Automated Assessment of Sarcopenia and Body Composition from Cardiac Magnetic Resonance Scans
Notice bibliographique
Résumé
Background: Sarcopenia, defined as age-related loss of muscle mass, is a risk factor for mortality and morbidity in patients with cardiovascular disease (CVD).Methods to quantify muscle mass are not always available in clinical workflows, however, cardiac magnetic resonance (CMR) provides high-resolution axial imaging of the thorax, which can be examined to assess body composition.This study aims to utilize deep learning segmentation on CMR scans to develop an automated technique for assessing body composition and sarcopenia.Methods: We assembled a retrospective cohort of adult patients that underwent clinically indicated CMR exams at multiple centers.We extracted the axial black-blood HASTE images as acquired on 1.5 T and 3 T Siemens scanners, with approximately 20 slices spanning the entire thoracic cavity.We manually segmented the skeletal muscle and subcutaneous fat tissues in a representative subset of 50 CMR scans (990 axial slices).We then used these segmentations to retrain a deep learning (DL) model that had previously undergone validation on over 1,000 patient CT scans (known as 'transfer learning').We applied additional active learning training techniques, which yielded a final training set consisting of 100 CMR exams (2024 axial slices).The final DL model, DeepSarcMR, utilized a U-Net structure with 4 skip connections and 17.2M parameters, and we trained it using the Adam optimizer along with a cross-entropy and Dice loss function.Clinical statistical analysis was performed with the predicted thoracic skeletal muscle and subcutaneous fat volumes.CVD diagnoses were obtained through ICD-10 codes.Results: Ten-fold cross validation yielded 0.961 average accuracy on the validation set.We used the best fold with 0.964 accuracy to perform inference on a total of 2506 CMR scans.Within the included cohort (N=2027), the mean skeletal muscle volume was 3104 ± 510 cm 3 and 2053 ±
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».