自动细分的干部肌肉与深深的CNN训练从稀疏的注释在放射治疗患者的转移性脊椎病:一个观察性研究
Vy Hong1, Steve Pieper2, Joanna James3
1Technische Universitat Munchen School of Computation Information and Technology, Munich, Germany.
Frontiers in bioengineering and biotechnology
|February 18, 2026
概括
一个深度学习模型准确地从癌症患者的CT扫描中细分胸脊柱肌肉. 这有助于创建个性化的模型来评估骨折风险,改善患者护理.
科学领域:
- 医疗成像医学成像
- 计算解剖学的计算解剖学
- 放射学 放射学是一门学科.
背景情况:
- 在脊椎转移性疾病患者的放射治疗后,脊椎骨折很常见.
- 准确的干肌肉细分对于生物力学建模和骨折风险评估至关重要.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于脊柱肌肉的全体积细分.
- 实现个性化的生物力学建模和癌症患者骨折风险评估.
主要方法:
- 在148名患者的稀有注释的临床CT数据上训练了一种2D nnU-Net DL模型.
- 分段胸部和腹部脊柱肌肉 (延伸器和曲器).
- 经过验证的细分精度和解剖学准确性与手动细分和放射科医生评估相比.
主要成果:
- DL模型实现了0.769以上的平均子得分,与手动细分相比.
- 放射科医生的评级表明DL生成的细分与手动细分不逊色.
- 证明了关键胸肌肉的高解剖准确度3D细分.
结论:
- DL模型提供了从CT扫描中快速,准确的脊柱肌肉3D细分.
- 这项技术可以显著减少创建患者特有的肌肉骨模型的手工劳动.
- 为接受放射治疗的癌症患者提供个性化骨折风险评估.
