摘要目的 构建基于胸部CT的身体成分自动分析系统,观察其评估胸部肌肉及脂肪含量的价值.方法 收集108例肺炎患者T7～T8层面轴位胸部CT图像(分割数据集),于COVID 19-CT数据集筛选984例胸部CT数据(随机抽取10例为整体测试数据集,余974例为选层数据集);基于卷积神经网络(CNN)衍生网络,包括ResNet、ResNeXt、MobileNet、ShuffleNet、DenseNet、EfficientNet及ConvNeXt,于选层数据集中分类T7～T8层面,以准确率、精确率、召回率及特异度进行评价;基于经典全CNN(FCN)衍生网络,包括FCN、SegNet、UNet、Attention UNet、UNet++、nnUNet、UNeXt及CMUNeXt于分割数据集中分割骨骼肌(SM)、皮下脂肪组织(SAT)、肌间脂肪组织(IMAT)及内脏脂肪组织(VAT),以戴斯相似系数(DSC)、交并比(IoU)及95豪斯多夫距离(HD)进行评价;基于表现最优的选层网络及分层网络构建身体成分自动分析系统,对整体测试数据集进行测试,以平均绝对误差(MAE)、均方根误差(RMSE)及MAE的标准差(SD)进行评价.结果DenseNet网络自动于完整胸部CT图中分类T7～T8层面的准确率、精确率、召回率及特异度分别为95.06％、84.83％、92.27％及95.78％,均高于其余选层网络.在分割SM、SAT、IMAT及整体分割方面,UNet++网络DSC及IoU均高于、而95HD均低于其余分割网络.以DenseNet为选层网络、UNet++为分割网络测试整体测试数据集,其预测SM、SAT、IMAT及VAT的MAE分别为27.09、6.95、6.65及3.35 cm2.结论 基于胸部CT身体成分自动分析系统可用于评估胸部肌肉及脂肪含量;其中最佳分割网络UNet++分割脂肪组织精准度优于SM.