身体成分分析的目的是对脂肪、肌肉或骨骼等代谢相关组织进行非侵入性分类和量化。多年来，放射性成像数据已成为此类分析的重要来源之一。最近，卷积神经网络在自动图像采集和组织量化方面得到了广泛的关注，因为人工和半自动方法的效率要高得多。

肥胖的定义是异位腹部或皮下脂肪组织过多，与许多其他疾病如糖尿病、冠心病、代谢综合征和许多类型的癌症密切相关。身体成分，特别是肥胖通常通过测量身体质量指数来确定。然而，这些措施不能解决个体脂肪堆积的问题，而这对于正确的表型至关重要。同样，双能X射线吸光光度法 (DEXA) 仅为近似值，取决于操作者且需要患者良好的依从性。由于其在三维空间中的高解剖分辨率，断层成像技术已成为定量体脂肪的事实标准。多项研究发现，计算机断层成像 (CT) 和磁共振成像 (MRI) 可以实现这一目标。有助于确定肥胖的具体表型。在过去的几年中，深度学习技术已经显示出在广泛的医疗应用中促进自动化和个性化的结果。

近日，发表在European Radiology杂志上的一篇研究介绍了一项利用全卷积网络（FCN）对腹部磁共振成像（MRI）数据进行脂肪组织自动定量的软件，与交互式参考方法进行了比较并评估了其准确性、可靠性、处理工作量和时间。 

本项研究经机构审查委员会批准，对肥胖症患者的单中心数据进行回顾性分析。通过对331张全套腹部图像系列进行半自动感兴趣区（ROI）直方图阈值处理，为皮下（SAT）和内脏脂肪组织（VAT）分割提供了基本信息。使用基于 UNet 的 FCN 架构和数据增强技术实现了自动分析，并使用标准相似度和误差测量方法对保留数据进行交叉验证。 
在交叉验证过程中，FCN模型的SAT和VAT分割Dice系数分别达到了0.954和0.889。容积 SAT（VAT）评估的皮尔逊相关系数为0.999（0.997），相对偏差为0.7%（0.8%），标准偏差为1.2%（3.1%）。同一队列中，SAT 的类内相关性（变异系数）为0.999（1.4%），VAT 为0.996（3.1%）。 

 图 两个示例MRI图像的SAT和VAT分段

本项研究表明，与常见的半自动方法相比，研究所介绍的脂肪组织自动定量方法有了很大改进（不依赖阅读器、工作量更小），因此为脂肪组织定量评估提供了一种十分具有临床前景的选择。  

原文出处：

Daniel Schneider,Tobias Eggebrecht,Anna Linder,et al.Abdominal fat quantification using convolutional networks.DOI:10.1007/s00330-023-09865-w

Tags： European Radiology：如何使用卷积网络量化腹部脂肪？