基于深度学习的低剂量CT图像骨骼肌分割：3D UNet3+与2D DeepLabv3+架构的系统性比较

本研究针对低剂量CT（LDCT）图像中骨骼肌自动化分割的临床需求，通过对比3D UNet3+与2D DeepLabv3+两种深度学习架构在第三腰椎（L3）水平的性能，发现DeepLabv3+以DSC=0.982±0.010的精度领先，而UNet3+以26倍参数精简（1.27M）实现DSC=0.967±0.013的竞争性表现。研究为LDCT环境下肌肉量化分析提供了架构选择依据，推动了大通量肌肉评估（如肌少症诊断）的临床应用。

　　

研究背景与意义

在老龄化社会背景下，肌少症（sarcopenia）作为进行性肌肉流失综合征，影响着全球10-16%的60岁以上人群。计算机断层扫描（CT）因其通过Hounsfield单位（HU）精确区分软组织的能力，成为肌肉量化的金标准。然而，临床广泛采用的低剂量CT（LDCT）虽能降低辐射风险，却因图像噪声增加导致软组织分割困难。传统人工分割存在耗时（单病例需15-30分钟）和操作者变异性问题，而现有深度学习研究多聚焦标准剂量CT，缺乏对LDCT环境下2D与3D模型的系统性比较。

研究方法与技术

研究团队从公开数据集获取537例LDCT扫描（剂量1-2mSv），以第三腰椎（L3）水平20层轴向切片（约50mm）为靶区，通过HU阈值（-29至+150）提取肌肉特征区域。采用对称分割策略：3D UNet3+通过多尺度跳跃连接融合体积特征（1.27M参数），2D DeepLabv3+结合ResNet-50与空洞空间金字塔池化（ASPP）模块（33.6M参数）。模型通过Dice损失（2D）和混合损失函数（3D，含Dice、焦点损失和结构相似性SSIM）优化，在430例训练集上验证300轮次。

研究结果

1. 1.

   性能对比：DeepLabv3+在测试集（53例）展现更高分割精度（DSC=0.980±0.010 vs. 0.967±0.013），尤其在敏感度（0.980±0.021）和边界一致性（HD95=1.04±0.46mm）方面优势显著。UNet3+虽精度略低，但推理速度达0.0161秒/例（p<0.00001），较DeepLabv3+（0.2966秒）更适合实时处理。

   
2. 2.

   解剖学适应性：在复杂肌肉边界区域（如腰大肌与腹膜后脂肪交界），DeepLabv3+因保留全分辨率切片细节而更精准；UNet3+则因体积下采样偶尔过度平滑微小结构（图6未展示）。

3. 3.

   计算效率：UNet3+参数量仅为DeepLabv3+的3.8%，且支持8GPU并行，凸显其在资源受限场景的部署优势。

结论与展望

该研究首次系统验证了LDCT场景下2D与3D深度学习模型在L3肌肉分割的效能差异。DeepLabv3+的高精度使其适合精细化分析（如临床试验终点评估），而UNet3+的轻量化特性契合筛查场景需求。未来需通过多中心数据验证泛化性，并探索迁移学习策略以提升3D模型在小数据集的性能。论文发表于《Journal of Imaging Informatics in Medicine》，为肌肉量化研究提供了可复现的代码库（GitHub开源），推动影像组学在肌少症等肌肉相关疾病管理的应用。