基于深度学习的全自动 CT 图像切片肌肉估计用于肌肉减少症评估
图像与视频处理
2020-06-12 v1 计算机视觉与模式识别
摘要
目的：证明在无任何病例排除标准的情况下，使用基于深度学习的方法对腹部 CT 扫描进行全自动基于切片的肌肉量测量以评估肌肉减少症的有效性。材料与方法：本回顾性研究使用公开与私有可用的 CT 图像集合（n = 1070）进行。该方法包括两个阶段：从 CT 体积中检测切片和单切片 CT 分割。两个阶段均使用全卷积神经网络（FCNN）并基于类 UNet 架构。输入数据为具有多种视野的 CT 体积。输出为在 L3 椎体层面的 CT 切片上分割出的肌肉量。肌肉量被分割为竖脊肌、腰大肌和腹直肌肌群。输出由专家标注者的人工真值分割进行验证。结果：采用 3 折交叉验证评估所提方法。切片检测交叉验证误差为 1.41±5.02（以切片计）。竖脊肌、腰大肌和腹直肌的分割交叉验证 Dice 重叠系数分别为 0.97±0.02、0.95±0.04、0.94±0.04，合并肌肉量为 0.96±0.02。结论：采用深度学习方法检测 CT 切片并分割肌肉量以执行基于切片的肌肉减少症分析是一种有效且有前景的方法。已证明使用 FCNN 能够准确高效地检测具有多种视野、遮挡和切片厚度的 CT 体积中的切片。
引用
@article{arxiv.2006.06432,
title = {Fully-automated deep learning slice-based muscle estimation from CT images for sarcopenia assessment},
author = {Fahdi Kanavati and Shah Islam and Zohaib Arain and Eric O. Aboagye and Andrea Rockall},
journal= {arXiv preprint arXiv:2006.06432},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1811.09244