1. Abdominal musculature segmentation and surface prediction from CT using deep learning for sarcopenia assessment
- Author
-
Paul Herent, Olivier Ernst, Nathalie Lassau, Alain Luciani, M. Cadi, Maud Creze, Jean-Baptiste Schiratti, Paul Jehanno, Olivier Lucidarme, Simon Jégou, Nathan Banaste, Frederic Pigneur, Alexandre Sadate, Alex Dallongeville, Paul Blanc-Durand, Imad Bousaid, Y. Benaceur, A. Rouchaud, Kathryn Schutte, Service de médecine nucléaire [Créteil], Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-Hôpital Henri Mondor-Université Paris-Est Créteil Val-de-Marne - Paris 12 (UPEC UP12), The Lymphoma Academic Research Organisation [Lyon] (LYSARC), Institut Mondor de Recherche Biomédicale (IMRB), Institut National de la Santé et de la Recherche Médicale (INSERM)-IFR10-Université Paris-Est Créteil Val-de-Marne - Paris 12 (UPEC UP12), E-Patient : Images, données & mOdèles pour la médeciNe numériquE (EPIONE), Inria Sophia Antipolis - Méditerranée (CRISAM), Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria), Owkin France, Service de Radiologie [Mondor], Service de Radiologie [CHU Pitié-Salpétrière], Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-CHU Pitié-Salpêtrière [AP-HP], Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-Sorbonne Université (SU)-Sorbonne Université (SU), Laboratoire d'Imagerie Biomédicale (LIB), Institut National de la Santé et de la Recherche Médicale (INSERM)-Sorbonne Université (SU)-Centre National de la Recherche Scientifique (CNRS), Centre Hospitalier Universitaire de Nîmes (CHU Nîmes), Radiologie et Imagerie Musculo-Squelettique [CHU Lille], Hôpital Claude Huriez [Lille], CHU Lille-CHU Lille-Centre Hospitalier Régional Universitaire [Lille] (CHRU Lille), Hospices Civils de Lyon (HCL), Unité BioMaps (BIOMAPS), Service Hospitalier Frédéric Joliot (SHFJ), Université Paris-Saclay-Direction de Recherche Fondamentale (CEA) (DRF (CEA)), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Université Paris-Saclay-Direction de Recherche Fondamentale (CEA) (DRF (CEA)), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS), AP-HP Hôpital Bicêtre (Le Kremlin-Bicêtre), Centre hospitalier Saint-Joseph [Paris], Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP), Centre Léon Bérard [Lyon], Hôpitaux Universitaires Paris Ouest - Hôpitaux Universitaires Île de France Ouest (HUPO), Institut Gustave Roussy (IGR), Direction de la Transformation Numérique et des Systèmes d’Information, Direction de la recherche [Gustave Roussy], CHU Pitié-Salpêtrière [AP-HP], Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-Sorbonne Université (SU), Laboratoire d'Imagerie Biomédicale [Paris] (LIB), Université de Lille, LaBoratoire d'Imagerie biOmédicale MultimodAle Paris-Saclay (BIOMAPS), CCSD, Accord Elsevier, Institut National de la Santé et de la Recherche Médicale (INSERM)-Université Paris-Est Créteil Val-de-Marne - Paris 12 (UPEC UP12)-IFR10, Université Paris-Est Créteil Val-de-Marne - Paris 12 (UPEC UP12)-Hôpital Henri Mondor-Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP), Sorbonne Université (SU)-Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-Sorbonne Université (SU), Direction de Recherche Fondamentale (CEA) (DRF (CEA)), and Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Université Paris-Saclay-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS)
- Subjects
Sarcopenia ,Similarity (geometry) ,Mean squared error ,[INFO.INFO-IM] Computer Science [cs]/Medical Imaging ,X-ray computed ,Convolutional neural network ,030218 nuclear medicine & medical imaging ,03 medical and health sciences ,0302 clinical medicine ,[INFO.INFO-IM]Computer Science [cs]/Medical Imaging ,Humans ,Medicine ,Radiology, Nuclear Medicine and imaging ,Segmentation ,Convolutional neural networks (CNN) ,Tomography ,Abdominal Muscles ,Ground truth ,Muscular body bass ,Radiological and Ultrasound Technology ,business.industry ,Deep learning ,Pattern recognition ,General Medicine ,030220 oncology & carcinogenesis ,Test set ,Neural Networks, Computer ,Artificial intelligence ,Tomography, X-Ray Computed ,business ,Algorithms - Abstract
International audience; 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.
- Published
- 2020