相关实验视频
Updated: Sep 15, 2025
09:30
Quantitative Magnetic Resonance Imaging of Skeletal Muscle Disease
Published on: December 18, 2016
19.7K
深度学习模型用于从MRI中获得最佳的脂肪和肌肉质量的测量
Belvin Thomas1, M Adam Ali2,3, Fatima M H Ali4
1Division of Radiotherapy and Imaging, The Institute of Cancer Research, London, UK. belvin.thomas@icr.ac.uk.
Scientific reports
|July 17, 2025
概括
深度学习模型在测量MRI扫描中的脂肪和肌肉质量方面表现出不同的准确性. 虽然对皮下脂肪和外部肌肉有效,但对腹内肌和腹肌肌的性能有所不同,需要仔细选择模型.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 人工智能在医学中的应用
- 瘤学生物标志物
背景情况:
- 在瘤学中,脂肪和肌肉质量是健康和疾病的关键生物标志物.
- 目前用于测量身体组成的临床方法表现出显著的变化.
- 深度学习 (DL) 为自动化和标准化的身体成分分析提供了潜力.
研究的目的:
- 评估各种DL模型的准确性,精度和变化跟踪能力,以从腹部MRI量化脂肪和肌肉质量.
- 为了比较基于卷积神经网络 (CNN) 和基于变压器的DL架构的性能.
- 评估DL模型在不同类型的组织 (皮下脂肪,腹内脂肪,外肌,psoas肌) 中的可靠性.
主要方法:
- 使用了15个基于CNN和4个基于变压器的DL模型架构.
- 来自腹部MRI的量化皮下脂肪 (SF),腹内脂肪 (VF),外部肌肉 (EM) 和腹肌肌肉 (PM).
- 评估了DL模型对人类观察员的界线的准确性,精度和可重复性.
主要成果:
- 对于SF和EM,DL模型和人类观察者显示了可比的准确性,具有出色的重复性.
- 基于CNN的模型比基于变压器的模型更准确地测量VF,尽管人类观察者最准确.
- 在所有DL模型和人类评估中,psoas肌肉 (PM) 划分的准确性和可重复性都很差.
结论:
- 对于身体组成分析的DL模型的准确性和精度因模型架构 (CNN与变压器),组织类型以及潜在的性别而异.
- DL模型显示出SF和EM的一致测量的希望,但VF,特别是PM的性能需要进一步改进.
- 在实施DL时,必须仔细考虑模型选择和组织特异性性能,以估计瘤学中的身体组成生物标志物.
