[论文解读] Fully-automated deep learning slice-based muscle estimation from CT images for sarcopenia assessment

Fahdi Kanavati, Shah Islam+3 more|arXiv (Cornell University)|Jun 10, 2020

Nutrition and Health in Aging参考文献 4被引用 4

一句话总结

本研究提出了一种完全自动化的深度学习框架，采用全卷积神经网络（FCNNs）并具有U-Net类似架构，用于从腹部CT扫描中检测L3椎体层面并分割肌肉群（竖脊肌、腰大肌、腹直肌），以评估肌肉减少症。该方法表现出高精度，切片检测的中位误差为0.50个切片，肌肉分割的Dice分数高于0.94，性能与人类专家相当。

ABSTRACT

Objective: To demonstrate the effectiveness of using a deep learning-based approach for a fully automated slice-based measurement of muscle mass for assessing sarcopenia on CT scans of the abdomen without any case exclusion criteria. Materials and Methods: This retrospective study was conducted using a collection of public and privately available CT images (n = 1070). The method consisted of two stages: slice detection from a CT volume and single-slice CT segmentation. Both stages used Fully Convolutional Neural Networks (FCNN) and were based on a UNet-like architecture. Input data consisted of CT volumes with a variety of fields of view. The output consisted of a segmented muscle mass on a CT slice at the level of L3 vertebra. The muscle mass is segmented into erector spinae, psoas, and rectus abdominus muscle groups. The output was tested against manual ground-truth segmentation by an expert annotator. Results: 3-fold cross validation was used to evaluate the proposed method. The slice detection cross validation error was 1.41+-5.02 (in slices). The segmentation cross validation Dice overlaps were 0.97+-0.02, 0.95+-0.04, 0.94+-0.04 for erector spinae, psoas, and rectus abdominus, respectively, and 0.96+-0.02 for the combined muscle mass. Conclusion: A deep learning approach to detect CT slices and segment muscle mass to perform slice-based analysis of sarcopenia is an effective and promising approach. The use of FCNN to accurately and efficiently detect a slice in CT volumes with a variety of fields of view, occlusions, and slice thicknesses was demonstrated.

研究动机与目标

• 开发一种完全自动化的、基于深度学习的方法，从腹部CT扫描中进行基于切片的肌肉减少症评估，无需排除病例。
• 克服临床和研究工作流程中L3切片识别与肌肉分割耗时且不一致的问题。
• 通过交叉验证和Bland-Altman分析，评估该方法与专家放射科医生标注结果的性能对比。
• 为肿瘤学研究和潜在的临床筛查工具提供可扩展、可重复的肌肉减少症测量方法。

提出的方法

• 该方法使用两个基于U-Net类似架构的独立FCNN：一个用于L3切片检测，另一个用于肌肉分割。
• 输入数据由3D CT图像体积预处理为2D冠状面和矢状面的最大强度投影（MIP）图像，以增强解剖标志。
• 切片检测通过置信度图进行训练，以精确定位L3椎体，同时限制矢状面MIP图像以提高骶骨和脊柱对齐的可见性。
• 肌肉分割在检测到的L3切片上进行，模型训练用于区分竖脊肌、腰大肌、腹直肌及合并肌肉质量。
• 两个模型均在来自多个来源的1070个体素的多样化数据集上，采用3折交叉验证进行训练和评估。
• 该框架设计为可泛化至其他解剖水平，并可适应多切片肌肉减少症评估。

实验结果

研究问题

• RQ1 全卷积神经网络能否在腹部CT图像中实现与人类放射科医生相当的L3椎体切片检测性能？
• RQ2 深度学习模型在L3切片上对单个肌肉群（竖脊肌、腰大肌、腹直肌）及合并肌肉质量的分割精度如何？
• RQ3 从模型中获得的自动化肌肉减少症测量结果是否与专家放射科医生的手动标注具有统计学上显著的一致性？
• RQ4 该方法在具有过渡椎体或广泛软组织水肿的疑难病例中表现如何？
• RQ5 该方法是否可在不同视野、切片厚度和解剖变异的CT扫描中应用，而无需排除标准？

主要发现

• 切片检测模型的中位误差为0.50个切片（3折交叉验证中为1.41±5.02），与人类放射科医生之间的误差（中位数0.80）相当。
• 肌肉分割实现了高Dice重叠分数：竖脊肌为0.97±0.02，腰大肌为0.95±0.04，腹直肌为0.94±0.04，合并肌肉质量为0.96±0.02。
• Bland-Altman分析显示，模型与第二位专家放射科医生测量的肌肉面积之间无统计学显著差异（p=0.9503）。
• 该方法在具有软组织水肿和脊柱弯曲的疑难病例中表现出鲁棒性，尽管在极端情况下仍观察到部分分割失败。
• 异常值病例主要由过渡椎体或脊柱可视化不良引起，置信度图常显示多个潜在的L3候选位置。
• 该模型在包括金属植入物在内的多样化CT扫描中表现一致，且该框架可泛化至其他解剖水平。