基于 DeepLab v3 + 优化算法实现运动员大腿骨骼肌自动语义分割及面积精准评估

研究人员为解决手动分割骨骼肌耗时等问题，开展自动分割研究，优化算法后效果显著，助力训练策略制定。

　　运动员所需训练的骨骼肌因运动项目和位置而异，因此，评估单个骨骼肌的横截面积对训练策略的制定至关重要。为测量骨骼肌横截面积，人们会利用磁共振成像（MRI）手动分割每块肌肉。但这项任务既耗时又费力，而且不同观察者之间的差异有时也会带来问题。本研究旨在开发一种自动计算机方法，用于从运动员的 MRI 图像中对单个大腿骨骼肌进行语义分割。研究数据库包含来自 697 名精英运动员大腿的 697 张图像。这些图像被随机分为训练数据集（70%）、验证数据集（10%）和测试数据集（20%）。通过手动标注 15 个目标类别（12 种不同的骨骼肌、脂肪、骨骼、血管和神经），为每张图像生成一个标签图像。利用验证数据集，从三种不同的语义分割模型中选择 DeepLab v3 + 作为分割单个大腿骨骼肌的基础模型，并将 DeepLab v3 + 中的特征提取器优化为 ResNet50。该方法的平均杰卡德指数（Jaccard index）和迪塞系数（Dice index）分别为 0.853 和 0.916，显著高于传统 DeepLab v3+（杰卡德指数：0.810，p＜0.001；迪塞系数：0.887，p＜0.001）。该方法对 15 个目标类别的平均面积误差为 3.12%，这对于从 MRI 图像评估骨骼肌横截面积很有帮助。