对于深度学习的最小注释管道 骨肌肉的细分
Pierre-Yves Baudin1, Fabian Balsiger2,3, Lea Beck2,3
1Institute of Myology, Neuromuscular Investigation Center, NMR Laboratory, Paris, France.
NMR in biomedicine
|May 20, 2025
概括
这项研究提出了一种高效的代方法,用于自动骨肌肉MRI细分,显著减少手动注释. 开发的模型实现了与现有方法相比较的高质量细分,使定量MRI生物标志物的临床翻译成为可能.
科学领域:
- 医疗成像医学成像
- 生物医学工程 生物医学工程
- 放射学 放射学是一门学科.
背景情况:
- 将定量骨肌MRI生物标志物转化为临床实践需要高效的自动细分技术.
- 尽量减少手工注释工作对于这些方法的广泛采用至关重要.
研究的目的:
- 研究一种简单,代的方法来构建高质量的自动骨肌肉MRI细分模型.
- 为了减少训练细分模型所需的手动注释工作.
主要方法:
- 一个nnU-Net细分模型被训练使用70个定量MRI大腿检查的追溯数据库从健康个体和神经肌肉疾病患者.
- 采用了一种代程序,逐步将案例添加到培训套件中,并使用五级视觉评级表来评估细分质量.
- 在一个独立的测试集 (n=20) 上,使用子系数 (DICE),95%的豪斯多夫距离 (HD95) 和定量生物标志物 (CSA,FF,水-T1/T2) 评估了细分质量.
主要成果:
- 与最近的工作相比,通过较小的训练集 (n=30) 实现了高质量的细分 (DICE=0.88±0.15/0.86±0.14,HD95=6.35±12.33/6.74±11.57 mm)
- 关于细分质量的评价者间的协议是公平到中等的,在代中观察到逐渐改善模型.
- 定量结果与手动划分的差异很小 (MAD:CSA=65.2 mm2,FF=1%,水-T1=8.4 ms,水-T2=0.35 ms),具有可比变性.
结论:
- 提出的代方法有效地构建了高质量的自动骨肌肉MRI细分模型,减少了手动注释.
- 该模型的性能与最先进的方法相美,促进了对骨肌肉评估的定量MRI生物标志物的临床翻译.
- 该方法在健康和病理肌肉成像研究中展示了有效和可靠的细分潜力.
