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