完全自动化的3DCTU-Net框架用于分段和测量马塞特肌肉,创新地结合自主监督算法以有效减少样本大小:东亚人口的验证研究

科学领域:

• 放射学和医学成像
• 医疗保健中的人工智能
• 生物医学工程

背景情况:

• 精确的按摩肌肉细分对于放射性评估至关重要.
• 手动细分是耗时且低效的.
• 深度学习为自动化细分提供了潜力.

研究的目的:

• 开发和评估基于U-Net的自动化按摩器肌肉细分和体积测量框架.
• 提供一个大东亚队列的按摩器肌肉特征的基线数据.
• 引入一个自我监督的算法,尽量减少深度学习的样本大小要求.

主要方法:

• 使用了840个头部CT扫描的数据库.
• 开发了一个基于U-Net的粗细学习框架,用于自动化细分.
• 将自动细分与手动划分进行体积,形态和运行时间的比较.
• 评估的质量不对称性和与临床参数相关的体积测量.

主要成果:

• 该U-Net算法实现了与手动细分相当的体积精度 (P > 0.05).
• 与手动细分相比,自动细分的运行时间明显更快 (< 1 秒).
• 在该队列中,平均质量不对称率为4. 6% ± 4. 6%.

结论:

• 基于U-Net的算法提供可靠和高效的按摩器肌肉细分和体积测量.
• 这种自动化工具与基于CT的手动分类具有很高的一致性.
• 这项研究建立了健康的东亚人群的基线肌肉数据.