利用深度学习对小腿主要肌肉进行MRI图像分割：在生物力学分析中的应用

《Medical & Biological Engineering & Computing》：MRI image segmentation of the major lower leg muscles using deep learning: application in biomechanical analysis

肌肉体积是决定肌肉力量和关节扭矩的关键形态学参数。本研究提出EdgeUNETR++模型，基于Transformer架构并加入边缘增强模块，用于MRI图像中下肢主要肌肉的自动分割和体积估算。实验表明该模型在多个肌肉区域和边界检测指标上优于基线模型，分割结果与真实数据接近，且肌肉体积与踝关节最佳扭矩呈正相关，验证了其在肌肉形态学和生物力学分析中的应用价值。

　　

摘要

目的

肌肉体积是决定力量和关节扭矩产生能力的主要形态学参数之一。使用磁共振成像（MRI）等成像方式的一种准确、自动的肌肉分割方法对于精确测量肌肉体积至关重要，从而提高了基于MRI的定量肌肉评估的实用性。

方法

我们开发了EdgeUNETR++，这是一种基于Transformer架构的编码器-解码器模型，其中包含了一个边缘增强模块。我们将该模型应用于包含健康受试者和中风后受试者小腿主要肌肉的MRI数据集，以提取肌肉体积信息。为了进一步评估其在生物力学分析中的潜力，我们评估了分割出的肌肉体积与最佳踝关节扭矩之间的相关性。

结果

EdgeUNETR++的分割性能与基线模型相当，在某些肌肉和边界相关指标上有所改进。在所有分割场景中，两种模型得出的肌肉体积都与真实值接近，并且在与最佳踝关节扭矩的关系上表现出相似的正相关趋势（即比目鱼肌、外侧腓肠肌、内侧腓肠肌和胫骨前肌）。

结论

总之，EdgeUNETR++可以作为一种自动化且实用的工具，用于从MRI数据中分割和估计小腿肌肉的体积，从而支持对肌肉形态及相关生物力学分析的研究。

图形摘要