基于深度学习MR体部脂肪组织的自动分割和定量测量研究

王可， 姜原， 黄嘉豪， 王祥鹏， 张晓东， 王霄英

脂肪组织是人体最大的隔室之一，由于肥胖及相关代谢异常的发生率日益增高，临床评价肝脏代谢异常、糖尿病患者情况时要求评价全身脂肪定量信息。除了脂肪定量，脂肪分布也与疾病有相关性，已有明确证据提示内脏脂肪过度沉积导致患者发生心血管疾病和代谢性疾病风险明显增加[1]。因此无创地分割和准确测量脂肪组织体积的需求日益显现出来[2，3]。测定总体脂和局部体脂方法很多如简易参数测量法(body mass index，BMI；waist-hip ratio，WHR)、生物电阻抗法、双能X线吸收法(dual-energy X-ray absorptiometry，DEXA)、CT、MRI和超声等。MR有多种扫描序列可选择性地对脂肪组织成像，可无创、准确地显示局部脂肪分布，与其他影像学检查相比有明显优势[4]。

虽MR图像可很好地显示脂肪组织，但在临床工作中仍不能对每个病例都准确地定量测量脂肪组织体积，不能将患者各个部位、不同区域脂肪体积生成在影像报告中限制了MR脂肪定量实际临床应用。近年来深度学习技术在医学图像处理中有了长足的进步，多种基于深度学习软件可用于医学图像分割、分类和目标检测等[5，6]并能将多种测量结果自动传入结构化报告中可达到与医生相似报告结果[7]，大大提高了影像医生的工作效率。本研究训练3D-Unet网络模型，在MRI图像中分割体部脂肪组织并生成定量测量结果，初步探索这种技术在临床应用的可行性。

材料与方法

此研究获得了本院伦理审查委员会批准【2017(1382)】，按照本单位人工智能(artificial intelligence，AI)模型训练规范执行研究方案。……