Fully-automated segmentation of muscle and inter-/intra-muscular fat from magnetic resonance images of calves and thighs: an open-source workflow in Python
Notice bibliographique
Résumé
Abstract Background INTER- and INTRAmuscular fat (IMF) is elevated in high metabolic states and can promote inflammation. While magnetic resonance imaging (MRI) excels in depicting IMF, the lack of reproducible tools prevents the ability to measure change and track intervention success. Methods We detail an open-source fully-automated iterative threshold-seeking algorithm (ITSA) for segmenting IMF from T1-weighted MRI of the calf and thigh within three cohorts (CaMos Hamilton (N = 54), AMBERS (N = 280), OAI (N = 105)) selecting adults 45–85 years of age. Within the CaMos Hamilton cohort, same-day and 1-year repeated images (N = 38) were used to evaluate short- and long-term precision error with root mean square coefficients of variation; and to validate against semi-automated segmentation methods using linear regression. The effect of algorithmic improvements to fat ascertainment using 3D connectivity and partial volume correction rules on analytical precision was investigated. Robustness and versatility of the algorithm was demonstrated by application to different MR sequences/magnetic strength and to calf versus thigh scans. Results Among 439 adults (319 female(89%), age: 71.6 ± 7.6 yrs, BMI: 28.06 ± 4.87 kg/m2, IMF%: 10.91 ± 4.57%), fully-automated ITSA performed well across MR sequences and anatomies from three cohorts. Applying both 3D connectivity and partial volume fat correction improved precision from 4.99% to 2.21% test–retest error. Validation against semi-automated methods showed R2 from 0.92 to 0.98 with fully-automated ITSA routinely yielding more conservative computations of IMF volumes. Quality control shows 7% of cases requiring manual correction, primarily due to IMF merging with subcutaneous fat. A full workflow described methods to export tags for manual correction. Conclusions The greatest challenge in segmenting IMF from MRI is in selecting a dynamic threshold that consistently performs across repeated imaging. Fully-automated ITSA achieved this, demonstrated low short- and long-term precision error, conducive of use within RCTs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,009 |
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 source (Gemma direct ou Codex distillé), 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 ».