MCAUnet:一种深度学习框架,用于在肝硬化患者中自动量化身体成分
Jiening Wang1, Shuqi Xia1, Jie Zhang1
1College of Computer Science and Technology (College of Data Science), Taiyuan University of Technology, University Street, Jinzhong, 030600, China.
BMC medical imaging
|July 2, 2025
概括
一个新的深度学习模型MCAUnet自动化了对肝硬化患者CT扫描中的身体成分分析. 这种工具准确量化内脏脂肪,并识别了sarcopenic内脏肥胖症 (SVO),揭示了其与较低的生存率的联系.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 在CT扫描中进行传统的身体成分分析是手动的,耗时的,不准确的.
- 准确的身体成分评估对于肝硬化患者的预后至关重要.
研究的目的:
- 开发和验证MCAUnet,这是一个深度学习框架,用于在肝硬化患者中自动量化身体成分.
- 为了研究这种患者群体中sarcopenic内脏肥胖症 (SVO) 和生存率之间的关联.
主要方法:
- 用了11,362个L3级腰部CT切片用于训练和验证细分模型.
- 开发了MCAUnet,具有用于特征融合的频道视角注意力机制.
- 根据量化体质组成和使用回归分析来确定生存相关性的SVO定义.
主要成果:
- 对于内脏脂肪的细分,MCAUnet实现了0.952的平均Dice系数,超过了现有的模型.
- 麻性内脏肥胖症 (SVO) 与肝硬化患者的3年和5年生存率较低有显著关联.
- 回归分析证实SVO和死亡率之间存在强烈的相关性.
结论:
- MCAUnet提供了一个精确和自动化的解决方案,用于对肝硬化患者的身体组成分析.
- 该框架有助于识别SVO及其对生存的影响,支持临床决策.
- 这种自动化方法有可能增强肝硬患者个性化治疗策略.
