在纵向MRI上使用3D卷积神经网络与多对比输入的自动腹部脂肪组织细分和体积量化

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 肥胖研究的研究.

背景情况:

• 皮下和内脏脂肪组织 (SAT/VAT) 的增加与心脏代谢疾病风险有关.
• 准确量化SAT/VAT对于监测疾病进展和治疗疗效至关重要.
• 当前的细分方法可能是耗时和劳动密集的.

研究的目的:

• 开发和评估使用深度学习模型的自动腹部SAT/VAT细分.
• 评估基于注意力的竞争密集 (ACD) 3D U-Net和3D nnU-Net的性能.
• 为了验证超重/肥胖的成年人纵向分析的模型.

主要方法:

• 利用920名超重/肥胖的成年人进行两次MRI扫描.
• 在多对比度MRI数据上训练并测试了ACD 3D U-Net和3D nnU-Net模型.
• 使用子分数,错误负数/正数和纵向体积一致的类内相关系数来评估细分的准确性.

主要成果:

• 无论是ACD 3D U-Net还是3D nnU-Net都实现了快速细分 (<4.8秒/主题).
• 高准确度被证明,VAT的子中位数≥0.976和SAT的≥0.992.
• 观察到SAT/VAT体积的纵向一致性很好 (ICC> 0.997).

结论:

• ACD 3D U-Net和3D nnU-Net提供自动化,快速和准确的工具来量化腹部SAT/VAT.
• 这些模型适用于超重/肥胖的成年人的纵向分析.
• 开发的方法可以帮助临床评估和心脏代谢疾病的管理.