背景和目的肥胖等营养相关慢性病的流行已成为包括我国在内全球众多国家面临的重大公共卫生挑战。腰围、体重指数等人体测量指标是间接粗略的脂肪含量替代指标,许多学者报道基于这些指标的疾病研究结果相互不一致,说明其不适宜用做脂肪含量评估。这些指标也不能反映肌肉等其他人体组成的分布。近些年来,人体组成分析作为客观精细的营养状态评估手段日益受到营养学家和生理学家的青睐。在组织-系统水平上,人体组成包括脂肪、肌肉等组织和器官、系统,各自代表独特的生理功能单元。不同人体组成的质量和分布反映不一样的疾病和健康状态。计算机断层扫描(Computed Tomography,CT)和磁共振成像(Magnetic Resonance Imaging,MRI)是检测软组织和器官的金标准,其用于人体组成分析的流程包括三个步骤:图像采集、在图像上分割人体组成区域、根据分割结果计算人体组成的体积和质量。目前,第二步操作高度依赖专家手动勾画,耗时耗力,是阻碍CT和MRI被广泛应用于人体组成分析的瓶颈。开发高效准确的影像中人体组成自动分割工具将为基于CT和MRI的人体组成分析解决重大技术难题,促进人体组成分析的推广使用。为此,我们相继开展了以下两项研究:MRI中全身骨骼肌、脂肪等人体组织的自动分割,以及CT和MRI中肝脏等人体器官的自动分割。方法为分割人体组织,本文提出了一个基于U-Net的神经网络模型MS-denseUNet。为了减少细节丢失提高分割准确性,该模型借鉴DenseNet的全连接思想创新性地引进了多分辨率层间的致密连接。该研究数据集包括2个,分别包含了于2009年12月至2010年7月在浙江大学附属第二医院完成MRI扫描的70位参与者,以及于2012年10月至2013年6月在浙江省立同德医院完成MRI扫描的36位参与者。前者被用于训练模型,后者用作外部测试。对照模型有U-Net和CE-Net。为满足同时分割多种人体器官的现实需求,本文设计了普适性神经网络3D U2-Net,其设计思路为以传统卷积神经网络作基本结构,将其中标准卷积替换成基于可分卷积自定义的适配器,该模块同时包含各领域特有和领域间共享参数。研究数据集包含6个,前5个被称作基数据集用于训练并测试普适性模型,分别包括肝脏、左心房、胰脏、前列腺和海马体5个器官。使用五个基数据集同时训练普适性神经网络,所得模型为普适性模型。对照模型包括:独立模型,分别利用每个基数据集训练基本神经网络;共享模型,利用所有基数据集同时训练基本神经网络。共享模型区别于普适性模型的关键点在于前者所有参数为各领域共享,而后者同时包括了领域间共享参数和为每个领域量身定制的特有参数。最后1个为脾脏数据集被称作新数据集用于测试模型的迁移能力。主要模型评估指标均为Dice系数(%)。结果所得MS-denseUNet在外部测试集上对各种组织的分割均较理想,其分割骨骼肌、皮下脂肪、内脏脂肪、肌间脂肪的Dice系数(%)依次为86.19、88.01、72.50、55.93。MS-denseUNet在所有组织上的分割结果均优于U-Net。与CE-Net相比,在皮下脂肪上稍差一些,但在内脏脂肪和肌间脂肪上远远超过前者。普适性模型3D U2-Net在大多基数据集上的器官分割能力与独立模型、共享模型相当甚至更好,而参数量少很多。特别地,其在前列腺上表现明显优于独立模型,周边区和移行区Dice系数(%)分别为68.50和89.21。其在胰腺上表现较弱于独立模型,Dice系数(%)为62.08,但仍优于共享模型。3D U2-Net最小,参数量分别是独立模型和共享模型的1%和6%。U2-Net在新数据集上分割脾脏的能力优于共享模型。结论本研究成功构建了两种人体组成全自动分割模型,分别是适用于MRI的全身各种脂肪、骨骼肌等的分割模型MS-denseUNet和适用于CT和MRI的普适性多器官分割模型3D U2-Net,两模型都能较好地泛化到新数据集上。特别地,普适性器官分割模型的参数量相比传统方法减少很多,因而计算代价和所需存储空间都小很多,更适合在现实环境中部署和应用。