LRF-UNet:低级因子化卷积深度学习网络用于腹部计算机断层扫描图像中的内脏脂肪和肌肉组织细分

科学领域:

• 医学成像分析分析 医学成像分析
• 放射学中的人工智能
• 评估身体组成的评估.

背景情况:

• 从腹部CT扫描中对骨肌肉 (SM) 和内脏脂肪组织 (VAT) 的定量分析对于代谢风险评估,营养状况评估和临床决策至关重要.
• 手动细分的患者和观察者之间的变化可能导致诊断不准确.

研究的目的:

• 开发和评估一个基于UNet的深度学习系统,用于自动细分增值税和SM从CT切片的腰部水平L1-L3.3的自动细分.
• 增强定量身体成分分析的稳定性和临床适用性.

主要方法:

• 采用了基于UNet的深度学习模型,其中包括MobileNetV3 (MV3) 块和低级因子卷积 (LRF-Conv).
• 图像预处理包括Z分数规范化和数据增强;该模型具有嵌套跳过连接和深度监控的编码器-解码器结构.
• 该系统在179名患者 (64名糖尿病患者,113名血糖正常) 的腹部CT图像上进行了训练和验证,使用五倍交叉验证.

主要成果:

• 该系统实现了0.9435 ± 0.0045的索伦森-戴斯系数 (戴斯得分) 和0.8973 ± 0.0056.6的交叉点在联盟 (IoU) 上.
• 记录了2.5325 ± 0.4702的第95百分位 Hausdorff 距离 (HD95),表明了高分段精度.
• 深度学习系统在增值税和SM细分方面表现出色.

结论:

• 拟议的深度学习系统提供了从腹部CT图像中对VAT和SM的强大而准确的自动细分.
• 这项技术在常规临床实践中对客观身体成分分析具有重大潜力.
• 该系统可以帮助克服与手动细分变化相关的局限性,提高诊断可靠性.