European Radiology：利用深度神经网络实现儿科患者全身CT图像的身体成分全自动分析

身体成分，即身体脂肪和肌肉的数量和分布，与癌症和手术后等各种健康状况的临床预后相关。无脂肪量的损失会导致不佳的临床预后，如癌症患者的感染率、并发症、住院、恢复期和治疗毒性的增加，最终增加医疗费用、降低生存率。

CT和MR检查是用于各种临床情况的横断面成像方法，可作为准确的身体成分评估的数据来源。传统的分割方法依赖于手动或半自动地划定感兴趣的对象。尽管精确度很高，但对整个身体进行手工分割需要大量的资源和时间，在大规模的研究或临床实践中是不现实的。因此，许多评估身体组成的全自动分割方法正在开发中。

由于儿童的身体和器官较小、内脏脂肪稀少，而且身体成分随年龄变化而变化，因此很难应用与成年患者相同的模型。此外，全身CT数据量相对较小的事实阻碍了儿科病人自动分割工具的发展。

近日，发表在European Radiology杂志的一项研究利用深度神经网络开发并验证了一种适用于儿科人群PET-CT扫描的全身CT图像的自动分割算法，为快速、准确评估儿科患者的身体成分、治疗预后提供了技术支持。

本研究开发利用基于成人患者的预训练模型进行转移学习建立模型。使用了31名19岁以下（平均年龄9.6岁）接受PET-CT检查的儿科患者的CT图像进行迁移学习。两位放射科医生在每个CT层面中手动标记了皮肤、骨骼、肌肉、腹部内脏脂肪、皮下脂肪、内脏器官和中枢神经系统，并将这些作为参考。为了进行外部验证，本研究从2号机构收集了14张儿科患者的PET/CT扫描图像（平均年龄9.1岁）。比较了转移学习前后算法之间的Dice相似性系数（DSCs）、敏感性和精确度。此外，本研究根据性别、年龄（≤8岁与>8岁）和体重指数（BMI，≤20与>20 kg/m2）评估了模型的分割性能。 

对于所有的身体组成，转移学习后的算法比转移学习前的算法表现得更好（P < 0.001）。转移学习前后各算法的平均DSC、灵敏度和精确度分别为98.23%和99.28%，98.16%和99.28%，以及98.29%和99.28%。算法的分割性能不受年龄、性别或BMI的影响，除了身体肌肉区的精度。 

图 使用不同算法对一名6岁男性的全身CT进行自动分割的代表性示例。图像显示了股骨头水平的横截面积（a-d）。请注意，使用转移学习前的算法（b）和使用stride-8转移学习后的算法（c），在两个髋关节（箭头）的骨掩模（绿色）被错误地分割。使用第1步转移学习后的算法，只有股骨头和骨盆骨的骨掩膜（绿色）是正确分割的（d）。骨骼的Dice相似系数为98.45%、99.14%和99.62%（在转移学习、stride-8和stride-1之前）

本研究提出了一个通过转移学习创建的完全自动化的深度神经网络，能够对小儿全身CT扫描的身体成分进行准确分割，并有望在各种使用儿童定量成分评估的研究中得到进一步的利用。

原文出处：

Seul Bi Lee,Yeon Jin Cho,Soon Ho Yoon,et al.Automated segmentation of whole-body CT images for body composition analysis in pediatric patients using a deep neural network.DOI:10.1007/s00330-022-08829-w