在不同类型的多站点数据集上实现的可推广性下肢肌肉MRI分割与量化方法

《Scientific Reports》：Generalizable lower-limb muscle MRI segmentation and quantification on heterogeneous multisite datasets

　　

摘要

神经肌肉疾病是一类影响肌肉和周围神经的异质性疾病，会导致进行性的肌肉无力和功能障碍。肌肉磁共振成像（MRI）有助于评估肌肉病变，但目前的相关分析依赖于耗时的手动分割或主观的视觉评分。现有自动化方法在跨不同患者群体和成像协议的验证方面存在不足。为了利用异构的多站点数据量化所有下肢肌肉中的脂肪浸润和肌肉体积，研究者开发了深度学习分割技术。三种卷积神经网络架构（U-Net、U-Net+和Attention U-Net+）在一个包含27,858张切片的多站点数据集上进行了评估，这些数据来自376名患者的797次肌肉MRI检查，涵盖了12种神经肌肉疾病和12个国际研究地点。研究人员对骨盆、大腿和小腿区域的32块肌肉进行了分割。所有架构均展示了较高的准确率（DSC = 0.97）。通过“留一法”实验发现，这些模型在不同地点之间的泛化能力很强（平均DSC = 0.96）。自动化脂肪量化方法将90.9%的肌肉结果与真实值相差在1个标准视觉评分单位以内，并且与定量脂肪分数测量结果高度相关（r = 0.995，p < 0.001）。横截面积预测结果也与真实值具有高度相关性（r = 0.94，p < 0.001）。这些方法能够处理多种成像协议，且预处理步骤极少。自动化分割技术的准确率与观察者的评估结果相当，这可能在大规模应用中消除了对手动校正的需求。