一种新的深度学习方法,用于大规模分析骨髓脂肪,使用英国生物银行迪克森MRI数据
David M Morris1,2, Chengjia Wang1,3, Giorgos Papanastasiou2,4
1University/BHF Centre for Cardiovascular Science, University of Edinburgh, The Queen's Medical Research Institute, Edinburgh BioQuarter, 47 Little France Crescent, Edinburgh EH16 4TJ, UK.
Computational and structural biotechnology journal
|January 25, 2024
概括
一种新的深度学习方法可以从英国生物银行MRI数据中进行高通量骨髓脂肪分数 (BMFF) 测量. 这种方法揭示了对骨髓脂肪组织 (BMAT) 和其作为生物标志物的临床相关性的新见解.
科学领域:
- 生物医学成像学 生物医学成像学
- 医学中的人工智能
- 人类生理学 人类生理学
背景情况:
- 骨髓脂肪组织 (BMAT) 占人类脂肪质量的10%以上.
- 通过MRI测量骨髓脂肪分数 (BMFF) 与各种疾病有关.
- 人口规模的MRI研究对于了解BMAT的临床意义至关重要.
研究的目的:
- 开发一种深度学习模型,用于使用英国生物银行MRI数据进行高通量,多站点的BMFF分析.
- 为了实现骨髓细分的自动化,以实现有效的BMFF量化.
主要方法:
- 一个新的基于注意力的3D U-Net卷积神经网络被开发用于自动骨髓细分.
- 该模型在英国生物库的MRI数据上进行了训练和验证,这些数据来自60-69岁的参与者.
- 在多个骨部位量化了BMFF,并评估了与年龄,BMI,骨矿物质密度和肥胖度的关系.
主要成果:
- 深度学习模型在不同区域的骨髓细分方面取得了高准确性 (Dice得分为86.6%94.5%).
- BMFF测量证实了已知的与年龄,性别和骨密度相关的相关性.
- 确定了BMFF的新部位和性别特征.
结论:
- 一种新的深度学习方法可以从大型体积核磁共振成像数据集中进行准确的高通量BMFF测量.
- BMFF显示出作为一种新型临床生物标志物的潜力,提供了新的病理生理学见解.
- 将其应用于整个英国生物库队列可以阐明BMAT在人类健康和疾病中的作用.
