基于深度学习的肌少症诊断多模态系统开发及队列研究

肌肉组织量化是人体健康评估的重要组成部分，量化主要包括肌肉大小、质量、功能等方面的测量。肌少症是一种与年龄相关的骨骼肌质量和功能丧失的疾病，主要表现为肌肉质量、肌肉力量和运动性能降低。也可以被定义为一种以骨骼肌质量和力量的进行性和全身性丧失为特征的综合征。 目前，我们主要采用手动或半自动化分割方法，此类方法高度依赖于人工评估，主观性强且缺乏统一标准，除此之外，此类方法耗时且要求有经过训练后的医生进行操作。以上的缺点使得该类方法很难进行大规模数据研究，为肌肉质量 CT 测量截点值的获取带来了困难。利用深度学习方法实现自动精确的肌肉分割了克服上述缺点，深度学习方法是一种能够从数据中学习具有代表性和分层次的图像特征的方法，从而摆脱对专家的经验和知识的依赖，并极大提高了工作效率。目前，已经有研究人员利用深度学习技术进行自动分割量化肌肉面积，不同的研究使用了不同的算法，如全层卷积神经网络(FCN)、多图谱分割模型、U-Net 神经网络等。目前大多数研究的测量部位是腹部和 / 或四肢肌肉组织。 本研究中，我们利用神经网络深度学习算法，进行肌群的自动分割，并通过多中心多模态研究，获得肌肉参数截点值。上述工作为肌少症的诊断及治疗后随访提供数据基础。