大规模CT图像数据集的自动细分,用于详细的身体组成分析

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 身体成分 (BC) 对于评估2型糖尿病和心血管疾病的风险至关重要.
• 用CT图像进行BC分析的手动细分是耗时且主观的.
• 需要自动化技术来进行有效和客观的BC评估.

研究的目的:

• 开发和评估用于身体组成分析的全自动化细分技术.
• 将这些技术应用于3切片CT成像协议 (肝脏,腹部,大腿).
• 为了能够对许多与BC相关的组织和器官进行详细的分析.

主要方法:

• 在4000多名CT受试者身上训练和评估了四种卷积神经网络架构 (ResUNET,UNET++,Ghost-UNET,Ghost-UNET++).
• 细分多个组织:肝脏,脏,肌肉,骨髓,皮质骨,以及各种脂肪储存 (VAT,IPAT,RPAT,SAT,DSAT,SSAT,IMAT).
• 使用十倍交叉验证和模型验证的测试集.

主要成果:

• UNET++以0.981.9的子得分获得了最高的表现.
• 幽灵-UNET++表现出了竞争力的结果和卓越的计算效率.
• 所有车型在细分各种车身构成组件方面都表现出强的表现.

结论:

• 完全自动化的细分是有效的分析多个组织和器官从三片CT扫描BC.
• UNET++和Ghost-UNET++提供准确高效的自动化细分解决方案.
• 自动化方法显著减少了分析时间,并提高了大规模BC研究的客观性.