Segmentation of metabolically relevant adipose tissue compartments and ectopic fat deposits

Diese Arbeit stellt ein automatisches Deep-Learning-Modell zur Segmentierung von 19 metabolisch relevanten Fettgewebekompartimenten und ektopischen Fettdepots aus Ganzkörper-Dixon-MRT-Bildern vor, das zusammen mit öffentlichen Nachverarbeitungs-Tools zur Quantifizierung von Fettvolumina und -anteilen bereitgestellt wird.

Das Wesentliche

Das große „Fett-Kartografierungs-Projekt"

Stellen Sie sich den menschlichen Körper nicht als einen einzigen großen Haufen Fett vor, sondern eher wie ein komplexes Stadtviertel. In dieser Stadt gibt es verschiedene Bezirke:

• Die Subkutane Stadt (das Fett direkt unter der Haut, wie die Außenmauern).
• Die Viszerale Innenstadt (das Fett tief im Bauchraum um die Organe, wie ein dichtes Stadtzentrum).
• Und dann gibt es Fehlbelegungen: Fett, das dort hinkommt, wo es nicht hingehört – zum Beispiel in der Leber, im Pankreas oder zwischen den Muskeln. Das ist wie Müll, der in den Parks oder auf den Straßen liegt und den Verkehr (den Stoffwechsel) behindert.

Das Problem:
Bisher war es für Ärzte und Forscher sehr mühsam, diese verschiedenen „Stadtteile" und den „Müll" auf einem Röntgenbild oder MRT zu zählen. Man musste das Bild wie einen Puzzlestein für Stein manuell ausschneiden. Das ist langsam, fehleranfällig und bei ganzen Körpern kaum machbar.

Die Lösung: Der digitale „Fett-Schnüffler" (Künstliche Intelligenz)
Die Forscher Tobias Haueise und Jürgen Machann haben einen speziellen KI-Algorithmus (ein Computerprogramm) entwickelt, der wie ein extrem gut trainierter Stadtplaner funktioniert.

1. Der Scanner: Sie nutzen eine spezielle MRT-Technik (Dixon), die wie ein Super-Mikroskop funktioniert. Es kann Wasser und Fett im Körper so genau trennen, als würde man mit einer Lupe zwischen Regen und Sonnenlicht unterscheiden.
2. Der Trainer: Der Computer wurde mit Bildern von 76 Menschen „unterrichtet". Man zeigte ihm tausende Male, wo genau das Fett sitzt und wo die Muskeln enden. Er lernte dabei 19 verschiedene „Stadtbezirke" (Klassen) zu erkennen – von der Leber über die Wirbelsäule bis hin zu den Wadenmuskeln.
3. Der Job: Sobald der Computer ein neues Ganzkörper-MRT sieht, scannt er es blitzschnell durch. Er malt automatisch eine Landkarte auf das Bild: „Hier ist Bauchfett, dort ist Leberfett, und hier sind die Muskeln."

Was macht das Besondere an diesem Programm?

• Es ist ein Spezialist, kein Alleskönner: Es gibt große KI-Modelle, die versuchen, alles im Körper zu erkennen (wie ein Generalist, der alles ein bisschen kann). Dieses Modell hier ist wie ein Spezialdetektiv für Stoffwechselkrankheiten. Es konzentriert sich genau auf die Fettarten, die für Diabetes und Herzkrankheiten wichtig sind.
• Es ist präzise: Bei den großen Fettmengen (wie Bauchfett) trifft es es zu 98 % genau. Das ist, als würde man einen riesigen Berg Sand wiegen und nur 2 % danebenliegen.
• Es ist kostenlos und offen: Die Forscher haben den „Bauplan" für diesen Detektiv und die Werkzeuge, um die Daten auszuwerten, ins Internet gestellt (auf GitHub). Jeder Forscher kann ihn nutzen, um neue Studien durchzuführen.

Warum ist das wichtig?
Wenn man genau weiß, wie viel Fett in der Leber sitzt oder wie viel Bauchfett man hat, kann man viel besser vorhersagen, ob jemand an Diabetes erkranken wird. Es hilft auch zu sehen, ob eine Behandlung (wie eine Diät oder Medikamente) wirklich funktioniert hat, indem man den „Müll" in den Organen vor und nach der Behandlung vergleicht.

Ein kleiner Haken (Die Grenzen):
Das Programm wurde bisher nur mit Bildern von Menschen aus Süddeutschland trainiert. Es ist wie ein Koch, der nur deutsche Rezepte gelernt hat. Wenn man ihn mit Bildern von Menschen aus völlig anderen ethnischen Gruppen oder mit stark verformten Organen füttert, muss man vorsichtig sein und prüfen, ob er noch alles richtig versteht.

Zusammenfassung:
Die Forscher haben einen automatischen, digitalen Assistenten gebaut, der aus MRT-Bildern sofort eine detaillierte Landkarte des Körperfetts erstellt. Er hilft dabei, die unsichtbaren Gefahren des „inneren Fetts" sichtbar zu machen, ohne dass man Strahlung abbekommt oder Stunden mit dem Ausschneiden von Bildern verbringen muss. Ein großer Schritt für die Diabetes-Forschung!

Technische Zusammenfassung

Technische Zusammenfassung: Segmentierung metabolisch relevanter Fettgewebekompartimente und ektopischer Fettdepots

Autoren: Tobias Haueise, Jürgen Machann et al.
Institution: Deutsches Zentrum für Diabetesforschung (DZD), Helmholtz Munich, Universität Tübingen.

1. Problemstellung

Die nicht-invasive und strahlungsfreie Quantifizierung von Fettgewebe und ektopischen Fettdepoten (Fettansammlungen in Organen wie Leber oder Pankreas) mittels Magnetresonanztomographie (MRT) ist ein entscheidender Faktor für die Risikoabschätzung metabolischer Erkrankungen, insbesondere des Typ-2-Diabetes.

• Herausforderung: Während MRT-Techniken wie die Dixon-Sequenz die Erfassung des gesamten Körpergewebes ermöglichen, ist die manuelle oder halbautomatische Auswertung der riesigen Datenmengen (Ganzkörper-Dixon-MRT) zeitaufwendig und fehleranfällig.
• Lücken: Bestehende "Allzweck"-Segmentierungsmodelle definieren Klassen oft zu grob (z. B. viszerale Fettgewebe-Bereiche, die sich bis an Organränder erstrecken), was für präzise metabolische Studien unzureichend ist. Es fehlt an spezialisierten Modellen, die metabolisch relevante Kompartimente und ektopische Fettanteile in Parenchymgeweben mit hoher Genauigkeit und klinischer Relevanz trennen.

2. Methodik

Datenerfassung und Vorverarbeitung:

• Bildgebung: Es wurden Ganzkörper-Dixon-MRT-Daten (2-Punkt- und Multi-Echo-Sequenzen) verwendet. Multi-Echo-Sequenzen ermöglichen die Berechnung der proton density fat fraction (PDFF) unter Berücksichtigung von T2*-Effekten, um eine präzise Fettfraktion zu bestimmen.
• Datensatz: Das Trainingsset umfasste Daten von n = 76 Probanden (48 Frauen, 28 Männer) im Alter von 20–78 Jahren (durchschnittlich 46,1 Jahre) mit einem BMI von 19,7 bis 41,2 kg/m². Die Kohorte bestand aus selbstidentifizierten weißen Personen aus Süddeutschland.
• Ground Truth: Die Referenzsegmentierungen (Ground Truth) wurden durch eine Kombination aus vorherigen Modellen und computergestützter manueller Annotation erstellt und anschließend einer strengen visuellen Qualitätskontrolle und Korrektur unterzogen.

Modellarchitektur und Training:

• Framework: Das Modell basiert auf dem nnU-Net-Framework (Isensee et al.), einem sich selbst konfigurierenden Deep-Learning-Ansatz, der keine manuelle Anpassung der Hyperparameter erfordert.
• Architektur: Es wurde ein 3D Full-Resolution Residual Encoder (ResEnc M Konfiguration) U-Net verwendet.
• Klassen: Das Modell segmentiert 19 metabolisch relevante Klassen, darunter:
  • Fettgewebe: Subkutanes Fettgewebe (SAT), viszerales Fettgewebe (VAT), intramuskuläres Fett, Herzfett, Kniebereich (infrapatellares Fett).
  • Muskeln: Funktionelle Gruppen (z. B. "Glutes" als Zusammenfassung verschiedener Gesäßmuskeln, Oberschenkelstreck-/adduktoren, Rückenmuskulatur).
  • Organe & Strukturen: Leber, Pankreas, Nieren, Milz, Aorta, Wirbelkörper, Sakrum, Femur, Hüfte, Waden.
  • Hinweis: Paarweise Strukturen (z. B. Nieren) oder multi-instanzielle Klassen (Wirbelkörper) werden zunächst als eine Klasse segmentiert und erst in der Nachverarbeitung getrennt.
• Training: Das Modell wurde über 1000 Epochen mit 5-facher Kreuzvalidierung trainiert.

Nachverarbeitung und Biomarker:

• Neben der reinen Volumetrie werden post-processing-Routinen bereitgestellt, um spezifische Biomarker zu berechnen.
• Ein innovativer Ansatz ist die Berechnung von "Peri-X-Fettgewebe" (z. B. peri-renales, peri-pankreatisches Fett). Dies erfolgt durch parametrisierbare Dilatationsoperationen um die segmentierten Organe herum, um das lokal umgebende Fettgewebe zu quantifizieren.

3. Ergebnisse

Segmentierungsgenauigkeit:

• Das Modell zeigte eine schnelle Konvergenz während des Trainings.
• Dice Similarity Coefficient (DSC): Die Werte lagen zwischen 0,872 (Sacrum) und 0,989 (Subkutanes Fettgewebe).
  • SAT: 0,989 ± 0,005
  • VAT: 0,975 ± 0,013
  • Leber: 0,985 ± 0,009
  • Pankreas (schwierigste Klasse): 0,906 ± 0,067
• Volumetrischer Fehler: Bei 14 von 19 Klassen lag der mittlere absolute Volumenfehler unter 3 %. Nur das Pankreas wies einen höheren Fehler auf (9,1 ± 11,1 %).
• Bland-Altman-Analyse: Für 11 Klassen wurde eine geringe Verzerrung (Bias) festgestellt. Bei 6 Klassen (z. B. VAT, Nieren) wurde das Volumen leicht überschätzt, bei 2 Klassen (Rückenmuskulatur, Pankreas) unterschätzt.

Vergleich mit anderen Modellen:

• Im Vergleich zu großen "Allzweck"-Modellen (z. B. Graf et al., VIBESegmentator) erreichte dieses spezialisierte Modell bei den großen Fettgewebekompartimenten höhere DSC-Werte (0,98 vs. 0,95/0,89).
• Der Vorteil liegt in der feineren, klinisch relevanten Klassendefinition und der sorgfältig kuratierten Ground Truth.

Ressourcen und Umwelt:

• Das Training erforderte ca. 210 Rechenstunden auf A100-Hardware.
• Der geschätzte CO2-Fußabdruck betrug 18,38 kg CO2eq (unter Berücksichtigung des deutschen Strommixes).

4. Hauptbeiträge

1. Spezialisiertes Modell: Bereitstellung eines hochpräzisen Deep-Learning-Modells für 19 spezifische, metabolisch relevante Klassen, das auf Ganzkörper-Dixon-MRT-Daten trainiert wurde.
2. Open Source:
   • Das trainierte Modell ist auf Anfrage verfügbar.
   • Die Post-Processing-Routinen zur Berechnung von Volumina und Fettprozentsätzen sind öffentlich unter GitHub verfügbar (WholeBodyATQuantification).
3. Erweiterte Biomarker: Einführung der Methode zur Quantifizierung von "Peri-X-Fettgewebe" durch Dilatation, was neue Einblicke in die lokale Fettverteilung um Organe ermöglicht.
4. Validierung: Umfassende Validierung mittels Kreuzvalidierung, DSC, IoU, Normalized Surface Distance (NSD) und Bland-Altman-Analyse.

5. Bedeutung und Limitationen

Bedeutung:
Das Modell schließt die Lücke zwischen fortschrittlicher MRT-Bildgebung und dem klinischen Bedarf an standardisierten, bildbasierten Endpunkten für Diabetes-Studien. Es ermöglicht die automatisierte, reproduzierbare Quantifizierung von Fettgewebe und ektopischen Depoten in großen Kohortenstudien (wie UK Biobank oder NAKO) und unterstützt die personalisierte Medizin durch präzise Phänotypisierung.

Limitationen:

• Demografie: Das Training basierte ausschließlich auf Daten weißer Personen aus Süddeutschland. Die Generalisierbarkeit auf andere ethnische Gruppen oder geografische Populationen muss noch überprüft werden.
• Pathologien: Der Datensatz schloss Personen mit pathologisch deformierten Organen aus. Die Leistung des Modells bei Patienten mit schweren anatomischen Veränderungen ist noch nicht validiert.
• Status: Es handelt sich um einen Preprint, der noch keinem Peer-Review unterzogen wurde.

Fazit:
Diese Arbeit liefert einen wichtigen Baustein für die metabolische Bildgebung, indem sie eine robuste, anwendungsorientierte Lösung für die automatische Segmentierung komplexer Fettgewebestrukturen bereitstellt, die direkt in die klinische Forschung und Diabetes-Prävention integriert werden kann.