精确的个体肌肉细分在整个大腿CT扫描中用于使用U-net变压器评估肉症
Hyeon Su Kim1, Hyunbin Kim2, Shinjune Kim2
1Department of Biomedical Research Institute, Inha University Hospital, Incheon, South Korea. lemonjames96@gmail.com.
Scientific reports
|February 8, 2024
概括
这项研究引入了一个深度学习模型 (UNETR) 进行自动大腿肌肉细分,以评估sarcopenia. UNETR模型准确地量化了肌肉体积,揭示了肌肉质量和萨尔科佩尼亚之间的关联,特别是在男性身上.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 老年学是一门学科.
背景情况:
- Sarcopenia 评估需要准确量化大腿肌肉体积.
- 手动细分大腿肌肉是耗时的,容易变化.
- 深度学习为自动化和精确的医学图像分析提供了潜力.
研究的目的:
- 开发和评估基于深度学习的自动细分方法,用于量化个体大腿肌肉体积.
- 评估大腿肌肉体积与萨尔科佩尼亚之间的关系.
- 通过自动化肌肉体积计算,提高了 Sarcopenia 评估的效率和准确性.
主要方法:
- 使用UNETR (U-net变压器) 架构进行大腿肌肉的voxel级别细分.
- 在72个骨骨折患者的全大腿CT扫描上训练了模型.
- 使用子得分 (0.84) 和平均对称表面距离 (1.4191 ± 0.91),以及体积相关性分析来评估性能.
主要成果:
- 与基线方法相比,UNETR模型实现了优越的细分性能.
- 在男性中,发现了sarcopenia和个人/分组大腿肌肉体积之间存在显著的负面关联.
- 自动化方法在量化肌肉体积方面表现出高的准确性和效率.
结论:
- 使用UNETR的基于深度学习的自动细分对于在Sarcopenia评估中量化大腿肌肉体积是有效的.
- 这项研究突出了特定的肌肉-萨科佩尼亚关联,特别是在男性中,有助于更好地了解肌肉组成.
- 这种自动化方法增强了 Sarcopenia 的评估,为有针对性的干预提供了洞察力,并改善了患者的治疗结果.
