[论文解读] Comp2Comp: Open-Source Body Composition Assessment on Computed Tomography

Louis Blankemeier, Arjun Desai+12 more|arXiv (Cornell University)|Feb 13, 2023

Body Composition Measurement Techniques被引用 7

一句话总结

Comp2Comp 是一个开源的 Python 软件包，用于在腹部 CT 扫描上实现自动化、高精度的体成分分析，可快速分割骨骼、骨骼肌、内脏脂肪组织（VAT）和皮下脂肪组织（SAT）。它提供两种处理流程——脊柱水平（T12–L5）和用户自定义轴向切片——在内部和外部数据集上验证后，Dice 分数达到高水平（肌肉平均 0.97，VAT 为 0.96，SAT 为 0.97），HU 测量和横截面积测量误差低于 1%，具有优异的准确性。

ABSTRACT

Computed tomography (CT) is routinely used in clinical practice to evaluate a wide variety of medical conditions. While CT scans provide diagnoses, they also offer the ability to extract quantitative body composition metrics to analyze tissue volume and quality. Extracting quantitative body composition measures manually from CT scans is a cumbersome and time-consuming task. Proprietary software has been developed recently to automate this process, but the closed-source nature impedes widespread use. There is a growing need for fully automated body composition software that is more accessible and easier to use, especially for clinicians and researchers who are not experts in medical image processing. To this end, we have built Comp2Comp, an open-source Python package for rapid and automated body composition analysis of CT scans. This package offers models, post-processing heuristics, body composition metrics, automated batching, and polychromatic visualizations. Comp2Comp currently computes body composition measures for bone, skeletal muscle, visceral adipose tissue, and subcutaneous adipose tissue on CT scans of the abdomen. We have created two pipelines for this purpose. The first pipeline computes vertebral measures, as well as muscle and adipose tissue measures, at the T12 - L5 vertebral levels from abdominal CT scans. The second pipeline computes muscle and adipose tissue measures on user-specified 2D axial slices. In this guide, we discuss the architecture of the Comp2Comp pipelines, provide usage instructions, and report internal and external validation results to measure the quality of segmentations and body composition measures. Comp2Comp can be found at https://github.com/StanfordMIMI/Comp2Comp.

研究动机与目标

• 为常规腹部 CT 扫描中的定量体成分分析缺乏可访问的自动化工具提供解决方案。
• 通过提供完全开源、用户友好的解决方案，克服专有软件的局限性。
• 推动肌肉质量、脂肪分布和骨密度等体成分指标在临床和科研应用中的广泛应用。
• 通过在 CT 上自动化、可重复地分割关键组织，支持肌少症和骨质疏松症的早期检测。
• 通过简化数据处理和可视化，促进大规模纵向研究和临床整合。

提出的方法

• 利用 TotalSegmentator 模型对 3D 脊柱进行分割，识别椎体（T12–L5）并提取解剖标志点。
• 应用在增强 CT 扫描上微调过的深度学习模型（stanford_v0.0.1），在轴向切片上分割骨骼肌、VAT 和 SAT。
• 采用多色可视化技术，实现对分割结果的快速质量保证。
• 通过命令行界面或 SLURM 作业提交，自动化处理 DICOM 格式的 CT 研究数据。
• 实施后处理启发式规则，优化分割结果并确保解剖学上的合理性。
• 计算标准化的体成分指标，包括 Hounsfield 单位（HU）平均值、横截面积和组织体积。

实验结果

研究问题

• RQ1 开源、自动化流程是否能在腹部 CT 的体成分分析中实现与人工或专有工具相当的高分割精度？
• RQ2 该模型在不同机构和扫描协议下，特别是在肌肉和脂肪组织分割方面的泛化能力如何？
• RQ3 自动化椎体分割和 HU 测量在常规 CT 扫描中对骨质疏松症筛查的支持程度如何？
• RQ4 该工具是否可在无需专业医学影像处理知识的情况下，高效部署于临床和科研工作流程中？
• RQ5 与内部和外部验证集的金标准相比，计算出的体成分指标（如 HU、横截面积）的准确性如何？

主要发现

• 脊柱流程在 L3 椎体的平均垂直中心误差为 3.38 mm，在 L4 为 2.68 mm，所有水平的 HU ROI 误差低于 4 HU，相对误差低于 2.6%。
• 在 40 例增强 CT 扫描的内部测试集中，L3 水平的 Dice 分数分别为：肌肉 0.97，VAT 0.96，SAT 0.97。
• 在另一家机构的 20 例外部验证病例中，L3 水平的 Dice 分数分别为：肌肉 94.7%，VAT 94.6%，SAT 93.2%，各水平间表现高度一致。
• 在内部测试集中，所有组织的 Hounsfield 单位（HU）测量误差低于 1%，横截面积误差低于 2%。
• 该工具在多种解剖区域和扫描协议下表现出稳健性能，且所需用户输入极少。
• 该软件包可实现自动化、可重复且可扩展的体成分分析，并通过多色可视化报告实现质量控制。