基于深度学习的3D和2D方法用于低剂量CT图像的骨肌肉细分
Giuseppe Timpano1, Pierangelo Veltri2, Patrizia Vizza3
1Department of Surgical and Medical Sciences, Magna Graecia University, Catanzaro, 88100, Italy. giuseppe.timpano@unicz.it.
Journal of imaging informatics in medicine
|August 27, 2025
概括
深度学习模型在低剂量CT扫描中自动化骨肌肉细分. 2D DeepLabv3+ 模型实现了卓越的准确性,而 3D UNet3+ 模型则为身体组成分析提供了效率.
科学领域:
- 医学成像
- 人工智能
- 放射学
背景情况:
- 通过CT图像进行自动化骨肌肉细分对于定量体质分析至关重要.
- 手动细分是劳动密集型的,对于高吞吐量研究来说是不可行的.
- 第三个腰椎 (L3) 的标准化是肌肉量化的关键.
研究的目的:
- 在LDCT扫描中系统比较骨肌肉细分的2D和3D深度学习架构.
- 在L3脊椎水平评估DeepLabv3+ (2D) 和UNet3+ (3D) 的性能.
- 在自动化肌肉细分工作流程中选择最佳架构的洞察力.
主要方法:
- 实施和评估DeepLabv3+ (2D) 和UNet3+ (3D) 架构.
- 使用537个低剂量CT扫描 (LDCT) 的数据集,并进行预处理和L3切片选择.
- 使用子相似系数 (DSC) 和第95百分位 Hausdorff 距离 (HD95) 评估性能.
主要成果:
- DeepLabv3+ (2D) 显示出优异的细分精度 (DSC = 0.982 ± 0.010).
- UNet3+ (3D) 显示出具有竞争力的结果 (DSC = 0.967 ± 0.013),参数显著减少,推断速度更快.
- 这两种模型都达到或超过了基于CT的肌肉细分的现有文献基准.
结论:
- 深度学习模型在LDCT扫描中有效地自动化骨肌肉细分.
- DeepLabv3+提供了高精度,而UNet3+则为L3肌肉量化提供了有效的替代方案.
- 这项研究指导了深度学习架构的选择,以进行强大的身体组成分析.
