Vollautomatische Segmentierung von Bindegewebekompartimenten im CT

Die Körperzusammensetzung, d. h. Menge und Qualität von Bindegewebekompartimenten, ist z. B. für onkologische oder kardiovaskuläre Erkrankungen von Interesse. Diese Kompartimente können zwar mithilfe von CT-Aufnahmen verlässlich quantifiziert und beschrieben werden. Problematisch sind allerdings Patienten mit Implantaten, Aszites oder Anasarka sowie eine genaue Identifizierung von intermuskulärem Fettgewebe.

Publikationsverlauf

Artikel online veröffentlicht:
18. Februar 2021

• Literatur

• 1 Chang CD, Wu JS, Mhuircheartaigh JN. et al. Effect of sarcopenia on clinical and surgical outcome in elderly patients with proximal femur fractures. Skeletal Radiol 2018; 47: 771-777
• 2 Brown JC, Cespedes Feliciano EM, Caan BJ. The evolution of body composition in oncology-epidemiology, clinical trials, and the future of patient care: facts and numbers: Editorial. Journal of Cachexia, Sarcopenia and Muscle 2018; 9: 1200-1208
• 3 Hemke R, Buckless CG, Tsao A. et al. Deep learning for automated segmentation of pelvic muscles, fat, and bone from CT studies for body composition assessment. Skeletal Radiol 2020; 49: 387-395
• 4 Dabiri S, Popuri K, Ma C. et al. Deep learning method for localization and segmentation of abdominal CT. Computerized Medical Imaging and Graphics 2020; 85: 101776
• 5 Kamnitsas K, Ledig C, Newcombe VFJ. et al. Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation. Medical Image Analysis 2017; 36: 61-78