相关实验视频
Updated: Jun 30, 2026
09:30
Quantitative Magnetic Resonance Imaging of Skeletal Muscle Disease
Published on: December 18, 2016
19.5K
深度网络和多图表细分融合,用于划分大腿肌肉群体在三维水脂肪分离的MRI中
Nagasoujanya V Annasamudram1, Azubuike M Okorie1, Richard G Spencer2
1Delaware State University, Division of Physics, Engineering, Mathematics and Computer Science, Dover, Delaware, United States.
Journal of medical imaging (Bellingham, Wash.)
|September 5, 2024
概括
使用多图谱和深度学习框架对大腿肌肉进行自动细分,提高了衰老和代谢疾病研究的准确性. 这种方法增强了医学成像中的组织量化和生物标志物开发.
科学领域:
- 医疗成像医学成像
- 生物医学工程 生物医学工程
- 人体解剖学 解剖学 解剖学
背景情况:
- 精确细分大腿肌肉对于量化衰老和代谢疾病中的组织变化至关重要.
- 在3DMRI中手动划分肌肉是耗时且具有挑战性的,因为相邻的肌肉群.
- 开发自动化方法对于创建可靠的成像生物标志物至关重要.
研究的目的:
- 开发和验证一种多方法,多图谱框架,用于3DMRI中功能大腿肌群的自动细分.
- 提高肌肉体积和脂肪含量评估的准确性和效率.
- 为了应对细分解剖上相邻的肌肉结构的挑战.
主要方法:
- 提出了一个新的框架,将多地图集细分 (MAS) 与3D深度学习模型相结合.
- 该方法融合了来自多个可变形注册模型的解剖绘图.
- 化学转移编码的水脂肪磁共振成像 (CSE-MRI) 用于数据采集.
主要成果:
- 拟议的框架实现了高性能,平均子相似系数 (DSC) 为0.859和豪斯多夫距离第95百分位数 (HD-95) 为8.34.
- 结合多个地图集和深度学习细分,与基线方法相比,表现出优异的结果.
- 该方法在健康受试者身上进行了评估,并在患者身上进行了测试,显示出强大的性能.
结论:
- 多种MAS技术和深度网络决策的融合显著提高了细分精度.
- 开发的方法在3D大腿MRI扫描中提供了个体肌肉群的准确细分.
- 这种自动化方法为研究衰老和代谢疾病提供了精确的肌肉体积和脂肪成分评估.
