一项关于基于深度学习的分割下肢肌肉方法在不同人群中适用性的泛化研究

《Scientific Reports》：A generalisation study in deep learning-based segmentation of lower-limb muscles across different populations

　　

摘要

由于解剖结构的显著差异，对不同人群（如儿童、年轻人和老年人）的下肢肌肉进行准确且一致的分割仍然具有挑战性。本研究评估了深度学习模型在自动分割正常发育儿童（TDC）下肢肌肉方面的性能。我们对这些模型在不同群体（健康年轻人（HY）和绝经后妇女（PMW）中的泛化能力进行了新的研究。我们重点关注了Attention-Feature-Fusion-Unet（AFFU）模型，该模型将特征融合模块集成到了U-Net中。首先，由不同的操作人员对TDC队列的T1加权图像进行了手动分割，并评估了其重复性。随后，与UNet、UNet+和Attention UNet进行了比较研究。AFFU模型在儿童队列中取得了最佳的Dice相似系数0.86和相对体积误差0.09。与基线U-Net相比，它还显著降低了Hausdorff距离和平均对称表面距离，分别降低了约34%和20%（p < 0.01）。观察发现，较大且形状规则的肌肉分割精度更高，而较小和不规则的肌肉则更难以分割。实验表明，仅使用单一类型的队列数据进行模型训练不足以提高模型的泛化能力。在泛化能力方面，使用混合多类队列的训练集以及包含注意力机制的复杂模型取得了最佳结果。