文献速递腹部胸部CTPET

胸腰椎体成分CT分析用于估算全身成分

CT analysis of thoracolumbar body composition for estimating whole-body composition.
PubMed 文献 · Insights Imaging · 2023-04-24

本研究回顾性纳入多个中心接受全身PET-CT的患者,使用3D U-Net自动分割全身肌肉、内脏脂肪和皮下脂肪,评估胸腰椎单层和多层横断面面积与全身成分的相关性。结果显示,腹部CT范围单层L2-3与全身成分相关性最佳(约0.90),胸部CT范围单层L1相关性为0.89;多层腰部平均相关性略高(0.92)。预测模型在验证集中表现相似。

要点

  • 腹部CT可选用L2-3单层或腰部多层平均估算全身成分。
  • 胸部CT可选用L1单层或T12-L1多层平均估算全身成分。
  • 椎体内不同终板层面测量相关性相似,无需严格限定层面。

核心结论

  • 单层L2-3(腹部CT范围)和L1(胸部CT范围)与全身成分相关性最佳,约0.90;多层腰部平均略高(0.92)。

研究设计与样本

  • 回顾性多中心研究,推导集203例(平均年龄58.2岁,男101例),验证集239例(来自两家医院)。
  • 使用全身PET-CT扫描,CT参数为40 mA、120 kVp、3 mm层厚,无对比剂。
  • 采用基于深度学习的3D U-Net软件(DeepCatch)自动分割全身肌肉、内脏脂肪和皮下脂肪,参考标准为全身3D体积。

诊断标准与关键数值

  • 推导集中,单层L3和L2与全身成分的相关系数均为0.90,多层腰部平均为0.92;胸部范围多层T12-L1平均为0.89,单层L1为0.89,T12为0.86。
  • 预测模型在推导集:多层腰部平均R2为0.89–0.96,RMSE为0.38–1.97 L,MAE为0.26–1.45 L;外部验证集R2为0.90–0.94,RMSE为0.34–1.63 L,MAE为0.25–1.23 L。
  • 胸部范围多层T12-L1平均与单层L1预测性能相似(推导集R2分别为0.90–0.92和0.89–0.92)。

临床应用与阅片要点

  • 在腹部CT报告中,可优先采用L2-3单层或腰部多层平均进行体成分分析。
  • 在胸部CT(如肺癌筛查低剂量CT)中,若L1未完全覆盖,可采用T12-L1多层平均以避免数据缺失。
  • 椎体内不同终板层面(上、中、下)测量相关性相似,但推荐使用L3上终板、L2下终板、T12下终板、L1下终板以获得更高的置信区间。

局限性

  • 样本量相对较小,回顾性收集自有限数量的机构。
  • 排除了可能干扰CT定量的异常病变(如转移瘤或原发肿瘤)。
  • 未与其他体成分分析方法(如双能X线吸收法或生物电阻抗分析)进行比较。
  • 仅使用无对比剂CT,可能影响分割准确性(如小血管无法与肌肉区分)。
  • 肌肉内脂肪被归类为皮下脂肪,且研究人群以正常或轻度超重为主,肥胖和体重不足者样本少。
全文中译12 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2023 Apr 24;14:69. doi: 10.1186/s13244-023-01402-z

引言

身体成分定义为体内脂肪和肌肉的比例,是与慢性疾病[1–4]和恶性疾病[5–7]的临床结局以及肥胖相关健康风险[8–10]相关的重要可干预危险因素。用于评估身体成分的方法有多种,包括双能X线吸收法和生物电阻抗法[11–13]。然而,横断面CT和MR成像被认为是金标准,因为组织可在横断面CT和MR图像上直接分离[14–20]。

基于CT和MRI的身体成分分析通常采用单层切片进行,因为分割工作繁琐且耗时。早期研究分析了稀疏腰椎层面的横断面身体成分与全身成分之间的相关性,显示L3椎体层面的相关性最佳[21, 22]。随后,许多在L3层面进行基于CT的身体成分分析的研究确定了CT身体成分分析的众多临床意义[21–27]。此外,近期开发的深度神经网络可用于L3身体成分的自动单层切片分割,从而使大数据分析成为可能。然而,胸部CT扫描不包含L3椎体,已有研究建议采用T4、T8、T12和L1等若干椎体层面替代L3进行身体成分分析[28, 29]。

身体成分在头尾方向上可能存在差异,以下问题仍未得到充分探讨:a)各胸腰椎层面的身体成分在多大程度上代表全身成分,尤其是对于胸部CT扫描;b)横断面身体成分在同一椎体层面内是否可能存在差异;以及c)多层切片横断面CT分析与全身成分的相关性是否优于单层切片CT分析。

本研究旨在评估胸腰椎横断面身体成分与全身成分之间的相关性。

材料与方法

参与医院的机构审查委员会批准了这项回顾性研究,并豁免了患者知情同意的要求。

研究人群

研究人群为回顾性收集,来自一家三级转诊医院(SNUH;推导集),时间为2016年1月至2019年12月,以及两家二级转诊医院(BRM和KUDH;验证集),采用相同的纳入标准(图1)。纳入标准为:(a)成年患者,(b)接受覆盖从指尖到足趾全身范围的基线PET–CT扫描,以及(c)有可获取的身高和体重信息。排除标准为:(a)用于疾病监测的随访PET–CT,(b)可能被纳入身体成分分割结果的活动性疾病,以及(c)无可获取的身高和体重信息。

研究协调员收集患者的年龄、性别、体重和身高信息。体重指数(BMI)按体重(千克)除以身高(米)的平方计算(kg/m2)。

图1 患者纳入流程图 查看原图 ↗

PET/CT采集

所有患者均使用一体化PET-CT扫描仪(Biograph Truepoint或mCT40,Siemens Healthineers;Gemini TF扫描仪,Philips Healthcare;Discovery STE,General Electric Healthcare)接受PET-CT检查。患者禁食至少6小时,静脉注射FDG(5.18 MBq/kg)。注射后约60分钟采集图像。患者取仰卧位,双臂下垂接受检查。行CT扫描(40 mA和120 kVp)用于衰减校正,未使用对比剂增强,PET图像从颅底采集至足趾。CT图像采用512×512矩阵重建,结合50 cm视野和3 mm层厚。

身体成分分割

CT图像使用市售软件(DeepCatch,版本1.x.x.x;MEDICAL IP Co., Ltd.,首尔,韩国)进行处理,用于全身CT图像的自动体积分割。该软件包含2D和3D U-Net,将CT图像分割为七类:皮肤、肌肉、骨骼、腹部内脏脂肪(VF)、皮下脂肪(SF)、内部器官/血管和中枢神经系统。共使用39,268张图像切片开发网络,3D U-Net在国内验证集中对肌肉、VF和SF的平均Dice分数分别为96.8–99.2%、95.1–98.9%和97.1–99.7%(图2)[30]。胸部放射科医师(J.H.H.,具有7年CT判读经验)目视检查分割结果,以确保同一软件参考标准的准确性,并确认所有病例均无需进一步调整。

在3D U-Net的分割中,胸腔内VF被包含在SF掩模中。因此,胸部放射科医师(J.H.H.,具有7年CT判读经验)在所有病例中将胸腔内VF从SF掩模中分离出来,并在必要时使用同一软件修正U-Net对肌肉、腹部脂肪、VF和SF的分割结果。胸腔内VF定义为由胸骨内面、肺和脊柱围成的脂肪,从胸顶延伸至膈肌[31]。分割的胸腔内VF合并入腹部VF以代表总VF[32]。

参考全身身体成分包括全身肌肉、VF和SF体积。在T1-L5之间的上终板、下终板和椎体中部计算躯干肌肉、VF和SF的单层分割2D面积。若椎体倾斜,则基于包含前后平面中心的切片进行测量(附加文件1:图S1)。

我们假设胸部CT扫描覆盖T1上终板至L1下终板的区域,而腹部CT扫描延伸 from T10上终板至L5下终板[33]。对胸部CT范围在T12–L1(从T12上终板至L1下终板)进行多层平均,对腹部CT范围在腰部(从最低肋骨至髂嵴)进行多层平均。

图2 一名77岁男性(A、C)和一名68岁女性(B、D)患者分割身体成分的代表性全身3D和横断面CT图像。全身3D(A、B)和L3水平横断面图像(C、D)显示肌肉(紫色)、皮下脂肪(黄色)和腹腔内脂肪(红色)的分布因性别而异。肌肉、皮下脂肪和内脏脂肪的胸腰椎横断面面积在排除手臂组织后从躯干进行评估 查看原图 ↗

统计分析

采用Pearson相关系数评估参考值(3D全身身体成分体积)与单层或多层平均2D面积之间的线性关联,并基于1000次bootstrap重抽样得出95%置信区间。我们分别在每种性别中分析肌肉、VF和SF的系数。此外,我们估计了三种成分的总体相关系数,以确定同时代表全身肌肉、VF和SF的前三个层面。系数采用线性混合模型估计,该模型考虑了每个个体内观察值之间的依赖性,如Hamlett等[34]所提出。在分析中,使用按性别标准化的测量值使三种成分的测量尺度具有可比性,标准化方法如下:

为在推导数据集中构建全身身体成分的预测模型,采用线性回归,以全身身体成分的自然对数为结局,所有预测值均反变换回原始尺度。候选预测变量为CT层面身体成分的自然对数以及参与者的性别、年龄、身高和体重(附加文件1:正文)。预测模型通过基于赤池信息准则的后向消除法确定。预测模型的性能通过R2、均方根误差(RMSE)、平均绝对误差(MAE)、校准斜率和大范围校准进行评估。为评估预测模型在推导数据集中的性能,基于1000个bootstrap样本估计了乐观校正统计量。预测模型使用BRM和KUDH的数据进行外部验证。在外部验证中,通过重新估计截距对模型进行更新,以考虑推导数据集和验证数据集之间全身身体成分分布的差异(附加文件1:正文)。

P值小于0.05被认为具有统计学意义。所有统计分析均使用R软件(版本4.1http://www.R-project.org/)进行。

结果

基线特征

在推导数据集和验证数据集的1272例患者和617例患者中,推导数据集包括203例患者(平均年龄58.2岁;男性101例;平均BMI 23.9 kg/m2),验证数据集包括来自两家外部医院的239例患者(图1和表1):分别为199例患者(平均年龄56.5岁;男性61例;平均BMI 23.4 kg/m2)和40例患者(平均年龄64.2岁;男性19例;平均BMI 24.0 kg/m2)。胸腰段身体成分按性别分布不同(图3和附加文件1:表S1):肌肉、内脏脂肪(VF)和皮下脂肪(SF)的总量在男性以L3水平最高,在女性以L5水平最高。两性肌肉量均以T1–3水平最大(男性1.77–1.97 cm2;女性1.29–1.38 cm2)。男性第二大量见于L3水平(1.43 cm2),而女性在其他T–L水平间相对一致。女性SF量远大于男性,且两性均以L5水平达峰值(男性1.57 cm2;女性2.19 cm2)。VF在T1–T8水平可忽略不计,随后逐渐增加并在L1–L3水平趋于平台(峰值,男性1.36 cm2;女性0.84 cm2)。

表1 推导数据集和验证数据集中参与者的特征 查看原表 ↗
图3 两性胸腰段各水平肌肉、皮下脂肪(SF)和内脏脂肪(VF)的平均横截面积 查看原图 ↗

T1–L5水平肌肉、VF和SF的相关系数

使用1000次 bootstrap 重采样获得的肌肉、VF和SF的 Pearson 相关系数汇总于图4和附加文件1:表S2。

无论性别,肌肉相关系数的头尾方向趋势(T1–L5)均呈双峰形:第一峰位于T3–T4水平附近(男性系数0.79,女性0.76),随后下降并在T6达最低点(系数,男性0.66,女性0.55)。随后系数逐渐升高并最终在L3–L4达峰(系数,男性0.87,女性0.86)。

女性VF系数的T1–L5头尾方向趋势也呈双峰形:第一峰位于T4–5附近(系数0.83),随后下降并在T8达最低点(系数0.70)。之后,系数在T12超过0.90,随后在L2–3达峰(系数0.97)。在男性中,系数呈类抛物线曲线,峰值偏向腰椎水平。系数升高并伴有一定程度波动,但在T1–T9保持0.80或以下,在T12升高至超过0.90,并在L2–3达峰(0.98)。

女性T1–L5的SF系数总体较男性低0.05–0.1。系数在T1–T11趋于平台,为0.8或以下。随后,在大多数腰椎水平达到约0.85,并在L5达峰(系数0.91)。男性系数在T1为0.80,在T6达到约0.90,在各椎体间有轻度波动,并在T12和L5达峰(0.93)。

图4 基于1000次 bootstrap 重采样的全身身体成分 Pearson 相关系数及95%置信区间柱状图 查看原图 ↗

胸部及腹部CT范围内最佳单层与多层平均

各身体成分的相关系数汇总于图4和附加文件1:表S2,三种成分的系数见

总体系数在T1–L5的颅尾方向趋势呈双峰形态:系数在T1处约为0.6,随后在T4处出现第一个峰值(系数,0.78)。系数在T6–7处轻度下降至0.74,然后逐渐升高至L2–3处的第二个峰值(系数,0.90)。

腹部扫描范围内相关性最高的三个层面依次为多层腰部平均(0.92),其次为单层L3和L2(均为0.90);胸部扫描范围内相关性最高的为多层T12–L1平均(0.89)和单层L1(0.89),其次为T12(0.86)。无论在上终板、中部还是下终板层面获取,椎体内部系数均相似。然而,在椎体内部,最佳单层层面被认为是L3上终板、L2下终板、T12下终板和L1下终板,因为这些层面产生的系数95%置信区间最高。

图5 条形图,绘制按性别标准化肌肉、内脏脂肪和皮下脂肪测量后全身身体成分的相关系数,以及基于1000次自助重采样的置信区间 查看原图 ↗

腹部和胸部CT中的预测模型

用于估计全身肌肉、VF和SF的预测模型源自排名前三的单层和多层横断面分析。在腹部扫描范围内,选择多层腰部平均、单层L3上终板和单层L2下终板。在胸部扫描范围内,选择多层T12–L1平均、单层L1上终板和单层T12下终板(表2及附加文件1:表S4–6)。选择L1上终板是因为胸部CT扫描可能无法覆盖整个L1椎体,且L1椎体内部相关系数无显著差异。

由多层腰部平均得出的预测模型在内部数据集中对肌肉、VF和SF提供了最佳估计(R2,0.89–0.96;RMSE,0.38–1.97 L;MAE,0.26–1.45 L;大范围校准,− 0.01–0.86 L;校准斜率,0.95–1.01)(表2及附加文件1:图S2)。对于腹部扫描范围,单层L2下终板(R2,0.87–0.94;校准斜率,0.95–1.05)和L3上终板(R2,0.86–0.94;0.94–1.04)在所有性能指标上均略差于多层腰部平均,包括RMSE和MAE。对于胸部扫描范围,多层T12–L1平均(R2,0.90–0.92;校准斜率,0.97–1.03)与单层L1上终板(R2,0.89–0.92;校准斜率,0.97–1.05)的模型性能相似。单层T12下终板的性能略低(R2,0.87–0.90;校准斜率,0.97–1.00),且总体上RMSE和MAE更大。

在外部验证中,更新模型的性能优于原始模型,并且模型性能的相似排序在外部数据集中得到重现。多层面腰部平均值对肌肉、内脏脂肪(VF)和皮下脂肪(SF)提供了最佳估计(R²,0.90–0.94;RMSE,0.34–1.63 L;MAE,0.25–1.23 L;大范围校准,−0.02 至 −0.30 L;校准斜率,1.01–1.05)(表3和附加文件1:图S3)。对于腹部扫描范围,单层面L2下终板(R²,0.88–0.92;校准斜率,0.84–1.10)和L3上终板(R²,0.88–0.92;校准斜率1.00–1.11)提供的性能略低。对于胸部扫描范围,多层面T12–L1平均值(R²,0.89–0.92;校准斜率,0.88–1.01)与单层面L1上终板(R²,0.88–0.90;校准斜率,0.96–1.02)之间发现相似的性能。单层面T12下终板对肌肉、VF和SF提供的R²略低(0.87–0.90),并导致肌肉和VF的RMSE和MAE略大。

表2 内部数据集中预测全身成分的模型性能 查看原表 ↗
表3 外部数据集中预测全身成分的模型性能 查看原表 ↗

讨论

使用最新的3D U-Net进行身体成分的体积分割,我们评估了T1–L5横断面CT图像中肌肉、SF和VF的分布,并评估了这些估计值与全身成分的相关性。在腹部和胸部扫描的单层面分析中,L2–3和L1层面与全身成分的相关性最密切(分别为0.90和0.89)。多层面腰部平均值(0.92)在腹部显示出比L2–3单层面分析更好的相关性,多层面T12–L1平均值(0.89)在胸部提供了与L1层面相当的相关性。基于前三个层面建立的用于估计全身成分的模型,在推导集和外部验证集中对腹部和胸部扫描范围的全身成分估计排序相似。

大多数CT研究使用特定椎体层面的单层面分析身体成分[21, 22, 35, 36]。L3椎体被广泛使用,但研究者很少明确说明在椎体内的何处进行测量。在本研究中,三个身体 compartment(肌肉、SF和SV)在椎体内的系数在前三个层面中无论终板水平如何均相似,除了偶尔的急剧差异(例如,男性T1处VF量,0.25–0.64;女性0.26–0.63)。因此,在这些椎体层面评估横断面身体成分将无需担心应测量椎体内的哪个水平。

L3(以及较低的L2层面)与全身成分相关性最佳(相关系数,0.90),与先前研究一致[22, 35],但它通常不包括在胸部CT扫描范围内。在胸部扫描范围内,我们的结果显示单层面L1层面和多层面T12–L1平均值的最高相关系数为0.89,而以T4和T8为代表的上至中胸椎层面产生的系数约为0.77,置信区间较大。考虑到L2–3的相关系数为0.90,T12–L1为0.89,胸部CT似乎有潜力与腹部CT相当地估计全身成分[37]。

单层CT分析最常用于估算身体成分,而非多层横断面CT分析,后者需要大量人工勾画连续CT图像。尽管如此,早期研究提示,考虑到身体成分在Z轴上的变化及肠管移位,多层CT分析可能更准确地估算全身成分。此外,选择代表性层面可导致观察者内和观察者间变异[16]。深度神经网络的最新进展使多层身体成分CT成为可能,我们的3D U-Net能够在几分钟内处理单个病例。实际上,多层腰部平均可减轻分布变异[38],在腹部扫描范围内超越L3,而多层T12–L1平均在胸部扫描范围内与L1提供可比的相关性。低剂量胸部CT扫描通常将扫描范围限于肺实质,根据我们的经验,四分之一的低剂量胸部CT扫描未覆盖L1(未发表)。如果在肺癌低剂量CT筛查中于L1层面进行单层身体成分分析,这将导致显著的数据缺失。然而,多层T12–L1平均可有效完成身体成分数据采集,从而能够在大数据低剂量CT扫描分析中识别肌少症性重度吸烟者[39]。然而,应当承认,本研究中该网络的结果需要放射科医师协助确认和重新调整胸腔内VF。

我们的研究存在若干局限性。第一,研究人群的受试者数量相对较少,且为在有限数量的机构中回顾性收集。第二,我们排除了具有可能干扰CT体成分定量的异常病灶的患者。研究中排除的几乎所有病灶均为转移灶或原发癌病灶。由于在平扫CT上病灶边缘较难识别,这些病例不可避免地被排除在分析之外。第三,我们未使用其他模态(如双能X射线吸收测定法或生物电阻抗分析)对体成分进行分析和比较。尽管如此,CT被视为体成分分析的金标准,且放射科医师确认了3D U-Net的分割结果。与其他模态(如DEXA)进行比较的研究有助于进一步验证我们的结果。第四,我们仅使用平扫CT扫描进行身体分割;这是不可避免的,因为参与机构的全身PET–CT扫描常规在不使用对比剂的情况下进行,可能在对参考值的分割中造成误差。例如,走行于甲状腺远端、腋窝和大腿近端的小血管无法与肌肉掩膜分离,因为放射科医师或网络在平扫CT扫描上无法识别这些小血管。此外,由于PET/CT与专用于胸部或腹部的CT协议存在差异,全身PET/CT扫描的空间分辨率相对于CT扫描较低。尽管如此,本研究认为使用全身CT扫描是必要的,因为CT或MR扫描被认为是捕捉体成分的最佳模态。因此,我们的结果可能不适用于具有不同对比度或空间分辨率的CT扫描或MR扫描,需要进一步验证。第五,肌内脂肪被归类为皮下脂肪。第六,我们研究中观察到的体脂分布可能不能代表一般人群,因为回顾性选择的患者相对正常或轻度超重。对应于肥胖和体重不足的受试者数量较少,使得在该数据中难以进行小样本组分析。我们通过散点图在肥胖或体重不足组与正常组的比较中探讨了全身成分与层面体成分之间的关系,但在所有六个区域均无显著偏差(附加文件1:图S4)。需要一项能够充分反映整个人群肥胖水平的大规模研究。总之,单层面CT分析在L2–3水平和L1水平分别对腹部和胸部CT范围最佳估计了全身成分。多层面平均产生了相当或更好的结果。这些结果证实了腹部体成分CT分析的实用性,并表明胸部CT分析可以像腹部CT扫描一样合理地潜在估计全身成分。多层面平均可以缓解CT层面之间的不同分布。

补充信息

附加文件1:补充文本(统计分析)、补充表1–6和补充图1–4。

引用

  1. Hong, Hong, Choi, et al. CT analysis of thoracolumbar body composition for estimating whole-body composition. Insights Imaging. 2023. PMID: 37093330. doi:10.1186/s13244-023-01402-z
  2. 全文:PMC10126176(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10126176/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。