在常规腹部CT扫描中对骨肌肉和脂肪组织进行多标签细分和分析
Robert Kreher1, Georg Hille1, Bernhard Preim1
1Department of Simulation and Graphics, Faculty of Computer Science, University of Magdeburg, Universitätsplatz 2 39106, Magdeburg, Germany.
Computers in biology and medicine
|January 8, 2025
概括
这项研究引入了一种深度学习模型,用于CT扫描中精确细分肌肉和脂肪组织,显著优于专家细分并帮助患者健康分析.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 人体解剖学 解剖学 解剖学
背景情况:
- 准确的脂肪和肌肉组织细分对于患者的健康评估至关重要.
- 目前的细分方法可能缺乏精度,特别是在肌肉间脂肪方面.
研究的目的:
- 开发和评估基于深度学习的CT片的多标签细分网络.
- 为了提高三种脂肪和五种肌肉组织类型的细分精度,包括肌际脂肪.
主要方法:
- 在130名患者的定制数据集上训练了一个扩展的U-Net结构.
- 细分性能使用子得分 (DSC),交叉点与联盟 (IoU) 和像素精度进行了评估.
- 评估了观察者间的变异性,以确定临床相关性.
主要成果:
- 该模型获得了高平均DSC分数:肌肉91.0%,脂肪组织88.9%.
- 在91.51%的时间里,医生更喜欢处理后的肌肉间脂肪细分,而不是他们自己的细分.
- 该算法在细分各种肌肉和脂肪组织方面表现出卓越的性能.
结论:
- 深度学习算法提供精确的肌肉和脂肪组织细分.
- 医生在定性评估中显示出对算法细分的强烈偏好.
- 这些发现支持该算法的实用性,用于详细的患者健康分析.


