基于深度学习的B超图像肌肉结构全自动分析
图像与视频处理
2020-09-11 v1 计算机视觉与模式识别
摘要
B超常用于肌肉骨骼组织成像，但一个主要瓶颈在于数据解读，肌肉厚度、羽状角与肌束长度的测量往往仍靠人工完成。本研究训练了基于U-net的深度神经网络，利用一组已标注的肌肉骨骼超声图像检测肌束与腱膜。随后我们将新未见图像上的神经网络预测结果，与人工分析以及两种现有半自动/自动分析方法（SMA与Ultratrack）所得结果进行比较。使用GPU时，新方法的单图推断时间约为0.7秒，而CPU上为4.6秒。我们的方法可检测浅层与深层腱膜的位置，以及每幅图像中的多个肌束片段。对单幅图像，该方法所得结果与不可训练的自动方法（SMA；肌束长度平均差异：1.1 mm）或人工分析（平均差异：2.1 mm）相近。方法间羽状角差异在1以内，肌肉厚度平均差异小于0.2 mm。类似地，对视频而言，尽管所分析试验包含数百帧，Ultratrack与我们的方法结果仍有强重叠，平均ICC为0.73。我们的方法全自动化且开源，可从单图或视频以及多个浅层肌肉估算肌束长度、羽状角与肌肉厚度。我们还提供了用于自定义模型开发的所有必要代码与训练数据。
引用
@article{arxiv.2009.04790,
title = {Fully automated analysis of muscle architecture from B-mode ultrasound images with deep learning},
author = {Neil J. Cronin and Taija Finni and Olivier Seynnes},
journal= {arXiv preprint arXiv:2009.04790},
year = {2020}
}