跨队列联合学习用于小儿腹部脂肪组织细分和量化,使用自由呼吸的3DMRI
Wenwen Zhang1,2, Sevgi Gokce Kafali1,3, Timothy Adamos4
1Department of Radiological Sciences, David Geffen School of Medicine, University of California Los Angeles, Los Angeles, CA, 90095, United States.
Radiology advances
|February 20, 2026
概括
联合学习准确地使用MRI对儿科内脏和皮下脂肪组织 (VAT,SAT) 进行细分,改善了代谢疾病风险评估. 这种快速方法利用成人数据而无需共享,增强了儿科成像分析.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 儿科健康 儿科健康
背景情况:
- 通过MRI对儿科腹部脂肪组织 (内脏和皮下) 的量化有助于评估代谢性疾病的风险.
- 由于其复杂的结构和有限的MRI数据集,自动细分儿科内脏脂肪组织 (VAT) 是具有挑战性的.
研究的目的:
- 开发一个跨队列联合学习 (FL) 框架,使儿科腹部VAT和SAT的准确和快速自动细分成为可能.
- 使用成人MRI数据集来提高儿科细分模型的性能.
主要方法:
- 在儿童和成人3D自由呼吸 (FB) 迪克森MRI数据集上训练了3D神经网络模型,使用联合学习方法.
- 使用Dice分数评估细分性能,并将FL模型与独立和联合培训方法进行比较.
- 估计的VAT和SAT体积和质子密度脂肪分数 (PDFF) 量化,使用类内相关系数 (ICC) 和布兰德-阿尔特曼分析.
主要成果:
- FL模型实现了高细分精度 (VAT: 91.09%,SAT: 95.55%),优于独立培训和匹配联合培训的性能.
- 量测量显示FL和参考方法之间存在很强的一致性 (VAT:ICC=0.99,SAT:ICC=1.00).
- 细分的推断时间为每名受试者不到3秒,显示出快速分析能力.
结论:
- 联合学习框架可以在3D FB-MRI上准确和快速地对儿科腹部VAT和SAT进行自动细分.
- 这种方法有效地利用更大的成人数据集来改善儿科成像分析,而不会影响数据隐私.
- 该方法有望通过改进脂肪组织量化来提高儿童代谢疾病的风险评估.
