深度学习技术用于自动细分靠近部肌肉骨组织从CT扫描图像:A MrOS研究图像:A MrOS研究
Mahdi Imani1,2, Jared Buratto2, Thang Dao2
1Australian Institute for Musculoskeletal Science (AIMSS), The University of Melbourne and Western Health, St. Albans, Victoria, Australia.
Journal of cachexia, sarcopenia and muscle
|March 1, 2025
概括
这项研究开发了一种深度学习方法,用于从CT扫描中分析部肌肉骨组织. 该技术准确量化组织,与强度和骨密度相关,有助于评估与年龄相关的状况.
科学领域:
- 放射学和医学成像学 医学成像学
- 生物医学工程 生物医学工程
- 老年学是指老年学的学科.
背景情况:
- 与年龄相关的疾病,如骨质疏松症和肉症,导致肌肉骨组织的显著损失,影响生活质量,增加跌倒/骨折风险.
- 计算机断层扫描 (CT) 用于肌肉骨组织的评估,但对靠近部细分的研究是有限的.
研究的目的:
- 开发一种深度学习技术,用于在靠近部的CT扫描中对肌肉骨组织进行细分和定量.
- 评估该技术与身体功能和骨健康有关的临床实用性.
主要方法:
- 一个类似于U-Net的深度学习模型被训练在300名男性参与者的手动细分CT扫描上 (男性骨质疏松性骨折研究).
- 该模型细分了皮质骨,状骨,骨髓脂肪组织 (MAT),造血骨髓 (HBM),肌肉,肌肉间脂肪组织 (IMAT) 和皮下脂肪组织 (SAT).
- 定量结果与握力,椅子坐立时间,步行速度,骨矿物质密度 (BMD) 和总瘦肉量相关联.
主要成果:
- 深度学习模型在所有组织类型中实现了90%以上的平均Dice相似系数 (DSC).
- 肌肉面积和骨指标与力量和移动性正相关,而脂肪组织 (IMAT,SAT) 显示了反向关系.
- 骨髓脂肪组织 (MAT) 显示出与非创伤性骨折的潜在联系,骨和肌肉指标与骨矿物质密度和肌肉质量相关.
结论:
- 开发的深度学习技术提供了一个快速而准确的方法来对肌肉骨组织进行细分和量化.
- 这种技术对于评估与年龄相关的肌肉骨变化和相关的健康风险具有潜在的临床价值.
