一种基于MobileNetV2和U-Net的两阶段深度学习模型，用于全髋关节置换术中的CT肌肉体积评估

《Scientific Reports》：A two-stage deep-learning model using MobileNetV2 and U-Net for CT-based muscle volume assessment in total hip arthroplasty

　　

摘要

术前肌肉力量是全髋关节置换术后功能恢复的重要预测因素；然而，对于那些髋部疼痛严重的患者来说，准确评估这一指标十分困难。在本研究中，我们开发了一种两阶段的深度学习框架，该框架结合了切片级分类与基于U形卷积神经网络的分割技术，能够自动从术前计算机断层扫描图像中测定关节周围肌肉及大腿肌肉的体积。该模型使用107名接受初次全髋关节置换术患者的CT扫描数据进行了训练，并通过手动分割结果进行验证。之后，该模型又被应用于另外58名患者，以研究术前肌肉体积指标与术后临床结果之间的关联。自动化分割结果与手动测量结果高度一致，所有肌肉群的绝对体积误差在1%至10%之间，Dice系数均超过0.89。在临床研究组中，患侧术前肌肉体积明显低于健侧。臀大肌、股四头肌和腘绳肌的较大术前体积与术后髋外展肌力以及“计时起身行走”测试表现存在显著关联，而臀中肌/臀小肌的体积则关联较弱。这些研究结果表明，利用计算机断层扫描技术进行自动化肌肉体积测定，有望为全髋关节置换术的功能评估提供客观依据。