低用量CT画像による骨格筋セグメンテーションのための深層学習ベースの3Dおよび2Dアプローチ
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
まとめ
ディープラーニングモデルは 低用量のCTスキャンで 骨格筋のセグメンテーションを自動化します 2D DeepLabv3+モデルは優れた精度を達成し,3D UNet3+モデルは体組成分析の効率性を提供しました.
科学分野:
- 医療用イメージング
- 人工知能
- 放射線科
背景:
- CT画像による骨格筋の自動セグメンテーションは,定量的な体組成分析に不可欠です.
- 手動セグメンテーションは労働集約的で,高通量の研究では実現不可能です.
- 3番目の腰椎 (L3) レベルでの標準化は,筋肉の定量化のための鍵です.
研究 の 目的:
- LDCTスキャンにおける骨格筋のセグメンテーションのための2Dと3Dのディープラーニングアーキテクチャを体系的に比較する.
- L3脊椎レベルでDeepLabv3+ (2D) とUNet3+ (3D) のパフォーマンスを評価する.
- 自動化された筋肉セグメンテーションのワークフローで最適なアーキテクチャを選択するための洞察を提供します.
主な方法:
- DeepLabv3+ (2D) とUNet3+ (3D) のアーキテクチャの実装と評価
- 前処理とL3スライス選択による低用量CTスキャン (LDCT) のデータセットを使用した.
- ダイス類似度係数 (DSC) と95パーセントのハウズドルフ距離 (HD95) を用いて評価した性能.
主要な成果:
- DeepLabv3+ (2D) は優れたセグメンテーション精度を示した (DSC = 0. 982 ± 0. 010).
- UNet3+ (3D) は,かなり少ないパラメータとより速い推論で競争力のある結果 (DSC = 0. 967 ± 0. 013) を示した.
- 両方のモデルはCTベースの筋肉セグメンテーションに関する既存の文献の基準を満たし,または超えた.
結論:
- ディープラーニングモデルはLDCTスキャンで骨格筋のセグメンテーションを効果的に自動化します.
- DeepLabv3+は高い精度を提供し,UNet3+はL3筋肉の定量化のための効率的な代替手段を提供します.
- この研究は,強固な体組成分析のためのディープラーニングアーキテクチャの選択を導くものです.
