We propose a method for automatic segmentation of individual muscles from a clinical CT. The method uses Bayesian convolutional neural networks with the U-Net architecture, using Monte Carlo dropout that infers an uncertainty metric in addition to the segmentation label. We evaluated the performance of the proposed method using two data sets: 20 fully annotated CTs of the hip and thigh regions and 18 partially annotated CTs that are publicly available from The Cancer Imaging Archive (TCIA) database. The experiments showed a Dice coefficient (DC) of 0.891±0.016 (mean±std) and an average symmetric surface distance (ASD) of 0.994±0.230 mm over 19 muscles in the set of 20 CTs. These results were statistically significant improvements compared to the state-of-the-art hierarchical multi-atlas method which resulted in 0.845±0.031 DC and 1.556±0.444 mm ASD. We evaluated validity of the uncertainty metric in the multi-class organ segmentation problem and demonstrated a correlation between the pixels with high uncertainty and the segmentation failure. One application of the uncertainty metric in activelearning is demonstrated, and the proposed query pixel selection method considerably reduced the manual annotation cost for expanding the training data set. The proposed method allows an accurate patient-specific analysis of individual muscle shapes in a clinical routine. This would open up various applications including personalization of biomechanical simulation and quantitative evaluation of muscle atrophy.

中文翻译：

---

使用贝叶斯U-Net进行临床CT的自动肌肉分割，以进行个性化的骨骼肌肉建模。

我们提出了一种从临床CT自动分割单个肌肉的方法。该方法使用具有U-Net架构的贝叶斯卷积神经网络，使用蒙特卡洛（Monte Carlo）辍学除推断标签外还推断不确定性度量。我们使用两个数据集评估了所提出方法的性能：髋部和大腿区域的20个完全注释的CT和18个部分注释的CT（可从The Cancer Imaging Archive（TCIA）数据库中公开获得）。实验显示20组CT中19块肌肉的Dice系数（DC）为0.891±0.016（平均值±标准差），平均对称表面距离（ASD）为0.994±0.230 mm。与最新的分层多图谱方法相比，这些结果具有统计上的显着改进，后者可得出0.845±0.031 DC和1.556±0。444毫米ASD。我们评估了多类器官分割问题中不确定性度量的有效性，并证明了不确定性高的像素与分割失败之间的相关性。演示了不确定度度量在主动学习中的一种应用，提出的查询像素选择方法大大减少了用于扩展训练数据集的人工注释成本。所提出的方法允许在临床常规中对个体肌肉形状进行准确的针对患者的分析。这将打开各种应用程序，包括生物力学模拟的个性化和肌肉萎缩的定量评估。我们评估了多类器官分割问题中不确定性度量的有效性，并证明了不确定性高的像素与分割失败之间的相关性。演示了不确定性度量在主动学习中的一种应用，提出的查询像素选择方法大大降低了用于扩展训练数据集的人工注释成本。所提出的方法允许在临床常规中对个体肌肉形状进行准确的针对患者的分析。这将打开各种应用程序，包括生物力学模拟的个性化和肌肉萎缩的定量评估。我们评估了多类器官分割问题中不确定性度量的有效性，并证明了不确定性高的像素与分割失败之间的相关性。演示了不确定性度量在主动学习中的一种应用，提出的查询像素选择方法大大降低了用于扩展训练数据集的人工注释成本。所提出的方法允许在临床常规中对个体肌肉形状进行准确的针对患者的分析。这将打开各种应用程序，包括生物力学模拟的个性化和肌肉萎缩的定量评估。提出的查询像素选择方法大大减少了用于扩展训练数据集的人工标注成本。所提出的方法允许在临床常规中对个体肌肉形状进行准确的针对患者的分析。这将打开各种应用程序，包括生物力学模拟的个性化和肌肉萎缩的定量评估。提出的查询像素选择方法大大减少了用于扩展训练数据集的人工标注成本。所提出的方法允许在临床常规中对个体肌肉形状进行准确的针对患者的分析。这将打开各种应用程序，包括生物力学模拟的个性化和肌肉萎缩的定量评估。