评估从全身CT图像中自动化骨分割的Skellytour
Daniel C Mann1, Michael W Rutherford1, Phillip Farmer1
1Department of Biomedical Informatics, University of Arkansas for Medical Sciences, 4301 W Markham St, Little Rock, AR 72205.
Radiology. Artificial intelligence
|February 19, 2025
概括
在CT扫描中,Skellytour精确地划分骨,性能优于现有的模型. 这种机器学习工具提供精确的骨细分和细分,以改进骨分析.
科学领域:
- 医学成像和信息学
- 机器学习在放射学中的应用
- 骨成像分析 骨成像分析
背景情况:
- 在CT成像中精确的骨细分对于诊断和监测骨状况至关重要.
- 现有的细分模型在不同数据集的准确性和通用性上可能存在局限性.
研究的目的:
- 开发和评估Skellytour,一种新的机器学习模型,用于使用全身CT图像进行精确的骨细分和细分.
- 为了比较Skellytour的表现与像TotalSegmentator这样的既定模型.
主要方法:
- 从多发性骨髓瘤患者的90个全身CT扫描进行了回顾性分析,并将其手动分为60个标签,包括皮质和椎骨.
- 在内部和外部测试数据集 (362个扫描) 上使用子相似系数 (DSC) 和规范表面距离 (NSD) 评估细分性能.
- 评估诸如同位素,分辨率,标签方案和模型性能后处理等因素.
主要成果:
- 在内部和外部数据集中,Skellytour表现出高且一致的细分性能 (DSC: 0.94-0.96,NSD: 0.99-1.0).
- 该模型在两个外部数据集上表现优于TotalSegmentator,这表明它具有更高的概括性.
- 实现了高分段性能 (DSC:0.95,NSD:0.995),即使在低密度骨区域内也实现了详细的分段.
结论:
- Skellytour是一个准确且可概括的机器学习模型,用于CT数据中的骨细分和细分.
- 该模型的性能和详细输出为骨成像分析提供了重大潜力.
- 在GitHub上,Skellytour作为一个Python软件包公开提供.


