方法文章

使用 Slice-O-Matic 和 Horos 进行身体成分分析的分割与线性测量

11.8K 次观看

⸱

DOI：

10.3791/61674

⸱

2021年3月21日

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Urology, Emory University School of Medicine, 2Northeast Ohio Medical University, 3Department of Urology, University of Alabama at Birmingham, 4Department of Medical Oncology, Winship Cancer Institute of Emory University, 5Department of Urology, University of Washington

本文内容

摘要

利用计算机断层扫描和/或磁共振成像图像，通过分割和线性测量来量化骨骼肌质量和脂肪组织。本文概述了使用Slice-O-Matic软件和Horos图像查看器对身体成分进行快速、准确分析的方法。这些方法可为预后评估和风险分层提供重要信息。

摘要

身体成分与多种疾病状态下疾病进展风险及治疗并发症相关。因此，通过计算机断层扫描（CT）和/或磁共振成像（MRI）对骨骼肌质量和脂肪组织进行定量，可为手术风险评估和疾病预后提供依据。本文介绍了由 Mourtzakis 等人和 Avrutin 等人首次提出的两种定量方法：组织分割法和骨骼肌线性测量法。两种方法均采用患者第三腰椎中点处的横断面图像进行测量。在分割法中，将图像导入 Slice-O-Matic 软件，并对骨骼肌、肌内脂肪组织、内脏脂肪组织和皮下脂肪组织进行着色标记，随后利用标签面积功能计算各类组织的截面积。在线性测量法中，测量第三腰椎水平双侧腰大肌和椎旁肌的高度与宽度，通过这四个数值的计算可估算骨骼肌质量。组织分割分析可提供关于患者身体成分的定量、全面信息，进而可与疾病进展情况进行相关性分析。然而，该方法耗时较长，且需要专门培训。线性测量法则是一种高效且便于临床应用的工具，适用于快速的术前评估。但线性测量无法提供有关脂肪组织成分的信息。尽管如此，这两种方法在多种疾病中均具有广泛应用，可用于预测手术结局、疾病进展风险，并为患者治疗方案的选择提供参考。

引言

目前，肌肉减少症和身体成分的评估在临床上备受关注。尽管肌肉减少症的具体定义因应用场景和背景而异，但所有定义均包含骨骼肌质量或肌肉力量的显著下降，这两者密切相关1,2,3。身体成分分析结合了骨骼肌质量和脂肪组织分布的测量，可为患者的整体健康状况提供更全面的信息1,3,4。同样，脂肪组织分布异常，尤其是内脏脂肪组织的积聚，已被发现与多种疾病相关，包括心脏病、2型糖尿病和癌症5。

临床上，骨骼肌减少症及其线性测量评估已被反复证明是多种恶性肿瘤在手术、放疗和化疗后癌症特异性生存率及肿瘤学结局的强有力预后因素1,2,4,6,7,8。特别是既往研究表明，患有骨骼肌减少症的患者其癌症特异性生存率和总体生存率均降低1,2,9,10。因此，准确且快速地进行骨骼肌减少症进展的临床评估，对于确定治疗方案至关重要。传统的全身成分分析需要采用三维（3D）成像技术进行，包括计算机断层扫描（CT）、磁共振成像（MRI）、双能X线吸收测定法（DEXA）和生物电阻抗分析（BIA），这些方法耗时较长、成本较高，且需要 extensive training5,11。另一个缺点是无法提供有关脂肪分布的信息，尤其是空气置换体积描记法（ADP）和DEXA12。因此，利用作为常规临床诊疗标准组成部分的横断面影像学手段（如CT或MRI）来评估和判定骨骼肌减少症及身体成分，具有重要的临床价值5。

在临床研究中，一种常用的分割软件是 TomoVision 公司开发的 Slice-O-Matic 程序。根据 Mourtzakis 等人13提出的分割方法，该程序允许研究人员或临床医生基于密度阈值，半自动地标记多种组织类型，包括骨骼肌（SM）、肌内脂肪组织（IMAT）、内脏脂肪组织（VAT）和皮下脂肪组织（SAT），从而测量每种组织的总体横截面积。随后，这些测量值可用于估算全身骨骼肌质量和脂肪含量，通常需根据患者身高的平方进行标准化，再结合基于人群的阈值来识别肌少症和肌少性肥胖。

Avrutin 等人近期开发的一种方法14 采用骨骼肌线性测量法已显示出在利用L3横断面MRI和CT图像估算总体肌肉质量方面具有同等可靠的潜力14,15腰大肌和竖脊肌群构成了L3区域大部分的肌肉表面积，且功能活性较高，提示其可能是整体肌肉力量的高保真预测指标，因此成为线性测量的主要候选部位。14,15使用标尺工具绘制90度角，测量腰大肌和椎旁肌群的水平径线和垂直径线，以计算肌肉横截面积。° 相交的直线。每个肌群的横向和纵向测量值相乘，以估算该肌群的横截面积，随后用于计算总骨骼肌质量的估算值 线性肌肉指数 除以患者身高后得出结果。经过最少的培训，整个过程可在1分钟内完成。

鉴于身体成分测量对患者诊疗可能产生的影响，迫切需要建立易于获取的培训材料。本文为临床医生和临床研究人员详细介绍了由 Avrutin 等人14和 Mourtzakis 等人13分别开发的两种用于量化骨骼肌质量和身体成分的方法。

方案

本研究及相关方案已通过埃默里大学机构审查委员会的审查和批准。

1. L3 CT 分割

  1. 获取轴向CT的医学数字成像和通信（DICOM）图像。
    1. 在图像查看器中识别L3椎体。
      1. 如有可能，选择两个水平窗视图，并在左侧选择冠状面或矢状面作为参考，右侧选择轴向视图。
      2. 点击交叉链接以连接左右窗口。
      3. 从头侧向尾侧滚动图像，识别L1椎体，即第一个无肋骨附着的椎体。
      4. 从L1计数至L3，并利用冠状面或矢状面视图确定L3椎体中点所在的层面。该层面的标志是两侧横突均能最大程度且对称地显示。
      5. 选择L3层面。在检查选项卡中，选择发送检查，并将图像保存为DICOM文件。
        注：步骤1为预处理步骤，此处列出以说明如何获取L3图像。若研究者已拥有L3图像，可直接进入步骤2。若图像查看器不支持交叉参考功能，可跳过1.1.1 至1.1.2。若影像未包含胸段区域，则先识别位于骶骨前方的L5椎体，再从L5向上计数至L3，注意第六腰椎的存在属于正常解剖变异。
  2. 使用Slice-O-Matic软件打开DICOM图像。
  3. 将DICOM文件拖动到Slice-O-Matic窗口的任意位置。
  4. 选择模式 | 区域生长 以开始分割。
    1. 如果Slice-O-Matic版本在模式 选项列表顶部包含Alberta协议选项，则也可选择步骤3：分割以开始分割。若使用步骤3：分割，请完成步骤5后直接进入步骤11。
  5. 选择工具 | 标签锁定。此功能允许用户"锁定"已标记的颜色，确保其不会被意外覆盖或擦除。
  6. 骨骼肌识别：点击屏幕左侧“区域生长”区域下方的1（红色）。
    1. 点击“下限”旁的关闭按钮，将其切换为开启。点击鼠标滚轮旁的箭头，将“禁用”设置为“下限”。拖动“下限”滑块，使亨氏单位（HU）阈值尽可能接近-29，然后使用鼠标滚轮将HU阈值精确设置为-2913。
    2. 点击“上限”旁的关闭按钮，将其切换为开启。点击鼠标滚轮旁的箭头，将“下限”设置为“上限”。拖动“上限”滑块，使HU阈值尽可能接近150，然后使用鼠标滚轮将HU阈值精确设置为15013。
  7. 肌内脂肪组织（IMAT）识别：点击屏幕左侧“区域生长”区域下方的2（绿色）。
    1. 点击“下限”旁的关闭按钮，将其切换为开启。点击鼠标滚轮旁的箭头，将“禁用”设置为“下限”。拖动“下限”滑块，使HU阈值尽可能接近-190，然后使用鼠标滚轮将HU阈值精确设置为-19013。
    2. 点击“上限”旁的关闭按钮，将其切换为开启。点击鼠标滚轮旁的箭头，将“下限”设置为“上限”。拖动“上限”滑块，使HU阈值尽可能接近-30，然后使用鼠标滚轮将HU阈值精确设置为-3013。
  8. 内脏脂肪组织（VAT）识别：点击屏幕左侧“区域生长”区域下方的5（黄色）。
    1. 点击“下限”旁的关闭按钮，将其切换为开启。点击鼠标滚轮旁的箭头，将“禁用”设置为“下限”。拖动“下限”滑块，使HU阈值尽可能接近-150，然后使用鼠标滚轮将HU阈值精确设置为-15013。
    2. 点击“上限”旁的关闭按钮，将其切换为开启。点击鼠标滚轮旁的箭头，将“下限”设置为“上限”。拖动“上限”滑块，使HU阈值尽可能接近-50，然后使用鼠标滚轮将HU阈值精确设置为-5013。
  9. 皮下脂肪组织（SAT）识别：点击屏幕左侧“区域生长”区域下方的7（青色）。
    1. 点击“下限”旁的关闭按钮，将其切换为开启。点击鼠标滚轮旁的箭头，将“禁用”设置为“下限”。拖动“下限”滑块，使HU阈值尽可能接近-190，然后使用鼠标滚轮将HU阈值精确设置为-19013。
    2. 点击“上限”旁的关闭按钮，将其切换为开启。点击鼠标滚轮旁的箭头，将“下限”设置为“上限”。拖动“上限”滑块，使HU阈值尽可能接近-30，然后使用鼠标滚轮将HU阈值精确设置为-3013。
  10. 使用键盘上的+和-键对CT图像进行放大和缩小。在整个分割过程中根据需要调整缩放比例，以清晰准确地标记组织。
  11. 选择1开始骨骼肌组织（SM）的分割。
    1. 将画笔选项设置为绘制。
    2. 使用位于区域生长正下方的画笔工具，调整至所需画笔大小，开始对腰大肌、椎旁肌群、腹斜肌和腹直肌群进行涂绘。
      注：若肌肉筋膜外的液体或器官被误标为红色（肌肉），请务必使用无颜色选项清除标记。
  12. 当所有肌肉均被标记后，在屏幕左下角的标签锁定菜单中选择1。这将确保在后续分割过程中肌肉不会被意外重新标记或擦除。
  13. 选择区域生长下的2，并对肌肉筋膜内的所有脂肪组织（IMAT）进行涂绘。若肌肉筋膜外的脂肪或结构被误标为IMAT，请务必使用无颜色选项进行修正。
    注：肌肉筋膜边缘通常比其周围的内脏脂肪或皮下脂肪更亮。请确保将肌肉筋膜较亮边缘内的所有脂肪均标记为IMAT，而非VAT或SAT。若腹白线未被标记为肌肉，则应将整个腹白线区域分析为IMAT。
  14. 当所有IMAT均被标记后，在屏幕左下角的标签锁定菜单中选择2。
  15. 从区域生长菜单中选择5以标记VAT组织。
    1. 在标记VAT时，根据图像情况，使用二维生长可能比使用绘制更方便。
    2. 若使用二维生长，请选择最小的画笔选项。使用二维生长时，务必回查所有已标记的VAT区域，确保肠腔内或器官内的组织未被误标，因为这些脂肪通常来源于消化中的食物或其他非VAT结构。
    3. 若使用绘制，请确保不要在器官或肠道的腔内进行绘制。
  16. 当所有VAT均被标记后，在屏幕左下角的标签锁定菜单中选择5。
  17. 从区域生长菜单中选择7以标记SAT组织。
    1. 在标记SAT时，根据图像情况，通常使用二维生长比使用绘制更简便。
    2. 若使用二维生长，请选择最小的画笔选项。
    3. 若使用二维生长，请务必使用选中的无工具回查图像边缘，确保肌肉筋膜内的组织未被标记为SAT，并确保皮肤未被标记为SAT。
      ​注：皮肤通常比SAT更亮，厚度约为2-3像素，但需注意皮肤的外观和厚度可能因图像而异。
    4. 若使用绘制，请特别注意边缘区域，尤其是皮肤周围，以确保无组织被错误标记。
  18. 完成所有组织标记后，进入工具 | 标签表面积/体积。这将显示每个已标记组织的表面积和体积，通常关注的是表面积。
    1. 点击在窗口中显示以完全打开标签表面积/体积窗口。该窗口还将显示HU值。
    2. 记录表面积和HU阈值。
      注：若标签表面积/体积窗口未出现在屏幕左下角，可能是由于空间不足无法显示。此时，请确保Slice-O-Matic窗口已最大化，然后选择工具 | 标签锁定以移除标签锁定窗口。这将腾出足够空间以显示标签表面积/体积窗口。
  19. 完成后，进入文件 | 保存标签文件。这将在DICOM文件所在位置保存一个标签（TAG）文件。

2. L3 MRI 分割

  1. 获取轴向 MRI（T2 加权序列）DICOM 图像
    1. 在图像查看器中，识别 L3 椎体。
      1. 如有可能，选择两个水平窗视图，并在左侧选择冠状面或矢状面作为参考，右侧选择轴向视图。
      2. 点击 交叉链接 以连接左右窗口。
      3. 从头侧向尾侧滚动图像。识别 L1 椎体，即第一个无肋骨附着的椎体。
      4. 从 L1 数至 L3，并利用冠状面或矢状面确定 L3 椎体中点所在的层面。该层面的标志是两侧横突均能最大程度且对称地显示。
      5. 选择 L3 层面。在 检查 选项卡中，选择 发送检查，并将图像保存为 DICOM 文件。
        注：步骤 1 为预处理步骤，此处列出以说明如何获取 L3 图像。若研究者已拥有 L3 图像，可直接进入步骤 2。若图像查看器不支持交叉参考，可跳过 1.1.1 至 1.1.2。若成像未包含胸段区域，可先识别位于骶骨前方的 L5 椎体，再从 L5 向上数至 L3，注意第六腰椎的存在属于正常变异。
  2. 使用 Slice-O-Matic 软件打开 DICOM 图像。
  3. 将 DICOM 文件拖动到 Slice-O-Matic 窗口的任意位置。
  4. 选择 模式 | 区域生长 以开始分割。
    注：由于 MRI 图像中脂肪组织与肌肉组织对比度较差，仅对骨骼肌（SM）进行分割。
    1. 椎旁肌分割：点击屏幕左侧“区域生长”区域下方的 1（红色）。
      1. 在 预览模式 下，图像的直方图会显示多个峰值，其中第一个峰值代表空气，随后的第二、第三和第四个峰值分别代表肌肉、骨组织和脂肪。
      2. 点击“下限”旁的 关闭 按钮，将其切换为 开启。
      3. 点击鼠标滚轮旁的箭头，将“禁用”设置为“下限”。
      4. 拖动“下限”滑块，将亨氏单位（HU）阈值设为 0。
      5. 点击“上限”旁的 关闭 按钮，将其切换为 开启。
      6. 点击鼠标滚轮旁的箭头，将“下限”设置为“上限”。
      7. 拖动“上限”滑块，调整 HU 值以包含椎旁肌组织。
      8. 选择 1 代表骨骼肌组织（SM），开始分割椎旁肌。将画笔选项设为 绘制。使用位于 区域生长 下方的画笔工具，调整画笔大小，并开始在椎旁肌群上进行绘制。
        注：若肌肉筋膜外的液体或器官区域被误标记为红色肌肉组织，请务必使用 无 颜色选项清除标记。
    2. 其余肌群的分割：将鼠标移至腹直肌前鞘（linea alba）前方区域。在预览模式下，调整“上限”以包含 linea alba。此强度上限值将用于后续所有肌群的分割。
      1. 选择 1 代表骨骼肌组织（SM），开始分割。将画笔选项设为 绘制。使用“区域生长”下方的画笔工具，调整画笔大小，并开始在椎旁肌群上进行绘制。
        注：若肌肉筋膜外的液体或器官区域被误标记为红色肌肉组织，请务必使用 无 颜色选项清除标记。
  5. 完成组织标记后，进入 工具 | 标记表面积/体积。系统将显示各标记组织的表面积和体积，通常关注的是表面积。
  6. 点击 在窗口中显示，完全打开 标记表面积/体积 窗口。该窗口还将显示 HU 值。
  7. 记录表面积和 HU 阈值。
    注：若 标记表面积/体积 窗口未出现在屏幕左下角，可能是由于显示空间不足。此时应确保 Slice-O-Matic 窗口已最大化，然后选择 工具 | 标记锁定，关闭 标记锁定 窗口，以腾出足够空间显示 标记表面积/体积 窗口。
  8. 完成后，进入 文件 | 保存 TAG 文件。系统将在 DICOM 文件所在位置保存一个 TAG 文件。

3. CT与MRI的线性测量

  1. 获取轴位 CT 或 MRI 的 DICOM 图像。
    1. 在图像查看器中，识别 L3 椎体。
      1. 如有可能，选择两个水平窗位视图，左侧选择冠状位或矢状位作为参考，右侧选择轴位视图。
      2. 点击 交叉链接 以连接左右窗口。
      3. 从头侧向尾侧滚动图像，识别 L1 椎体，即第一个无肋骨附着的椎体。
      4. 从 L1 数至 L3，并利用冠状位或矢状位视图确定 L3 椎体中点层面，该层面的标志为两侧横突对称显示。
        ​注：步骤 1 为预处理步骤，此处列出旨在说明如何获取 L3 图像。若研究者已拥有 L3 图像，可直接进入步骤 2。若图像查看器不支持交叉参考功能，可跳过 1.1.1 至 1.1.2。若影像未包含胸椎区域，可先识别位于骶骨前方的 L5 椎体，再从 L5 向上数至 L3。
  2. 将图像导入医学影像查看软件并打开。
    1. 对于 Horos 软件：打开应用程序，点击 导入。
    2. 导航至 DICOM 图像所在位置，选择文件后点击 打开。文件及图像应出现在“患者姓名”列表下。
    3. 双击 患者姓名，然后双击图像以开始线性分割。
  3. 识别腰大肌和椎旁肌。
  4. 选择标尺工具，测量上述四块肌肉的水平（180°）和垂直（90°）直径。
    注：所画线条必须与图像方向保持水平和垂直，不得为对角线。所绘制的水平线与垂直线应形成一个矩形框，完整包含每块肌肉的轮廓。切勿仅测量肌肉的最长距离。若使用的图像查看器具备矩形绘制工具，可使用该工具替代标尺工具，前提是该工具能显示矩形的高度和长度。
  5. 记录全部八项测量值（右侧腰大肌宽度、右侧腰大肌长度、左侧腰大肌宽度、左侧腰大肌长度、右侧椎旁肌宽度、右侧椎旁肌长度、左侧椎旁肌宽度、左侧椎旁肌长度），用于后续分析。
    1. 通过将每块肌肉的水平值与垂直值相乘，计算其各自的横截面积。
    2. 分别将左侧与右侧肌肉面积相加，得到腰大肌和椎旁肌的总横截面积。
    3. 通过将肌肉总面积（mm2）除以患者身高的平方（m2），计算线性肌肉指数。

结果

L3 分割流程可生成一幅带有标签的 CT 或 MRI 图像，其中骨骼肌（SM）组织以红色标记，肌内脂肪组织（IMAT）以绿色标记，内脏脂肪组织（VAT）以黄色标记，皮下脂肪组织（SAT）以青色标记（图 1）。其余未标记的组织将保持其原始的白色、灰色和黑色色调，分别对应各像素的亨氏单位（Hounsfield unit, HU）值。通常，保持白色的未标记组织主要为骨骼，保持灰色的组织主要为非骨骼肌组织、器官组织以及肠道腔内的脂肪组织，而保持黑色的区域则主要为空气。一幅正确分割的图像中，骨骼肌筋膜外不应出现红色或绿色标记，骨骼肌筋膜内不应出现黄色或青色标记。此外，黄色标记不应侵入肾脏或肝脏等器官或肠道腔内，青色标记不应出现在对应皮肤的较亮外缘区域。图像分割完成后，应记录各组织的表面积及平均组织 HU 值，并同时记录患者身高（Table 1）。基于这些数据，可计算骨骼肌指数，并进一步开展与特定科研或临床问题相关的其他分析。需注意，对于大多数 MRI 图像，通常仅能对骨骼肌进行准确标记并后续分析（Table 2）。在线性测量中，指数通过将表面积除以身高的平方来计算（Table 3）。

研究人员在分割过程中可能遇到的常见问题包括图像中关键信息的缺失。例如，图像可能存在较大区域被裁剪或截除的情况（图2）。具体而言，若皮下脂肪组织（SAT）和/或骨骼肌组织被裁出视野，将显著降低受影响组织表面积计算的准确性。此类图像是否不适合用于分析，取决于具体的临床或研究背景，需由研究团队根据具体情况逐一判断。另一个常见问题是研究人员可能无意中将脊髓和骨髓纳入骨骼肌区域。为避免此问题，研究人员应在分割过程中接受充分培训并保持谨慎。CT或MRI图像中的其他常见伪影包括因患者体位不当或扫描过程中移动引起的技术问题、骨骼肌筋膜周围出现的脂肪条索和瘢痕组织，以及其他形状异常的伪影（图3）。由患者移动或体位不当引起的技术问题通常表现为比周围组织更亮的区域，且HU值更高。这类技术问题通常出现在皮下脂肪组织（SAT）中，也可能降低表面积计算的准确性。对于此类问题的可接受程度，需根据具体的临床或研究背景来确定。脂肪条索和瘢痕组织伪影通常不会对组织表面积计算造成较大误差，但可能导致筋膜线的误判。当脂肪条索或瘢痕组织被误识别为肌肉筋膜线时，骨骼肌和肌内脂肪组织（IMAT）的表面积计算结果可能严重失准。CT和MRI图像中的其他微小瑕疵和伪影通常不会影响整体图像质量，仅在极少数情况下例外。根据具体的临床或研究背景，这些伪影可能需要由放射学专家评估，以确认图像质量。CT和MRI图像中的最后一个常见问题是肌肉筋膜线的形态异常（图4）。此类断裂通常不会影响图像质量，但若图像中存在较大断裂或其他明显筋膜形态异常，应由放射科医生进行评估，以判断其成因是否会影响临床或研究分析的准确性。

Avruvin 等人开发的 L3 线性测量方法相比 L3 分割方法具有更少的常见误差14,15。在线性测量中遇到的主要问题集中在识别感兴趣的肌群，即两侧腰大肌和椎旁肌群（图5）。大多数情况下，腰大肌的边界与邻近器官区分明显，但若边界难以辨认，调整 HU 阈值或亮度通常可解决大部分问题。此外，椎旁肌群的边界通常也能与其他邻近组织清晰区分，但应注意，若无明确的肌肉组织延伸至最下方的筋膜线，则该线不应作为椎旁肌群下缘的判定依据。最后，在确定腰大肌或椎旁肌群边界时，应排除腰方肌（图5E）。

用于解剖学分析和医学评估的CT扫描图，显示分割后的身体组织。
图1：Slice-O-Matic 中正确的L3层面分割。（A）L3椎骨处未经修改的轴向CT图像。（B）完全标注的轴向CT图像，其中红色代表骨骼肌（SM），绿色代表肌内脂肪组织（IMAT），黄色代表内脏脂肪组织（VAT），青色代表皮下脂肪组织（SAT）。请点击此处查看此图的放大版本。

显示腹部解剖横截面的CT扫描图像，突出显示椎骨和内部结构。
图2：L3水平CT图像的截断部分。 在Slice-O-Matic中显示的一幅未标记的CT图像，可见大量皮下脂肪组织（SAT）以及显著数量的骨骼肌组织被截断。请点击此处查看该图的放大版本。

CT扫描对比、腹部组织分割示意图，彩色编码分析显示各区域。
图3：常见伪影。（A）未标记的CT图像中，红色框、蓝色椭圆和绿色框分别标示出多种伪影。红色框显示CT扫描中的技术问题，可能由扫描过程中设备未对准或运动引起；蓝色椭圆突出显示一种常见伪影，可能源于瘢痕组织；绿色方框标示出可能由多种因素引起的瑕疵。（B）标记后的CT扫描图像，其中相同位置的伪影分别在红色框、蓝色椭圆和绿色框中被标示出来。请点击此处查看该图的放大版本。

腹部CT扫描示意图，内脏脂肪和皮下脂肪组织分布的横断面分析。
图4：骨骼肌筋膜的大范围破裂。（A）未标记的L3 CT图像显示紫色框内骨骼肌筋膜存在大范围破裂。（B）标记后的L3 CT图像突出显示紫色框内骨骼肌筋膜大范围破裂的标记形态。请点击此处查看该图的放大版本。

CT扫描横断面；腹部解剖；轴向切片；医学影像分析；可视化
图5：L3水平线性测量。（A）在Horos图像查看器中进行分析前的原始L3 CT图像。（B）传统的线性测量方法包括为每块肌肉绘制一条垂直线和一条水平线。使用标尺工具测量这些线的长度，并将其相乘以计算每个肌群的横截面积。注意，传统线性测量法中两条线的夹角应始终为90˚。此图仅为在Horos中生成的示意图，不保证交角精确为90˚。（C）（D）（E）L3线性测量的“方框法”。（C）（D）蓝色和紫色方框分别包绕右侧和左侧腰大肌，黄色和绿色方框分别包绕右侧和左侧椎旁肌。（E）浅紫色和橙色方框标示出腰方肌，在确定腰大肌和椎旁肌群边界时不应将其纳入。 请点击此处查看该图的高清版本。

散点图显示分割法与线性肌肉测量值之间的相关性（R²=0.8078）
图6：线性测量值与L3水平横断面骨骼肌面积的比较，n = 65。 腰大肌与椎旁肌的合并面积与L3横断面的总骨骼肌面积一致。请点击此处查看该图的放大版本。

CT 分割
肌肉肌内脂肪组织内脏脂肪组织皮下脂肪组织
表面积 (cm2)134.48.40272.43271
亨氏单位（平均值）33.612.118.1167.76
患者身高平方 (m2)2.69骨骼肌指数（肌肉面积/身高2，cm2/m2）49.97

表1：CT分割

MRI 分割
肌肉
表面积 (cm2)241.8
亨氏单位（平均值）35.85
患者身高 (m2)3.39
骨骼肌指数71.42
(肌肉面积/身高2, cm2/m2)

表2：MRI分割

线性测量指标
右侧腰大肌高度 (cm)右侧腰大肌宽度 (cm)左侧腰大肌高度 (cm)左侧腰大肌宽度 (cm)右侧椎旁肌高度 (cm)右侧椎旁肌宽度 (cm)左侧椎旁肌高度 (cm)左侧椎旁肌宽度 (cm)
3.9342.9273.7432.7884.9166.2644.4037.045
腰大肌总面积 (cm2)21.950椎旁肌总面积 (cm2)61.813
肌肉总面积 (cm2)83.76
患者身高的平方 (m2)2.496线性测量指数 (cm2/m2)33.55

表3：线性测量

讨论

腰大肌、椎旁肌群和斜肌与总体肌肉量密切相关5。特别是，在第三腰椎（L3）中点处通过CT或MRI横断面成像所测得的这些肌群的横截面积与总体肌肉量高度相关，因此该影像成为研究人员或临床医生评估肌肉减少症的理想选择1,2,13。分割分析和线性测量在评估身体成分以及识别肌肉减少症和肌肉减少性肥胖等预后不良状况方面已显示出重要价值16,17。研究表明，肌肉量测量值与重大手术或化疗等治疗方案后的生存率以及严重并发症风险（如化疗毒性）密切相关16,17,18。因此，我们认为，临床医生在向患者提供治疗方案建议之前，掌握其身体成分数据可能具有重要临床意义。

目前有多种评估身体成分的方法。一些方法，如密度测定法12和空气置换体积描记法（ADP）19，分别利用空气中的体重和体积位移来估算体脂百分比和身体密度。尽管这些方法具有一定实用性，但无法确定脂肪组织的分布情况5,19。其他身体成分分析技术，例如生物电阻抗分析（BIA），则基于脂肪质量与无脂肪质量之间不同的电学特性进行分析12。然而，该技术同样难以充分评估脂肪分布，并且需要更多人口统计学信息（如种族、年龄和性别）以提高测量准确性19。相比之下，双能X线吸收测定法（DEXA）已被证明在身体成分评估中具有应用价值，但在肥胖程度增加时倾向于高估肌肉质量12。此外，一些研究方案还采用感兴趣区域（ROI）方法，在DICOM图像浏览软件中获取肌肉质量和脂肪组织数据，该方法已被证实与生物电阻抗分析在肌少症评估和营养评估中的身体成分分析结果具有良好的相关性20,21。

Mourtzakis 等人开发的分割方法相较于其他体成分评估手段具有优势，因其可在大多数 CT 或 MRI 图像上进行，并能准确测定脂肪组织分布和肌肉面积13。此外，轴向 L3 水平的分割在评估不同肥胖状态患者时均具有较高的准确性13。与前述其他方法类似，Avrutin 等人开发的线性测量技术14无法评估脂肪分布情况。近期研究表明，不同体部分割方法之间存在显著差异，尤其是在仅测量腰大肌的方法中尤为明显22。单独的腰大肌质量并不能充分代表腰部肌肉总量或系统性肌肉消耗，且可能与临床结局的相关性较弱22。这一问题在线性测量中可能更为突出，因为腰大肌是此类评估中的主要肌肉群。然而，我们所概述的技术包含了双侧腰大肌及椎旁肌的估算，从而在保持快速便捷的同时，实现了对横截面肌肉质量更为准确的评估。未来有必要开展研究，验证 CT/MRI 线性测量法与分割法之间的一致性，以及二者与临床结局的相关性。

L3 分割和线性测量两种方法最初均旨在快速、准确地评估全身肌肉含量。通过仅对 L3 椎体水平进行分割，该方案在节省时间的同时，仍能为研究人员或临床医生提供足够的信息，以确定患者的瘦体肌肉质量和脂肪含量状态。然而，尽管 L3 分割所需时间远少于全身分割，使用 Slice-O-Matic 软件仍可能耗时且成本较高。相比之下，线性测量在评估危重患者肌肉状态及肌少症方面，具有与 L3 分割相当的准确性潜力14,15。我们在 T3 期肾细胞癌队列中已证实了这种相关性，即通过线性测量所得的骨骼肌数值与分割法测量值高度相关（图6）。重要的是，该方法极为快速，且所用影像软件免费。然而，线性测量方法最显著的局限性在于其无法评估脂肪组织含量，这限制了其在仅需一般性肌肉含量评估的临床场景中的应用。

在分割和线性测量操作中均存在三个关键步骤。首先，临床医生和研究人员应确定 L3 椎体的中点以确保一致性。L3 椎体的中点是指横突骨髓信号最明显的层面。借助交叉参考的矢状面或冠状面图像，可更轻松地识别轴向的 L3 椎体层面。研究人员或临床医生可先找到 L1 椎体或骶骨作为参考点，同时需注意存在六个腰椎而非五个属于正常变异。下一步的关键是准确识别肌肉组织。在线性测量过程中，进行垂直和水平测量时不应包含腰方肌。第三，研究人员在分割流程中标注内脏脂肪组织（VAT）时需格外仔细，因为结肠内容物有时可能被误标为内脏脂肪组织23。一旦发生此类错误，研究人员应在进入下一步前清除这些区域。

分割过程中常见的问题是CT或MRI图像质量较差（示例见代表性结果）。在某些情况下，图像质量不佳并不意味着图像无法使用，但在其他情况下，该图像可能需要从分析中排除。另一个可能无法避免的单幅图像分割局限性是，实质性器官在不同图像之间的位置存在随机变化。

L3 分割分析和线性测量分析均常见的其他问题通常与观察者间和观察者内变异有关。与大多数实验方案一样，不同观察者之间以及同一观察者多次测量之间存在一定变异是可预期的。为了评估并尽量减少由多名研究人员或临床医生进行分析时产生的观察者间变异，研究团队可对同一图像的表面积测量值和平均 HU 值进行统计学分析，检验是否存在显著差异。需特别关注 HU 值的变异情况，因为这可以反映在表面积结果相近的情况下，不同研究人员或临床医生是否确实对组织进行了基本一致的标注。为检测个体观察者内的显著变异，研究人员或临床医生可选取一小部分图像，对每幅图像进行多次分割，直至每幅图像各次重复测量的结果均处于一个较窄且无统计学意义的误差范围内。

我们承认，此处介绍的两种方案在身体成分分析方面均存在局限性，因为仅使用了单一切片。正如沈等人所建议的，三维分析可能为腹部内脏脂肪提供更准确的信息，且男女内脏脂肪面积（VAT）的单切片分析所采用的层面有所不同24。然而，本文讨论的方案仍然具有重要价值，因其能够快速评估肌肉和脂肪组织，可用于临床中对肌肉减少症的筛查。

此外，已有许多利用三维机器学习算法（尤其是基于神经网络的分类算法）进行身体成分分析的自动化方案25。我们承认，这些方法未来可能成为传统二维分割技术的潜在替代方案。然而，这些方法需要大量CT和MRI图像数据集，才能完成开发、测试，并在临床和科研环境中得以应用。此外，这些方法通常仍需依赖二维分割分析来建立基准参考，以便对机器学习算法进行验证。因此，在缺乏大规模数据集或三维图像的情况下，本文所展示的方案仍具有重要价值；同时，这些方案也可用于辅助开发和验证适用的机器学习算法。因此，我们认为临床医生和研究人员可从本培训视频中获益，并在自动化分析技术尚未可用时，采用这些快速且可靠的方法作为初步筛查手段，从而推动该先进技术的落地应用。

快速分析脂肪组织分布和骨骼肌质量的能力在临床研究中具有广泛的应用价值，涵盖癌症治疗与研究、心脏疾病等多个领域5。与其他常用方法相比，Slice-O-Matic 软件中采用的 Mourtzakis 等人提出的 L3 水平分割方法能够准确且快速地评估脂肪组织分布，并确定肌少症状态5,12,13,19。此外，在仅需骨骼肌质量信息的情况下，L3 水平线性测量法是一种可靠且极为快速的工具，有助于预测手术、放疗和化疗等癌症治疗的疗效1,2,4,6,7,8。本培训视频和文稿的目的是清晰阐述分割及线性测量的操作流程，供今后使用，以便临床医生在临床环境中更便捷地评估患者的身体成分。

披露

作者无任何利益冲突需要披露。

致谢

作者谨此感谢约翰·罗宾逊（John Robinson）的支持 & 丘吉尔家族基金会。

材料

本文使用的材料清单
姓名公司目录编号评论
Centricity PACS 放射科 RA 1000 工作站GE  Healthcare用于获取受试者 MRI 和 CT 图像的图像查看器
Slice-O-Matic 5.0TomoVision本方案中使用的分割软件。可使用该软件的其他版本，但工具可能略有不同。
HorosNimble Co LLC d/b/a Purview本方案中使用的线性分割软件，但研究人员也可使用任何带标尺工具的图像查看器。

参考文献

  1. Psutka, S. P., et al. Decreased skeletal muscle mass is associated with an increased risk of mortality after radical nephrectomy for localized renal cell cancer. The Journal of Urology. 195 (2), 270-276 (2016).
  2. Fukushima, H., Nakanishi, Y., Kataoka, M., Tobisu, K., Koga, F. Prognostic significance of sarcopenia in patients with metastatic renal cell carcinoma. The Journal of Urology. 195 (1), 26-32 (2016).
  3. Santilli, V., Bernetti, A., Mangone, M., Paoloni, M. Clinical definition of sarcopenia. Clinical Cases in Mineral and Bone Metabolism. 11 (3), 117-180 (2014).
  4. Caan, B. J., et al. Association of muscle and adiposity measured by computed tomography with survival in patients with nonmetastatic breast cancer. JAMA Oncology. 4 (6), 798-804 (2018).
  5. Borga, M., et al. Advanced body composition assessment: from body mass index to body composition profiling. Journal of Investigative Medicine. 66 (5), 1-9 (2018).
  6. Cushen, S. J., et al. Body composition by computed tomography as a predictor of toxicity in patients with renal cell carcinoma treated with sunitinib. American Journal of Clinical Oncology. 40 (1), 47-52 (2017).
  7. Bernstein, A. P., et al. A comparison of perinephric fat surface area and Mayo Adhesive Probability score in predicting malignancy in T1 renal masses. Urologic Oncology. 36 (11), 417-499 (2018).
  8. Auclin, E., et al. Prediction of everolimus toxicity and prognostic value of skeletal muscle index in patients with metastatic renal cell carcinoma. Clinical Genitourinary Cancer. 15 (3), 350-355 (2017).
  9. Vashi, P. G., et al. Sarcopenia supersedes subjective global assessment as a predictor of survival in colorectal cancer. PLoS One. 14 (6), 0218761(2019).
  10. Elliott, J. A., et al. Sarcopenia: prevalence, and impact on operative and oncologic outcomes in the multimodal management of locally advanced esophageal cancer. Annals of Surgery. 266 (5), 822-830 (2017).
  11. Kanellakis, S., et al. Development and validation of a bioelectrical impedance prediction equation estimating fat free mass in Greek - Caucasian adult population. Clinical Nutrition ESPEN. 36, 166-170 (2020).
  12. Bredella, M. A., et al. Comparison of DXA and CT in the assessment of body composition in premenopausal women with obesity and anorexia nervosa. Obesity (Silver Spring). 18 (11), 2227-2233 (2010).
  13. Mourtzakis, M., et al. A practical and precise approach to quantification of body composition in cancer patients using computed tomography images acquired during routine care. Applied Physiology, Nutrition, and Metabolism. 33 (5), 997-1006 (2008).
  14. Avrutin, E., et al. Clinically practical approach for screening of low muscularity using electronic linear measures on computed tomography images in critically ill patients. JPEN. Journal of Parenteral and Enteral Nutrition. 42 (5), 885-891 (2018).
  15. Cespedes Feliciano, E. M., Avrutin, E., Caan, B. J., Boroian, A., Mourtzakis, M. Screening for low muscularity in colorectal cancer patients: a valid, clinic-friendly approach that predicts mortality. Journal of Cachexia, Sarcopenia and Muscle. 9 (5), 898-908 (2018).
  16. Peng, P., et al. Impact of sarcopenia on outcomes following resection of pancreatic adenocarcinoma. Journal of Gastrointestinal Surgery. 16 (8), 1478-1486 (2012).
  17. Jones, K. I., Doleman, B., Scott, S., Lund, J. N., Williams, J. P. Simple psoas cross-sectional area measurement is a quick and easy method to assess sarcopenia and predicts major surgical complications. Colorectal Disease. 17 (1), 20-26 (2015).
  18. Prado, C. M., et al. Sarcopenia as a determinant of chemotherapy toxicity and time to tumor progression in metastatic breast cancer patients receiving capecitabine treatment. Clinical Cancer Research. 15 (8), 2920-2926 (2009).
  19. Fields, D. A., Goran, M. I., McCrory, M. A. Body-composition assessment via air-displacement plethysmography in adults and children: a review. The American Journal of Clinical Nutrition. 75, 453-467 (2002).
  20. Zopfs, D., et al. Single-slice CT measurements allow for accurate assessment of sarcopenia and body composition. European Radiology. 30 (3), 1701-1708 (2020).
  21. Schwenzer, N. F., et al. Quantitative analysis of adipose tissue in single transverse slices for estimation of volumes of relevant fat tissue compartment. Investigative Radiology. 45 (12), 788-794 (2010).
  22. Baracos, V. E. Psoas as a sentinel muscle for sarcopenia: a flawed premise. Journal of Cachexia, Sarcopenia and Muscle. 8 (4), 527-528 (2017).
  23. Potretzke, A. M., Schmitz, K. H., Jensen, M. D. Preventing overestimation of pixels in computed tomography assessment of visceral fat. Obesity Research. 12 (10), 1698-1701 (2004).
  24. Shen, W., et al. Total body skeletal muscle and adipose tissue volumes: estimation from a single abdominal cross-sectional image. Journal of Applied Physiology. 97 (6), 2333-2338 (2004).
  25. Weston, A. D., et al. Automated abdominal segmentation of CT scans for body composition analysis using deep learning. Radiology. 290 (3), 669-679 (2019).

重印与许可

标签

Slice-O-Matic 软件Horos 医学影像查看器CT MRI 分割骨骼肌线性测量骨骼肌指数组织表面积L3 椎体分析肌肉减少症评估脂肪组织定量
使用 Slice-O-Matic 和 Horos 进行身体成分分析的分割与线性测量
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。