合加权损失函数，使分割精度显著提升，平均Dice系数提高了0.171 5，平均交并比（MIoU）提高了0.021 5。而针对US视频清晰度较低的问题，团队开发的US视频清晰帧提取网络BC-DCNN结合了三维卷积和时序降维技术，采用混合损失函数优化，有效减少噪声并保留细节，有利于从肝部US图像序列以及US视频中选取带有更多细节特征的清晰图像以供后续分析。这些创新性研究为提升US在肝脏评估中的应用价值提供了重要的理论依据。

       尽管如此，US测量在临床推广中仍面临操作者技术和患者体型等因素影响。未来，可以从优化硬件技术、构建大规模、标准化的多中心US数据库以及探索小样本学习算法等方面着手去提升US在LV测量中的准确性和临床应用价值，以降低对标注数据量的依赖。这些改进有望推动US从定性评估向精准定量测量的跨越。

1.2 计算机断层扫描测量

1.2.1 手动测量

       用计算机断层扫描（computed tomography, CT）进行的手动LV测量被认为是评估LV的金标准。然而，肝脏和肝脏肿瘤在CT图像中与周围器官相比，组织对比度较低且具有可变形性。因此，手动分割不仅耗时，且易引起2%~20%不等的测量误差^[8]。KAMAL等^[9]在活体肝移植的应用中比较了手动和自动化CT对LV测量方法，发现手动测量方法虽然准确性较高，但耗时较长以及操作者之间的变异性较大，影响了结果的可重复性，这种局限性促使了半自动及自动化方法的探索。尽管如此，部分学者仍坚持认为，在现有技术条件下，经验丰富的放射科医师进行的手动分割仍是体积测量最准确的方法，尤其在复杂病例（如重度肝硬化或弥漫性肿瘤）中。

1.2.2 半自动测量

       为了克服手动测量方法的局限性，研究者们提出了利用CT图像进行半自动测量的定量形态学的方法^[10]；它通过结合形态学特征和结构学信息显著优化分割流程。研究表明^[11]，基于CT的半自动体积测量技术具有双重优势：不仅能够有效解决多结节融合及形态不规则病灶的测量难题，还可以测量整个肝脏的体积以计算肝脏的总体肿瘤负荷。从操作效率来看，半自动LV测量较传统手动测量快3~4倍，能够在更短时间内达到与手动测量相当的测量精度^[12]。TAN等^[13]的对比研究表明，与手动测量方法相比，半自动测量法能够提供更可靠的LV评估。这一结果得到了JEONG等^[14]的证实，且他们的研究表明，其测量值与患者体重之间存在显著相关性（P<0.001），提示该方法在临床生理参数评估中的潜在价值。更可观的是，半自动测量方法的准确性不仅表现在正常LV测量中，病变肝脏的体积测量也得到了证实^[15]。然而，KALSHABAY等^[16]研究者采用不同分割方法进行LV测量时发现，半自动方法的误差率最高，可达（17.1±17.3）%，这一矛盾现象可能是因为半自动测量工具在估算过程中只排除了主要血管，而手动和全自动测量工具排除了所有血管。因此，未来改进可以聚焦于自适应血管识别算法的开发，以在效率与精度间取得平衡，提高临床应用的准确性。

1.2.3 全自动测量

       AI技术在医学影像领域的快速发展为LV测量带来了突破性的进展。WINKEL等^[17]的对比研究表明，基于AI的全自动分割与人工分割结果具有高度一致性（ICC=0.996），且AI算法的平均处理时间显著优于人工分割（9.94秒/数据集 vs. 219.34秒/数据集），这充分证实了AI驱动的全自动LV分析的准确性及稳健性。进一步研究表明^[18]，AI辅助技术在肝脏分割、Couinaud分段划分及病灶检测等多个维度均可达到与放射科医师相当的分析水平。NÚÑEZ等^[19]的研究也进一步证实了这个观点。

       深度学习（deep learning, DL）作为AI技术的核心驱动力，通过自动学习肝脏的复杂形态和纹理特征，实现了比传统算法更准确的分割精度。AHN等^[20]开发的基于DL算法的分割工具在门静脉期CT图像上表现出优异的稳定性。PETTIT等^[21]采用nnU-Net的DL模型估计LV更是达到了97.5%的平均重叠准确率，这一成果与PARK等^[22]的研究具有一致性。JEON等^[23]的研究则将该技术的应用范围扩展至多器官分割，结果表明，该模型不仅适用于肝脏分割，还能实现对脾脏和肾脏的精确分割。以上研究表明，基于nnU-Net的DL模型在器官分割和体积估计中具有显著优势，为临床提供了高精度的自动化解决方案。此外，LEE等^[24]的研究拓展了DL的应用范围，他们不仅评估了DL在肝段体积测量中的性能，并且发现肝段体积更能够有效预测晚期纤维化和肝硬化，为临床诊断提供了新的量化指标。然而，基于DL的肝脏分割过程仍面临着包括图像质量、肝脏形态、分割精度、计算效率及泛化能力等诸多挑战。为此，GHOBADI等^[25]研究者们提出了多种解决方案，其中卷积神经网络（convolutional neural network, CNN）作为核心方法被广泛应用^[26]，显著提升了LV测量的精度与效率^[27]。研究表明，基于U-Net架构的CNN技术通常表现出最佳性能，但仍存在对数据分布的敏感性较高、感受野有限等局限性。针对这一问题，OU等^[28]提出的ResTransUnet框架创新性地融合了Transformer的全局上下文建模能力，有效弥补了U-Net在长距离依赖建模上的不足；但在分割肝脏边界附近的病灶时，仍偶尔出现轻微的过度分割或分割不足的情况。针对该问题，WANG等^[29]提出的双向分割U-Net整合了注意力门控（attention gates, AGs）和空洞空间金字塔池化（atrous spatial pyramid pooling, ASPP）模块。AGs能够自适应提取图像特征并抑制不相关的区域，ASPP模块则通过捕获多尺度特征进一步提高分割精度，最终在LiTS数据集上实现97.2%的Dice值；而DICKSON等^[30]提出的三维稀疏深度置信网络（3D-SDBN-ESO）采用局部主动轮廓（LAC）技术，使脾脏等器官远离肝脏，解决了邻近器官的干扰问题，在LiTS数据集取得96.31%的Dice值。两种方法均有效攻克了肝脏边缘分割的技术瓶颈。

       在算法构架方面，研究者们还开发了深度卷积神经网络（deep convolutional neural network, DCNN）和分层融合卷积神经网络（hierarchical fusion convolutional neural networks, HFCNN）等更为精细的框架。DCNN基于经典CNN架构，通过多层卷积提取图像特征；而HFCNN则结合了传统手工设计特征（如纹理特征、形状特征）与DL提取的特征。PANDE等^[31]对DCNN和HFCNN在肝癌计算机化检测中的性能进行了对比研究，结果显示，DCNN在大多数情况下优于HFCNN，DCNN适合大规模、高质量数据集的任务，而HFCNN适合小样本、低质量数据集的任务。有专家指出^[32]，通过采用DCNN来定义病灶范围并精确分割病灶，可以有效解决CT图像中肝脏病变的分割难题。此外，研究者们还提出了数据预处理、迁移学习、域适应以及优化后处理等改进技术，如：TU等^[33]提出的切片融合方法通过整合相邻切片的结构特征，不仅将器官分割的总体和单例Dice评分分别提升了1.1%和2.6%，而且改善了小假阳性肿瘤（≤10 mm）的检测性能；测试结果显示，该模型产生的假阳性比传统模型少39%。其次，XIA等^[34]提出的多视图融合方法通过结合多视图分割和条件随机场能有效且精确地提取肝脏区域，该方法实现的Dice系数最高可达0.969，成功克服了由非典型形状、模糊边界和低对比度等因素带来的分割挑战。此外，MARINELLI等^[35]开发的LiTS-OU模型通过结合主动迁移学习整合跨域数据，将LV预测误差从231 mL降至176 mL（P<0.001），且该模型预测结果与放射学报告体积及MELD-Na评分具有相当的预后价值，展现了优异的临床应用潜力。

       值得注意的是，尽管AI技术提升了工作效率，但当前AI系统对输出结果的解释和最终临床决策仍需依赖医师的专业判断，特别是在复杂病例和细节处理方面。例如，FANANAPAZIR等^[36]对基于MDCT的全自动全肝和肝叶分割方案进行评估后指出，虽然全自动分割在结果可重复性上优于手动分割，但其肝叶分割仍存在右肝叶体积轻微低估和左肝叶边缘识别稳定性不足的局限性。故未来研究仍需要着重解决模型可解释性、小样本适应性和更加细微的肝叶分割等关键问题，以推动AI技术在LV测量中的全面临床应用。

1.3 MRI测量

1.3.1 三维测量

       近年来，基于MRI的LV测量技术实现了从传统手动测量到AI辅助自动测量的跨越式发展。传统方法依赖放射科医生手动划定感兴趣区（region of interest, ROI）以提取量化指标，不仅操作烦琐耗时，还存在较大的人为误差，影响工作效率。CAO等^[37]的研究表明，自动肝脏分割技术不仅保持了与手动测量相当的准确性（ICC=0.97），还将单例分析时间缩短至0.32秒，为临床实践提供了可靠的技术支持。随着DL技术的快速发展，MRI对LV的测量取得了显著进步。PARK团队^[38]开发的基于MRI的DL算法实现了0.977的肝脏分割Dice系数（误差<3.7%），并创新性地通过同步测量脾脏体积实现了肝脾比的自动计算，为钆塞酸二钠增强MRI评估肝功能提供了新的量化指标。但该算法在脾脏单一分割方面稍逊（Dice系数=0.946），这可能是因为肝胆期MRI中脾脏与背景的对比度较低。

       此外，既往研究表明，传统的影像学测量方法在一些复杂病例，如肝脂肪变性患者中存在局限性，会将肝脏脂肪体积包含在测量的LV中，从而高估LV。针对这一问题，CHOI等^[39]基于MRI质子密度脂肪分数（proton density fat fraction, PDFF）和LV测量，建立了瘦LV的校正公式：瘦LV=LV/（1.004+0.044×PDFF等级）；研究表明，肝脏脂肪含量每增加5%，体积相应增加4.4%，有助于调整肝脂肪变性对LV测量的影响。这一重要发现揭示了MRI测量的可行性及脂肪变性对LV的影响机制，更为临床提供了实用的校正方法。在训练数据优化方面，SAUNDERS等^[40]的研究证实，基于Dixon水脂图像的CNN模型在器官分割中性能最佳（Dice系数=0.94，归一化均方根误差=4.2%），且在正常和脂肪肝患者中均保持高精度（ICC=0.982）。该技术通过增强组织对比度以提升肝脏边缘识别准确性，为器官分割提供了可靠的数据选择方案。

1.3.2 四维测量

       四维血流（four-dimensional flow, 4D-Flow）MRI技术凭借其独特的时空分辨率能力，能够对脉管系统进行全视野、动态的血流动力学评估，在肝胆外科、心血管疾病及血流动力学研究中展现出重要价值。HYODO等^[41]的研究采用4D-Flow MRI技术对门静脉栓塞术（portal vein embolization, PVE）前后的血流动力学变化进行量化分析后发现，PVE术后3天左门静脉流速显著增加（从中位3.65 mL/s增加到8.16 mL/s；P<0.001），且术后3天左门静脉血流量的变化与术前未来残余肝体积的增加率相关。该研究不仅验证了4D-Flow MRI的临床适用性，更凸显了其在肝脏手术规划和预后评估中的潜在价值，使得术前评估更加精准。尽管既往研究^[42]表明US门静脉血流测量可用于LV评估的初步检查，但该方法在评估残余LV<30%的供体时存在明显的局限性。相比之下，4D-Flow MRI技术在这些复杂情况下的应用价值更为突出。

       然而，该技术在实际应用中仍面临数据采集时间较长，可能导致患者不适和运动伪影等局限性。因此，研究如何加速4D MRI采集的技术对于提高患者舒适度和图像质量至关重要。在这一技术优化领域，MURRAY等^[43]展示了一种Movienet新型重建网络，它利用时空线圈相关性和运动保持，使用黄金角度径向采样进行运动分辨4D MRI，平均重建时间仅需0.69~0.75秒（4~10个运动状态），比传统迭代压缩感知方法快800倍，全流程耗时仅2.2秒左右，但该网络的执行需要大概24 GB图形处理器（graphics processing unit, GPU）内存，在普通GPU服务器上重建时间会延长。与此同时，XU等^[44]开发了名为Re-Con-GAN（reconstruct paired conditional GAN）的新型架构，该模型能够缩短4D MRI重建时间且保持重建质量。研究表明，GAN在4D MRI重建中比普通神经网络（如U-Net、ResNet）更有优势，其判别器能够动态调整优化目标，在一定程度上缓解了传统方法中因人工设计损失函数而导致的问题，包括噪声抑制与细节保留之间的权衡、图像均匀性保持等挑战。然而，肝脏分割更依赖数据量而非图像质量，所以在加速扫描时分割精度下降明显，且基于Re-Con-GAN的4D MRI不能反映实时解剖结构。此外，4D-Flow MRI的生理学应用也在不断拓展。研究发现^[45]，4D-Flow流量变化率与年龄呈负相关（P<0.05），通过门静脉的血流体积和速度在约43~44岁时达到峰值，在60岁后显著下降。这些数据不仅为肝硬化患者的血流代偿机制研究提供了新视角，也为个体化手术规划（如肝切除安全限量的年龄调整）奠定了理论基础。

       尽管MRI测量LV的技术取得了显著进展，但仍受限于高成本、长扫描时间和运动伪影等问题。未来，优化扫描序列、开发更高效的AI算法及构建多中心数据集是关键。随着开源数据集扩充，基于多参数MRI的DL体积测量系统有望从辅助诊断迈向临床决策支持，为精准医疗提供强有力的技术支持。

1.4 核医学测量

       核医学作为一种先进的成像技术，能够精准显示生物体内分子的代谢过程、受体分布及神经介质活性，具有高敏感度和高特异度，因此在临床辅助诊断中发挥着重要作用^[46]。与传统CT/MRI的解剖学测量不同，氟代脱氧葡萄糖正电子发射计算机体层扫描（18F-fluorodeoxyglucose-positron emission tomography/computed tomography, ¹⁸F-FDG PET/CT）和单光子发射计算机体层成像（single-photon emission computed tomography, SPECT）的体积测量主要基于标准化摄取值（standardized uptake value, SUV）阈值，SUV阈值的体积反映了目标区域的示踪剂积累程度和代谢异质性，故基于SUV阈值的体积不仅是形态体积，更是功能性体积^[47]，为临床诊断提供了更全面的信息。在核医学体积测量技术的发展过程中，STRAUSS等^[48]早期采用SPECT技术进行LV测量，获得了0.997的高相关系数。然而，由于呼吸运动、示踪剂分布不均匀以及图像分辨率限制等因素，测量结果的稳定性受到一定影响，这是因为在SPECT成像中使用的图像矩阵尺寸仅为CT所用矩阵的四分之一，虽然采用更大的SPECT矩阵可以提升图像质量，但同时也会导致噪声水平显著增加。近年来，ML和DL技术在核医学体积测量领域取得了突破性进展，有望成为降低放射性药物活性及减少患者辐射暴露的理想解决方案，同时确保图像质量和诊断性能不受影响。这些智能算法通过三个维度的技术革新提升了核医学影像的应用价值：首先，在数据处理效率方面，这些算法能够自动分析大量成像数据，显著提高分析效率并增强结果解释的客观性；其次，在图像质量优化方面，3D U-Net等DL架构不仅能有效降低低剂量PET图像噪声，GAN网络还可提升40%以上的信噪比，使小病灶检测敏感度达到88%，有助于提升整体图像质量及其临床可解释性；最后，在多模态融合方面，PET/MRI系统实现了功能与解剖信息的优势互补，使肿瘤靶区勾画误差控制在1.5 mm以内，而联邦学习框架的应用使多中心数据泛化能力提升至92.3%^[49]。

       然而，这些算法在应用中仍存在一定的局限性，一方面，邻近器官干扰可能导致SUVmax测量偏差达8.3%，且依赖高性能计算设备；另一方面，多模态影像系统的建设和维护成本较传统设备增加35%~50%^[50]；此外，现有算法通常仅适用于预处理数据，缺乏原始数据分析能力^[51]。因此，当前算法在核医学图像分析中需进一步优化。研究表明^{[52, 53]}，迁移学习技术可优化数据利用效率，生成式AI在去噪、图像增强方面展现潜力，但仍需解决过拟合、特征融合及跨域适应等局限性问题。值得注意的是，当前核医学器官分割研究相对匮乏，且尚未形成具有普适性的解决方案。未来，开发更具鲁棒性的多模态数据融合方法和适应性更强的通用模型框架是关键研究方向。

2 不足与展望

       近年来，医学影像领域在LV评估方面取得了显著进展，但仍存在一些局限性：常规US因图像噪声及边界模糊问题致使测量精度受限；CT手动测量耗时长，测量结果变异性大，半自动测量同样误差率较高，难以满足精准医疗需求；MRI自动分割在肝脏脂肪变性等复杂病理状态下可能高估体积，四维MRI采集时间长、易受运动伪影影响；核医学测量受呼吸运动和示踪剂分布不均影响，稳定性欠佳；AI算法虽前景广阔，却受困于高质量数据匮乏。

       针对上述不足，未来的研究方向应聚焦于：（1）优化影像技术，如提升US成像质量、加速4D MRI采集和重建技术，突破技术瓶颈；（2）开发更高效、精准的自动化测量算法，降低人工干预，减少测量误差；（3）加强多模态影像融合技术的研究，整合US、CT、MRI等技术优势，提升评估准确性；（4）针对特定临床问题开发专用的图像处理和分析方法；（5）增强AI算法的鲁棒性和适应性，以应对复杂临床数据。

3 小结

       综上，本文通过系统回顾LV测量技术的发展历程，分析现有技术的优势及局限性，总结AI在肝脏分割和体积测量中的应用现状（表1），发现医学影像技术在LV评估中具有不可替代的作用，并已深度融入临床实践。高精度的LV测量技术为肝切除术、肝移植等手术提供了可靠术前评估依据，如：4D-Flow MRI技术通过动态血流动力学评估，为肝功能量化分析和预后预测提供了新的指标；基于AI算法的全自动分割技术显著提升了评估效率与体积测量结果的准确性，为个性化治疗方案的制订奠定了坚实的数据基础。未来，多模态影像融合与人工智能技术的进一步结合将推动LV评估向更高精度、更高效能迈进，尤其是在复杂肝脏病变及多器官体积联合测量等具有挑战性的领域。此外，随着技术的成熟与临床需求的增加，这些先进评估技术有望在更广泛的临床场景中得到应用，为肝脏疾病的诊断、治疗及管理提供全面支持，从而推动精准医疗体系的进一步完善与发展。

点击查看表格

表1  基于成像模式的肝脏体积测量技术对比：优势、局限性与临床应用
Tab. 1  Comparison of liver volume measurement techniques based on imaging modalities: advantages, limitations, and clinical applications