基于深度学习分割的低剂量腹部CT纵向变异性分析
计算机视觉与模式识别
2022-09-29 v1
摘要
代谢健康日益被视为从心脏病学到神经病学多种疾病的危险因素，而身体成分的效能评估对于定量刻画这些关系至关重要。二维低剂量单层计算机断层扫描（CT）提供了高分辨率、定量的组织图，尽管视野有限。尽管在量化图像语境方面已提出众多潜在分析，但尚无针对低剂量单层CT结合自动分割的纵向变异性综合研究。我们利用有监督的基于深度学习的分割与无监督聚类方法，研究了巴尔的摩衰老纵向研究（BLSA）腹部数据集中1469名受试者的共1816张切片。从中挑出前两次扫描间隔两年的300名受试者，以组织/器官尺寸和平均强度等指标，通过 intraclass correlation coefficient（ICC， intraclass相关系数）和 coefficient of variation（CV，变异系数）评估纵向变异性。我们表明我们的分割方法在纵向设定下稳定，十三个目标腹部组织结构体的 Dice 系数介于0.821至0.962。我们观察到多数器官变异性高（ICC<0.5），而肌肉、腹壁、脂肪和躯体掩膜区域变异性低（平均ICC>0.8）。我们发现器官的变异性与二维切片的横截面位置高度相关。我们的工作为减少纵向分析中的不确定性铺就了定量探索与质量控制之路。
引用
@article{arxiv.2209.14217,
title = {Longitudinal Variability Analysis on Low-dose Abdominal CT with Deep Learning-based Segmentation},
author = {Xin Yu and Yucheng Tang and Qi Yang and Ho Hin Lee and Riqiang Gao and Shunxing Bao and Ann Zenobia Moore and Luigi Ferrucci and Bennett A. Landman},
journal= {arXiv preprint arXiv:2209.14217},
year = {2022}
}
备注
7 pages, 3 figures