超越CT身体构成分析:使用风格转移将基于CT的全自动化身体构成分析带到T2加权的MRI序列
Johannes Haubold1, Olivia Barbara Pollok, Mathias Holtkamp
1From the Institute of Diagnostic and Interventional Radiology and Neuroradiology, University Hospital Essen, Essen, Germany (J.H., O.B.P., M.H., L.S., C.B., J.S., B.M.S., K.B., J.K., M.O., L.U., M.F., F.N., R.H.); Institute for Artificial Intelligence in Medicine, University Hospital Essen, Essen, Germany (J.H., O.B.P., M.H., L.S., C.S.S., C.B., J.S., K.B., J.K., Y.W., M.O., L.U., M.F., F.N., R.H.); Institute for Transfusion Medicine, University Hospital Essen, Essen, Germany (C.S.S.); Center of Sleep and Telemedicine, University Hospital Essen-Ruhrlandklinik, Essen, Germany (C.S.S.); Data Integration Center, Central IT Department, University Hospital Essen, Essen, Germany (Y.W.); Department of Computer Science, University of Applied Sciences and Arts Dortmund (FHDO), Dortmund, Germany (C.M.F.); and Institute for Medical Informatics, Biometry, and Epidemiology (IMIBE), University Hospital Essen, Essen, Germany (C.M.F.).
本研究引入了一种深度学习方法,用于使用MRI T2加权序列进行自动化身体组成分析 (BCA),在细分各种身体区域和部位方面实现高精度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 深度学习 (DL) 越来越多地用于自动化身体组成分析 (BCA).
- 目前的DL方法往往倾向于计算机断层扫描 (CT) 而不是磁共振成像 (MRI).
- 需要使用易于获得的MRI序列的自动化BCA方法.
研究的目的:
- 开发和评估使用MR T2加权序列自动BCA的深度学习方法.
- 为了比较BCA的2D和3D深度学习模型的性能.
- 从MRI提供精确和详细的身体组成信息.
主要方法:
- 通过使用CycleGAN将CT数据映射到合成MR图像来生成初始细分.
- 在真实T2加权MRI序列上训练nnU-Net V2模型 (2D和3D).
- 使用人类注释器精细细分段,并使用子和豪斯多夫距离指标评估性能.
主要成果:
- 3D整体模型在身体区域 (例如,肌肉0.968,皮下脂肪0.98) 中获得了高的子分数.
- 2D整体模型在身体部位 (例如,手臂0.952,干0.99) 中获得了高的子分数.
- 对于2D和3D组合模型,在所有类别中都观察到稳定的性能.
结论:
- 开发的深度学习方法可以从T2加权MRI中实现高效和自动化的BCA.
- 该方法提供了准确和详细的身体成分数据.
- 这有助于临床研究和潜在的患者评估.
