文献速递骨肌CT

基于纵向CT的肩袖肌肉与脂肪自动3D分割用于肩关节置换评估

Automated 3D segmentation of rotator cuff muscle and fat from longitudinal CT for shoulder arthroplasty evaluation.
PubMed 文献 · Skeletal Radiol · 2025-08-09

本研究开发并验证了基于DeepLabV3+和ResNet50的深度学习模型,在53例全肩关节置换患者的术前及至少2年随访CT上实现肩袖肌肉自动3D分割,模型在留出测试集上平均Dice为0.928和0.916,并应用于172例患者队列量化术前及至少2年、5年随访的肌肉体积与脂肪分数。

要点

  • 模型在术前CT测试集平均Dice 0.928,2年随访CT为0.916,优于基准2D U-Net的0.863。
  • 分割模型联合−29 HU阈值区分肌肉与脂肪,可自动量化肩袖各肌群体积与脂肪分数。
  • 肩胛下肌脂肪分数随术后时间显著增加(p<0.0001),提示进行性脂肪浸润。

核心结论

  • 研究开发了准确可靠的深度学习模型,可在全肩关节置换患者的临床CT上自动3D分割肩袖肌肉,大幅减少肌肉体积和脂肪分数分析所需时间。
  • 该工具有助于研究肩袖肌肉健康与手术结局的关系,并可能为患者选择、康复计划和手术决策提供信息。

研究设计与样本

  • 研究为深度学习模型开发与验证研究,使用53例全肩关节置换患者的术前或至少2年随访CT扫描训练、验证和测试模型。
  • 模型采用DeepLabV3+架构,以ResNet50为骨干网络。
  • 训练/验证/测试随机分为32/11/10例,训练集3587层、验证集1303层,经高斯噪声和水平翻转增强后分别为14348层和5212层。
  • 参考标准为训练有素的读者手动分割三个肩袖肌群(冈上肌、冈下肌/小圆肌联合、肩胛下肌),并由三位经验丰富的肩外科医生复核达成共识。
  • 训练后的模型应用于172例患者队列(55例女性,年龄63.5±7.6岁)量化术前、至少2年及至少5年随访的肌肉体积和脂肪分数。

关键影像表现/征象

  • 模型在术前CT测试集平均Dice 0.928、ASSD 0.844 mm、HD95 3.071 mm、RAVD 0.025。
  • 模型在至少2年随访CT测试集平均Dice 0.916、ASSD 1.028 mm、HD95 4.173 mm、RAVD 0.068。
  • 基准2D U-Net在术前CT平均Dice 0.863、ASSD 1.642 mm、HD95 7.229 mm、RAVD 0.119;在2年随访CT平均Dice 0.863、ASSD 1.882 mm、HD95 8.084 mm、RAVD 0.071。
  • 读者自身变异在术前CT平均Dice 0.947、ASSD 0.554 mm、HD95 1.681 mm、RAVD 0.022。
  • 2D U-Net在光束硬化伪影和严重脂肪浸润病例中表现最差,出现分割不足和边界泄漏。

诊断标准与关键数值

  • 分割性能评价指标包括3D Dice相似系数、平均对称表面距离(ASSD)、95百分位Hausdorff距离(HD95)和相对绝对体积差(RAVD)。
  • 脂肪分数量化采用−190至−30 HU为脂肪、−29至+150 HU为肌肉的文献阈值,以−29 HU为界,大于−29 HU为肌肉,小于或等于−29 HU为脂肪。

临床应用与阅片要点

  • 模型可在临床常规肩部CT上实现全3D肩袖肌肉体积和脂肪分数自动量化,适用于全肩关节置换患者的纵向监测。
  • CT较MRI更广泛可用,且金属伪影减少技术可用于全肩关节置换术后CT成像,而术后MRI可能出现更明显的图像失真。
  • 基于体积的CT测量可能比单层MRI指标更敏感地检测肌肉萎缩和脂肪浸润的区域变化。

局限性

  • 原文未报告局限性。
全文中译10 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Skeletal Radiol. 2025 Aug 9;55(1):131–41. doi: 10.1007/s00256-025-04991-6

引言

肩部疾病如肩袖撕裂和骨关节炎是引起疼痛和损害日常功能的最显著的肌肉骨骼疾病之一[1]。在过去十年中,美国因肩部疾病而实施的外科手术数量及其相关的年度医疗系统成本显著增加[2, 3]。例如,美国每年至少实施250,000例肩袖修复术(RCR)[4]和超过100,000例全肩关节置换术(TSA)[5],年度医疗成本负担高达34亿美元[6, 7]。然而,临床结果参差不齐。例如,患者报告结局指标(PROMs)显示RCR术后术前疼痛和肩部功能在短期内有可靠且显著的改善。然而,至少20–30%的RCR出现结构性失败[8]。同样,虽然PROMs显示TSA术后有可靠且显著的改善,但结果可因各种因素而异[9–21],包括肩袖状态[19, 22]。

临床和基础科学研究已显示越来越多的证据表明,肌肉体积和质量在肩部疾病的预后和治疗中发挥重要作用[23–25]。例如,肌肉萎缩和脂肪浸润已被证明与RCR和TSA术后较差的临床结果显著相关[23, 24]。由于肌肉病理改变具有潜在的可逆性(可通过运动训练或药物干预),且可影响手术决策——包括所选择的修复类型或肩关节置换类型——可靠的肌肉体积和脂肪分数定量方法将为医生提供强有力的工具,以优化患者管理并改善RCR和TSA的患者结局[25]。然而,这些定量测量在很大程度上依赖于准确的肌肉分割,而手动进行肌肉分割极具挑战性且费时费力,并受到读者内和读者间变异的影响[26]。

在过去的几十年里,随着深度学习模型的快速演进,研究人员开发了多种深度学习算法,试图在磁共振图像(MRI)上实现肩袖肌肉分割过程的自动化,并取得了令人瞩目的性能[27–30]。然而,除了成本高昂之外,当前临床MRI序列通常缺乏对肩袖肌肉全部体积的覆盖,且层厚较大。要在MRI上准确定量肌肉体积和脂肪分数,需要具有更小层厚的高分辨率扫描以及更先进的MRI序列(如6点Dixon[31, 32]),而这些尚未纳入标准临床常规。与MRI相比,计算机断层扫描(CT)成本较低,并能提供覆盖整个肩带肌肉体积的高分辨率图像。此外,通过其以Hounsfield单位(HU)测量的固有衰减值,CT提供了一种实用且有效的方法来估计肌肉脂肪浸润,为病理状态下肌肉组成的演变提供了有价值的定量信息。U-Net已被用于在横断面CT切片上分割肩袖肌群以评估脂肪浸润[26]。然而,现有方法在提供全面算法以准确定量CT图像上的肌肉体积和脂肪分数方面仍存在局限。我们的方法旨在通过在这些肌肉体积和脂肪分数指标上实现高精度来克服这些局限,并展示出优于既往工作的改进。

本研究旨在利用深度学习从临床CT图像中构建自动化且准确的肩袖肌肉分割模型,利用TSA患者队列来定量术前和术后的三维肩袖肌肉体积和脂肪分数。这将是构建可靠自动化算法的第一步,利用CT成像更好地评估肌肉体积和脂肪分数在预测肩袖修复(RCR)和TSA等肩部手术后临床结局中所发挥的作用。

方法

数据

本研究利用了172例接受TSA的患者队列(55例女性,年龄63.5 ± 7.6)的CT扫描,这些患者作为评估TSA后植入物位置的前瞻性研究方案的一部分,在术前(T0)、至少2年随访(T1)和至少5年随访(T2)时间点接受了手术侧肩部的连续CT扫描,如前所述[33–36]。所有172例患者均接受了术前CT成像,152例患者在至少2年随访时接受了CT成像,121例患者在至少5年随访时接受了CT成像。患者流程图见图1。

所有扫描均在CT扫描仪(SOMANTOM Sensation 64、Definition DS、Definition AS +、Definition EDGE或Definition FLASH;Siemens Healthcare,Erlangen,德国)上采集,采用单能方案,140 kV(峰值),300质量参考mA并配合CARE Dose4D(管电流调制;Siemens Healthcare),以及0.6 mm准直。扫描最初在轴位平面上使用标准滤波反投影算法以中等平滑核(B40)和0.6 mm层厚重建,术后CT扫描进一步使用迭代金属伪影减少算法(iMAR;Siemans,Munich,德国)重建。

使用53例随机选择的TSA患者(14例女性;47至85岁)的术前和2年随访CT图像,训练两个深度学习模型,用于在术前和术后CT图像上自动分割肩袖肌肉。经过测试和验证后,将自动分割模型应用于整个TSA队列,以进行肌肉体积和脂肪分数定量。在此过程中,评估了CT扫描质量,排除了10例噪声过大和线束硬化伪影过多的术前CT扫描,最终使用162例术前、152例2年随访和121例5年随访CT扫描进行定量。

这些CT扫描的获取及用于研究此前已获我院机构审查委员会批准,并在患者知情同意下获得。

图1 患者流程图 查看原图 ↗

肌肉分割

图像预处理

所有扫描均按照由三个解剖标志(盂中心、肩胛骨三角、肩胛骨下角)定义的肩胛骨坐标系重新定向,如前所述[33–36]。肌肉体积定量的起始和终止层面为外侧的盂面和内侧的肩胛骨上角。由一名受过培训的阅片者(TMO)在三维容积的所有层面上手动分割三组肩袖肌群(冈上肌、冈下肌/小圆肌联合、肩胛下肌),分割结果由三名经验丰富的肩关节外科医生(ETR、VE、JCH)审核以达成共识。此外,该受过培训的阅片者在距原始分割至少7个月后独立分割了测试病例。病例按32/11/10随机拆分,分别用于DL模型训练、验证和测试。CT图像强度被裁剪至− 1024至1500 Hounsfield单位范围,以排除极端值并标准化对比度。随后将所得数值平移至从零开始,并以16位无符号整数(uint16)格式保存,用于深度学习模型训练、验证和测试。所有CT层面均调整大小为512 × 512像素。随后通过除以强度范围(即裁剪后的2524 HU)并减去1对数值进行平移,将像素强度归一化至(− 1,1)范围。

模型架构

深度学习模型架构基于DeepLabV3 + [3],以ResNet50为主干。它由编码器和解码器组成。在编码器中,主干ResNet50接收输入图像。随后对ResNet50第四阶段的输出特征应用空洞率分别为1、6、12和18的空洞空间金字塔池化(ASPP)。这些池化特征与通过全局平均池化获得的图像级特征被拼接,并通过1 × 1卷积核以降低维度。对于解码器,将ResNet50第二阶段的第三个块中第二个卷积层的低层特征与编码器的高层特征拼接。随后使用3 × 3卷积进行卷积细化。最后应用上采样步骤生成与输入图像大小匹配的分割掩膜。模型架构可视化见图2。

图2 基于DeepLabV3 + 和ResNet50的CT图像深度学习肩袖肌肉分割模型架构 查看原图 ↗

模型训练、验证和测试

Dice系数(DC)[37]、平均对称表面距离(ASSD)[38]、第95百分位Hausdorff距离(HD95)[39–41]以及相对绝对体积差(RAVD),均在三维空间中计算,被用作训练、验证和测试期间的模型评估指标。这些指标从空间重叠和边界准确性两方面对分割质量提供了全面评估。

具体而言,对于给定的真实分割和待评估的目标分割,Dice系数定义为。

DC是膝关节组织分割中被广泛接受的指标。其范围为0至1,0表示分割无重叠,1表示分割完全一致。计算体积DC以准确反映模型分割性能。

与之间的Hausdorff距离(HD)[42]定义为,其中有向Hausdorff距离由下式给出

HD是一个信息量丰富的指标,因为它是最大分割误差的指示器。然而,已知HD对离群值敏感。HD95将HD中的最大值替换为第95百分位数,以减少离群值对HD的影响。

平均对称表面距离(ASSD)是从边界上的点到边界的距离以及从上的点到 的距离的所有距离的平均值:其中表示欧几里得范数,表示集合的基数。ASSD越小,分割边界之间的一致性越好。

相对绝对体积差(RAVD)计算与之间的体积差相对于体积的比值:

其中表示集合的基数。注意RAVD的范围为,0表示理想得分。

除报告这些指标的均值性能外,我们还进行了配对t检验以统计学评估方法间的差异。

使用所有三个肌肉群均被分割的图像切片进行模型训练和验证,共得到3587个切片用于训练、1303个切片用于验证。数据集进一步通过高斯噪声和水平翻转进行增强以提高变异性和鲁棒性,最终得到14,348个切片用于训练、5212个切片用于验证。采用分类交叉熵作为损失函数,其适用于多类分割任务。模型使用ADAM优化器训练100个epoch,学习率为5e − 5,批次大小为16。保存在11个验证病例上验证损失最佳的权重,并用于在测试集上进行模型评估。

模型的性能在十个留出测试病例上进行评估,并与知名的基准2D U-Net架构进行比较。此外,其性能还以阅片者内变异为基准进行了评估,其中训练有素的阅片者在距原始分割至少7个月后独立分割测试病例,以评估一致性和可靠性。

整个训练、验证和测试过程使用Python深度学习框架TensorFlow及Keras API实现。计算在具有32 GB内存的NVIDIA V100s GPU上进行,确保了大批次和复杂模型的高效处理。

脂肪分数定量

训练好的术前和术后深度学习(DL)模型被应用于整个队列的所有三个术前和术后时间点,用于在CT图像上自动分割肩袖肌肉体积区域。根据文献[43–45],CT值范围在−190至−30 HU的体素被视为脂肪,−29 HU至+150 HU被视为肌肉。因此,对分割的肌肉区域应用了−29 HU的阈值。HU大于−29的区域被分类为肌肉,HU小于或等于−29的区域被分类为脂肪。需要注意的是,用于脂肪检测的Hounsfield单位阈值可能因扫描仪校准、成像方案和解剖位置而略有不同。随后计算分割的肌肉和脂肪体积以及脂肪分数(FF),并通过小提琴图进行可视化,其中。

结果

肌肉分割

分割结果汇总于表1。具体而言,对于T0 CT扫描,所提出的模型在留出测试集上达到了平均Dice系数0.928、平均ASSD 0.844 mm、平均HD95 3.071 mm和平均RAVD 0.025;相比之下,基准2D U-Net的平均Dice系数为0.863、平均ASSD为1.642 mm、平均HD95为7.229 mm、平均RAVD为0.119;读者内变异的平均Dice系数为0.947、平均ASSD为0.554 mm、平均HD95为1.681 mm、平均RAVD为0.022。类似地,对于T1 CT扫描,所提出的模型在留出测试集上达到了平均Dice系数0.916、平均ASSD 1.028 mm、平均HD95 4.173 mm和平均RAVD 0.068;相比之下,基准U-Net的平均Dice系数为0.863、平均ASSD为1.882 mm、平均HD95为8.084 mm、平均RAVD为0.071。评估指标的更详细分布如图3中的小提琴图所示。使用不同分割方法在T0和T1时间点对三个测试病例的样本切片上三个肩袖肌肉组的分割示例分别如图4a和b所示。

表1 不同方法在术前(T0)和至少2年随访(T1)时间点留出测试集上的分割性能比较。使用的评估指标包括Dice相似系数、以毫米为单位的平均对称表面距离(ASSD)、以毫米为单位的第95百分位Hausdorff距离(HD95)以及相对绝对体积差(RAVD)。p值来自配对t检验。显著性水平:ns(不显著),*p < 0.05,**p < 0.01,***p < 0.001,****p < 0.0001 查看原表 ↗
图3 三种方法在Dice系数(DC)、平均对称表面距离(ASSD)、第95百分位Hausdorff距离(HD95)和相对平均体积差(RAVD)方面性能比较的小提琴图。p值来自配对t检验。显著性水平:ns(不显著),*p < 0.05,**p < 0.01,***p < 0.001,****p < 0.0001 查看原图 ↗
图4 使用不同分割方法对三个测试病例在a术前和b 2年随访时采集的CT切片上肩袖肌肉分割的示例。冈上肌以绿色显示;冈下肌/小圆肌以红色显示;肩胛下肌以橙色显示 查看原图 ↗

脂肪分数定量

将训练好的模型应用于整个队列、对三个不同时间点采集的CT扫描后,显示各间室肌肉体积和FF分布的提琴图分别见图5a和b。图6展示了来自一名随机患者在T0、T1和T2时间点的样本CT切片,其中肌肉和脂肪的分割结果分别以红色和黄色表示。

图5 各间室肌肉体积和脂肪分数的提琴图。a 分别为冈上肌、冈下肌/小圆肌和肩胛下肌在术前、2年和5年时间点的肌肉体积(cm³)比较。b 分别为冈上肌、冈下肌/小圆肌和肩胛下肌在术前、2年和5年时间点内脂肪分数(%)的比较。p值来自配对t检验。显著性水平:ns(不显著),*p < 0.05,**p < 0.01,***p < 0.001,****p < 0.0001 查看原图 ↗
图6 来自一名随机患者的样本切片,显示冈上肌、冈下肌/小圆肌和肩胛下肌在术前扫描(T0)、2年(T1)和5年随访(T2)扫描时的肌肉和脂肪分割,其中肌肉为红色,脂肪为黄色 查看原图 ↗

讨论

肌肉体积和脂肪分数是肩部疾病预后和治疗的关键因素[23–25]。尽管其重要性不言而喻,但从CT图像中自动分割和评估肩袖肌肉体积的方法仍研究不足。本研究探讨了开发自动分割模型以量化接受TSA患者3D肩袖肌肉体积和脂肪分数的可行性。具体而言,本研究中提出的肌肉分割模型采用以ResNet50为骨干的DeepLabV3 +,在术前和2年随访CT扫描上均取得了优越的性能。随后,训练好的分割模型成功应用于整个172例患者队列的术前及至少2年和5年随访CT扫描。计算并可视化了三维肌肉和脂肪体积及脂肪分数。

如图3所示,所提出模型对术前CT扫描的分割性能在本研究采用的全部四项评价指标上均优于基准二维U-Net模型。如图4a第1行所示,在肌肉边界清晰且成像伪影较少的病例中,所提出模型取得了最佳性能,其肌肉体积分割与参考结果高度一致。相反,二维U-Net在受线束硬化伪影影响的病例(图4a第2行)和严重脂肪浸润的病例(图4a第3行)中表现最差,导致分割不足和边界泄漏。这些失败可能归因于二维模型有限的上下文理解能力以及对局部强度变化的敏感性,而所提出模型通过增强的特征学习和对强度异质性的鲁棒性减轻了这些问题。与人工分割所观察到的阅片者内变异相比,所提出模型也表现出良好性能。特别是RAVD这一评估肌肉体积差异的临床相关指标,在所提出模型与阅片者内变异之间匹配良好。使用所提出模型进行自动分割后,每个肩袖肌群(冈上肌、冈下肌/小圆肌和肩胛下肌)的平均肌肉体积分布在三个时间点之间保持相似,如图5和图6所示。然而,肩胛下肌内的脂肪分数随术后时间延长呈增加趋势(图5和图6)。统计比较(表2)揭示了全肩关节置换术后肩袖肌肉体积和脂肪分数具有不同的纵向趋势。冈上肌体积从术前至2年和5年随访均显示显著增加(p < 0.01),提示该肌肉可能存在恢复或代偿性肥大。相反,冈下肌和肩胛下肌体积在各时间点之间未表现出显著变化,这可能表明这些间室的肌肉重塑或手术影响有限。脂肪分数分析进一步突出了肌肉之间的差异模式。肩胛下肌从术前至后期随访脂肪含量显著增加(p < 0.0001),与进行性脂肪浸润和肌肉变性一致——这些因素已知会损害临床结局。然而,冈上肌脂肪分数在统计学上保持不变,可能反映了早期干预或基线变性较轻。肩袖脂肪浸润的这种增加与既往研究一致,这些研究表明解剖型TSA后可能发生继发性肩袖功能障碍或失效,并可能随时间推移成为最终假体失败和需要翻修手术的原因[46]。像当前技术这样可靠且自动的肌肉体积和脂肪分数定量方法,可用于更好地理解这些肩袖肌肉变化在TSA后短期和长期如何发展,并可用于影响TSA规划和治疗决策,包括选择用于手术的肩关节置换类型(解剖型与反式TSA),以及开发更好的术后康复方案和手术修复技术以优化术后肩袖功能。这些发现强调了间室特异性分析在评估肌肉健康和术后恢复中的重要性。观察到的差异可能受手术暴露、康复期间负荷模式或内在变性易感性的变化影响。未来工作应探索这些变化与功能结局之间的关系,以更好地指导个性化患者管理。

很少有研究探讨临床CT图像上的肩袖肌肉自动分割。最近一篇论文报道,在横断面切片(定义为垂直于肩胛骨轴线并通过冈盂切迹的平面)上使用U-Net获得的平均2D Dice为0.88 [26]。相比之下,我们的模型在整个肌肉体积上解剖学地达到了平均3D Dice为0.928。直观地说,我们的模型以ResNet50为骨干的DeepLabV3+在从ResNet50提取特征以及利用空洞卷积处理多尺度空间上下文方面具有优势,使其更适合复杂的分割任务。此外,我们还报告了ASSD、HD95和RAVD等指标,这些指标与Dice互补。值得注意的是,已有多个研究将深度学习模型应用于MRI上的肩袖肌肉分割任务[27–30]。特别是,Medina等人使用2D U-Net在横断面“Y-view”切片上报告了0.98的2D Dice。这一卓越性能很大程度上归因于MRI优越的软组织对比度,与CT相比提供了解剖学上丰富的数据,以及使用对比度受限自适应直方图均衡化等预处理技术来增强图像质量。Riem等人使用改进的3D U-Net模型在MRI上报告了肌肉体积分割的3D Dice为0.92,取得了与本研究相当的结果。然而,这些基于MRI的方法通常主要关注单个斜矢状切片(通常为Y-view)的横断面分割,以估计肌肉面积和脂肪浸润。相比之下,我们基于CT的流程能够利用常规获取的临床肩部CT扫描对肌肉和脂肪进行全3D体积量化。虽然CT对细微软组织差异的敏感性低于MRI,但它在术前和术后肩部成像中更为广泛可用,尤其是对于全肩关节置换术患者。金属伪影减少技术还允许对TSA术后患者进行术后CT成像,而肩关节置换术后MRI可能出现更显著的图像失真。我们的方法利用这种可用性,使用深度学习提取高分辨率3D肌肉特征,尽管固有组织对比度较低。这使得我们的方法对于纵向监测更具可扩展性和临床可行性,特别是在MRI可能不会被常规获取的手术队列中。此外,基于CT的体积测量可能比单切片MRI指标对检测肌肉萎缩和脂肪浸润的区域变化具有更好的敏感性。

请注意,我们选择以ResNet50为骨干的2D DeepLabV3+架构而非3D U-Net和nnU-Net等3D模型,基于两个关键考虑。首先,参考分割以2D标注而非完整3D体积形式提供,使得2D模型自然适合可用的真实标签。其次,尽管3D U-Net或nnU-Net等3D架构常用于体积医学图像分割,但由于GPU内存限制,将其应用于全分辨率肩部CT体积需要大量降采样或分块。这种降采样可能损害准确描绘肌肉和脂肪边界所需的解剖细节。2D模型使我们能够保留完整的平面内分辨率,并利用预训练骨干进行高效且高保真的逐切片分割。

尽管结果令人鼓舞,本研究仍存在若干局限性,这将是未来工作的重点。首先,当前研究缺乏外部验证。在未来的工作中,将获取外部验证数据集以进一步评估模型性能。其次,当前研究依赖于手动选择标志点来重新格式化CT扫描,并选择肌肉分割和体积计算的起始和结束层面。将开发这些标志点的自动选择并内置于该算法中。第三,本研究依赖于由单一评估者进行的手动分割,因此未评估评估者间变异性。虽然评估者内测试表明一致性良好,但缺乏多评估者金标准引入了潜在偏倚,并限制了评估跨观察者标注稳健性的能力。未来纳入多名专家标注者的工作对于量化评估者间一致性和进一步验证模型性能将是重要的。尽管训练数据集规模有限,深度学习模型仍表现出高分割准确性,这可能是由于标注的一致性、标准化的预处理以及相对受限的解剖感兴趣区域。然而,适度的数据集规模仍是一个局限性,可能影响模型的泛化能力。未来使用来自多个机构的更大且更多样化的数据集将是进一步验证和提高模型稳健性所必需的。此外,一些CT扫描质量较低和/或含有伪影,如射束硬化。尽管分割模型能够处理这些伪影并返回令人满意的分割结果,但这些扫描必须被手动检查并从本研究的肌肉体积和脂肪分数定量分析中排除。最后,本工作侧重于验证用于肩袖肌肉体积和脂肪分数定量的3D肌肉分割自动化的有效性。将进一步分析定量3D肌肉体积和脂肪分数连同其他临床变量作为该患者队列中TSA术后患者报告结局的预测因素。未来计划开发一种自动算法来识别和排除低质量CT扫描,并将本文开发的模型迁移用于量化RCR患者3D肌肉体积和脂肪分数的纵向变化。

表2 肩袖肌肉体积和脂肪分数跨时间点的统计比较。对每块肌肉(冈上肌、冈下肌、肩胛下肌)在术前、2年和5年时间点之间进行成对t检验。显著性表示为ns(不显著)、*p < 0.05、**p < 0.01、***p < 0.001和****p < 0.0001 查看原表 ↗

结论

本研究基于深度学习为TSA队列中的临床CT图像开发了准确、可靠的肩袖肌肉自动分割模型。这些模型可大幅减少三维肩袖肌肉体积和脂肪分数分析定量所需的时间,有助于更深入地理解肌肉病理与TSA和RCR等肩部手术后临床结局之间的关系。肩袖肌肉萎缩和脂肪浸润与RCR和TSA术后较差的临床结局相关,但仍未被完全理解。可靠的肌肉体积和脂肪分数定量方法将为医生提供强大的工具,以优化患者管理并改善RCR和TSA患者的结局,包括制定更好的术后康复方案和改进手术修复技术。

引用

  1. Yang M, Jun BJ, Owings T, et al. Automated 3D segmentation of rotator cuff muscle and fat from longitudinal CT for shoulder arthroplasty evaluation. Skeletal Radiol. 2025. PMID: 40782188. doi:10.1007/s00256-025-04991-6
  2. 全文:PMC12338071(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12338071/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。