Automatic fetal fat quantification from MRI

要約

胎児の脂肪組織（AT）の正常な発達は、周産期の健康維持に不可欠です。脂肪組織、または単に脂肪は、脂質の形でエネルギーを貯蔵する。栄養失調は、脂肪率の過剰または減少をもたらす可能性がある。これまでの研究で、脂肪の量と周産期予後の間に相関があることが示されているが、脂肪の出生前評価は、定量的な方法がないため、制限されている。磁気共鳴画像（MRI）を用いると、2点Dixon画像から胎児全体の3D脂肪・水分のみの画像を得ることができ、AT脂質の定量化が可能である。本論文は、Dixon MRIに基づく胎児脂肪セグメンテーションのための深層学習ベースの手法を開発するための方法論を初めて提示するものである。これは、放射線科医の手作業による胎児脂肪のデリネーション時間を最適化し、注釈付きトレーニングデータセットを生成するものである。それは2つのステップで構成されている。1）モデルベースの半自動胎児脂肪セグメンテーション、放射線科医によるレビューと修正、2）得られた注釈付きデータセットで訓練されたDLネットワークを使用した自動胎児脂肪セグメンテーション。3つのDLネットワークが訓練された。手動セグメンテーションと比較して、セグメンテーション時間（3:38時間から1時間未満）と観察者のばらつき（Diceが0.738から0.906）が大幅に改善されたことを示している。3D残差U-Net、nn-UNet、SWIN-UNetR変換ネットワークを用いた24のテストケースの自動セグメンテーションにより、それぞれ平均Diceスコアが0.863、0.787、0.856となった。これらの結果は、手動観察者のばらつきよりも良好であり、成人および小児の自動脂肪セグメンテーションに匹敵するものである。放射線技師は、最高性能のネットワークを用いてセグメンテーションされた6つの新しい独立した症例をレビューし、修正した結果、Diceスコアは0.961となり、修正時間は15分20秒と大幅に短縮された。これらの新しいセグメンテーション方法と短いMRI取得時間を用いることで、臨床や大規模コホート研究において個々の胎児について全身の皮下脂肪を定量化することができる。

要約(オリジナル)

Normal fetal adipose tissue (AT) development is essential for perinatal well-being. AT, or simply fat, stores energy in the form of lipids. Malnourishment may result in excessive or depleted adiposity. Although previous studies showed a correlation between the amount of AT and perinatal outcome, prenatal assessment of AT is limited by lacking quantitative methods. Using magnetic resonance imaging (MRI), 3D fat- and water-only images of the entire fetus can be obtained from two point Dixon images to enable AT lipid quantification. This paper is the first to present a methodology for developing a deep learning based method for fetal fat segmentation based on Dixon MRI. It optimizes radiologists’ manual fetal fat delineation time to produce annotated training dataset. It consists of two steps: 1) model-based semi-automatic fetal fat segmentations, reviewed and corrected by a radiologist; 2) automatic fetal fat segmentation using DL networks trained on the resulting annotated dataset. Three DL networks were trained. We show a significant improvement in segmentation times (3:38 hours to < 1 hour) and observer variability (Dice of 0.738 to 0.906) compared to manual segmentation. Automatic segmentation of 24 test cases with the 3D Residual U-Net, nn-UNet and SWIN-UNetR transformer networks yields a mean Dice score of 0.863, 0.787 and 0.856, respectively. These results are better than the manual observer variability, and comparable to automatic adult and pediatric fat segmentation. A radiologist reviewed and corrected six new independent cases segmented using the best performing network, resulting in a Dice score of 0.961 and a significantly reduced correction time of 15:20 minutes. Using these novel segmentation methods and short MRI acquisition time, whole body subcutaneous lipids can be quantified for individual fetuses in the clinic and large-cohort research.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL