优化MRI注释工作流程,以实现高精度深度学习的运动员大腿肌肉细分
Alexis B Slutsky-Ganesh1,2,3,4, Salomé Baup5, Upasana U Bharadwaj1,2,3
1Emory Sports Performance And Research Center (SPARC), Flowery Branch, GA, 30542, United States.
Radiology advances
|February 16, 2026
概括
20个注释的下肢MRI扫描足以训练深度学习模型进行准确的大腿肌肉细分. 这一发现简化了临床护理和研究中的运动员的定量MRI分析.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肌肉骨成像系统的成像
背景情况:
- 在MRI中精确的大腿肌肉细分对于评估肌肉健康至关重要.
- 手动细分是耗时和可变的,而自动化方法有局限性.
- 定义强大的自动化细分的数据要求是一个关键的未满足的需求.
研究的目的:
- 确定为准确的深度学习 (DL) 腿部肌肉细分所需的注释下肢MRI研究的数量.
- 评估培训数据集大小对下游定量MRI措施的协议的影响.
主要方法:
- 从下肢MRI图像生成了14个大腿肌肉的地面真实手动细分 (SegM).
- 训练了13个深度学习 (nnU-Net) 模型,并增加了训练数据 (Ntrain = 5 到 120).
- 使用几何指标评估自动细分 (SegA) 并将定量MRI测量 (脂肪分数,扩散张力成像) 与手动细分进行比较.
主要成果:
- 使用20个注释主题进行深度学习模型训练,实现了高精度 (DSC 0.94 ± 0.02).
- 50名训练对象的表现显示了适度的改善.
- 从自动细分得出的定量指标与手动细分很好地一致.
结论:
- 对于临床上可接受的大腿肌肉细分性能,二十张注释的MRI图像就足够了.
- 这一发现支持运动员护理和研究中的简化细分和定量报告.
- 优化的数据要求促进了自动化MRI分析的可扩展性.


