3D全身Dixon MRIにおける体組成分析のための深層学習に基づく完全自動アプローチ

体脂肪と筋肉量のバランスが崩れると、心血管疾患、糖尿病、癌などの致命的な病気のリスクが増加します。この比率の分析には、医療画像における脂肪と筋肉の検出およびセグメンテーションが必要であり、体組成の正確なセグメンテーションはより効率的な分析を助けます。既存の商用セグメンテーション手法の多くは手動または半自動であり、レビュワーや専門家の介入を必要とします。本論文では、筋肉、脂肪組織、骨を自動的にセグメント化するために3D U-Netに基づく畳み込みニューラルネットワークを利用した完全自動機械学習手法を紹介します。私たちの知る限り、これは磁気共鳴画像法（MRI）を使用した全身セグメンテーションのための完全畳み込みニューラルネットワーク（CNN）アーキテクチャの初めての応用です。3D全身MRIスキャンは、最新の4種類のMR画像を取得するための3D二点Dixon VIBEシーケンスを使用して取得されました。14名の被験者から得られたデータがU-Netモデルに供給され、筋肉、骨、脂肪組織の体積を出力します。設計されたネットワークの性能はDice係数（Dice）を用いて定量的に評価されました。実験結果は、提案された手法が他の人間に関する研究と比較してシンプルで頑健であることを示しています。選択されたデータにおける平均Diceは0.86に達しました。