Radiology:利用深度学习自动腹部分割进行身体组成分析

2019-06-13 shaosai MedSci原创

本研究旨在建立并评价一种分割CT图像腹部成分的全自动算法。

本研究旨在建立并评价一种分割CT图像腹部成分的全自动算法。

本研究基于U网结构的卷积神经网络进行训练来对2430例CT检查腹部数据进行分割,并在270例CT检查进行验证。随后又对额外的2369例肝细胞肝癌(HCC)患者进行验证。利用双因素方差分析评价分割效果差异。

结果为,与参照分割比较,本研究模型Dice评分在测试组皮下、肌肉及内脏脂肪组织成分分别为0.98 ± 0.03、0.96 ± 0.02、、0.97 ± 0.01,在HCC组皮下、肌肉及内脏脂肪组织成分分别为0.94 ± 0.05、0.92 ± 0.04、0.98 ± 0.02。分割效果满足或超过专家人工分割。

本研究表明,该模型分割效果满足甚至超过专家人工分割效果。该模型能够全自动定量评价3D CT检查的身体成分。

原始出处:

Weston AD, Korfiatis P, Kline TL,et al.Automated Abdominal Segmentation of CT Scans for Body Composition Analysis Using Deep Learning.Radiology.DOI:10.1148/radiol.2018181432

本文系梅斯医学(MedSci)原创编译整理,转载需授权!

相关资讯

国内率先发表人工智能心血管影像学研究,深度学习自动测量心胸比率准确,测量时间从25.26秒缩至0.69秒

近年来人工智能开始被应用于医学领域,尤其应用于医学影像大数据的分析处理,显示了极为高效而准确的效果。人工智能在医学影像领域的应用也日益受到重视,在心血管影像领域也得以快速发展。

Radiology:对比增强CT图像深度学习系统在肝硬化分级的价值

本研究旨在建立并验证CT图像深度学习系统(DLS)在肝硬化分级中的价值。

Radiology:深度学习方法评价膝关节MR图像的价值

本研究旨在验证利用深度学习方法在MR膝关节图像中检出软骨病变(包括软骨软化、软骨纤维化、软骨开裂、局部缺损、软骨退变导致的弥漫性变薄和急性软骨损伤)的可能性。

PNAS:深度学习助力罕见戈谢病机制研究

溶酶体酶葡糖脑苷脂酶-1(GCase)催化主要糖脂葡糖神经酰胺的裂解,成为葡萄糖和神经酰胺。缺乏完整功能的GCase导致其脂质底物在溶酶体中积累,引起戈谢病。

Radiology:利用变分网络深度学习重建联合可变密度单次激发快速反转回波MRI

本研究旨在利用变分网络(VN)研发一种能够提高重建速度和高度采样不足可变密度单次激发快速反转回波成像质量的深度学习重建算法。

Eur Heart J:机器学习算法可以估计成人先天性心脏病的预后并指导治疗

这项研究证明了通过大型数据集训练的机器学习算法估计ACHD预后和指导治疗的实用性。