从常规计算机断层扫描中通过基于深度学习的细分提取的身体组成参数的验证

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 在瘤学瘤学.

背景情况:

• 麻症和身体构成是关键的患者结果预测因素.
• 常规的计算机断层扫描 (CT) 扫描包含有价值的身体成分数据.
• 准确量化这些指标对于临床决策至关重要.

研究的目的:

• 开发和验证一个开放式的深度学习管道,用于从CT扫描中提取身体成分测量.
• 为了比较自动测量与手动量化.
• 评估身体组成指标对整体存活 (OS) 的预后价值.

主要方法:

• 开发了一个灵活的,开放式的管道,集成深度学习细分模型.
• 将管道应用于337名外科瘤患者的CT扫描.
• 量化总骨肌肉 (SMtotal),psoas肌肉 (SMpsoas),内脏脂肪组织 (VAT) 和皮下脂肪组织 (SAT) 手动和自动.

主要成果:

• 在自动和手动测量之间观察到强烈的相关性 (SMpsoas: r=0.776,VAT: r=0.993,SAT: r=0.984;P<0.001).
• 总骨肌肉 (SMtotal) 与psoas肌肉 (SMpsoas) 相比,在脊椎水平上显示出更大的测量稳定性.
• 在预测整体存活期 (OS) 方面,SMtotal和SMpsoas表现相似.

结论:

• 开发的管道准确地从CT扫描中提取身体成分测量,与手动评估相对应.
• 总骨肌肉 (SMtotal) 为患者预测结果提供了一个比psoas肌肉 (SMpsoas) 更稳定和潜在可靠的替代方案.
• 建议进一步完善自动化细分模型,以解决差异并提高准确性.