相关实验视频
Updated: Jan 20, 2026

Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
深度学习管道用于自动化骨肌肉细分和肉症检测
Pankaj Gupta1, Niharika Dutta2, Saroj K Sinha3
1Department of Radiodiagnosis, Postgraduate Institute of Medical Education and Research, Chandigarh, 160 012, India. pankajgupta959@gmail.com.
一个深度学习管道准确地从CT扫描中检测出sarcopenia,克服手动方法的局限性. 这种经过验证的方法确保了可靠的骨肌肉细分在不同的腹部条件和成像协议.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 计算解剖学的计算解剖学
背景情况:
- 软骨症,渐进性骨肌肉损失,与各种疾病的不良结果有关.
- 传统的基于计算机断层扫描 (CT) 的萨尔科佩尼亚评估是手动的,耗时的和可变的.
研究的目的:
- 通过CT验证深度学习 (DL) 管道,以准确和可重复检测肉症.
- 通过各种腹部疾病和成像协议来评估DL的性能.
主要方法:
- 利用SAROSCT数据集进行培训,以及多个多中心数据集进行测试.
- 集成的总细分器和nnU-Net用于L3脊椎和骨肌肉细分.
- 使用Dice分数,IoU和用于检测萨科佩尼亚的诊断准确度指标来评估性能.
主要成果:
- DL管道显示了一致的细分精度 (Dice 0.9287-0.9701,IOU高达 0.9423).
- 专家评估证实了可靠的细分 (78%-92.6%).
- 在各种条件下,萨科佩尼亚检测是一致的 (灵敏度0.94-0.97,特异性0.84-0.97,AUC高达0.92).
结论:
- 一个深度学习管道提供了一致和可靠的骨肌肉细分和肉症检测.
- DL方法在异构的腹部CT协议和各种临床条件中有效.
相关概念视频
10:25Deep Learning-Based Segmentation of Cryo-Electron Tomograms
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
05:41A Step-by-Step Implementation of DeepBehavior, Deep Learning Toolbox for Automated Behavior Analysis
08:36Semi-automated Analysis of Mouse Skeletal Muscle Morphology and Fiber-type Composition
07:04Fiber Type Identification of Human Skeletal Muscle
Classification of Skeletal Muscle Fibers
Slow-Twitch Muscle Fibers
Slow oxidative, muscle fibers appear red due to large numbers of capillaries and high levels of...

