基于深度学习的框架,用于从MRI中全面量化大腿和小腿肌肉以及脂肪组织

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
• 肌肉骨疾病和代谢疾病

背景情况:

• 准确量化肌肉和脂肪组织对于理解神经肌肉,肌肉骨和代谢疾病至关重要.
• 目前用于身体成分分析的方法可能是劳动密集型的,缺乏细粒度.

研究的目的:

• 开发和验证深度学习框架,用于自动化,全面分析下肢肌肉和脂肪组织.
• 为了能够对个体肌肉,皮下脂肪组织 (SAT),肌肉间脂肪组织 (InterMAT) 和肌肉内脂肪组织 (IntraMAT) 进行细粒度量化.

主要方法:

• 一个3D注意力-Res-V-Net管道被训练在专家标记的磁共振成像 (MRI) 数据从大腿和小腿.
• 用级模型对整个肌肉/SAT进行细分,然后进行肌肉特定的量化.
• 在肌肉口罩中的仅脂肪图像上使用强度值来量化InterMAT和IntraMAT.

主要成果:

• 对于整个肌肉 (92%大腿,87%小腿) 和SAT (95%) 实现了高细分精度.
• 肌肉特定细分表现良好 (76-90%的大腿,68-90%的小牛).
• InterMAT的相对错误为~21% (大腿) 和~19% (小牛),而IntraMAT的错误范围从17.4%到58.8%.

结论:

• 开发的深度学习框架使得下肢肌肉和脂肪组成的自动化,细粒度量化成为可能.
• 这一进步有助于更精确地描述各种疾病中的病理变化.
• 该研究将发布高质量的,专家注释的数据集,以支持该领域的未来研究.