マセーター筋肉のセグメンテーションと測定のための完全に自動化された3D CT U-Netフレームワーク,サンプルサイズを効果的に減らすために自己監視アルゴリズムを革新的に組み込む:東アジアの人口における検証研究

科学分野:

• 放射線科 と 医学 画像
• 医療における人工知能
• 生物医学工学

背景:

• マセーター筋肉の正確なセグメンテーションは,放射線学的評価に不可欠です.
• 手動のセグメンテーションは時間がかかり,非効率です.
• ディープラーニングは 自動化されたセグメンテーションの 可能性を秘めています

研究 の 目的:

• マセーター筋肉の自動セグメンテーションと体積測定のためのU-Netベースのフレームワークを開発し,評価する.
• 東アジアの大規模なコホートにおけるマセター筋の特徴に関するベースラインデータを提供するためです.
• ディープラーニングのサンプルサイズ要件を最小限に抑えるための自己監視アルゴリズムを導入する.

主な方法:

• 頭部CTスキャンを受けた 840人のデータベースを利用した.
• 自動化されたセグメント化のためのU-Netベースの粗いから細い学習フレームワークを開発しました.
• 自動セグメンテーションとボリューム,形態,実行時間のマニュアルデリラインを比較した.
• マセーターの非対称性を評価し,臨床パラメータと相関する体積測定を行いました.

主要な成果:

• U-Netアルゴリズムは,手動セグメンテーションに相当する体積精度 (P > 0.05) を達成した.
• 自動セグメンテーションの実行時間は,手動セグメンテーション (937. 3 ± 95. 9秒) よりも著しく短かった (< 1秒).
• 平均マセットアシンメトリはコホートで4. 6% ± 4. 6%でした.

結論:

• U-Netベースのアルゴリズムは,信頼性と効率的なマセーター筋肉のセグメンテーションとボリューム測定を提供します.
• この自動化されたツールは,CTベースの評価のための手動セグメンテーションと高度な一致を示しています.
• この研究は,健康な東アジア人群のマセター筋のベースラインデータを確立した.