S'abonner

Abdominal musculature segmentation and surface prediction from CT using deep learning for sarcopenia assessment - 26/11/20

Doi : 10.1016/j.diii.2020.04.011 
P. Blanc-Durand a, b, c, d, , J.-B. Schiratti d, K. Schutte d, P. Jehanno d, P. Herent d, F. Pigneur e, O. Lucidarme f, g, Y. Benaceur h, A. Sadate h, A. Luciani e, O. Ernst i, A. Rouchaud j, M. Creze k, l, A. Dallongeville m, N. Banaste n, M. Cadi o, I. Bousaid p, N. Lassau l, q, S. Jegou d
a Department of Nuclear Medicine, CHU Henri Mondor, AP–HP, 94010 Créteil, France 
b INSERM IMRB, Team 8, U-PEC, 94000 Créteil, France 
c INRIA Epione Team, 06410 Sophia Antipolis, France 
d Owkin, 75013 Paris, France 
e Department of Radiology, CHU Henri Mondor, AP–HP, 94010 Créteil, France 
f Department of Radiology, CHU Pitié Salpétrière-Charles Foix, AP–HP, 75013 Paris, France 
g Sorbonne Université, CNRS, INSERM, Laboratoire d’Imagerie Biomédical,75006 Paris, France 
h Department of Radiology, Nimes University Hospital, 30029 Nimes, France 
i Department of Radiology, Centre Hurriez, CHU de Lille, Université de Lille, 59000 Lille, France 
j Department of Radiology, Hospices Civils de Lyon, 69000 Lyon, France 
k Department of Radiology, Hôpitaux Universitaires Paris-Sud, AP–HP, 94270 Le Kremlin Bicêtre, France 
l BIOMAPS. Université Paris-Saclay, Inserm, CNRS, CEA, Laboratoire d’Imagerie Biomédicale Multimodale Paris-Saclay, 94805 Villejuif, France 
m Department of Radiology, Hopital Saint Joseph, 75014 Paris, France 
n Department of Radiology, Centre Léon Bérard, 69000 Lyon, France 
o Radiologie Paris Ouest, 92200 Neuilly-sur-Seine, France 
p Département de la transformation numérique et du système d’information. Gustave-Roussy Cancer Campus, Université Paris-Saclay, 94805 Villejuif, France 
q Department of Radiology, Gustave-Roussy Cancer Campus, Université Paris-Saclay, 94805 Villejuif, France 

Corresponding author.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

Abstract

Purpose

The purpose of this study was to build and train a deep convolutional neural networks (CNN) algorithm to segment muscular body mass (MBM) to predict muscular surface from a two-dimensional axial computed tomography (CT) slice through L3 vertebra.

Materials and methods

An ensemble of 15 deep learning models with a two-dimensional U-net architecture with a 4-level depth and 18 initial filters were trained to segment MBM. The muscular surface values were computed from the predicted masks and corrected with the algorithm's estimated bias. Resulting mask prediction and surface prediction were assessed using Dice similarity coefficient (DSC) and root mean squared error (RMSE) scores respectively using ground truth masks as standards of reference.

Results

A total of 1025 individual CT slices were used for training and validation and 500 additional axial CT slices were used for testing. The obtained mean DSC and RMSE on the test set were 0.97 and 3.7 cm2 respectively.

Conclusion

Deep learning methods using convolutional neural networks algorithm enable a robust and automated extraction of CT derived MBM for sarcopenia assessment, which could be implemented in a clinical workflow.

Le texte complet de cet article est disponible en PDF.

Keywords : Tomography, X-ray computed, Deep learning, Muscular body bass, Sarcopenia, Convolutional neural networks (CNN)

Abbreviations : 2D, BMI, CNN, CT, DSC, MBM, ME, MRI, RMSE, SD, TAMA


Plan


© 2020  Société française de radiologie. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 101 - N° 12

P. 789-794 - décembre 2020 Retour au numéro
Article précédent Article précédent
  • Three artificial intelligence data challenges based on CT and MRI
  • N. Lassau, I. Bousaid, E. Chouzenoux, J.P. Lamarque, B. Charmettant, M. Azoulay, F. Cotton, A. Khalil, O. Lucidarme, F. Pigneur, Y. Benaceur, A. Sadate, M. Lederlin, F. Laurent, G. Chassagnon, O. Ernst, G. Ferreti, Y. Diascorn, P.Y. Brillet, M. Creze, L. Cassagnes, C. Caramella, A. Loubet, A. Dallongeville, N. Abassebay, M. Ohana, N. Banaste, M. Cadi, J. Behr, L. Boussel, L. Fournier, M. Zins, J.P. Beregi, A. Luciani, A. Cotten, J.F. Meder
| Article suivant Article suivant
  • Artificial intelligence to predict clinical disability in patients with multiple sclerosis using FLAIR MRI
  • P. Roca, A. Attye, L. Colas, A. Tucholka, P. Rubini, S. Cackowski, J. Ding, J.-F. Budzik, F. Renard, S. Doyle, E.L. Barbier, I. Bousaid, R. Casey, S. Vukusic, N. Lassau, S. Verclytte, F. Cotton, OFSEP Investigators, Steering Committee, Investigators, Imaging group, B. Brochet, R. Casey, F. Cotton, J. De Sèze, P. Douek, F. Guillemin, D. Laplaud, C. Lebrun-Frenay, L. Mansuy, T. Moreau, J. Olaiz, J. Pelletier, C. Rigaud-Bully, B. Stankoff, S. Vukusic, R. Marignier, M. Debouverie, G. Edan, J. Ciron, A. Ruet, N. Collongues, C. Lubetzki, P. Vermersch, P. Labauge, G. Defer, M. Cohen, A. Fromont, S. Wiertlewsky, E. Berger, P. Clavelou, B. Audoin, C. Giannesini, O. Gout, E. Thouvenot, O. Heinzlef, A. Al-Khedr, B. Bourre, O. Casez, P. Cabre, A. Montcuquet, A. Créange, J.-P. Camdessanché, J. Faure, A. Maurousset, I. Patry, K. Hankiewicz, C. Pottier, N. Maubeuge, C. Labeyrie, C. Nifle, R. Ameli, R. Anxionnat, A. Attye, E. Bannier, C. Barillot, D. Ben Salem, M.-P. Boncoeur-Martel, F. Bonneville, C. Boutet, J.-C. Brisset, F. Cervenanski, B. Claise, O. Commowick, J.-M. Constans, P. Dardel, H. Desal, Vincent Dousset, F. Durand-Dubief, J.-C. Ferre, E. Gerardin, T. Glattard, S. Grand, T. Grenier, R. Guillevin, C. Guttmann, A. Krainik, S. Kremer, S. Lion, N. Menjot de Champfleur, L. Mondot, O. Outteryck, N. Pyatigorskaya, J.-P. Pruvo, S. Rabaste, J.-P. Ranjeva, J.-A. Roch, J.C. Sadik, D. Sappey-Marinier, J. Savatovsky, J.-Y. Tanguy, A. Tourbah, T. Tourdias

Bienvenue sur EM-consulte, la référence des professionnels de santé.

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.