从绝经后妇女的MRI图像中自动细分下肢肌肉,基于深度学习和数据增强
William H Henson1,2, Xinshan Li1,2, Zhicheng Lin2,3
1Department of Mechanical Engineering, The University of Sheffield, Sheffield, United Kingdom.
PloS one
|April 2, 2024
概括
深度学习模型自动从MRI扫描中细分下肢肌肉,提高肌肉骨疾病研究的效率和准确性. 这种自动化肌肉细分有助于评估肌肉健康和治疗反应.
科学领域:
- 医学成像分析 医学成像分析
- 放射学中的深度学习
- 肌肉骨系统研究研究
背景情况:
- 手动肌肉细分是耗时且容易出现错误的,阻碍了肌肉骨和神经肌肉骨疾病的研究.
- 需要自动化细分方法来准确量化肌肉特征,如体积和脂肪透,用于功能健康评估.
- 深度学习提供了一种有前途的方法来自动化医疗图像中的个体肌肉细分.
研究的目的:
- 评估三种深度学习卷积神经网络 (UNet,注意力UNet,空间通道UNet) 的有效性,用于23个下肢肌肉的自动细分.
- 通过使用磁共振图像来评估这些网络在细分部,大腿和小腿肌肉方面的表现.
- 为未来的自动化医疗图像细分研究提供公开可用的深度学习模型和数据.
主要方法:
- 三个不同的卷积神经网络 (UNet,注意力UNet,空间通道UNet) 被独立训练.
- 使用图像增强技术来增强用于细分的训练数据集.
- 这些网络在6名受试者的磁共振图像上进行了训练,以分割23个下肢肌肉.
主要成果:
- 自动化细分实现了平均相对体积误差 (RVE) 在8.6%至2.9%之间.
- 平均子相似系数 (DSC) 在0.70到0.84之间,表明了良好的细分重叠.
- 平均豪斯多夫距离 (HD) 在12.2至46.5毫米之间,性能因受试者和网络而异.
- 性能指标表明下肢肌肉的成功细分,其变化取决于特定的网络和主体.
结论:
- 包括UNet,注意力UNet和空间通道UNet在内的深度学习模型表明,在下肢MRI中,自动化个体肌肉细分具有显著的潜力.
- 开发的模型和数据集是促进肌肉骨疾病研究和自动化医学图像分析的宝贵资源.
- 自动化肌肉细分可以加速肌肉特征的定量分析,改善神经肌肉疾病的理解和管理.
