基于深度学习的框架，用于通过磁共振成像（MRI）全面量化大腿、小腿肌肉及脂肪组织

《Magnetic Resonance Materials in Physics, Biology and Medicine》：Deep learning-based framework for comprehensive quantification of thigh and calf muscles and adipose tissues from MRI

肌肉与脂肪组织自动化定量分析框架基于3D Attention-Res-V-Net构建，通过多级模型实现下肢肌肉整体分割及细分（13大腿肌群/9小腿肌群），并量化皮下脂肪（SAT）、肌间脂肪（InterMAT）和肌内脂肪（IntraMAT）。分割Dice相似系数达76%-95%，误差分析显示肌间脂肪误差约19%-21%，肌内脂肪误差17.4%-58.8%。公开高质量标注数据集。

　　

摘要

研究目标

量化肌肉和脂肪沉积对于了解神经肌肉系统、肌肉骨骼系统和代谢性疾病中的病理变化至关重要。本研究提出了一个深度学习框架，用于自动全面分析下肢的肌肉和脂肪组织。

材料与方法

从亚洲印度糖尿病前期研究中回顾性地收集了25名参与者（平均年龄：40.5±5.86岁；64%为男性）的大腿和小腿轴向两点Dixon磁共振成像数据。基于专家标注的真实数据训练了一个3D Attention-Res-V-Net模型流程。首先，使用一系列Attention-Res-V-Net模型来量化大腿和小腿的整个肌肉区域及皮下脂肪组织（SAT）。随后，针对大腿和小腿分别训练了专门的模型来量化13块大腿肌肉和9块小腿肌肉。通过设置强度阈值，在肌肉特定的分割掩膜内仅对脂肪部分进行图像处理，从而量化肌肉间（InterMAT）和肌肉内（IntraMAT）脂肪组织。将得到的脂肪体素体积乘以体素分辨率，得到脂肪组织体积，并将其与真实体积进行相对误差评估。

结果

整个肌肉的分割准确率平均达到92%（大腿）和87%（小腿）；皮下脂肪组织的准确率为95%。肌肉特异性分割准确率范围为76%至90%（大腿）和68%至90%（小腿）。肌肉间脂肪组织的误差约为21%（大腿）和19%（小腿），而肌肉内脂肪组织的误差范围为17.4%至58.8%。此外，本研究生成的高质量、由专家标注的数据集将公开发布，以促进未来的研究。

讨论

该框架通过实现对单个肌肉、皮下脂肪组织、肌肉间脂肪组织以及肌肉内脂肪组织的精细量化，推动了下肢肌肉-脂肪成分分析的发展。