基于醫學影像的脂肪組織分割與定量方法研究

王志明，周鴻宇，瞿少成

（1.華中師范大學物理科學與技術學院電子信息系，湖北 武漢 430000；2.中國科學院深圳先進技術研究院生物醫學與健康工程研究所，廣東 深圳 518000）

在全球范圍內，肥胖（obesity）已經成為普遍流行的公共衛生問題之一[1]。在未來幾年內，肥胖及其相關的心血管疾病和糖尿病等代謝類疾病以及癌癥將持續威脅人類健康[2，3]。人體吸收能量過剩引起的脂肪組織含量增加是導致肥胖的直接原因。相關研究表明[4，5]，不同的脂肪組織可能具有不同的生理或病理相關性，從而造成不同的身體疾病。因此，不同脂肪組織的精確測量能夠實現肥胖類相關疾病的風險預測，從而避免因肥胖導致更嚴重的健康問題。近年來，隨著各種醫學影像技術的進步，通過計算機斷層掃描（computed tomography，CT）技術和磁共振成像（magnetic resonance imaging，MRI）技術可以實現全身組織成分的定量分析。本文深入剖析國內外醫學影像上人體脂肪組織圖像分割的研究進展，旨在為未來人體脂肪組織分割與定量的研究應用提供理論基礎。

1 圖像分割的基本理念

圖像分割作為計算機視覺研究領域中的一個經典難題，已經成為圖像處理領域極為關注的熱點之一。所謂圖像分割，就是將目標圖像分成若干個獨立的、具有特定性質的區域并突出感興趣區域的圖像處理技術。近年來，圖像分割技術在醫學圖像上的應用層出不窮，極大地促進了醫療水平的發展[6]。

醫學圖像處理的對象是各種不同成像機理的醫學影像，臨床廣泛使用的醫學成像種類主要有超聲波成像（ultrasonic imaging，UI）、正子發射斷層掃描（positron emission tomography，PET）、CT 和MRI 四類。其中，CT 與MRI 已經被用于人體全身組織成分（包括脂肪組織）的定量分析中[7]。預處理是脂肪組織圖像分割前期進行的準備工作，主要目的是歸一化、降噪、提高對比度等，進而為搭建圖像分割模型提供必要條件[8]。

人體總脂肪組織（total adipose tissue，TAT）可以分割為內脂肪組織（internal adipose tissue，IAT）與皮下脂肪組織（subcutaneous adipose tissue，SAT)。IAT 進一步可被分割為內臟脂肪組織（visceral adipose tissue，VAT）、棕色脂肪（brown adipose tissue，BAT）、骨髓（bone marrow，BM）和肌肉間/內脂肪組織（interor intra-muscular adipose tissues，IMAT）[9,10]等。不同的脂肪組織有不同的生理特性及生活功能，與人體健康息息相關。利用醫學影像技術，對脂肪組織圖像精準分割并定量分析可以預測肥胖類相關疾病風險，極大減少由肥胖導致的嚴重健康問題。

2 CT 和MRI 圖像中的脂肪組織信號

2.1 CT 圖像中的脂肪組織信號 CT 圖像是利用X射線對人體進行斷層掃描后，將探測器接收的模擬信號經模數轉換后變為數字信號，通過電子計算機計算出每一個像素的衰減系數之后，經過圖像重建而得到[11]。利用各組織的固有信號強度，可以將脂肪組織與其他解剖結構區域進行分割。組織信號強度——CT 值，是各組織與X 射線衰減系數相當的對應值，單位一般為HU。在校準的CT 系統中，純水的CT 值為0 HU；將背景、肺部與腸道中的空氣排除在外，脂肪組織是人體內唯一CT 值為負值的組織，而其他非脂肪組織均為正值。另外，在不同的場景中，脂肪組織CT 閾值略有不同[12]。脂肪組織的閾值差異可能是系統校準誤差或者獲取CT 數據方法（如X 射線劑量設置與層厚設置等）的不同造成的。

2.2 MRI 圖像中的脂肪組織信號 MRI 圖像中脂肪組織信號的產生與CT 圖像相比有較大差異。MRI提供多種脈沖序列，包括T1和T2加權成像、化學（頻率）選擇性成像（如水抑制）和化學位移編碼成像等，以產生脂肪和非脂肪組織之間的信號對比[13]。MRI 圖像中脂肪組織信號沒有共同的閾值范圍，這主要取決于獲取數據的特定脈沖序列，并且受諸如射頻發射增益、射頻接收線圈等硬件設備的影響。

然而，MRI 成像容易受到B1磁場不均勻性的影響，這有可能導致組織信號對比度不均勻。在3.0T及更高的磁場強度中，磁場的不均勻性會因磁化率和介電效應而加劇，尤其是在腹部和骨盆區域[14]。隨之引入的多通道射頻傳輸技術在一定程度上降低了磁場不均性的影響[15]。近年來，為了克服磁場強度不均勻性的缺點，基于多回波化學位移編碼的水-脂成像的質子密度脂肪分數（PDFF）圖像被用于脂肪組織分割與定量[16]。利用兩個分離的圖像數據集（水圖和脂肪圖）比值，PDFF 圖像有效地消除了前述磁場不均性的影響[17]。不僅如此，基于梯度-回波脈沖序列進行化學位移編碼的水-脂圖像，可以使用其他參數圖像（T2*圖等）信息輔助脂肪組織圖像分割。總之，基于化學位移編碼的PDFF 圖像在脂肪組織分割與定量中的應用愈加廣泛。

3 脂肪組織分割的現有方法

從目前現有的分割方法來看，手動、半自動或者全自動的脂肪組織分割方法主要有基于信號強度的直方圖閾值法、邊緣檢測法、區域增長法、基于多模板（multi-atlas）的圖像分割法以及深度學習方法。多數分割算法的成功運用從根本上取決于脂肪組織的成像機理，不同的成像機理使得脂肪組織圖像特征在統計學上與體內其他組織有所不同。因此，對基于不同成像技術的脂肪組織圖像分割要選取合適的分割方法，才能事半功倍。

3.1 基于信號強度的直方圖閾值法 基于信號強度的直方圖閾值法核心在于從雙模態或多模態直方圖中選擇一個脂肪組織與其他組織完全或部分分離的閾值。基于CT 數據脂肪圖像分割，閾值采用組織信號CT 值；基于MRI 數據的脂肪圖像，閾值可以選擇原始信號強度、弛豫時間測量（如T1、T2或T2*）和其他定量指標（如PDFF）等。該方法的過程主要包含以下幾個步驟：首先經過預處理去除圖像信息中的噪聲（如圖像背景與腸道中的空氣），并將圖像轉換為二值化圖像；之后經過偏置場校正算法，使用模糊C 均值（fuzzy C-means，FCM）或K 均值（K-means，KM）與直方圖閾值法結合從而將目標圖像分割為不同的脂肪組織圖像。曹鴻吉等[18]提出改進的Kmeans 算法實現了脂肪區域與非脂肪區域以及SAT與VAT 的自動分割。Valentinitsch AC 等[19]基于多參數方法（水圖像，脂肪圖像以及“水+脂肪”圖像等）和K-means 聚類算法實現了IMAT 的分割。

3.2 邊緣檢測法 邊緣檢測法主要包含分水嶺法、圖形切割法、水平集算法以及形態統計模型等。該類方法通常通過預處理將圖像目標區域二值化，以確定目標區域的內外邊界。之后采用形態學（如膨脹、侵蝕、Open 或Close）對目標區域及邊界進一步細化操作。另外，采用空間笛卡爾坐標到極坐標的轉換可以方便地進行邊緣檢測。Wald D 等[20]采用形態統計模型實現全身脂肪組織分割，Sadananthanet SA 等[21]利用圖割法和水平集方法分割淺層和深層SAT，并分析與半自動分割法的相關性。

3.3 區域增長法 區域增長法是圖像分割經常用到的分割方法之一。該方法首先識別脂肪組織中單個或多個初始種子體素，然后相鄰體素會隨著一定范圍內信號強度的變化自動地標記并添加到不斷增長的目標區域中；最后通常采用幾何模型去除脊柱周圍區域，以剔除骨髓脂肪組織。有相應的圖像處理軟件可輔助此類方法的脂肪圖像分割[22-24]，例如Matlab、AVW 和ITK-SNAP 等。Nemoto M 等[25]采用形態學和區域生長等算法實現骨骼，脂肪與肌肉的分割，并用手動分割驗證結果的準確性。

3.4 基于多模板（multi-atlas）的圖像分割法 多模板（multi-atlas）的圖像分割法是一種全自動圖像分割的方法，前提條件是創建一個手工分割的真值模板集。基于多模板的圖像分割已經成為一個公認的概念，被廣泛應用于腦結構分割，將此類方法運用于脂肪組織的分割是一種邏輯意義上的擴展。首先，要分割的目標數據從多模板集中匹配到一個可比數據集，匹配的模板集可以根據人體測量數據進行選擇。之后計算出目標區域與模板之間的非剛性配準以及由此產生的形變場，并將該形變應用于模板集中手工分割的組織分類標簽。最后與目標數據相對應的變形標簽就是自動分割的結果，該過程可以通過迭代實現分割結果的優化。Joshi AA 等[26]提出的基于Atals 方法實現全身的SAT 與VAT 分割。

3.5 深度學習 近年來，深度學習（deep learning）在機器視覺領域中迅猛發展，并成功應用于醫學圖像分割的研究中。與傳統方法不同的是，深度學習模擬人腦視覺激勵模式建立多參數的網絡學習模型，通過大量數據加以訓練，使得模型能夠提取數據各個層次的抽象特征并加以分析，從而自動的實現對目標數據的學習。深度卷積神經網絡（convolutional neural network，CNN）是深度學習的核心，在圖像分割任務中誕生了很多經典模型，包括U-Net、LeNet、AlexNet、GoogleNet、VGG,ResNet ST[27]等以及這些模型的改進與變形。Shen N 等[28]利用深度學習U-net網絡實現對MRI 腹部VAT 與SAT 的分割。Langner T 等[29]基于全連接網絡實現多參數水-脂MRI 圖像SAT 與VAT 的分割。

目前，基于無監督性網絡、對抗性網絡[30]以及3D（three dimensional）學習網絡是脂肪組織分割的最新研究方向，期待它們在脂肪組織分割中取得突破性的進展。

4 總結與展望

脂肪組織的分割與定量分析，已經成為人體組織成分與肥胖研究的重要組成部分。前期脂肪組織圖像手動分割一直被認為是極為耗時費力的任務，尤其是涉及數百名受試者的縱向研究中，每名受試者可能有上百張的圖像切片。隨后許多半自動和全自動分割方法被提出，并成功應用于脂肪組織分割領域中。但是這些方法可能存在的一個問題是，多數分割算法的提出者對圖像處理領域有很深的造詣，但他們可能對影像學技術沒有深入的研究，這就使得前端的成像技術與后期圖像處理技術無法真正融合，人體脂肪組織分割的結果不能達到統一標準。科學界應該促進脂肪組織分割算法的廣泛可用性，制定相應的策略，使成像協議、數據采集與圖像處理等跨領域的研究人員更加統一標準化，便于海內外從事脂肪或肥胖的研究人員成果共享、共同進步。

近年來，采用正電子發射計算機斷層掃描（PETCT）和正電子發射磁共振成像（PET-MR）等組合方式較為流行，新成像技術的發展將為脂肪組織分割提供新的研究思路及領域。相關研究表明，人體BAT 與新陳代謝、能量調節以及肥胖等生理特性息息相關，利用PET-CT 或者PET-MR 對人體BAT 可進行無創性成像，從而開辟了對BAT 研究的新領域。

總之，相關科研工作人員可緊密結合當前科研前沿與社會發展，對脂肪組織以及肥胖相關熱點問題進行深入研究，拓展此領域的廣度與深度，推動未來醫療技術的進步。