使用有限数据集训练的 2.5D 深度学习网络进行大腿肌肉语义分割
摘要
目的：我们提出一种 2.5D 深度学习神经网络（DLNN）以自动将大腿肌肉分为 11 类，并在有限数据集训练下评估其相对于 2D 与 3D DLNN 的分类精度。其可实现针对疾病进展的大腿肌肉体积变化的与操作人无关的定量评估。材料与方法：回顾性数据集由 48 个从 CT DICOM 图像中裁剪出的大腿体积（TV）组成。裁剪后的体积沿股骨轴对齐并以 2 mm 体素间距重采样。所提 2.5D DLNN 由三个分别用轴向、冠状与矢状面肌肉切片训练的 2D U-Net 组成。采用投票算法合并 U-Net 输出以生成最终分割。2.5D U-Net 在含 38 个 TV 的 PC 上训练，剩余 10 个 TV 用于评估大腿内 10 类的分割精度。左右大腿的分割结果被反裁剪回原始 CT 体积空间。最后，将所提 DLNN 与 2D/3D U-Net 的分割精度进行比较。结果：2.5D U-Net 所有类的平均分割 DSC 分数精度为 91.18%，平均表面距离（ASD）精度为 0.84 mm。我们发现，在相同数据集训练下，2D U-Net 的平均 DSC 分数比 2.5D U-Net 低 3.3%，3D U-Net 的平均 DSC 分数比 2.5D U-Net 低 5.7%。结论：我们以合理精度实现了更快且计算高效的大腿肌肉 11 类自动分割，可实现针对疾病进展的肌肉萎缩定量评估。
引用
@article{arxiv.1911.09249,
title = {Semantic Segmentation of Thigh Muscle using 2.5D Deep Learning Network Trained with Limited Datasets},
author = {Hasnine Haque and Masahiro Hashimoto and Nozomu Uetake and Masahiro Jinzaki},
journal= {arXiv preprint arXiv:1911.09249},
year = {2019}
}
备注
7 pages, 5 figures, This manuscript was a detailed version of our accepted oral paper in RSNA 2018. Ref: Haque,H, Hashimoto,M, Uetake,N, Jinzaki,M, End to End Solution for Complete Thigh Muscle Semantic Segmentation from Musculoskeletal CT using Deep Learning. http://archive.rsna.org/2018/18006583.html