大规模数据库中躯干CT图像体积肌肉骨骼分割与评估的自动化框架

《International Journal of Computer Assisted Radiology and Surgery》：Automated framework for volumetric musculoskeletal segmentation and assessment of torso CT images in large-scale databases

　　

摘要

目的

由于解剖结构复杂且成像存在变异性，大规模躯干CT数据库中肌肉骨骼（MSK）结构的自动评估仍具有挑战性。本研究提出了一种自动化框架，用于19块躯干肌肉和两种脂肪结构的体积分割及定量分析，并验证了将预测不确定性作为大规模分析的质量控制工具的整合应用。

方法

我们验证了两种包含结构级预测不确定性的模型架构：采用蒙特卡洛丢弃采样的二维贝叶斯UNet（2D BUNet），以及利用预测概率熵的基于三维块状处理的nnUNet，命名为三维肌肉骨骼分割器（3DMS）。此外，我们还与TotalSegmentator（TS）进行了准确率对比，TS是一种最先进的公开全身分割模型。预测不确定性被用作质量控制工具，以筛选可靠病例用于下游特征分析，并在大规模数据库中调查结构体积和密度[平均亨氏单位（HU）]与年龄和性别的关联。

结果

分割准确率通过20幅手动标注CT图像的五折交叉验证进行验证。与2D BUNet和TS相比，3DMS实现了0.89 ± 0.03的优越平均Dice系数（DC）（p < 0.001）。观察到预测不确定性与DC之间存在强负相关性（3DMS为?0.870，2D BUNet为?0.955）。此外，在约1200名患者的单机构数据库上进行的外部测试证实了我们框架在大规模分析中的稳健性。

结论

我们开发并验证了一种用于21个躯干结构体积分割与分析的自动化框架。通过整合预测不确定性，我们的方法确保了大规模研究中可靠生物标志物的提取。我们的发现揭示了肌肉密度和体积存在显著的年龄和性别相关趋势，展示了该框架作为CT图像中自动化肌肉骨骼评估的可扩展解决方案的潜力。