疫学コホート研究の3D全身MRIの深い学習による脂肪組織コンパートメントの完全に自動化され標準化されたセグメンテーション

目的：全身MRIに由来する皮下および内臓脂肪組織コンパートメントの高速かつ信頼できる評価を可能にする。 材料と方法：全身MR画像から派生したさまざまな脂肪組織コンパートメントの定量化と局在は、代謝条件に関する研究に大きな関心を持っています。代謝疾患のリスクが高い個人の正しい識別と表現型化学には、皮下および内臓脂肪組織への脂肪組織の信頼できる自動セグメンテーションが必要です。この作業では、堅牢で客観的なセグメンテーションを提供するために、3次元（3D）密に接続された畳み込みニューラルネットワーク（DCNET）が提案されています。この遡及的研究では、1000症例（平均年齢、66歳±13 [標準偏差]; 523人の女性）がTuebingenファミリー研究データベースとドイツの糖尿病研究データベースセンターおよび300症例（平均年齢53歳±11; 152女性）ドイツ国立コホート（NAKO）データベースは、モデルトレーニング、検証、およびテストのために、コホート間の転送学習を受けて収集されました。これらのデータセットには、可変イメージングシーケンス、イメージングコントラスト、レシーバーコイルの配置、スキャナー、およびイメージングフィールド強度が含まれていました。提案されたDCNETは、感度、特異性、精度、精度、およびサイコロの重複に関して、同様の3D U-NETセグメンテーションと比較されました。 結果：高速（範囲、5〜7秒）および信頼できる脂肪組織のセグメンテーションは、高ダイスのオーバーラップ（0.94）、感度（96.6％）、特異性（95.1％）、精度（92.1％）、および精度（98.4％）で実行できます。）3D全身MRIデータセットから（フィールドオブビューカバレッジ、450×450×2000 mm）。セグメンテーションマスクと脂肪組織プロファイルは、紹介医に自動的に報告されます。 結論：自動化された脂肪組織のセグメンテーションは、3D全身MRIデータセットで実行可能であり、提案されたDCNET.Supplemental Materialを使用したさまざまな疫学コホート研究に一般化できます。

PURPOSE: To enable fast and reliable assessment of subcutaneous and visceral adipose tissue compartments derived from whole-body MRI. MATERIALS AND METHODS: Quantification and localization of different adipose tissue compartments derived from whole-body MR images is of high interest in research concerning metabolic conditions. For correct identification and phenotyping of individuals at increased risk for metabolic diseases, a reliable automated segmentation of adipose tissue into subcutaneous and visceral adipose tissue is required. In this work, a three-dimensional (3D) densely connected convolutional neural network (DCNet) is proposed to provide robust and objective segmentation. In this retrospective study, 1000 cases (average age, 66 years ± 13 [standard deviation]; 523 women) from the Tuebingen Family Study database and the German Center for Diabetes research database and 300 cases (average age, 53 years ± 11; 152 women) from the German National Cohort (NAKO) database were collected for model training, validation, and testing, with transfer learning between the cohorts. These datasets included variable imaging sequences, imaging contrasts, receiver coil arrangements, scanners, and imaging field strengths. The proposed DCNet was compared to a similar 3D U-Net segmentation in terms of sensitivity, specificity, precision, accuracy, and Dice overlap. RESULTS: Fast (range, 5-7 seconds) and reliable adipose tissue segmentation can be performed with high Dice overlap (0.94), sensitivity (96.6%), specificity (95.1%), precision (92.1%), and accuracy (98.4%) from 3D whole-body MRI datasets (field of view coverage, 450 × 450 × 2000 mm). Segmentation masks and adipose tissue profiles are automatically reported back to the referring physician. CONCLUSION: Automated adipose tissue segmentation is feasible in 3D whole-body MRI datasets and is generalizable to different epidemiologic cohort studies with the proposed DCNet.Supplemental material is available for this article.© RSNA, 2020.