基于 3D 语义分割卷积神经网络的常规 CT 影像全自动身体成分分析
图像与视频处理
2020-10-22 v1 计算机视觉与模式识别
摘要
身体组织成分是众所周知的长效生物标志物，在心血管、肿瘤和骨科疾病以及康复医学或药物剂量中具有很高的诊断和预后价值。本研究的目的是开发一种基于标准腹部 CT 检查的全自动、可重复、定量的 3D 体积身体成分分析，以便作为常规临床影像的一部分提供此类有价值的生物标志物。因此，一个内部数据集包含 40 例用于训练的 CT 和 10 例用于测试的 CT，在每第五层轴位切片上完整标注了五种不同的语义身体区域：腹腔、骨骼、肌肉、皮下组织以及胸腔。采用多分辨率 U-Net 3D 神经网络分割这些身体区域，随后利用已知的亨氏单位（Hounsfield unit）界限对脂肪组织和肌肉进行子类分类。所有语义区域的 Sørensen Dice 分数平均为 0.9553，子类分类组织的组内相关系数高于 0.99。我们的结果表明，常规 CT 影像上的全自动身体成分分析可提供整个腹部的稳定生物标志物，而不仅限于 L3 切片——后者在历史上是临床常规中分析身体成分的参考位置。
引用
@article{arxiv.2002.10776,
title = {Fully-automated Body Composition Analysis in Routine CT Imaging Using 3D Semantic Segmentation Convolutional Neural Networks},
author = {Sven Koitka and Lennard Kroll and Eugen Malamutmann and Arzu Oezcelik and Felix Nensa},
journal= {arXiv preprint arXiv:2002.10776},
year = {2020}
}