《Journal of Biomechanics》：Arm and shoulder muscle segmentation in axial MRI with UNet deep learning model
编辑推荐：
•使用39名成年受试者的手动分割MRI数据训练了多类nnU?Net模型。•DSC（差异标准化系数）范围从0.920（三角肌）到0.461（拇展肌）。•肌肉体积解释了DSC方差的约36%；其中24%是独特的（混合效应）。•方向和训练次数的影响可以忽略不计（每种影响的方差均<1%）。
- •
使用39名成年受试者的手动分割MRI数据训练了多类nnU?Net模型。
- •
DSC（差异标准化系数）范围从0.920（三角肌）到0.461（拇展肌）。
- •
肌肉体积解释了DSC方差的约36%；其中24%是独特的（混合效应）。
- •
方向和训练次数的影响可以忽略不计（每种影响的方差均<1%）。
- •
结果是对整个上肢肌肉进行深度学习分割的基准测试。
引言
准确测量肌肉体积是生物力学和康复研究中的宝贵工具。肌肉组织具有层次结构，这种结构决定了整个肌肉的功能（Lieber & Fridén, 2000）。尽管肌肉的结构-功能关系涉及许多因素（例如，力臂、肌束长度、Phi值（PCSA）、脂肪浸润、纤维类型），但肌肉体积是关节扭矩的相关指标和重要预测因子（Fukunaga等人，2001）。虽然关节水平的强度评估提供了有用的功能指标，但它们无法直接区分单个肌肉对净关节扭矩的相对贡献，从而掩盖了肌肉特有的缺陷或代偿策略。通过体内测量肌肉体积可以获得肌肉级别的分辨率，能够检测出大小或形态的局部变化，并且已成为生物力学研究中越来越常用的结果指标（Handsfield等人，2017）。肌肉体积的变化通常发生在受伤（Lepley等人，2020；Thomazeau等人，1997）、疾病（Evans，2010）和衰老（Evans，1995）的情况下，也是抗阻训练的结果（Gopalakrishnan等人，2010；Mcleod等人，2024），因此它是肌肉骨骼病理和适应的可靠指标。
生物医学成像技术，如超声波（US）和磁共振成像（MRI），可以通过边界分割和基于体素的体积计算来实现对骨骼肌体积的无创体内评估。超声波提供了一种可访问的实时方法来量化肌肉结构和体积（Adkins等人，2017；Ahtiainen等人，2010；Budzikowski和Murray，2023；McGillivray等人，2009），但其较低的穿透深度限制了其对表层肌肉的应用（Forney和Delzell，2018），并且其狭窄的成像窗口通常一次只能评估一个肌肉。相比之下，MRI具有更好的软组织对比度和空间分辨率（Kalia等人，2017），其较大的视野允许在单次扫描中成像整个解剖区域。这使得可以同时评估多个肌肉及其周围结构，因此MRI特别适用于量化整个解剖区域的肌肉体积（Handsfield等人，2017；Holzbaur等人，2007）以及诊断和监测肌肉骨骼病理（De Mello等人，2019；Sneag等人，2023）。
图像处理仍然是从MRI中量化肌肉体积的主要瓶颈，尽管已经出现了先进的方法来应对这一挑战，但在前臂等复杂且肌肉重叠、边界不清晰的区域，这些方法的应用仍然受到限制。手动边界勾画仍然是单个肌肉分割的金标准，它直接利用了专家的解剖学知识来确保准确性和可靠性，但这种方法耗时且资源密集（Holzbaur等人，2007；Saul等人，2015；Vidt等人，2012）。基于深度学习的自动分割方法（Asgari Taghanaki等人，2021）已经成为解决这一瓶颈的有希望的解决方案，并在肌肉体积量化方面取得了成功（Ni等人，2019；Riem等人，2023；Weber等人，2021）。这些方法已被应用于肩部和旋转袖肌肉（Conze等人，2020；Riem等人，2023），最近也有使用商业解决方案应用于前臂肌肉的研究（Riem等人，2025），尽管没有报告分割性能指标。前臂由于解剖结构的复杂性、肌肉重叠、边界不明显、空间上下文有限以及相邻肌肉纤维路径对齐等原因，分割面临独特挑战。目前最先进的深度学习方法在整个手臂上肌肉水平的分割性能尚未完全了解，前臂提供了一个独特且相对研究不足的测试案例。
在这项研究中，我们旨在利用现有的手动分割的上肢MRI数据集，并应用一种成熟的基于深度学习的分割流程来评估其在广泛肌肉中的性能。通过关注整个上肢，包括前臂中较小且不太明显的肌肉，我们希望评估在以往研究中较少受到关注的区域的自动分割性能。为了支持这一领域，我们提供了一个资源，以便于进行上肢肌肉体积的评估，并澄清当前方法的优点和局限性。我们的发现旨在为未来采用、改进或开发肌肉骨骼成像的分割方法提供信息，从而支持生物力学、康复和临床研究的更广泛应用。
章节片段
MRI数据集
我们使用了来自先前研究的三个数据集，其中包含了年轻（Holzbaur等人，2007）、中年（Saul等人，2015）和老年（Vidt等人，2012）成年受试者的肩部和手臂的磁共振图像及共同注册的肌肉分割数据（表1）。对于年轻和中年组，我们使用了两种线圈配置获得的图像：身体线圈采集覆盖肩部和上臂，而手臂线圈采集则覆盖...
肌肉的分割准确性
31块上肢肌肉的分割性能差异很大，平均DSC为0.806±0.098，范围从三角肌（DELT）的0.920到拇展肌（EPB）的0.461（图3）。一些肌肉的分割性能变化很大，包括胸大肌（PEC）、背阔肌（LAT）、冈上肌（SUPRA）、胸小肌（TMAJ）和喙肱肌（COR），这从它们在验证折叠中的宽标准差区间可以看出。
目标和主要发现总结
本研究评估了一种最先进的深度学习分割框架在整个上肢的自动肌肉体积量化方面的性能，特别关注前臂。我们的目标有两个：（1）确定当前的深度学习方法在多种肌肉上的再现专家分割的准确程度；（2）识别限制分割性能的主要因素，从而限制了其更广泛的应用。
总体而言...
结论
本研究表明，基于深度学习的分割可以准确地量化大部分上肢的肌肉体积，同时也指出了前臂中小而解剖结构复杂的肌肉持续存在的挑战。通过公开发布这些模型并分析影响性能的解剖学和成像因素，这项工作为解释自动分割提供了实用资源和框架。
资金来源
本研究中报告的研究得到了美国国立卫生研究院下属的国家关节炎和肌肉骨骼及皮肤病研究所的支持，资助编号为R21AR080953。内容仅代表作者的观点，不一定代表美国国立卫生研究院的官方立场。S.G.还获得了美国国立卫生研究院的培训资助（5T32EB025766-07）。
手稿准备过程中生成式AI和AI辅助技术的声明
在准备这项工作时，作者使用了Claude（Anthropic）来协助编辑和校对手稿文本。作者根据需要审查和编辑了输出内容，并对已发表文章的内容负全责。
CRediT作者贡献声明
Samuel Gillespie：写作 - 审查与编辑、初稿撰写、可视化、验证、方法论、调查、数据分析。Haley Geithner：写作 - 审查与编辑、方法论、调查、数据分析。Pouyan Firouzabadi：写作 - 审查与编辑、方法论、数据分析。Maximilian Carvajal：写作 - 审查与编辑、方法论、数据分析。Marta García：写作 - 审查与编辑、验证、监督、软件使用、资源管理、方法论。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Wendy M Murray报告说她获得了美国国立卫生研究院的财务支持。如果有其他作者，他们声明没有已知的财务利益或个人关系可能影响本文的报告。
致谢
这项研究部分依赖于西北大学的Quest高性能计算设施提供的计算资源和人员支持，该设施由教务长办公室、西北大学研究办公室和西北大学信息技术部门共同支持。
这项研究使用了阿贡领导计算设施的资源，该设施是由美国能源部科学办公室运营的用户设施。
Samuel Gillespie|Haley Geithner|Pouyan Firouzabadi|Maximilian Carvajal|Marta García|Katherine Saul|Wendy M. Murray
