Video Experimental Relacionado
Updated: Sep 10, 2025
07:33
Non-invasive Skeletal Muscle Quantification in Small Animals Using Micro-computed Tomography
Published on: November 8, 2024
556
Enfoques 3D y 2D basados en aprendizaje profundo para la segmentación del músculo esquelético en imágenes de TC de
Giuseppe Timpano1, Pierangelo Veltri2, Patrizia Vizza3
1Department of Surgical and Medical Sciences, Magna Graecia University, Catanzaro, 88100, Italy. giuseppe.timpano@unicz.it.
Journal of imaging informatics in medicine
|August 27, 2025
Resumen
Los modelos de aprendizaje profundo automatizan la segmentación del músculo esquelético en tomografías computarizadas de baja dosis. El modelo 2D DeepLabv3+ logró una precisión superior, mientras que el modelo 3D UNet3+ ofreció eficiencia para el análisis de la composición corporal.
Área de la Ciencia:
- Imágenes médicas
- Inteligencia artificial
- Radiología
Sus antecedentes:
- La segmentación automática del músculo esquelético a partir de imágenes de TC es crucial para el análisis cuantitativo de la composición corporal.
- La segmentación manual requiere mucha mano de obra y no es factible para estudios de alto rendimiento.
- La estandarización a nivel de la tercera vértebra lumbar (L3) es clave para la cuantificación muscular.
Objetivo del estudio:
- Comparar sistemáticamente las arquitecturas de aprendizaje profundo 2D y 3D para la segmentación del músculo esquelético en las exploraciones LDCT.
- Evaluar el rendimiento de DeepLabv3+ (2D) y UNet3+ (3D) a nivel vertebral L3.
- Proporcionar información para seleccionar las arquitecturas óptimas en los flujos de trabajo automatizados de segmentación muscular.
Principales métodos:
- Implementación y evaluación de las arquitecturas DeepLabv3+ (2D) y UNet3+ (3D).
- Se utilizó un conjunto de datos de 537 tomografías computarizadas de dosis baja (TDCL) con preprocesamiento y selección de trozo L3.
- Evaluación del rendimiento utilizando el coeficiente de similitud de los dados (DSC) y el percentil 95 de la distancia de Hausdorff (HD95).
Principales resultados:
- DeepLabv3+ (2D) demostró una precisión de segmentación superior (DSC = 0,982 ± 0,010).
- UNet3+ (3D) mostró resultados competitivos (DSC = 0,967 ± 0,013) con significativamente menos parámetros y una inferencia más rápida.
- Ambos modelos cumplieron o superaron los puntos de referencia existentes en la literatura para la segmentación muscular basada en TC.
Conclusiones:
- Los modelos de aprendizaje profundo automatizan efectivamente la segmentación del músculo esquelético en las exploraciones LDCT.
- DeepLabv3+ ofrece una alta precisión, mientras que UNet3+ proporciona una alternativa eficiente para la cuantificación del músculo L3.
- Este estudio guía la selección de arquitecturas de aprendizaje profundo para el análisis robusto de la composición corporal.
