一个完全卷积的神经网络,用于MRI中腹部脂肪组织区的全面细分

科学领域:

• 医学成像分析分析 医学成像分析
• 医学中的人工智能.
• 肥胖研究的研究.

背景情况:

• 腹部脂肪组织 (AAT) 亚存储处表现出明显的结构,生理和病理特征.
• 准确量化AAT分库对于了解肥胖及其相关的并发症至关重要.
• 目前用于AAT分仓分离和定量化的方法是具有挑战性的,原因是医学成像和复杂,耗时的过程中不清楚的界限.

研究的目的:

• 实施和评估一个卷积神经网络 (CNN),以对AAT进行细分评估.
• 将皮下脂肪组织 (SAT) 分为表面皮下脂肪组织 (SSAT) 和深部皮下脂肪组织 (DSAT).
• 将内脏脂肪组织 (IAT) 分为腹腔内脂肪组织 (IPAT),腹腔内脂肪组织 (RPAT) 和侧脊脂肪组织 (PSAT).

主要方法:

• 来自新加坡预孕研究长期母亲和儿童结果 (S-PRESTO) 和新加坡成人新陈代谢研究 (SAMS) 的MRI数据集的回顾性收集.
• 对所有数据集进行地面真相面具的手动细分.
• 基于Res-Net的3D-UNet模型的培训和评估,使用S-PRESTO数据的5倍交叉验证,并对保留和外部测试集进行最终评估.

主要成果:

• 美国有线电视新闻网 (CNN) 在个别的AAT分仓细分上获得了高平均子相似度得分:SSAT为98.3%,DSAT为97.2%,IPAT为96.5%,RPAT为96.3%,PSAT为95.9%.
• 在3DMRI卷中证明了SSAT,DSAT,IPAT,RPAT和PSAT的可靠细分.

结论:

• 卷积神经网络可以准确地将腹部SAT和IAT分为各自的存储库 (SSAT,DSAT,IPAT,RPAT,PSAT) 以高精度.
• 开发的方法在推进肥胖成像和精准医学应用方面具有重大潜力.