基于超声组织定征技术的脂肪肝无创检测引言非酒精性脂肪性肝病(Nonalcoholic Fatty Liver Disease,NAFLD)是指除大量饮酒和其他明确损害肝脏的疾病(如病毒性肝炎、药物性肝病、Willson病及自身免疫性肝病等)外,以肝细胞内脂肪过度沉积为主要特征的临床病理综合征。NAFLD是临床上最常见的慢性肝病之一,可从最初的非酒精性脂肪肝(单纯性脂肪肝)进展至非酒精性脂肪性肝炎、肝纤维化、肝硬化,甚至可最终发展为肝细胞癌。一般而言,NAFLD属可逆性疾病,早期诊断并及时治疗常可恢复正常。因此,早期诊断和评估脂肪肝对于及时治疗和预防肝硬化至关重要。 肝组织活检是目前诊断脂肪肝的金标准,此检查从肝脏取下一小块组织样本,放在显微镜下进行组织学观察,由病理科医师给予脂肪肝程度分级,共分成四个等级:正常S0 (肝脏脂肪变性程度为0~4%);轻度S1(5%~33%);中度S2(34%~66%);重度S3(≥67%)。但肝活检是一种有创检查,可能会产生取样误差,也可能导致感染、出血、胆漏等并发症。因此,基于影像学方法的脂肪肝无创检测和诊断具有重要的临床意义,包括超声成像、计算机断层扫描(Computed Tomography,CT)、磁共振成像(Magnetic Resonance Imaging,MRI)及磁共振波谱(Magnetic Resonance Spectroscopy,MRS)等。MRS是目前诊断脂肪肝最准确的影像学方法,但MRS同CT、MRI一样,价格昂贵,不易获得,而CT有电离辐射。 超声成像因方便快捷、无电离辐射和费用较低等优点,成为诊断和评估脂肪肝的重要工具,但当肝脏脂肪变性程度<30%时,临床常用的“B超”(B-模式超声成像)诊断脂肪肝的敏感性较差[1]。此外,B超是通过对背向散射射频信号进行包络检测、对数压缩、扫描变换等处理得到图像(图1),因此B超检测脂肪肝会受动态范围、信号/图像处理等参数影响。因此,研究人员不断探索基于超声组织定征技术的脂肪肝无创检测新方法,主要包括超声弹性成像技术和定量超声技术,本文对相关方法进行综述。 图1 超声波散射模型 1 超声弹性成像评估脂肪肝超声弹性成像技术通过测量肝脏硬度(弹性)或剪切波速度来评估脂肪肝,主要包括瞬时弹性成像(Transient Elastography,TE)[2]、声辐射力脉冲弹性成像(Acoustic Radiation Force Impulse,ARFI)[3-4]、剪切波弹性成像(Shear Wave Elasticity Imaging,SWEI)[5]和超音速剪切波弹性成像(Supersonic Shear Wave Elastography,SWE)[6]等技术,但TE诊断NAFLD患者的失败率高达25%,最近文献报道,通过结合使用3.5 MHz中型探头和2.5 MHz超大探头可降低TE失败率[2]。ARFI、SWEI和SWE检测脂肪肝的研究结果之间存在较大差异。鸡NAFLD模型研究[3]表明,脂肪肝组的剪切波速度与正常组之间具有统计学显著差异(P<0.001),且脂肪肝组的剪切波速度(1.91 m/s)高于正常组(0.94 m/s)。但在临床NAFLD研究方面,Nightingale等[5]报道剪切波速度与脂肪变性程度之间无明显的相关性。Fierbinteanu等[4]报道脂肪肝组的剪切波速度(1.02 m/s)低于正常组(1.12 m/s)。Kang等[6]基于大鼠NAFLD模型的研究表明,SWE测量的肝脏硬度可检测出非酒精性脂肪性肝炎,但脂肪肝组的硬度与正常组之间无统计差异。总之,超声弹性成像评估脂肪肝的临床价值尚无定论。 2 定量超声评估脂肪肝肝脏组织可建模为一系列超声散射子的组合。超声探头(换能器)发射超声波到肝脏组织内,再接收来自微小粒子的背向散射回波,如图1所示,所以超声射频信号又称为背向散射信号。超声散射粒子即散射子,比如肝细胞(漫散射子)和肝小叶(相干散射子)等,它可以直接反映组织的微观结构。超声背向散射信号蕴含着散射子重要的特性,如散射子体积大小、声阻抗、浓度与排列等,脂肪变性 (脂肪滴)的产生将改变原有肝脏组织的散射子空间结构,最终体现在超声散射信号中[7-18]。定量超声技术从超声背向散射信号中挖掘频率、相位和统计等信息[19],用于肝脏组织定征,包括超声衰减系数(Attenuation Coefficient,AC)[7]、包络统计[8-9,11-14,16-18]、背向散射系数(Backscatter Coefficient,BSC)[10]、谱参数 [15]、散射子特性 [15-16]等。各方法检测脂肪肝概览,见表1。 2.1 基于AC的脂肪肝检测方法超声波在组织内传播时,由于散射及组织吸收等作用,导致超声波能量衰减。早在三十年前,研究人员就发现脂肪浸润程度的提升会导致AC的增大[20]。衰减系数的估算方法主要包括时域和频域估计法两大类。频域估计法主要有谱移法和谱差法等[19]。受控衰减参数(Controlled Attenuation Parameter,CAP)是一种商业化AC技术,装配在FibroScan瞬时弹性超声诊断仪(最新文献报道了CAP检测不同程度脂肪肝的性能[7],见表1),但CAP检测≥S1和≥S2的脂肪肝的特异性存在不足;CAP检测≥S3的脂肪肝的敏感性和特异性均有待提高。 2.2 基于包络统计的脂肪肝检测方法此类方法基于超声背向散射信号包络的概率分布,主要分为基于统计模型的声学结构定量技术(Acoustic Structure Quantification,ASQ)、 零 差 K(Homodyned-K,HK)分布模型、Nakagami分布模型,以及基于非统计模型的香农熵(Shannon Entropy,SE)等。超声背向散射信号本质上是一种随机信号,分析背向散射信号包络的概率分布模式,可归纳出信号概率与组织特性之间的关联性(图2)。若超声波分辨单元中存在大量随机分布的散射子,则包络统计将服从瑞利分布,此时的影像散斑称作完全发展散斑。考虑到人体组织结构的多样性,不同组织的散射子分布并不一定符合完全发展的条件。因此,许多学者便开始发展非瑞利统计模型来描述包络统计,HK分布和Nakagami分布就是其中最主要的两种广义模型。 ASQ技术:现已商业化,装配在东芝Aplio XG超声诊断仪上。通过测量包络统计与瑞利分布之间的差异,对肝实质进行超声组织定征。首先计算参数Cm 2,为描述包络分布的统计参数;再利用包络振幅< μ+4σ(μ和σ分别表示包络振幅的均值和标准差)的信号,重新计算Cm 2,从而得2,得到FD(Focal Disturbance)比率参数[14]。动物模型和临床研究表明,ASQ检测脂肪肝具有一定的可行性,但其研究结果之间存在较大差异[8-9,13-14],且其检测不同程度脂肪肝的性能尚待明确。到参数rCm2;最后,对比rCm2和原始Cm 表1 定量超声技术检测脂肪肝概览 注:a正常S0:5例;轻度S1:24例;中度S2:17例;重度S3:9例。b脂肪肝患者:50例;正常志愿者(控制组):20例。c正常:30例;轻度:30例;中度:30例;重度:17例。d脂肪肝大鼠:24例; 正常大鼠(控制组):4例。e脂肪肝小鼠:15例;正常小鼠(控制组):25例。AUC=ROC(受试者工作特征)曲线下面积;SEN=敏感性;SPE=特异性;PDFF=质子密度脂肪分数;EAC=有效声浓度;ESD=有效散射子直径;SS=功率谱回归直线的斜率,MBF=中频带拟合,INT=截距。 文献 检测方法 研究类型 例数 检测结果Runge et al, 2018[7]受控衰减参数 临床研究,参考标准为活检55a≥S1: AUC=0.77, SEN=90%, SPE=60%≥S2: AUC=0.78, SEN=92%, SPE=55%≥S3: AUC=0.79, SEN=78%, SPE=76%Son et al, 2016[8] 声学结构定量技术 临床研究,参考标准为MRS 89 与单体素氢质子磁共振波谱(1H-MRS)测量的肝脂肪分数(HFF)之间的相关系数为r=-0.87 (P<0.001)Karlas et al, 2015[9]声学结构定量技术 临床研究,参考标准为MRS 70b 与1H-MRS测量的HFF之间的相关系数为r=-0.43(P=0.004)Lin et al, 2015[10] 背向散射系数 临床研究,参考标准为MRI 204 与MRI测量的PDFF之间的相关系数为r=0.80(P<0.0001)Wan et al, 2015[11] Nakagami模型m参数 临床研究,参考标准为超声评分系统107c与超声评分系统的相关系数为r=0.84 (P<0.0001)Tsui et al, 2016[12] 香农熵 临床研究,参考标准为超声评分系统107c与超声评分系统的相关系数为r=0.63 (P<0.0001)Lee et al, 2017[13] 声学结构定量技术 大鼠模型研究,参考标准为MRS 32d 与1H-MRS测量的HFF之间的相关系数为r=-0.90(P<0.001)Kuroda et al,2012[14]9 与组织病理学检查之间的相关系数为r=-0.72(P=0.0017)Muleki et al,2018[15]声学结构定量技术 小鼠模型研究,参考标准为组织病理学检查40eEAC、SS、MBF随着脂肪含量的增加而增大,ESD、INT随着脂肪含量的增加而减小;EAC和MBF与组织病理学检查之间的相关系数分别为r2=0.78,r2=0.70 Ghoshal et al,2012[16]EAC, ESD, SS, MBF,INT小鼠模型研究,参考标准为组织病理学检查24 与胆固醇和甘油三酸酯含量之间的相关系数分别为r=0.86 (P<0.001),r=0.79 (P<0.001)Zhou et al, 2018[18]Nakagami模型m参数 大鼠模型研究 18 与MCD(蛋氨酸胆碱缺乏)喂食周数的相关性为r2=0.94 14 随着脂肪含量的增加,EAC和μ参数增大,ESD减少Ho et al, 2013[17] Nakagami模型m参数 大鼠模型研究,参考标准为组织病理学检查EAC, ESD, 零差K分布模型μ和k参数兔模型研究,参考标准为组织病理学检查 图2 超声背向散射包络统计示意图 HK分布模型:其概率密度函数不存在解析表达式,但可表达为以下广义积分形式: 式(1)中,r表示包络的振幅,x是积分变量,J0(·)是零阶第一类Bessel函数,s2表示相干散射信号的能量,2σ2为漫散射信号的能量,m是超声波分辨单元内的有效散射子数目;定义参数k=s/σ,表示相干散射与漫散射的比值。HK模型被认为是最具物理意义的统计模型[21],但其算法复杂度较高。HK模型常用参数为m和k,其估算方法主要有矩估计法[22-23]、RSK法[24]和XU统计法[25]。动物模型研究表明,基于RSK法估算的μ参数随着脂肪浸润程度的增加而增大[16],但其检测不同程度脂肪肝的性能尚待明确。 Nakagami分布模型:可视为HK模型的一种近似,因其算法复杂度较低,现已成为医学超声领域应用最广的统计模型[19]。Nakagami模型的概率密度函数如式(2): 式(2)中,Γ(·)和U(·)分别为伽马函数和单位阶跃函数,Ω为尺度参数,m为形状参数。当m<1时,代表包络统计为前瑞利分布(如K分布,代表分辨单元内存在少量散射子);当m=1时代表包络统计为瑞利分布;当m>1时代表包络统计为后瑞利分布(如Rician分布,代表分辨单元中除了大量随机分布散射子,还包括周期性散射子或局部高浓度散射子聚集),请参见图2。m参数的估算方法主要包括矩估计法[17-18,26]和最大似然法[26-27]等。动物模型和临床研究表明,基于矩估计法估算的m参数随脂肪肝严重程度的升高而增加[11,17-18],但其检测不同程度脂肪肝的性能尚待明确。 香农熵:最早由Hughes教授将信息论中的香农熵引入医学超声领域,定义如式(3): 式(3)中,rmin和rmax分别为包络振幅的最小值和最大值,w(r)为概率密度函数。香农熵反应随机信号的不确定性;香农熵越大,不确定性越大,代表超声背向散射信号由规则性转向随机性,甚至复杂性状态[28]。基于统计模型的包络统计方法要求包络服从某一特定分布,但香农熵不受此条件限制。临床研究表明,香农熵随脂肪肝程度的加重而增大[12],但其检测不同程度脂肪肝的性能尚待明确。 2.3 基于BSC的脂肪肝检测方法BSC是在与入射声波成180°的方向上的单位体积元在单位立体角截面内的微分散射[29],可表征生物组织散射声波的有效性。临床研究表明,基于参考体模法[30]估算的BSC与MRI测量的质子密度脂肪分数之间具有相关性[9],但BSC检测不同程度脂肪肝的性能尚待明确。 2.4 基于谱参数的脂肪肝检测方法生物组织散射的基本理论假定散射是弱散射,符合玻恩近似。玻恩近似认为散射行为仅依赖于散射子与入射场之间的相互作用。Lizzi教授首次给出了背向散射信号功率谱与空间自相关函数(Spatial Autocorrelation Function,SAF)之间的理论基础: 式(4)中,S是校准功率谱(对系统传递函数进行校准),k为波数,Rζ (Δx)是散射子相对声阻抗分布的SAF(与组织相关),RD(Δy,Δz)表示双向超声波束指向性函数的SAF(与换能器相关),RG(Δx)为窗函数(一般为汉明窗或汉宁窗)的SAF。功率谱的校准通过除以理想反射界面(如刚性反射板)的参考功率谱得到。实际应用中,通常假定式(4)中的Rζ (Δx)为高斯函数。对于高斯函数,如果以分贝(dB)形式表达,则式(4)预测出一条缓慢弯曲的谱线。若在可用的噪声限制带宽内以直线方式逼近,则校准功率谱的线性拟合具有三个谱参数:功率谱回归直线的斜率(Spectral Slope,SS)、中频带拟合(Midband Fit,MBF)和截距(Intercept,INT) [31],如图3所示,其中f0为换能器中心频率。动物模型研究表明,SS和MBF随着脂肪含量的增加而增大,INT随着脂肪含量的增加而减小;其中,MBF与脂肪含量具有相关性[15],但SS、MBF和INT检测不同程度脂肪肝的性能尚待明确。 2.5 基于散射子特性的脂肪肝检测方法散射子特性参数主要包括有效散射子直径(Effective Scatterer Diameter,ESD) 和 有 效 声 浓 度(Effective Acoustic Concentration,EAC)等。ESD的定义为散射子相对声阻抗分布的空间自相关函数Rζ(Δx)的-6 dB宽度。EAC定义为EAC=CQ2,其中C是散射子数密度,Q是散射子与周围组织的相对声阻抗差异。准确估算散射子特性的一个重要考量就是选择恰当的形状因素。形状因素根据散射子的尺寸、形状和机械特性来描述散射的频率相关性。高斯形状因素表示散射子相对周边组织连续变化的声阻抗的分布,已被用于多种软组织的散射特性建模。实际应用中,通常假定散射子为球形高斯散射子。动物模型研究表明,EAC随着脂肪含量的增加而增大,ESD随着脂肪含量的增加而减小[15-16];EAC与脂肪含量具有相关性[15],但ESD和EAC检测不同程度脂肪肝的性能尚待明确。 图3 谱参数示意图 3 总结与展望根据以上国内外研究现状分析可见,超声组织定征技术评估脂肪肝的研究仍然有待深入,体现在:① 超声弹性成像评估脂肪肝的临床价值存在争议,需进一步研究明确;② 定量超声检测不同程度脂肪肝的性能有待明确和提高。相关研究的未来发展应聚焦在:① 各种超声组织定征技术检测不同程度脂肪肝的性能对比研究,以明确各种超声组织定征技术检测不同程度脂肪肝的性能和特点;② 融合多种超声组织定征技术的脂肪肝检测方法研究,以提高不同程度脂肪肝检测的性能;③ 探索能有效评估不同程度脂肪肝的超声组织定征新技术。 [1] Rinella ME.Nonalcoholic fatty liver disease: a systematic review[J].JAMA,2015,313(22):2263-2273. [2] Vuppalanchi R,Siddiqui MS,Van Natta ML,et al.Performance characteristics of vibration-controlled transient elastography for evaluation of nonalcoholic fatty liver disease[J].Hepatology,2018,67(1):134-144. [3] Guzmán Aroca F,Ayala I,Serrano L,et al.Assessment of liver steatosis in chicken by using acoustic radiation force impulse imaging: preliminary results[J].Eur Radiol,2010,20(10):2367-2371. [4] Fierbinteanu Braticevici C,Sporea I,Panaitescu E,et al.Value of acoustic radiation force impulse imaging elastography for noninvasive evaluation of patients with nonalcoholic fatty liver disease[J].Ultrasound Med Biol,2013,39(11):1942-1950. [5] Nightingale KR,Rouze NC,Rosenzweig SJ,et al.Derivation and analysis of viscoelastic properties in human liver: impact of frequency onfibrosis and steatosis staging[J].IEEE T Ultrason Ferr,2015,62(1):165-175. [6] Kang BK,Lee SS,Cheong H,et al.Shear wave elastography for assessment of steatohepatitis and hepatic fibrosis in rat models of non-alcoholic fatty liver disease[J].Ultrasound Med Biol,2015,41(12):3205-3215. [7] Runge JH,Smits LP,Verheij J,et al.MR spectroscopy-derived proton density fat fraction is superior to controlled attenuation parameter for detecting and grading hepatic steatosis[J].Radiology,2018,286(2):547-556. [8] Son JY,Lee JY,Yi NJ,et al.Hepatic steatosis: assessment with acoustic structure quantification of US imaging[J].Radiology,2016,278(1):257-264. [9] Karlas T,Berger J,Garnov N,et al.Estimating steatosis and fibrosis: comparison of acoustic structure quantification with established techniques[J].World J Gastroentero,2015,21(16):4894-4902. [10] Lin SC,Heba E,Wolfson T,et al.Noninvasive diagnosis of nonalcoholic fatty liver disease and quantification of liver fat using a new quantitative ultrasound technique[J].Clin Gastroenterol H,2015,13(7):1337-1345. [11] Wan YL,Tai DI,Ma HY,et al.Effects of fatty infiltration in human livers on the backscattered statistics of ultrasound imaging[J].Proc Inst Mech Eng H,2015,229(6):419-428. [12] Tsui PH,Wan YL.Effects of fatty infiltration of the liver on the Shannon entropy of ultrasound backscattered signals[J].Entropy,2016,18(9):341. [13] Lee DH,Lee JY,Lee KB,et al.Evaluation of hepatic steatosis by using acoustic structure quantification US in a rat model: comparison with pathologic examination and MR spectroscopy[J].Radiology,2017,285(2):445-453. [14] Kuroda H,Kakisaka K,Kamiyama N,et al.Non-invasive determination of hepatic steatosis by acoustic structure quantification from ultrasound echo amplitude[J].World J Gastroentero,2012,18(29):3889-3895. [15] Muleki-Seya P,Han A,Andre MP,et al.Analysis of two quantitative ultrasound approaches[J].Ultrason Imaging,2018,40(2):84-96. [16] Ghoshal G,Lavarello RJ,Kemmerer JP,et al.Ex vivo study of quantitative ultrasound parameters in fatty rabbit livers[J].Ultrasound Med Biol,2012,38(12):2238-2248. [17] Ho MC,Lee YH,Jeng YM,et al.Relationship between ultrasound backscattered statistics and the concentration of fatty droplets in livers: an animal study[J].PLoS One,2013,8(5):e63543. [18] Zhou Z,Wu S,Lin MY,et al.Three-dimensional visualization of ultrasound backscatter statistics by window-modulated compounding Nakagami imaging[J].Ultrason Imaging,2018,40(3):171-189. [19] Mamou J,Oelze ML.Quantitative ultrasound in soft tissues[M].Heidelberg:Springer,2013. [20] Afschrift M,Cuvelier C,Ringoir S,et al.Influence of pathological state on the acoustic attenuation coefficient slope of liver[J].Ultrasound Med Biol,1987,13(3):135-139. [21] Destrempes F,Cloutier G.A critical review and uniformized representation of statistical distributions modeling the ultrasound echo envelope[J].Ultrasound Med Biol,2010,36(7):1037-1051. [22] Dutt V,Greenleaf JF.Ultrasound echo envelope analysis using a homodyned K distribution signal model[J].Ultrason Imaging,1994,16(4):265-287. [23] Prager RW,Gee AH,Treece GM,et al.Analysis of speckle in ultrasound images using fractional order statistics and the homodyned k-distribution[J].Ultrasonics,2002,40(1):133-137. [24] Hruska DP,Oelze ML.Improved parameter estimates based on the homodyned K distribution[J].IEEE T Ultrason Ferr,2009,56(11):2471-2481. [25] Destrempes F,Porée J,Cloutier G.Estimation method of the homodyned K-distribution based on the mean intensity and two log-moments[J].Siam J Imaging Sci,2013,6(3):1499-1530. [26] Lin JJ,Cheng JY,Huang LF,et al.Detecting changes in ultrasound backscattered statistics by using Nakagami parameters: comparisons of moment-based and maximum likelihood estimators[J].Ultrasonics,2017,77:133-143. [27] Han M,Wan J,Zhao Y,et al.Nakagami-m parametric imaging for atherosclerotic plaque characterization using the coarse-to-fine method[J].Ultrasound Med Biol,2017,43(6):1275-1289. [28] Zhou Z,Huang CC,Shung KK,et al.Entropic imaging of cataract lens: an in vitro study[J].PLoS One,2014,9(4):e96195. [29] 毛伟年,冯若,张卫.哺乳动物软组织超声背向散射谱研究[J].声学学报,1992,17(6):430-435. [30] Yao LX,Zagzebski JA,Madsen EL.Backscatter coefficient measurements using a reference phantom to extract depthdependent instrumentation factors[J].Ultrason Imaging,1990,12(1):58-70. [31] Lizzi FL,Alam SK,Mikaelian S,et al.On the statistics of ultrasonic spectral parameters[J].Ultrasound Med Biol,2006,32(11):1671-1685. Noninvasive Detection of Fatty Liver Based on Ultrasound Tissue Characterization Techniques |