FatSegNet：一种用于腹部 Dixon MRI 脂肪组织分割的全自动深度学习流水线
计算机视觉与模式识别
2019-11-06 v2
摘要
目的：开发一种快速且全自动的深度学习流水线（FatSegNet），用于在来自 Rhineland Study（一项大型前瞻性人群研究）的 Dixon MRI 上准确识别、分割和量化腹部脂肪组织。方法：FatSegNet 由三个阶段组成：(i) 使用两个 2D 竞争稠密全卷积网络（CDFNet）一致定位腹部区域，(ii) 由独立的 CDFNet 在三个视图上分割脂肪组织，(iii) 视图聚合。FatSegNet 使用 33 名手动标注的受试者进行训练，并通过以下方式验证：1) 针对覆盖广泛体重指数（BMI）范围的测试集比较分割精度，2) 重测可靠性，3) 在大型队列研究中的鲁棒性。结果：与传统深度学习网络相比，CDFNet 表现出更强的鲁棒性。FatSegNet 在腹部内脏脂肪组织（VAT，0.828 vs. 0.788）上的 Dice 分数优于人工标注者，并在皮下脂肪组织（SAT，0.973 vs. 0.982）上产生可比的结果。该流水线具有非常小的重测绝对百分比差异，且在扫描会话间具有极好的一致性（VAT：APD = 2.957%，ICC=0.998；SAT：APD= 3.254%，ICC=0.996）。结论：FatSegNet 可在 1 分钟内可靠地分析 3D Dixon MRI。它可很好地泛化到不同体型，在大型队列研究中灵敏地复现已知的 VAT 和 SAT 体积效应，并支持脂肪分隔的局部分析。
引用
@article{arxiv.1904.02082,
title = {FatSegNet : A Fully Automated Deep Learning Pipeline for Adipose Tissue Segmentation on Abdominal Dixon MRI},
author = {Santiago Estrada and Ran Lu and Sailesh Conjeti and Ximena Orozco-Ruiz and Joana Panos-Willuhn and Monique M. B Breteler and Martin Reuter},
journal= {arXiv preprint arXiv:1904.02082},
year = {2019}
}
备注
Submitted to Magnetic Resonance in Medicine