Summary
Segmentatie en lineaire metingen kwantificeren skeletspiermassa en vetweefsels met behulp van Computertomografie en/of Magnetic Resonance Imaging-afbeeldingen. Hier schetsen we het gebruik van Slice-O-Matic-software en Horos-beeldviewer voor een snelle en nauwkeurige analyse van de lichaamssamenstelling. Deze methoden kunnen belangrijke informatie opleveren voor prognose en risicostratificatie.
Abstract
Lichaamssamenstelling wordt geassocieerd met het risico op ziekteprogressie en behandelingscomplicaties in verschillende aandoeningen. Daarom kan kwantificering van skeletspiermassa en vetweefsel op Computertomografie (CT) en/of Magnetic Resonance Imaging (MRI) de evaluatie van het operatierisico en de ziekteprognose informeren. Dit artikel beschrijft twee kwantificeringsmethoden die oorspronkelijk werden beschreven door Mourtzakis et al. en Avrutin et al.: weefselsegmentatie en lineaire meting van skeletspieren. Het dwarsdoorsnedebeeld van de patiënten in het midden van de derde lumbale wervel werd voor beide metingen verkregen. Voor segmentatie werden de afbeeldingen geïmporteerd in Slice-O-Matic en gekleurd voor skeletspieren, intramusculair vetweefsel, visceraal vetweefsel en onderhuids vetweefsel. Vervolgens werden de oppervlakten van elk weefseltype berekend met behulp van de functie van het tagoppervlak. Voor lineaire metingen worden de hoogte en breedte van bilaterale psoas- en paraspinale spieren ter hoogte van de derde lumbale wervel gemeten en de berekening met behulp van deze vier waarden levert de geschatte skeletspiermassa op. Segmentatieanalyse biedt kwantitatieve, uitgebreide informatie over de lichaamssamenstelling van de patiënten, die vervolgens kan worden gecorreleerd met ziekteprogressie. Het proces is echter tijdrovender en vereist gespecialiseerde training. Lineaire metingen zijn een efficiënt en kliniekvriendelijk hulpmiddel voor snelle preoperatieve evaluatie. Lineaire metingen geven echter geen informatie over de samenstelling van vetweefsel. Niettemin hebben deze methoden brede toepassingen bij een verscheidenheid aan ziekten om chirurgische resultaten, risico op ziekteprogressie te voorspellen en behandelingsopties voor patiënten te informeren.
Introduction
Beoordeling van sarcopenie en lichaamssamenstelling is momenteel van groot klinisch belang. Hoewel specifieke definities van sarcopenie variëren afhankelijk van de instelling en context, omvatten alle definities significant verlies van skeletspiermassa of spierkracht, die nauw gecorreleerd zijn1,2,3. Lichaamssamenstellingsanalyse omvat metingen van skeletspiermassa en vetweefselverdeling, die uitgebreidere informatie biedt over de algemene geschiktheid van patiënten1,3,4. Evenzo is disproportioneel verdeeld vetweefsel, met name visceraal vetweefsel, gerelateerd gebleken aan verschillende ziekten, waaronder hartaandoeningen, diabetes type II en kanker5.
Klinisch is herhaaldelijk aangetoond dat sarcopenie en de beoordeling ervan door lineaire metingen een sterke prognostische factor zijn voor kankerspecifieke overleving in maligniteiten en oncologische uitkomsten na chirurgie, radiotherapie en chemotherapie1,2,4,6,7,8. In het bijzonder toont eerder onderzoek aan dat patiënten met sarcopenie een verminderde kankerspecifieke overleving en algehele overleving hebben1,2,9,10. Daarom is een nauwkeurige en snelle klinische beoordeling van de progressie van sarcopenie belangrijk bij het bepalen van de behandelingsverkiezing. Conventionele profilering van de samenstelling van het hele lichaam vereist analyse op driedimensionaal (3D) niveau met behulp van beeldvormingstechnieken, waaronder Computertomografie (CT), Magnetic Resonance Imaging (MRI), Bone Densitometry (DEXA) en Bioelectrical Impedance Analysis (BIA), die tijdrovend en kostbaar zijn en uitgebreide training vereisen5,11. Een ander nadeel is een gebrek aan informatie over de verspreiding van vet, met name voor de luchtverplaatsing plethysmografie (ADP) en DEXA12. Daarom heeft de beoordeling en bepaling van sarcopenie en lichaamssamenstelling met behulp van conventionele cross-sectionele beeldvormingsmodaliteiten zoals CT of MRI, die worden gebruikt als onderdeel van de klinische praktijk van de standaardzorg, een grote klinische waarde5.
Een veelgebruikte segmentatiesoftware in de klinische onderzoekssetting is het Slice-O-Matic-programma ontwikkeld door TomoVision. Met behulp van de Mourtzakis et al.13 segmentatieprocedure stelt het programma onderzoekers of clinici in staat om semi-automatisch verschillende weefseltypen te taggen, zoals skeletspieren (SM), intramusculair vetweefsel (IMAT), visceraal vetweefsel (VAT) en onderhuids vetweefsel (SAT) met behulp van op dichtheid gebaseerde drempels, waardoor de totale dwarsdoorsnedegebieden van elk weefsel kunnen worden meten. Deze metingen worden vervolgens gebruikt om de totale skeletspiermassa en adipositas van het lichaam te schatten, vaak na normalisatie door de hoogte van een patiënt in het kwadraat, om sarcopenie en sarcopeenische obesitas te identificeren aan de hand van populatiegebaseerde drempels.
Een recent ontwikkelde methode van Avrutin et al.14 met behulp van lineaire metingen van ontwikkelde skeletspieren heeft aangetoond dat het potentieel even betrouwbaar is bij het schatten van de totale spiermassa met behulp van MRI - en CT-beelden van de L3-dwarsdoorsnede14,15. De psoas- en paraspinale spiergroepen vormen een groot deel van het spieroppervlak van het L3-gebied en hebben een hoge functionaliteit, wat suggereert dat ze high-fidelity voorspellers van de algehele spierkracht kunnen zijn, en dus de belangrijkste kandidaten van lineaire meting14,15. Om het spieroppervlak te berekenen, worden horizontale en verticale metingen van de psoas- en paraspinale spiergroepen verkregen met behulp van een liniaalgereedschap om 90° snijdende rechte lijnen te tekenen. De horizontale en verticale metingen van elke spiergroep worden vermenigvuldigd om het oppervlak van elke spiergroep te schatten, die vervolgens wordt gebruikt om een lineaire spierindex te berekenen wanneer deze wordt gedeeld door de lengte van de patiënt. Met minimale training kan dit hele proces minder dan 1 minuut duren.
Gezien de mogelijke implicaties van lichaamssamenstellingsmetingen op de patiëntenzorg, is er dringend behoefte aan het creëren van toegankelijk trainingsmateriaal. In dit artikel geven we een gedetailleerde beschrijving van twee methoden ontwikkeld door Avrutin et al.14 en Mourtzakis et al.13 om respectievelijk skeletspiermassa en lichaamssamenstelling te kwantificeren voor aanbieders en klinische onderzoekers.
Protocol
De volgende studie en protocollen werden beoordeeld en goedgekeurd door de Institutional Review Board van Emory University.
1. L3 CT-segmentatie
- Verkrijg het axiale CT Digital Imaging and Communications in Medicine (DICOM) beeld.
- Identificeer in de beeldviewer de L3-wervel.
- Selecteer indien mogelijk twee horizontale vensteraanzichten en selecteer coronale of sagittale weergave aan de linkerkant voor referentie en axiale weergave aan de rechterkant.
- Klik op Cross Link om de linker- en rechtervensters te koppelen.
- Scroll naar beneden de beelden van craniale naar caudale richting. Identificeer de L1-wervel, de eerste wervel zonder ribaanhechting.
- Tel van L1 tot L3 en gebruik de coronale of sagittale weergave om het segment van het midden van L3 te identificeren. Dit wordt geïdentificeerd als het punt waarop beide transversale processen maximaal en gelijk kunnen worden gevisualiseerd.
- Selecteer het segment L3. Selecteer examen verzenden op het tabblad Examen verzenden en sla de afbeelding op als een DICOM-bestand.
OPMERKING: Stap 1 is een voorbewerkingsstap en wordt hier vermeld om aan te tonen hoe u een L3-afbeelding kunt verkrijgen. Als de onderzoeker al een L3-afbeelding heeft, kunnen ze naar stap 2 gaan. Als de beeldviewer kruisverwijzingen niet inschakelt, kan de onderzoeker 1.1.1 naar 1.1.2 overslaan. Als de beeldvorming geen thoracale regio omvat, identificeert u L5, dat vooraan in het heiligbeen ligt, en telt u van L5 tot L3, rekening houdend met het feit dat de aanwezigheid van een zesde lumbale wervel een normale variant is.
- Identificeer in de beeldviewer de L3-wervel.
- Open de DICOM-afbeelding met Slice-O-Matic Software.
- Sleep het DICOM-bestand naar een willekeurige plek in het Slice-O-Matic-venster.
- Selecteer Modi | Regio groeit om te beginnen met segmenteren.
- Als de versie van Slice-O-Matic Alberta Protocol-opties bovenaan de lijst met opties voor modi heeft, kan men ook Stap 3: Segmentatie selecteren om te beginnen met segmenteren. Als u stap 3: Segmentatiegebruikt, voltooit u stap 5 en gaat u verder met stap 11.
- Gereedschap selecteren | Tagvergrendeling. Hierdoor kan de gebruiker gelabelde kleuren "vergrendelen" om ervoor te zorgen dat ze niet per ongeluk worden gekleurd of later worden gewist.
- Skeletspieridentificatie: Klik op 1 (Rood) onder het gebied Regio groeien aan de linkerkant van het scherm.
- Klik op de knop Uit door Ondergrens om deze in te schakelen op Aan. Klik op de pijlen met het muiswiel om Uitgeschakeld in te stellen op Ondergrens. Sleep de schuifregelaar op De ondergrens om de drempelwaarde Hounsfield Unit (HU) zo dicht mogelijk bij -29 in te stellen en gebruik vervolgens het muiswiel om de HU-drempel precies in te stellen op -2913.
- Klik op de knop Uit door Bovengrens om deze in te schakelen op Aan. Klik op de pijlen met het muiswiel om de ondergrens in te stellen op bovengrens. Sleep de schuifregelaar op Bovengrens om de HU-drempel zo dicht mogelijk bij 150 in te stellen en gebruik vervolgens het muiswiel om de HU-drempel precies in te stellen op 15013.
- Intramusculaire vetweefsel (IMAT) Identificatie: Klik op 2 (Groen) onder het gebied Regio groeien aan de linkerkant van het scherm.
- Klik op de knop Uit door Ondergrens om deze in te schakelen op Aan. Klik op de pijlen met het muiswiel om Uitgeschakeld in te stellen op Ondergrens. Sleep de schuifregelaar op De ondergrens om de HU-drempel zo dicht mogelijk bij -190 in te stellen en gebruik vervolgens het muiswiel om de HU-drempel precies in te stellen op -19013.
- Klik op de knop Uit door Bovengrens om deze in te schakelen op Aan. Klik op de pijlen met het muiswiel om de ondergrens in te stellen op bovengrens. Sleep de schuifregelaar op Bovengrens om de HU-drempel zo dicht mogelijk bij -30 in te stellen en gebruik vervolgens het muiswiel om de HU-drempel precies in te stellen op -3013.
- Visceraal vetweefsel (BTW) Identificatie: Klik op 5 (geel) onder het gebied Regio groeien aan de linkerkant van het scherm.
- Klik op de knop Uit door Ondergrens om deze in te schakelen op Aan. Klik op de pijlen met het muiswiel om Uitgeschakeld in te stellen op Ondergrens. Sleep de schuifregelaar op Ondergrens om de HU-drempel zo dicht mogelijk bij -150 in te stellen en gebruik vervolgens het muiswiel om de HU-drempel precies in te stellen op -15013.
- Klik op de knop Uit door Bovengrens om deze in te schakelen op Aan. Klik op de pijlen met het muiswiel om de ondergrens in te stellen op bovengrens. Sleep de schuifregelaar op Bovengrens om de HU-drempel zo dicht mogelijk bij -50 in te stellen en gebruik vervolgens het muiswiel om de HU-drempel precies in te stellen op -5013.
- Subcutane adiposeweefsel (SAT) Identificatie: Klik op 7 (Cyaan) onder het gebied Regio groeien aan de linkerkant van het scherm.
- Klik op de knop Uit door Ondergrens om deze in te schakelen op Aan. Klik op de pijlen met het muiswiel om Uitgeschakeld in te stellen op Ondergrens. Sleep de schuifregelaar op De ondergrens om de HU-drempel zo dicht mogelijk bij -190 in te stellen en gebruik vervolgens het muiswiel om de HU-drempel precies in te stellen op -19013.
- Klik op de knop Uit door Bovengrens om deze in te schakelen op Aan. Klik op de pijlen met het muiswiel om de ondergrens in te stellen op bovengrens. Sleep de schuifregelaar op Bovengrens om de HU-drempel zo dicht mogelijk bij -30 in te stellen en gebruik vervolgens het muiswiel om de HU-drempel precies in te stellen op -3013.
- Gebruik de toetsen + en - op het toetsenbord om in en uit te zoomen op het CT-beeld. Pas de zoom zo nodig tijdens de segmentatie aan om weefsels duidelijk en nauwkeurig te taggen.
- Begin met segmenteren door 1 te selecteren voor Skeletal Muscle tissue (SM).
- Stel de penseeloptie in op Paint.
- Gebruik de penseelgereedschappen direct onder Regio groeien om zich aan te passen aan de gewenste grootte van de borstel en begin met schilderen over de psoas-, paraspinale spiergroepen, schuine en rectus-spiergroepen.
OPMERKING: Als vloeistoffen of organen buiten de spierfaa rood zijn getagd als spier, zorg er dan voor dat u de tagging wist met behulp van de kleurselectie Geen.
- Zodra alle spieren zijn getagd, selecteert u 1 in het taglockmenu linksonder in het scherm. Dit zorgt ervoor dat geen enkele spier per ongeluk opnieuw wordt getagd of gewist naarmate de segmentatie vordert.
- Selecteer 2 onder Regio groeien en verf over alle vetweefsels (IMAT) in de spier fascia. Zorg ervoor dat u de kleurselectie Geen gebruikt als vet of structuren buiten de spierfaa ten onrechte zijn gelabeld als IMAT.
OPMERKING: De randen van de spierfaa lijken meestal lichter dan het viscerale of onderhuidse vet eromheen. Zorg ervoor dat u al het vet binnen de lichtere randen van de spierfaa als IMAT tagt en niet BTW of SAT. Als de linea alba niet als spier is gelabeld, moet het geheel van de linea alba worden geanalyseerd als IMAT. - Zodra alle IMAT is getagd, selecteert u 2 in het menu TAG Lock linksonder in het scherm.
- Selecteer 5 in het menu Regio groeien om het btw-weefsel te taggen.
- Bij het labelen van btw is het, afhankelijk van de afbeelding, mogelijk gemakkelijker om Grow 2D te gebruiken in plaats van Paint.
- Als u 2D groeien gebruikt,gebruikt u de kleinste optie Penseel. Als u Grow 2D gebruikt, kijk dan terug op alle gelabelde btw en zorg ervoor dat er geen intralumenaal weefsel in darmen of organen ten onrechte wordt getagd, omdat dat vet meestal afkomstig is van het verteren van voedsel of andere structuren die geen btw zijn.
- Als u Paint gebruikt, zorg er dan voor dat u niet in het lumen van organen of de darmen schildert.
- Zodra alle btw is getagd, selecteert u 5 in het menu TAG Lock linksonder in het scherm.
- Selecteer 7 in het menu Regio groeien om SAT-weefsel te taggen.
- Bij het taggen van SAT is het, afhankelijk van de afbeelding, meestal gemakkelijker om Grow 2D te gebruiken in plaats van Paint.
- Als u 2D groeien gebruikt,gebruikt u de kleinste optie Penseel.
- Als u Grow 2D gebruikt, moet u teruggaan over de randen van de afbeelding met het gereedschap Geen geselecteerd om er zeker van te zijn dat geen weefsel in de spierfastiek is gelabeld als SAT en om er zeker van te zijn dat geen enkele huid is getagd als SAT.
OPMERKING: De huid is meestal lichter van uiterlijk dan SAT en is meestal ongeveer 2-3 pixels dik, maar houd er rekening mee dat het uiterlijk en de dikte van de huid van afbeelding tot afbeelding kunnen verschillen. - Als u Paintgebruikt, zorg er dan voor dat u voorzichtig bent aan de randen, met name rond de huid, om ervoor te zorgen dat er geen weefsel verkeerd is getagd.
- Wanneer u klaar bent met het taggen van tissues, gaat u naar Tools | Tag oppervlak/volume. Dit geeft het oppervlak en het volume weer van elk van de getagde weefsels, meestal is de interesse in het oppervlak.
- Klik op Weergeven in venster om het venster Oppervlak/Volume tag volledig te openen. Hiermee worden ook HU-waarden weergegeven.
- Noteer het oppervlak en de HU-drempelwaarden.
OPMERKING: Als het venster Oppervlak/Volume taggen niet linksonder in het scherm wordt weergegeven, kan dit zijn omdat er niet genoeg ruimte is om het weer te geven. Zorg er in dit geval voor dat het slice-O-Matic-venster is gemaximaliseerd en selecteer vervolgens Extra | Tag Lock om het venster Tag Lock te verwijderen. Dit moet voldoende ruimte maken om het venster Tag Surface/Volume weer te geven.
- Wanneer u klaar bent, gaat u naar Bestand | TAG-bestanden opslaan. Hiermee wordt een TAG-bestand opgeslagen waar het DICOM-bestand zich bevindt.
2. L3 MRI-segmentatie
- Verkrijg het axiale MRI-beeld (T2-gewogen sequenties)
- Identificeer in de beeldviewer de L3-wervel.
- Selecteer indien mogelijk twee horizontale vensteraanzichten en selecteer coronale of sagittale weergave aan de linkerkant voor referentie en axiale weergave aan de rechterkant.
- Klik op Cross Link om de linker- en rechtervensters te koppelen.
- Scroll naar beneden de beelden van craniale naar caudale richting. Identificeer de L1-wervel, de eerste wervel zonder ribaanhechting.
- Tel van L1 tot L3 en gebruik de coronale of sagittale weergave om het segment van het midden van L3 te identificeren. Dit wordt geïdentificeerd als het punt waarop beide transversale processen maximaal en gelijk kunnen worden gevisualiseerd.
- Selecteer het segment L3. Selecteer examen verzenden op het tabblad Examen verzenden en sla de afbeelding op als een DICOM-bestand.
OPMERKING: Stap 1 is een voorbewerkingsstap en wordt hier vermeld om aan te tonen hoe u een L3-afbeelding kunt verkrijgen. Als de onderzoeker al een L3-afbeelding heeft, kunnen ze naar stap 2 gaan. Als de beeldviewer kruisverwijzingen niet inschakelt, kan de onderzoeker 1.1.1 naar 1.1.2 overslaan. Als de beeldvorming het thoracale gebied niet omvat, identificeert u L5, dat vooraan in het heiligbeen ligt, en telt u van L5 tot L3, rekening houdend met het feit dat de aanwezigheid van een zesde lumbale wervel een normale variant is.
- Identificeer in de beeldviewer de L3-wervel.
- Open de DICOM-afbeelding met Slice-O-Matic-software.
- Sleep het DICOM-bestand naar een willekeurige plek in het Slice-O-Matic-venster.
- Selecteer Modi | Regio groeit om te beginnen met segmenteren.
OPMERKING: Vanwege een slechte differentiatie van vetweefsels in MRI-beelden, is alleen SM gesegmenteerd.- Paraspinale spieren Segmentatie: Klik op 1 (Rood) onder het gebied Regio groeien aan de linkerkant van het scherm.
- In de preview-moduszouden histogrammen van de afbeelding meerdere pieken weergeven, waarbij de eerste piek lucht vertegenwoordigt en de daaropvolgende tweede, derde en vierde piek respectievelijk spier,bot en vet vertegenwoordigen.
- Klik op de knop Uit door Ondergrens om deze in te schakelen op Aan.
- Klik op de pijlen met het muiswiel om Uitgeschakeld in te stellen op Ondergrens.
- Sleep de schuifregelaar op De ondergrens om de drempelwaarde Hounsfield Unit (HU) in te stellen op 0.
- Klik op de knop Uit door Bovengrens om deze in te schakelen op Aan.
- Klik op de pijlen met het muiswiel om de ondergrens in te stellen op bovengrens.
- Sleep de schuifregelaar op bovengrens om HU in te stellen om de paraspinale spier op te nemen.
- Begin met het segmenteren van paraspinale spier door 1 te selecteren voor skeletspierweefsel (SM). Stel de penseeloptie in op Paint. Gebruik de penseelgereedschappen direct onder Regio groeien om aan te passen aan de gewenste grootte van het penseel en begin met schilderen over de Paraspinale Spiergroepen.
OPMERKING: Als iets in het rood is getagd als spier op vloeistoffen of organen buiten de spierfaa, zorg er dan voor dat u de tagging wist met behulp van de kleurselectie Geen.
- Segmentatie van de resterende spiergroepen: Beweeg de muis voorste naar linea alba. Pas in de voorbeeldmodus de bovengrens aan om linea alba op te nemen. Deze bovengrens van de intensiteit wordt vervolgens vastgesteld voor alle resterende spiergroepen.
- Begin met segmenteren door 1 te selecteren voor Skeletal Muscle tissue (SM). Stel de penseeloptie in op Paint. Gebruik de penseelgereedschappen direct onder Regio groeien om aan te passen aan de gewenste grootte van het penseel en begin met schilderen over de Paraspinale Spiergroepen.
OPMERKING: Als iets in het rood is getagd als spier op vloeistoffen of organen buiten de spierfaa, zorg er dan voor dat u de tagging wist met behulp van de kleurselectie Geen.
- Begin met segmenteren door 1 te selecteren voor Skeletal Muscle tissue (SM). Stel de penseeloptie in op Paint. Gebruik de penseelgereedschappen direct onder Regio groeien om aan te passen aan de gewenste grootte van het penseel en begin met schilderen over de Paraspinale Spiergroepen.
- Paraspinale spieren Segmentatie: Klik op 1 (Rood) onder het gebied Regio groeien aan de linkerkant van het scherm.
- Wanneer u klaar bent met het taggen van tissues, gaat u naar Tools | Tag oppervlak/volume. Dit geeft het oppervlak en volume weer van elk van de getagde weefsels, meestal is de interesse in het oppervlak.
- Klik op Weergeven in venster om het venster Oppervlak/Volume tag volledig te openen. Hiermee worden ook HU-waarden weergegeven.
- Noteer het oppervlak en de HU-drempelwaarden.
OPMERKING: Als het venster Oppervlak/Volume taggen niet linksonder in het scherm wordt weergegeven, kan dit zijn omdat er niet genoeg ruimte is om het weer te geven. Zorg er in dit geval voor dat het slice-O-Matic-venster is gemaximaliseerd en selecteer vervolgens Extra | Tag Lock om het venster Tag Lock te verwijderen. Dit moet voldoende ruimte maken om het venster Tag Surface/Volume weer te geven. - Wanneer u klaar bent, gaat u naar Bestand | TAG-bestanden opslaan. Hiermee wordt een TAG-bestand opgeslagen waar het DICOM-bestand zich bevindt.
3. Lineaire meting voor CT en MRI
- Verkrijg het axiale CT- of MRI DICOM-beeld.
- Identificeer in de beeldviewer de L3-wervel.
- Selecteer indien mogelijk twee horizontale vensteraanzichten en selecteer coronale of sagittale weergave aan de linkerkant voor referentie en axiale weergave aan de rechterkant.
- Klik op Cross Link om de linker- en rechtervensters te koppelen.
- Scroll naar beneden de beelden van craniale naar caudale richting. Identificeer de L1-wervel, de eerste wervel zonder ribaanhechting.
- Tel van L1 tot L3 en gebruik de coronale of sagittale weergave om het segment van het midden van L3 te identificeren, zoals geïdentificeerd door het punt waarop beide dwarsprocessen gelijkelijk worden geïdentificeerd.
OPMERKING: Stap 1 is een voorbewerkingsstap en wordt hier vermeld om aan te tonen hoe u een L3-afbeelding kunt verkrijgen. Als de onderzoeker al een L3-afbeelding heeft, kunnen ze naar stap 2 gaan. Als de beeldviewer kruisverwijzingen niet inschakelt, kan de onderzoeker 1.1.1 naar 1.1.2 overslaan. Als de beeldvorming het thoracale gebied niet omvat, identificeert u L5, dat voor op het heiligbeen is, en telt u van L5 tot L3.
- Identificeer in de beeldviewer de L3-wervel.
- Importeer de afbeelding in een medische beeldweergaveviewer en open deze.
- Voor Horos: open de app en klik op Importeren.
- Navigeer naar waar de DICOM-afbeelding zich bevindt, selecteer deze en klik op Openen. Het bestand en de afbeelding moeten worden weergegeven onder de lijst Met patiëntnamen.
- Dubbelklik op Patiëntnaamen dubbelklik vervolgens op de afbeelding om lineaire segmentatie te starten.
- Identificeer de psoas spieren en de paraspinale spieren.
- Selecteer het liniaalgereedschap en meet de horizontale (180°) en verticale (90°) diameters van de vier hierboven genoemde spieren.
OPMERKING: De lijnen moeten horizontaal en verticaal ten van de afbeelding staan, niet diagonaal. De horizontale en verticale lijnen die worden getekend, moeten een rechthoekig vak creëren dat het geheel van elke spier omvat. Meet niet alleen de langste afstand van de spier. Als u een afbeeldingsviewer gebruikt die een gereedschap voor het tekenen van dozen mogelijk maakt, kan dat gereedschap worden gebruikt in plaats van het eenvoudige liniaalgereedschap. Dit wordt op voorwaarde dat het gereedschap voor het tekenen van dozen ten minste de hoogte en lengte van het vak weergeeft. - Noteer alle acht metingen (rechter psoas breedte, rechts psoas lengte, links psoas breedte, links psoas lengte, rechter paraspinale breedte, rechter paraspinale lengte, links paraspinale breedte, links paraspinale lengte) voor verdere analyse.
- Bereken het individuele spieroppervlak door de horizontale en verticale waarde van die spier te vermenigvuldigen.
- Verkrijg het totale spieroppervlak psoas spieren en paraspinale spieren door het toevoegen van de linker spier aan de rechter spier, respectievelijk.
- Bereken de lineaire spierindex door het gecombineerde oppervlak (mm2) te delen door de hoogte van de patiënt in het kwadraat (m2).
Representative Results
De L3-segmentatieprocedure resulteert in een getagd CT- of MRI-beeld met skeletspierweefsel (SM) getagd in rood, IMAT in groen, VAT in geel en SAT in cyaan (figuur 1). De resterende niet-gelabelde weefsels blijven in hun oorspronkelijke witte, grijze en rugtinten die overeenkomen met de respectievelijke Hounsfield-eenheidswaarden (HU) van elke pixel. De meerderheid van de niet-gelabelde weefsels die in wit blijven, zijn bot, de meerderheid van de weefsels die in grijs blijven, zijn niet-skeletachtige spieren, orgaanweefsel en vetweefsels in de lumen van darmen, en het grootste deel van het beeld dat in zwart blijft, zal lucht zijn. Een goed gesegmenteerd beeld heeft geen rode of groene tagging buiten de fascia van de skeletspier en geen gele of cyaantagging in de fascia van de skeletspier. Bovendien mag gele tagging geen lumen van darmen of organen zoals de nier of lever binnendringen en mag cyaan tagging niet aanwezig zijn langs de lichtere buitenranden die overeenkomen met de huid. Zodra de beeldsegmentatie is voltooid, moeten de oppervlakten en de gemiddelde HU-waarden van het weefsel worden geregistreerd, naast de hoogte van de patiënt (tabel 1). Uit deze gegevens kan men de skeletspierindex berekenen en doorgaan met elke andere analyse die relevant is voor het specifieke onderzoek of klinische vragen. Merk op dat voor de meeste MRI-beelden alleen skeletspieren correct kunnen worden getagd en vervolgens kunnen worden geanalyseerd (Tabel 2). Bij lineaire metingen wordt een index berekend door het oppervlak te delen over het kwadraat van de hoogte (tabel 3).
Veelvoorkomende problemen die onderzoekers kunnen tegenkomen tijdens de segmentatieprocedure zijn afbeeldingen met weglating van belangrijke informatie. Afbeeldingen kunnen bijvoorbeeld aanzienlijke porties hebben gesneden of bijgesneden (figuur 2). Met name afbeeldingen met SAT- en/of skeletspierweefsel die uit het frame zijn gesneden, zullen de nauwkeurigheid van oppervlakteberekeningen van aangetaste weefsels drastisch verlagen. Of dit een beeld ongeschikt maakt voor analyse hangt af van de klinische of onderzoekscontext en moet per geval door het onderzoeksteam worden bepaald. Een andere valkuil is dat onderzoekers per ongeluk ruggenmerg en beenmerg in skeletspieren kunnen opnemen. Om dit probleem te voorkomen, moeten onderzoekers goed opgeleid zijn en voorzichtig blijven tijdens segmentatie. Andere veel voorkomende artefacten in CT- of MRI-beelden zijn technische problemen veroorzaakt door plaatsing of beweging van de patiënt in de scanner, vetstrengen en littekenweefsels rond de fascia van de skeletspier en andere vreemd gevormde artefacten (figuur 3). Technische problemen veroorzaakt door beweging van de patiënt of onjuiste plaatsing zullen meestal lichter lijken, met hogere HU-waarden dan omliggend weefsel. Dit soort technische problemen verschijnen meestal in SAT en kunnen ook de nauwkeurigheid van de berekening van het oppervlak verlagen. De klinische of onderzoekscontext bepaalt het tolerantieniveau voor dergelijke kwesties. Vetstrengen en littekenweefselartefacten resulteren meestal niet in grote hoeveelheden fouten in berekeningen van het weefseloppervlak. Ze kunnen echter leiden tot een verkeerde identificatie van de fasciale lijn. Skeletspier- en IMAT-oppervlakten kunnen enorm onnauwkeurig zijn in gevallen waarin vetstrengen of littekenweefsel worden aangezien als de spierfaalijn. Andere kleine vlekken en artefacten in CT- en MRI-beelden hebben meestal geen invloed op de algehele beeldkwaliteit, behalve in zeldzame gevallen. Afhankelijk van de klinische of onderzoekscontext moeten deze artefacten mogelijk worden beoordeeld door een radiologie-expert om de beeldkwaliteit te controleren. Het laatste veel voorkomende probleem bij CT- en MRI-beelden zijn misvormingen in de spierfaalijn (figuur 4). Deze breuken hebben meestal geen invloed op de beeldkwaliteit, maar afbeeldingen met grote breuken of andere misvormingen in spierfaa moeten door een radioloog worden beoordeeld om te bepalen of de oorsprong van de misvorming de analyse van de klinische of onderzoekscontext zal beïnvloeden.
De door Avruvin c.s. ontwikkelde lineaire L3-meetprocedure heeft minder veel voorkomende fouten dan de L3-segmentatieprocedure14,15. De belangrijkste problemen die zich voordoen in lineaire metingen draaien om het identificeren van de spiergroepen van belang, de twee psoa's en paraspinale spiergroepen (figuur 5). In de meeste gevallen zullen de psoas-randen zich onderscheiden van nabijgelegen organen, maar in het geval dat de rand moeilijk te onderscheiden is, zal het veranderen van de HU-filters of helderheid meestal de meeste problemen oplossen. Bovendien zullen de randen van de paraspinale spiergroepen vaak verschillen van andere nabijgelegen weefsels, maar men moet opmerken dat als er geen duidelijke spier de onderste fascialijn bereikt, de lijn niet moet worden opgenomen bij het bepalen van de onderrand van de paraspinale spiergroep. Ten slotte moet het quadratus lumborum worden uitgesloten bij het bepalen van de rand van de psoas- of paraspinale spiergroepen (figuur 5E).
Figuur 1: Juiste L3-segmentatie in Slice-O-Matic. (A) Het ongewijzigde axiale CT-beeld bij L3-wervels. (B) De volledig gelabelde axiale CT met rood overeenkomend met skeletspieren (SM), groen tot intramusculair vetweefsel (IMAT), geel tot vesisch vetweefsel (VAT) en cyaan tot onderhuids vetweefsel (SAT). Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 2: L3 CT-beeld afsnijden. Een ongetikte CT-afbeelding in Slice-O-Matic met aanzienlijke hoeveelheden SAT en aanzienlijke hoeveelheden afgehakt skeletspierweefsel. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 3: Veel voorkomende artefacten. (A) Het niet-gecodeerde CT-beeld heeft verschillende artefacten gemarkeerd in respectievelijk de rode doos, blauw ovaal en groen vak. Het rode vak toont technische problemen met een CT-scan, mogelijk door verkeerde uitlijning of beweging tijdens de scan. Het blauwe ovaal benadrukt een gemeenschappelijk artefact dat waarschijnlijk afkomstig is van littekenweefsels. Het groene vierkant markeert vlekken die meerdere mogelijke oorzaken kunnen hebben. (B) De gelabelde CT-scan met verschijningen van dezelfde respectieve artefacten gemarkeerd in het rode vak, blauw ovaal en groen vak. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 4: Grote breuk in spierfaa. (A) Het ongetikte L3 CT-beeld benadrukt een grote breuk in de skeletspierfaa in de paarse doos. (B) Het getagde L3 CT-beeld benadrukt het getagde uiterlijk van de grote breuk in de fascia van de skeletspier in de paarse doos. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 5: L3 lineaire metingen. (A) Het originele L3 CT beeld voorafgaand aan analyse in de Horos beeldviewer. (B) De traditionele lineaire meetmethode omvat één verticale lijn en één horizontale lijn die voor elke spier wordt getrokken. Deze lijnen worden gemeten met een liniaalgereedschap en vermenigvuldigd om het oppervlak van elke spiergroep te vinden. Let op: de traditionele lineaire meetmethode moet altijd lijnen hebben die elkaar kruisen op 90°. Dit beeld van de traditionele lineaire meetmethode is alleen een visuele demonstratie sinds het in Horos is gemaakt en is niet gegarandeerd 90° kruispunten. (C) (D) (E) De Box-methode voor L3 lineaire metingen. (C) (D) Het blauwe en paarse vak omvatten respectievelijk de rechter- en linker psoas en het gele en groene vak omvatten respectievelijk de rechter- en linkerparaspinale spier. (E) De lichtpaarse en oranje dozen benadrukken het quadratus lumborum, waarmee geen rekening moet worden gehouden bij het bepalen van de randen van de Psoas- en paraspinale spiergroepen. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 6: Vergelijking van lineaire metingen en L3 dwarsdoorsnede skeletspiergebied, n = 65. De gecombineerde psoas- en paraspinale gebieden zijn in overeenstemming met de totale skeletspier in de L3-dwarsdoorsnede. Klik hier om een grotere versie van deze afbeelding te bekijken.
| CT-SEGMENTATIE | ||||
| spier | Intramusculair vetweefsel | Visceraal vetweefsel | Onderhuids vetweefsel | |
| Suface Gebied (cm2) | 134.4 | 8.402 | 72.43 | 271 |
| Hounsfield Unit (gemiddeld) | 33.61 | 2.1 | 18.11 | 67.76 |
| Patiënthoogte in het kwadraat (m2) | 2.69 | Skelet spierindex (Spiergebied/Hoogte2, cm2/ m2) | 49.97 |
Tabel 1: CT-segmentatie
| MRI-SEGMENATIE | |
| spier | |
| Suface Gebied (cm2) | 241.8 |
| Hounsfield Unit (gemiddeld) | 35.85 |
| Patiënthoogte (m2) | 3.39 |
| Skeletspieren index | 71.42 |
| (Spiergebied/Hoogte2, cm2/m2) |
Tabel 2: MRI-segmentatie
| LINEAIRE MAATREGELEN | |||||||
| Rechts Psoas Hoogte (cm) | Rechts Psoas Breedte (cm) | Linker Psoas Hoogte (cm) | Linker Psoas Breedte (cm) | Rechter paraspinale hoogte (cm) | Juiste paraspinale breedte (cm) | Linker Paraspinale Hoogte (cm) | Linker paraspinale breedte (cm) |
| 3.934 | 2.927 | 3.743 | 2.788 | 4.916 | 6.264 | 4.403 | 7.045 |
| Totale Oppervlakte Psoas (cm2) | 21.950 | Totaal Paraspinaal Gebied (cm2) | 61.813 | ||||
| Totale spieroppervlakte (cm2) | 83.76 | ||||||
| Patiënthoogte in het kwadraat (m2) | 2.496 | Lineaire maatindex (cm2/m2) | 33.55 | ||||
Tabel 3: Lineaire maatregelen
Discussion
De psoas spier, paraspinale spiergroepen en schuine spieren correleren nauw met de totale spiermassa5. Met name het oppervlak binnen een CT- of MRI-doorsnede van deze spiergroepen in het midden van de derde lumbale wervel (L3) is sterk gecorreleerd met de totale spiermassa, waardoor dit beeld ideaal is voor onderzoekers of clinici om te gebruiken bij het beoordelen van sarcopenie1,2,13. Segmentatie en lineaire metingen hebben een grote waarde aangetoond bij het beoordelen van de lichaamssamenstelling en het identificeren van slechte prognostische aandoeningen zoals sarcopenie en sarcopeenische obesitas bij patiënten16,17. Onderzoek heeft aangetoond dat spiermassametingen verband houden met overleving en risico 's op ernstige complicaties na grote operaties of behandelingsplannen zoals chemotherapie en chemotherapeutische toxiciteit16,17,18. Daarom zouden we stellen dat het nuttig kan zijn voor clinici om lichaamssamenstellingsgegevens te hebben voordat ze patiënten adviseren over behandelingsopties.
Momenteel zijn er verschillende methoden om de lichaamssamenstelling te beoordelen. Verschillende methoden, zoals densitometrie12 en luchtverplaatsing plethysmografie (ADP)19, maken gebruik van luchtgewicht en verplaatsing, respectievelijk om het percentage lichaamsvet en lichaamsdichtheid te schatten. Hoewel deze methoden nuttig kunnen zijn, zijn ze niet in staat om de vetweefselverdeling te bepalen5,19. Andere analytische technieken voor lichaamssamenstelling, zoals BIA, baseren hun analyse op de verschillende elektrische kenmerken van vetmassa en vetvrije massa12. Nogmaals, deze techniek slaagt er niet in om de vetverdelingen adequaat te beoordelen, en het vereist ook meer informatie zoals etniciteit, leeftijd en geslacht voor nauwkeurigere metingen19. Omgekeerd is aangetoond dat beoordelingen zoals DEXA nuttig zijn bij de beoordeling van de lichaamssamenstelling, maar de neiging hebben om spiermassa te overschatten met toenemende adipositas12. Verschillende protocollen hebben ook de Regio-of-Interest (ROI) methode gebruikt om spiermassa en vetweefselgegevens te verkrijgen binnen de DICOM-weergavesoftware , waarvan is aangetoond dat deze een goede correlatie heeft met BIA-analyse van de lichaamssamenstelling voor sarcopeniebeoordeling en voedingsbeoordeling20,21.
De segmentatieprocedure ontwikkeld door Mourtzakis et al. heeft een voordeel ten opzichte van alternatieve lichaamssamenstellingsbeoordelingen, omdat het kan worden uitgevoerd op de meeste CT- of MRI-beelden en nauwkeurig de vetweefselverdelingen en het spiergebiedbepaalt 13. Bovendien heeft axiale L3-segmentatie het voordeel van nauwkeurigheid, ongeacht de obesitasstatus van de patiënt13. Net als bij de bovengenoemde alternatieven heeft de door Avrutin et al.14 ontwikkelde lineaire meettechniek niet de mogelijkheid om de vetverdeling te beoordelen. Onlangs hebben onderzoekers ongelijksoortige lichaamssegmentatie aangetoond, vooral in methoden die alleen psoas-spieren meten22. Psoas spiermassa alleen is niet zeer representatief voor de lumbale spierhoeveelheid of systematische spierverspilling, en kan niet sterk gecorreleerd zijn met klinische resultaten22. Dit probleem kan meer zorgwekkend zijn bij lineaire meting, omdat psoas spier is de belangrijkste spiergroep in de beoordeling. Onze geschetste techniek omvat echter bilaterale psoas- en paraspinale spierschattingen om een nauwkeurigere, terwijl nog steeds snelle en gemakkelijke beoordeling van cross-sectionele spiermassa te meten. Toekomstige studies die de overeenstemming tussen CT/MRI lineaire meet- en segmentatiemethoden en hun correlatie met klinische resultaten valideren, zijn gerechtvaardigd.
Zowel de L3-segmentatie als de lineaire meetprocedures waren in eerste instantie ontworpen om het lichaamsbrede spiergehalte snel en nauwkeurig te beoordelen. Door alleen te segmenteren op de L3-wervels, bespaart het protocol tijd terwijl het de onderzoekers of clinici nog steeds voldoende informatie biedt om de magere spiermassa en adipositasstatus van de patiënt te bepalen. Hoewel L3-segmentatie veel minder tijd kost dan volledige lichaamssegmentatie, kan het nog steeds tijdrovend en duur zijn om de Slice-O-Matic-software te gebruiken. Daarentegen kunnen lineaire metingen even nauwkeurig zijn als de L3-segmentatie bij het beoordelen van spierstatus en sarcopenie bij ernstig zieke patiënten14,15. We hebben een dergelijke relatie aangetoond in het T3 niercelcarcinoomcohort, waar de skeletspier gemeten door lineaire metingen nauw gecorreleerd is met de waarde gemeten door segmentatie (Figuur 6). Belangrijk is dat de methode extreem snel is en de beeldvormingssoftware gratis is. De meest opvallende beperking tot de lineaire meetprocedure is echter het gebrek aan vermogen om het vetweefselgehalte te beoordelen, wat de clinici beperkt tot contexten waar een algemene beoordeling van spierinhoud voldoende is.
Er zijn drie kritieke stappen in zowel segmentatie- als lineaire meetprocedures. Ten eerste moeten clinici en onderzoekers het midden van de L3-wervels identificeren om consistentie te bereiken. Het midden van de L3-wervels zal het deel zijn waar het merg van de dwarsprocessen het meest prominent aanwezig is. De axiale L3-wervelschijf is gemakkelijker te herkennen met behulp van een cross-linked sagittale of coronale weergave. Onderzoekers of clinici kunnen eerst L1-wervels of heiligbeen als referentiepunt vinden, rekening houdend met het feit dat de aanwezigheid van zes lumbale wervels in plaats van vijf een normale variant is. De volgende cruciale stap is het identificeren van spieren. Bij lineaire metingen mag het quadratus lumborum niet worden opgenomen tijdens het uitvoeren van de verticale en horizontale metingen. Ten derde moeten onderzoekers ook goed opletten bij het labelen van btw in het segmentatieprotocol, omdat het colongehalte soms kan worden getagd als visceraal vetweefsel23. Wanneer een dergelijke fout optreedt, moeten onderzoekers deze gebieden wissen voordat ze doorgaan naar de volgende stap.
Een veel voorkomend probleem bij segmentatie is een slechte CT- of MRI-beeldkwaliteit (zie Representatieve resultaten voor voorbeelden). In sommige gevallen maakt de slechte kwaliteit het beeld niet nutteloos, maar in andere gevallen moet het beeld mogelijk worden uitgesloten van analyse. Een andere, mogelijk onvermijdelijke, beperking van de segmentatie van een enkele afbeelding omvat de willekeurige variatie van vaste orgaanpositie van afbeelding naar afbeelding.
Andere veel voorkomende problemen voor zowel L3-segmentatieanalyse als lineaire meetanalyse zijn vaak gerelateerd aan inter- en intra-ratervariatie. Zoals bij de meeste protocollen het geval zou zijn, kan een zekere mate van variatie tussen waarnemers en tussen de afzonderlijke proeven van één persoon worden verwacht. Om de inter-ratervariatie te verklaren en te minimaliseren met meerdere mensen die analyses uitvoeren, kan het team van onderzoekers of clinici testen op statistisch significante variaties in oppervlaktemetingen en gemiddelde HU uit hetzelfde beeld. Let vooral op HU-variatie, omdat dit zal aangeven of onderzoekers of clinici die zeer vergelijkbare oppervlakten hebben voor hetzelfde beeld inderdaad de weefsels ongeveer hetzelfde taggen. Om te testen op significante intra-ratervariatie voor een individu, kunnen onderzoekers of clinici een kleine subset van afbeeldingen nemen en elke afbeelding segmenteren totdat alle replica's voor elke afbeelding zich binnen een smalle, statistisch onbeduidende marge bevinden.
We erkennen dat beide hier gepresenteerde protocollen beperkingen hebben in de analyse van de lichaamssamenstelling, aangezien slechts één segment wordt gebruikt. Zoals voorgesteld door Shen et al., kan de 3D-analyse nauwkeurigere informatie bieden voor het buikviscerale vet, en een enkele analyse voor btw is op verschillende niveaus voor mannen en vrouwen24. De protocollen die hier worden besproken, zijn echter nog steeds waardevol omdat ze snelle beoordelingen van spieren en vetweefsel bieden, die kunnen worden gebruikt voor sarcopeniescreening in klinieken.
Bovendien zijn er veel geautomatiseerde analyseprotocollen voor lichaamssamenstellingen geweest met behulp van 3D-machine learning-algoritmen, met name neurale-netgebaseerde classificatiealgoritmen25. We erkennen dat dit de mogelijke toekomstige alternatieven voor traditionele 2D-segmentatie kunnen zijn. Deze methoden vereisen echter dat grote datasets van CT- en MRI-beelden worden ontwikkeld, getest en geïmplementeerd in klinische en onderzoeksinstellingen. Bovendien vereisen deze methoden vaak 2D-segmentatieanalyse om een basislijnverwijzing vast te stellen waarmee de machine learning-algoritmen kunnen worden gevalideerd. De protocollen die hier worden gedemonstreerd, kunnen daarom nuttig zijn wanneer grote datasets of 3D-afbeeldingen niet beschikbaar zijn, en deze protocollen kunnen worden toegepast om machine learning-algoritmen te helpen ontwikkelen en valideren wanneer ze van toepassing zijn. Daarom zijn we van mening dat clinici en onderzoekers kunnen profiteren van deze trainingsvideo en deze snelle en betrouwbare methoden kunnen toepassen als voorlopige screening voordat geautomatiseerde analyse beschikbaar is en om de implementatie van deze geavanceerde technologie te vergemakkelijken.
Het vermogen om snel de verdeling van vetweefsel en skeletspiermassa te analyseren, heeft een breed scala aan klinische interesses, variërend van kankerbehandeling en onderzoek tot hartaandoeningen5. In vergelijking met andere veelgebruikte methoden, de Mourtzakis et al. L3-segmentatieprocedure in Slice-O-Matic kan de verdeling van vetweefsel nauwkeurig en snel beoordelen en sarcopeniestatus5,12,13,19bepalen . Bovendien, in contexten waar informatie over skeletspiermassa voldoende is, is de lineaire metingsprocedure van L3 een betrouwbaar en zeer snel hulpmiddel om succes te helpen voorspellen bij kankerbehandelingen zoals chirurgie, radiotherapie en chemotherapie1,2,4,6,7,8. Het doel van deze trainingsvideo en manuscript is om het protocol voor segmentatie en lineaire metingen voor toekomstig gebruik duidelijk af te bakenen, zodat clinici gemakkelijker de lichaamssamenstelling in de kliniekomgeving kunnen beoordelen.
Disclosures
De auteurs hebben niets bekend te maken.
Acknowledgments
De auteurs willen graag de steun van de john robinson &churchill familie stichtingen erkennen.
Materials
| Name | Company | Catalog Number | Comments |
| Centricity PACS Radiology RA 1000 Workstation | GE Healthcare | Image viewer to obtain subject's MRI and CT images | |
| Slice-O-Matic 5.0 | TomoVision | Segmentation software used in this protocol. Other versions of this software may be used, but tools may be slightly different. | |
| Horos | Nimble Co LLC d/b/a Purview | Linear segmentation software used in this protol, but researchers can use any image viewer with a ruler tool. |
References
- 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).
- 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).
- Santilli, V., Bernetti, A., Mangone, M., Paoloni, M.
- 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).
- 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).
- 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).
- 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).
- 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).
- Vashi, P. G., et al. Sarcopenia supersedes subjective global assessment as a predictor of survival in colorectal cancer. PLoS One. 14 (6), 0218761 (2019).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Peng, P., et al. Impact of sarcopenia on outcomes following resection of pancreatic adenocarcinoma. Journal of Gastrointestinal Surgery. 16 (8), 1478-1486 (2012).
- 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).
- 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).
- 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).
- Zopfs, D., et al. Single-slice CT measurements allow for accurate assessment of sarcopenia and body composition. European Radiology. 30 (3), 1701-1708 (2020).
- 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).
- Baracos, V. E. Psoas as a sentinel muscle for sarcopenia: a flawed premise. Journal of Cachexia, Sarcopenia and Muscle. 8 (4), 527-528 (2017).
- 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).
- 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).
- Weston, A. D., et al. Automated abdominal segmentation of CT scans for body composition analysis using deep learning. Radiology. 290 (3), 669-679 (2019).
