高精度ディープラーニングのMRIアノテーションワークフローの最適化 アスリートにおける太もも筋のセグメンテーション

科学分野:

• メディカルイマージング (医学イメージング)
• 人工知能 (AI) とは,人工知能 (AI) のことです.
• 筋骨格画像検査について

背景:

• MRIでの正確な太もも筋のセグメンテーションは,筋肉の健康を評価するために重要です.
• 手動セグメンテーションは時間がかかり,変数があり,自動化された方法は限界があります.
• 堅実な自動セグメンテーションのためのデータ要件を定義することは,満たされていない重要なニーズです.

研究 の 目的:

• 正確なディープラーニング (DL) の太もも筋のセグメンテーションに必要な下肢MRI研究の数を決定する.
• 訓練データセットのサイズが下流の定量的なMRI測定の合意に与える影響を評価する.

主な方法:

• 下肢のMRI画像から14の股関節筋のグラウンド・トゥルーティー・マニュアルセグメンテーション (SegM) を生成した.
• トレーニングデータを増やした13のディープラーニング (nnU-Net) モデルをトレーニングした (Ntrain = 5 から 120).
• ジオメトリックを用いた自動セグメンテーション (SegA) を評価し,マニュアルセグメンテーションに対して定量的MRI測定 (脂肪分数,拡散テンサー画像) を比較した.

主要な成果:

• 20人の注釈された被験者によるディープラーニングモデルのトレーニングでは,高い精度 (DSC 0.94 ± 0.02) を達成しました.
• 50人の受験者に対して,パフォーマンスはわずかに改善した.
• 自動セグメンテーションから得られた量的な測定は,手動セグメンテーションとよく一致しました.

結論:

• 20の注釈付きMRI画像は,臨床的に許容される股関節筋のセグメンテーションパフォーマンスのために十分です.
• この発見は,アスリートケアと研究における合理化されたセグメンテーションと定量的な報告をサポートしています.
• 最適化されたデータ要求は,自動MRI分析のスケーラビリティを容易にする.