Deep Learning Technique for Automatic Segmentation of Proximal Hip Musculoskeletal Tissues From CT Scan Images: A MrOS Study
Notice bibliographique
Résumé
ABSTRACT Background Age‐related conditions, such as osteoporosis and sarcopenia, alongside chronic diseases, can result in significant musculoskeletal tissue loss. This impacts individuals' quality of life and increases risk of falls and fractures. Computed tomography (CT) has been widely used for assessing musculoskeletal tissues. Although automatic techniques have been investigated for segmenting tissues in the abdomen and mid‐thigh regions, studies in proximal hip remain limited. This study aims to develop a deep learning technique for segmentation and quantification of musculoskeletal tissues in CT scans of proximal hip. Methods We examined 300 participants (men, 73 ± 6 years) from two cohorts of the Osteoporotic Fractures in Men Study (MrOS). We manually segmented cortical bone, trabecular bone, marrow adipose tissue (MAT), haematopoietic bone marrow (HBM), muscle, intermuscular adipose tissue (IMAT) and subcutaneous adipose tissue (SAT) from CT scan images at the proximal hip level. Using these data, we trained a U‐Net–like deep learning model for automatic segmentation. The association between model‐generated quantitative results and outcome variables such as grip strength, chair sit‐to‐stand time, walking speed, femoral neck and spine bone mineral density (BMD), and total lean mass was calculated. Results An average Dice similarity coefficient (DSC) above 90% was observed across all tissue types in the test dataset. Grip strength showed positive correlations with cortical bone area (coefficient: 0.95, 95% confidence interval: [0.10, 1.80]), muscle area (0.41, [0.19, 0.64]) and average Hounsfield unit for muscle adjusted for height squared (AHU/h 2 ) (1.1, [0.53, 1.67]), while it was negatively correlated with IMAT (−1.45, [−2.21, −0.70]) and SAT (−0.32, [−0.50, −0.13]). Gait speed was directly related to muscle area (0.01, [0.00, 0.02]) and inversely to IMAT (−0.04, [−0.07, −0.01]), while chair sit‐to‐stand time was associated with muscle area (0.98, [0.98, 0.99]), IMAT area (1.04, [1.01, 1.07]), SAT area (1.01, [1.01, 1.02]) and AHU/h 2 for muscle (0.97, [0.95, 0.99]). MAT area showed a potential link to non‐trauma fractures post‐50 years (1.67, [0.98, 2.83]). Femoral neck BMD was associated with cortical bone (0.09, [0.08, 0.10]), MAT (−0.11, [−0.13, −0.10]), MAT adjusted for total bone marrow area (−0.06, [−0.07, −0.05]) and AHU/h 2 for muscle (0.01, [0.00, 0.02]). Total spine BMD showed similar associations and with AHU for muscle (0.02, [0.00, 0.05]). Total lean mass was correlated with cortical bone (517.3, [148.26, 886.34]), trabecular bone (924, [262.55, 1585.45]), muscle (381.71, [291.47, 471.96]), IMAT (−1096.62, [−1410.34, −782.89]), SAT (−413.28, [−480.26, −346.29]), AHU (527.39, [159.12, 895.66]) and AHU/h 2 (300.03, [49.23, 550.83]). Conclusion Our deep learning–based technique offers a fast and accurate method for segmentation and quantification of musculoskeletal tissues in proximal hip, with potential clinical value.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».