在青少年的迪克森MRI上基于腹部脂肪组织的基于深度学习的自动细分:基于人口的前性研究

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 儿科内分泌学 儿科内分泌学

背景情况:

• 全球儿童肥胖率不断上升,需要准确的,非侵入性的身体脂肪评估方法.
• 了解身体脂肪的分布,特别是皮下脂肪组织 (SAT) 和内脏脂肪组织 (VAT),对于儿科健康至关重要.
• 迪克森MRI为儿童的身体组成分析提供了一种非侵入性的方法.

研究的目的:

• 开发和验证一种自动化的深度学习方法,用于对腹部SAT和VAT进行细分.
• 在青少年中使用迪克森MRI评估2D-CDFNet模型的性能.
• 评估用于大规模研究的自动脂肪细分的临床实用性.

主要方法:

• 在2989名青少年 (平均年龄13.5岁) 的迪克森MRI数据上训练了一个2D竞争型密集的全卷积神经网络 (2D-CDFNet).
• 手动细分作为训练和测试模型的参考标准.
• 性能被评估使用子相似性,体积相似性和两个独立观察员的主观视觉评估.

主要成果:

• 2D-CDFNet模型实现了高精度,平均Dice相似系数为SAT的0.94和VAT的0.85.
• 视觉评估显示了优良的细分质量,观察员在超过93%的案件中对SAT和VAT都评价了近乎完美的细分.
• 自动测量显示,与BMI (0.808为SAT,0.698为增值税) 和DEXA衍生的脂肪质量 (0.941为SAT,0.801为增值税) 有很强的相关性.

结论:

• 开发的2D-CDFNet模型在使用迪克森MRI的青少年中展示了自动SAT和VAT细分的强大性能.
• 定量和定性评估证实了模型的准确性和可靠性.
• 这种自动化方法可以显著促进对青少年身体脂肪分布及其临床影响的大规模调查.