Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Medicine
Click here for the English version

Medicine

Segmentering og lineær måling for kroppssammensetningsanalyse ved hjelp av Slice-O-Matic og Horos

Published: March 21, 2021 doi: 10.3791/61674
Automatic Translation
1, 1, 1, 1, 1, 1, 1, 2, 3, 4, 5, 1, 1
1Department of Urology, Emory University School of Medicine, 2Northeast Ohio Medical University, 3Department of Urology, University of Alabama at Birmingham, 4Department of Medical Oncology, Winship Cancer Institute of Emory University, 5Department of Urology, University of Washington

Summary

Segmentering og lineære målinger kvantifiserer skjelettmuskulaturmasse og fettvev ved hjelp av beregnet tomografi og/eller magnetisk resonansavbildningsbilder. Her skisserer vi bruken av Slice-O-Matic programvare og Horos image viewer for rask og nøyaktig analyse av kroppssammensetning. Disse metodene kan gi viktig informasjon for prognose og risikostratifisering.

Abstract

Kroppssammensetning er forbundet med risiko for sykdomsprogresjon og behandlingskomplikasjoner under en rekke forhold. Kvantifisering av skjelettmuskulaturmasse og fettvev på beregnet tomografi (CT) og/eller magnetisk resonansavbildning (MR) kan derfor informere kirurgirisikoevaluering og sykdomsprognose. Denne artikkelen beskriver to kvantifiseringsmetoder opprinnelig beskrevet av Mourtzakis et al. og Avrutin et al.: vevssegmentering og lineær måling av skjelettmuskulatur. Pasientenes tverrsnittsbilde på midtpunktet av den tredje lumbale ryggvirvelen ble oppnådd for begge målingene. For segmentering ble bildene importert til Slice-O-Matic og farget for skjelettmuskulatur, intramuskulært fettvev, visceralt fettvev og subkutant fettvev. Deretter ble overflatearealer av hver vevstype beregnet ved hjelp av merkeoverflatefunksjonen. For lineære målinger måles høyden og bredden på bilaterale psoaer og paraspinale muskler på nivået av den tredje lumbale vertebraen, og beregningen ved hjelp av disse fire verdiene gir den estimerte skjelettmuskulaturmassen. Segmenteringsanalyse gir kvantitativ, omfattende informasjon om pasientenes kroppssammensetning, som deretter kan korreleres med sykdomsprogresjon. Prosessen er imidlertid mer tidkrevende og krever spesialisert opplæring. Lineære målinger er et effektivt og klinikkvennlig verktøy for rask preoperativ evaluering. Lineære målinger gir imidlertid ikke informasjon om fettvevssammensetning. Likevel har disse metodene brede anvendelser i en rekke sykdommer for å forutsi kirurgiske utfall, risiko for sykdomsprogresjon og informere behandlingstilbud for pasienter.

Introduction

Vurdering av sarkopeni og kroppssammensetning er for tiden av stor klinisk interesse. Selv om spesifikke definisjoner av sarkopeni varierer avhengig av innstilling og kontekst, inkluderer alle definisjoner betydelig tap av skjelettmuskulaturmasse eller muskelstyrke, som er nært korrelert1,2,3. Kroppssammensetningsanalyse inneholder målinger av skjelettmuskulaturmasse og fettvevsdistribusjon, og gir mer omfattende informasjon om pasientens generelle kondisjon1,3,4. På samme måte har uforholdsmessig distribuert fettvev, spesielt visceralt fettvev, vist seg å være relatert til ulike sykdommer, inkludert hjertesykdom, type II diabetes og kreft5.

Klinisk har sarkopeni og dens vurdering ved lineære målinger gjentatte ganger vist seg å være en sterk prognostisk faktor for kreftspesifikk overlevelse på tvers av maligniteter og onkologiske utfall etter kirurgi, strålebehandling og kjemoterapi1,2,4,6,7,8. Spesielt viser tidligere forskning at pasienter med sarkopeni har redusert kreftspesifikk overlevelse og total overlevelse1,2,9,10. Derfor er nøyaktig og rask klinisk vurdering av sarkopeniprogresjon viktig for å bestemme behandlingsvalget. Konvensjonell helkroppssammensetningsprofilering krever analyse på et tredimensjonalt (3D) nivå ved hjelp av avbildningsteknikker, inkludert Computed Tomography (CT), Magnetic Resonance Imaging (MRI), Bone Densitometry (DEXA) og Bioelectrical Impedance Analysis (BIA), som er tidkrevende, kostbare og krever omfattende opplæring5,11. En annen ulempe er mangel på informasjon om fettfordeling, spesielt for luftforskyvning plethysmografi (ADP) og DEXA12. Derfor har vurdering og bestemmelse av sarkopeni og kroppssammensetning ved bruk av konvensjonelle tverrsnittsavbildningsmodaliteter som CT eller MR, som brukes som en del av standard klinisk praksis, stor klinisk verdi5.

En vanlig brukt segmenteringsprogramvare i den kliniske forskningsinnstillingen er Slice-O-Matic-programmet utviklet av TomoVision. Ved hjelp av Mourtzakis et al.13 segmenteringsprosedyre gjør programmet det mulig for forskere eller klinikere å halvautomatisk merke ulike vevstyper som skjelettmuskulatur (SM), intramuskulært fettvev (IMAT), visceralt fettvev (mva) og subkutan fettvev (SAT) ved hjelp av tetthetsbaserte terskler, slik at måling av de generelle tverrsnittsområdene i hvert vev. Disse målingene brukes deretter til å estimere total kroppsskjellet muskelmasse og adipositet, ofte etter normalisering av pasientens høyde kvadrert, for å identifisere sarkopeni og sarkopenisk fedme ved befolkningsbaserte terskler.

En nylig utviklet metode av Avrutin et al.14 ved hjelp av lineære målinger av skjelettmuskulatur utviklet har vist potensialet til å være like pålitelig i å estimere total muskelmasse ved hjelp av MR- og CT-bilder av L3-tverrsnittet14,15. Psoas og paraspinale muskelgrupper består av mye av muskeloverflateområdet i L3-regionen og har høy funksjonalitet, noe som tyder på at de kan være høy-troskap prediktorer for generell muskelstyrke, og dermed de viktigste kandidatene til lineær måling14,15. For å beregne det muskulære overflateområdet oppnås horisontale og vertikale målinger av psoas og paraspinale muskelgrupper ved hjelp av et linjalverktøy for å tegne 90° kryssende rette linjer. De horisontale og vertikale målingene for hver muskelgruppe multipliseres for å estimere overflatearealet til hver muskelgruppe, som deretter brukes til å beregne en lineær muskelindeks når den deles av pasientens høyde. Med minimal trening kan hele denne prosessen ta mindre enn 1 min.

Gitt de potensielle implikasjonene av kroppssammensetningsmålinger på pasientbehandling, er det et presserende behov for å lage tilgjengelige treningsmaterialer. I denne artikkelen gir vi en detaljert beskrivelse av to metoder utviklet av Avrutin et al.14 og Mourtzakis et al.13 for å kvantifisere skjelettmuskulaturmasse og kroppssammensetning, henholdsvis for leverandører og kliniske forskere.

Protocol

Følgende studie og protokoller ble gjennomgått og godkjent av Institutional Review Board ved Emory University.

1. L3 CT segmentering

  1. Skaff deg det aksiale BILDET AV CT Digital Imaging and Communications in Medicine (DICOM).
    1. Identifiser L3-vertebraen i bildevisningsprogrammet.
      1. Hvis det er mulig, velger du to vannrette vindusvisninger og velger coronal- eller sagittalvisning til venstre for referanse, og aksialvisning til høyre.
      2. Klikk på Krysskobling for å koble til venstre og høyre vinduer.
      3. Rull nedover bildene fra kranial- til kaudal retning. Identifiser L1 vertebra, som er den første ryggvirvelen uten ribbenfeste.
      4. Tell fra L1 til L3 og bruk koronal- eller sagittalvisningen til å identifisere stykket i midten av L3. Dette identifiseres som det punktet hvor begge tverrgående prosesser er i stand til å bli maksimalt og like visualisert.
      5. Merk L3-stykket. Velg Send eksamen på Eksamen-fanen, og lagre bildet som en DICOM-fil.
        MERK: Trinn 1 er et forhåndsbehandlingstrinn og er oppført her for å demonstrere hvordan du får tak i et L3-bilde. Hvis forskeren allerede har et L3-bilde, kan de gå til trinn 2. Hvis bildeviseren ikke aktiverer kryssreferanse, kan forskeren hoppe over 1,1,1 til 1,1,2. Hvis avbildningen ikke inkluderer thoracic region, identifiser L5, som er fremre til sakrummet, og tell fra L5 til L3, husk at tilstedeværelsen av en sjette lumbale vertebra er en normal variant.
  2. Åpne DICOM-bildet med Slice-O-Matic Software.
  3. Dra DICOM-filen til hvor som helst i Slice-O-Matic-vinduet.
  4. Velg modi | Region Vokser for å begynne segmentering.
    1. Hvis versjonen av Slice-O-Matic har Alberta Protocol-alternativer øverst i Moduser-listen over alternativer, kan man også velge Trinn 3: Segmentering for å starte segmentering. Hvis du bruker Trinn 3: Segmentering, fullfører du trinn 5, og deretter går du videre til trinn 11.
  5. Velg Verktøy | Lås kode. Dette vil gjøre det mulig for brukeren å "låse" kodede farger for å sikre at de ikke ved et uhell er farget over eller slettet senere.
  6. Skjelettmuskulaturidentifikasjon: Klikk på 1 (rød) under regiondyrkingsområdet på venstre side av skjermen.
    1. Klikk Av -knappen ved nedre grense for å aktivere den . Klikk pilene med musehjul for å sette Deaktivert til nedre grense. Dra glidebryteren på nedre grense for å angi terskelverdien for Hounsfield Unit (HU) så nær -29 som mulig, og bruk deretter musehjulet til å sette HU-terskelverdien nøyaktig til -2913.
    2. Klikk Av -knappen ved øvre grense for å aktivere den . Klikk pilene med musehjul for å sette nedre grense til øvre grense. Dra glidebryteren på Øvre grense for å angi HU-terskel så nær 150 som mulig, og bruk deretter musehjulet til å angi HU-terskel nøyaktig til 15013.
  7. Identifikasjon av intramuskulært fettvev (IMAT): Klikk på 2 (Grønn) under regiondyrkingsområdet på venstre side av skjermen.
    1. Klikk Av -knappen ved nedre grense for å aktivere den . Klikk pilene med musehjul for å sette Deaktivert til nedre grense. Dra glidebryteren på Nedre grense for å angi HU-terskel så nær -190 som mulig, og bruk deretter musehjulet til å angi HU-terskel nøyaktig til -19013.
    2. Klikk Av -knappen ved øvre grense for å aktivere den . Klikk pilene med musehjul for å sette nedre grense til øvre grense. Dra glidebryteren på Øvre grense for å angi HU-terskel så nær -30 som mulig, og bruk deretter musehjulet til å angi HU-terskel nøyaktig til -3013.
  8. Visceral Adipose Tissue (VAT) Identification: Klikk på 5 (Gul) under Region Voksende området på venstre side av skjermen.
    1. Klikk Av -knappen ved nedre grense for å aktivere den . Klikk pilene med musehjul for å sette Deaktivert til nedre grense. Dra glidebryteren på Nedre grense for å angi HU-terskel så nær -150 som mulig, og bruk deretter musehjulet til å sette HU-terskel nøyaktig til -15013.
    2. Klikk Av -knappen ved øvre grense for å aktivere den . Klikk pilene med musehjul for å sette nedre grense til øvre grense. Dra glidebryteren på Øvre grense for å angi HU-terskel så nær -50 som mulig, og bruk deretter musehjulet til å angi HU-terskel nøyaktig til -5013.
  9. Subkutan identifikasjon av fettvev (SAT): Klikk på 7 (cyan) under området Region Voksende på venstre side av skjermen.
    1. Klikk Av -knappen ved nedre grense for å aktivere den . Klikk pilene med musehjul for å sette Deaktivert til nedre grense. Dra glidebryteren på Nedre grense for å angi HU-terskel så nær -190 som mulig, og bruk deretter musehjulet til å angi HU-terskel nøyaktig til -19013.
    2. Klikk Av -knappen ved øvre grense for å aktivere den . Klikk pilene med musehjul for å sette nedre grense til øvre grense. Dra glidebryteren på Øvre grense for å angi HU-terskel så nær -30 som mulig, og bruk deretter musehjulet til å angi HU-terskel nøyaktig til -3013.
  10. Bruk tastene + og - på tastaturet til å zoome inn og ut av CT-bildet. Juster zoomen etter behov gjennom segmentering for å tydelig og nøyaktig merke vev.
  11. Begynn segmenteringen ved å velge 1 for skjelettmuskulaturvev (SM).
    1. Sett penselalternativet til Paint.
    2. Bruk penselverktøyene som finnes direkte under Region Voksende for å justere til ønsket størrelse på børsten og begynne å male over Psoas, Paraspinal Muscle grupper, skrå og rectus muskelgrupper.
      MERK: Hvis væsker eller organer utenfor muskelfasciaen er merket med rødt som muskler, må du fjerne merkingen ved hjelp av fargevalget Ingen.
  12. Når alle musklene er merket, velger du 1 i TAG Lock-menyen nederst til venstre på skjermen. Dette vil sikre at ingen muskler blir merket eller slettet ved et uhell når segmentering fortsetter.
  13. Velg 2 under Region Voksende og maling over alle fettvev (IMAT) i muskelfascia. Pass på at du bruker fargevalget Ingen hvis fett eller strukturer utenfor muskelfasciaen feilaktig merkes som IMAT.
    MERK: Kantene på muskelfasciaen ser vanligvis lettere ut enn det viscerale eller subkutane fettet som omgir det. Pass på å merke alt fettet innenfor de lettere kantene på muskelfascia som IMAT og ikke MVA eller SAT. Hvis linea alba ikke er merket som muskel, bør hele linea alba analyseres som IMAT.
  14. Når all IMAT er merket, velger du 2 fra TAG Lock-menyen nederst til venstre på skjermen.
  15. Velg 5 på Regionvekst-menyen for å merke mva-vevet.
    1. Når du koding av mva., avhengig av bildet, kan det være enklere å bruke Øk 2D i stedet for Paint.
    2. Hvis du bruker Øk 2D, bruker du det minste penselalternativet. Hvis du bruker Grow 2D, må du se tilbake på all merket mva og sørge for at ikke noe intralumenalt vev inne i tarmene eller organene feilaktig er merket, siden det fettet vanligvis er fra enten å fordøye mat eller andre strukturer som ikke er mva.
    3. Hvis du bruker Paint, må du passe på å ikke male inne i lumen av organer eller tarmene.
  16. Når all mva er merket, velger du 5 fra TAG Lock-menyen nederst til venstre på skjermen.
  17. Velg 7 fra Region voksende-menyen for å merke SAT-vev.
    1. Når du koder SAT, avhengig av bildet, er det vanligvis enklere å bruke Øk 2D i stedet for Paint.
    2. Hvis du bruker Øk 2D, bruker du det minste penselalternativet.
    3. Hvis du bruker Grow 2D, må du passe på å gå tilbake over kantene på bildet med Ingen-verktøyet valgt for å være sikker på at ingen vev i muskelfascia er merket som SAT og for å være sikker på at ingen hud er merket som SAT.
      MERK: Huden er vanligvis lettere i utseende enn SAT og er vanligvis rundt 2-3 piksler tykk, men vær oppmerksom på at hudens utseende og tykkelse kan variere fra bilde til bilde.
    4. Hvis du bruker Paint, må du passe på å ta vare på kantene, spesielt rundt huden for å sikre at ikke noe vev er feil merket.
  18. Når du er ferdig med å merke vev, går du til Verktøy | Angi koder for overflate/volum. Dette vil vise overflatearealet og volumet til hvert av vevene som er merket, vanligvis er interessen i overflateområdet.
    1. Klikk på Display in Window for å åpne Tag Surface / Volume-vinduet helt. Dette vil også vise HU-verdier.
    2. Registrer terskelverdiene for overflateareal og HU.
      MERK: Hvis vinduet Tag Surface/Volume ikke vises nederst til venstre på skjermen, kan det skyldes at det ikke er nok plass til å vise den. I dette tilfellet må du kontrollere at vinduet Slice-O-Matic er maksimert, og deretter velge Verktøy | Tag Lock for å fjerne Tag Lock-vinduet. Dette bør gi nok plass til å vise vinduet Kode overflate/volum.
  19. Når du er ferdig, går du til | Lagre TAG-filer. Dette vil lagre en TAG-fil der DICOM-filen er plassert.

2. L3 MR-segmentering

  1. Få tak i det aksiale MR-bildet (T2-vektede sekvenser) DICOM
    1. Identifiser L3-vertebraen i bildevisningsprogrammet.
      1. Hvis det er mulig, velger du to vannrette vindusvisninger og velger coronal- eller sagittalvisning til venstre for referanse, og aksialvisning til høyre.
      2. Klikk på Krysskobling for å koble til venstre og høyre vinduer.
      3. Rull nedover bildene fra kranial- til kaudal retning. Identifiser L1 vertebra, som er den første ryggvirvelen uten ribbenfeste.
      4. Tell fra L1 til L3 og bruk koronal- eller sagittalvisningen til å identifisere stykket i midten av L3. Dette identifiseres som det punktet hvor begge tverrgående prosesser er i stand til å bli maksimalt og like visualisert.
      5. Merk L3-stykket. Velg Send eksamen på Eksamen-fanen, og lagre bildet som en DICOM-fil.
        MERK: Trinn 1 er et forhåndsbehandlingstrinn og er oppført her for å demonstrere hvordan du får tak i et L3-bilde. Hvis forskeren allerede har et L3-bilde, kan de gå til trinn 2. Hvis bildeviseren ikke aktiverer kryssreferanse, kan forskeren hoppe over 1,1,1 til 1,1,2. Hvis bildet ikke inkluderer thoracic-regionen, identifiser L5, som er fremre til sakrummet, og tell fra L5 til L3, husk at tilstedeværelsen av en sjette lumbale vertebra er en normal variant.
  2. Åpne DICOM-bildet med Slice-O-Matic-programvare.
  3. Dra DICOM-filen til hvor som helst i Slice-O-Matic-vinduet.
  4. Velg modi | Region Vokser for å begynne segmentering.
    MERK: På grunn av dårlig differensiering av fettvev i MR-bilder, er bare SM segmentert.
    1. Paraspinale muskler Segmentering: Klikk på 1 (Rød) under Region Voksende området på venstre side av skjermen.
      1. I forhåndsvisningsmodusvil histogrammer i bildet vise flere topper, med den første toppen som representerer luft, og de påfølgende andre, tredje og fjerde toppene som representerer henholdsvis muskler, bein og fett.
      2. Klikk Av -knappen ved nedre grense for å aktivere den .
      3. Klikk pilene med musehjul for å sette Deaktivert til nedre grense.
      4. Dra glidebryteren på nedre grense for å sette terskelen for Hounsfield Unit (HU) til 0.
      5. Klikk Av -knappen ved øvre grense for å aktivere den .
      6. Klikk pilene med musehjul for å sette nedre grense til øvre grense.
      7. Dra glidebryteren på Øvre Grense for å angi HU for å inkludere paraspinalmuskelen.
      8. Begynn å segmentere paraspinal muskel ved å velge 1 for skjelettmuskulaturvev (SM). Sett penselalternativet til Paint. Bruk penselverktøyene som finnes direkte under Region Voksende for å justere til ønsket størrelse på børsten og begynne å male over Paraspinal Muscle-gruppene.
        MERK: Hvis noe er merket med rødt som muskler på væsker eller organer utenfor muskelfasciaen, må du sørge for å fjerne merkingen ved hjelp av fargevalget Ingen.
    2. Segmentering av gjenværende muskelgrupper: Flytt musen fremre til linea alba. I forhåndsvisningsmodus justerer du øvre grense for å inkludere linea alba. Denne øvre grensen for intensiteten blir deretter vedtatt for alle gjenværende muskelgrupper.
      1. Begynn segmenteringen ved å velge 1 for skjelettmuskulaturvev (SM). Sett penselalternativet til Paint. Bruk penselverktøyene som finnes direkte under Region Voksende for å justere til ønsket størrelse på børsten og begynne å male over Paraspinal Muscle-gruppene.
        MERK: Hvis noe er merket med rødt som muskler på væsker eller organer utenfor muskelfasciaen, må du sørge for å fjerne merkingen ved hjelp av fargevalget Ingen.
  5. Når du er ferdig med å merke vev, går du til Verktøy | Angi koder for overflate/volum. Dette vil vise overflatearealet og volumet til hvert av vevene som er merket, vanligvis er interessen i overflateområdet.
  6. Klikk på Display in Window for å åpne Tag Surface / Volume-vinduet helt. Dette vil også vise HU-verdier.
  7. Registrer terskelverdiene for overflateareal og HU.
    MERK: Hvis vinduet Tag Surface/Volume ikke vises nederst til venstre på skjermen, kan det skyldes at det ikke er nok plass til å vise den. I dette tilfellet må du kontrollere at vinduet Slice-O-Matic er maksimert, og deretter velge Verktøy | Tag Lock for å fjerne Tag Lock-vinduet. Dette bør gi nok plass til å vise vinduet Kode overflate/volum.
  8. Når du er ferdig, går du til | Lagre TAG-filer. Dette vil lagre en TAG-fil der DICOM-filen er plassert.

3. Lineær måling for CT og MR

  1. Hent den aksiale CT- eller MR DICOM-avbildningen.
    1. Identifiser L3-vertebraen i bildevisningsprogrammet.
      1. Hvis det er mulig, velger du to vannrette vindusvisninger og velger coronal- eller sagittalvisning til venstre for referanse, og aksialvisning til høyre.
      2. Klikk på Krysskobling for å koble til venstre og høyre vinduer.
      3. Rull nedover bildene fra kranial- til kaudal retning. Identifiser L1 vertebra, som er den første ryggvirvelen uten ribbenfeste.
      4. Tell fra L1 til L3 og bruk koronal- eller sagittalvisningen til å identifisere delen av midten av L3, som identifisert av punktet der begge tverrgående prosesser er like identifisert.
        MERK: Trinn 1 er et forhåndsbehandlingstrinn og er oppført her for å demonstrere hvordan du får tak i et L3-bilde. Hvis forskeren allerede har et L3-bilde, kan de gå til trinn 2. Hvis bildeviseren ikke aktiverer kryssreferanse, kan forskeren hoppe over 1,1,1 til 1,1,2. Hvis bildet ikke inkluderer thoraxområdet, identifiser L5, som er fremre til sakrum, og tell fra L5 til L3.
  2. Importer bildet til en visningsprogram for medisinsk bildebehandling, og åpne det.
    1. For Horos: Åpne appen og klikk på Importer.
    2. Naviger til der DICOM-bildet er plassert, velg det og klikk på Åpne. Filen og bildet skal vises under Pasientnavn -listen.
    3. Dobbeltklikk Pasientnavn, og dobbeltklikk deretter på bildet for å starte lineær segmentering.
  3. Identifiser psoasmusklene og paraspinale muskler.
  4. Velg linjalverktøyet og mål de horisontale (180°) og vertikale (90°) diameterene til de fire musklene som er nevnt ovenfor.
    MERK: Linjene må være horisontale og vertikale mot bildet, ikke diagonale. De horisontale og vertikale linjene som tegnes, skal skape en rektangulær boks som omfatter hele hver muskel. Ikke bare måle den lengste avstanden til muskelen. Hvis du bruker et bildevisningsprogram som tillater et bokstegningsverktøy, kan dette verktøyet brukes i stedet for det enkle linjalverktøyet. Dette er forutsatt at bokstegningsverktøyet viser minst høyden og lengden på boksen.
  5. Registrer alle åtte målingene (Right Psoas Width, Right Psoas Length, Left Psoas Width, Left Psoas Length, Right Paraspinal Width, Right Paraspinal Length, Left Paraspinal Width, Left Paraspinal Length) for videre analyse.
    1. Beregn det individuelle muskeloverflateområdet ved å multiplisere den horisontale og vertikale verdien av muskelen.
    2. Oppnå det totale muskeloverflateområdet psoas muskler og paraspinale muskler ved å legge venstre muskel til høyre muskel, henholdsvis.
    3. Beregn den lineære muskelindeksen ved å dele det kombinerte overflatearealet (mm2) med pasienthøyde kvadrert (m2).

Representative Results

L3-segmenteringsprosedyren resulterer i et tagget CT- eller MR-bilde med skjelettmuskulaturvev (SM) merket med rødt, IMAT i grønt, moms i gult og SAT i cyan (figur 1). De resterende ukodede vevene forblir i sine opprinnelige hvite, grå og bakre fargetoner som tilsvarer hver piksels respektive Hounsfield-enhetsverdier (HU). Flertallet av de ukodede vevene som forblir i hvitt, vil være bein, flertallet av vev som forblir i gråtoner vil være ikke-skjelettmuskulatur, organvev og fettvev i tarmens lumen, og flertallet av bildet som forblir i svart, vil være luft. Et riktig segmentert bilde vil ikke ha rød eller grønn merking utenfor skjelettmuskulaturfascia, og ingen gul eller cyan merking i skjelettmuskulaturfascia. I tillegg bør gul merking ikke invadere lumen av tarmer eller organer som nyre eller lever, og cyan merking bør ikke være til stede langs de lettere ytre kantene som tilsvarer huden. Når bildesegmenteringen er fullført, skal overflateområdene og gjennomsnittlige VEV HU-verdier registreres, sammen med pasientens høyde (Tabell 1). Fra disse dataene kan man beregne skjelettmuskulaturindeksen og fortsette med andre analyser som er relevante for den spesifikke forskningen eller kliniske spørsmål. Vær oppmerksom på at for de fleste MR-bilder kan bare skjelettmuskulaturen merkes riktig og analyseres (Tabell 2). I lineære mål beregnes en indeks ved å dele overflatearealet over kvadratet av høyden (Tabell 3).

Vanlige problemstillinger forskere kan støte på under segmenteringsprosedyren inkluderer bilder som har utelatelse av nøkkelinformasjon. Bilder kan for eksempel ha store deler kuttet eller beskåret (Figur 2). Spesielt bilder som har SAT og / eller skjelettmuskulaturvev kuttet ut av rammen, vil drastisk redusere nøyaktigheten av overflatearealberegninger av berørte vev. Hvorvidt dette gjør et bilde uegnet for analyse vil avhenge av den kliniske eller forskningskonteksten og må avgjøres av forskerteamet fra sak til sak. En annen fallgruve er at forskere utilsiktet kan inkludere ryggmarg og benmarg i skjelettmuskulatur. For å unngå dette problemet bør forskerne være godt trente og være forsiktige under segmentering. Andre vanlige artefakter i CT- eller MR-bilder inkluderer tekniske problemer forårsaket av pasientplassering eller bevegelse i skanneren, fettstrenging og arrvev rundt skjelettmuskulaturfasciaen og andre merkelig formede artefakter (figur 3). Tekniske problemer forårsaket av pasientbevegelse eller feil plassering vil vanligvis virke lettere, med høyere HU-verdier enn omkringliggende vev. Denne typen tekniske problemer vises vanligvis i SAT og kan også redusere nøyaktigheten av overflatearealberegning. Den kliniske eller forskningsmessige konteksten vil bestemme toleransenivået for slike problemstillinger. Fettstrenging og arrvevsartefakter resulterer vanligvis ikke i høye mengder feil i vevsoverflateberegninger. Imidlertid kan de føre til misidentifisering av fascial linjen. Skjelettmuskulatur og IMAT overflateområder kan være svært unøyaktige i tilfeller der fettstrenger eller arrvev forveksles som muskelfascialinjen. Andre små feil og artefakter i CT- og MR-bilder påvirker vanligvis ikke den generelle bildekvaliteten, bortsett fra i sjeldne tilfeller. Avhengig av den kliniske konteksten eller forskningskonteksten, kan det hende at disse artefaktene må vurderes av en radiologiekspert for å verifisere bildekvaliteten. Det siste vanlige problemet i CT- og MR-bilder er deformiteter i muskelfascialinjen (figur 4). Disse pausene vil vanligvis ikke påvirke bildekvaliteten, men bilder som inneholder store pauser eller andre deformiteter i muskelfascia bør vurderes av en radiolog for å avgjøre om deformitetsopprinnelsen vil påvirke den kliniske eller forskningskontekstens analyse.

L3 lineær måling prosedyre utviklet av Avruvin et al. har færre vanlige feil enn L3 segmentering prosedyre14,15. Hovedproblemene som oppstår i lineære tiltak dreier seg om å identifisere muskelgruppene av interesse, de to psoas og paraspinale muskelgrupper (Figur 5). I de fleste tilfeller vil psoaskantene være forskjellige fra nærliggende organer, men i tilfelle at kanten er vanskelig å skjelne, vil endring av HU-filtrene eller lysstyrken vanligvis løse de fleste problemene. I tillegg vil kantene på de paraspinale muskelgruppene ofte være forskjellige fra andre nærliggende vev, men man bør merke seg at hvis ingen klar muskel når bunnen av fascialinjen, bør linjen ikke inkluderes i å bestemme den nedre kanten av den paraspinale muskelgruppen. Til slutt bør quadratus lumborum utelukkes når du bestemmer kanten av psoas eller paraspinale muskelgrupper (Figur 5E).

Figure 1
Figur 1: Riktig L3-segmentering i Slice-O-Matic. (A) Det uendrete aksiale CT-bildet ved L3-ryggvirvler. (B) Den fullt merkede aksiale CT med rød tilsvarende skjelettmuskulaturen (SM), grønn til intramuskulært fettvev (IMAT), gult til vesisk fettvev (VAT) og cyan til subkutant fettvev (SAT). Klikk her for å se en større versjon av denne figuren.

Figure 2
Figur 2: Klipp av L3 CT-bilde. Et ukodet CT-bilde i Slice-O-Matic med betydelige mengder SAT samt betydelige mengder skjelettmuskulaturvev avskåret. Klikk her for å se en større versjon av denne figuren.

Figure 3
Figur 3: Vanlige artefakter. (A) Det ukodede CT-bildet har forskjellige artefakter uthevet i henholdsvis den røde boksen, den blå ovale og grønne boksen. Den røde boksen viser tekniske problemer med en CT-skanning, potensielt fra sykdom eller bevegelse under skanningen. Den blå ovale fremhever en vanlig artefakt som sannsynligvis stammer fra arrvev. Den grønne firkanten fremhever feil som kan ha flere potensielle årsaker. (B) Den kodede CT-skanningen med utseende på de samme respektive artefaktene uthevet i den røde boksen, den blå ovale og grønne boksen. Klikk her for å se en større versjon av denne figuren.

Figure 4
Figur 4: Stort brudd i muskelfascia. (A) Det ukodede L3 CT-bildet fremhever et stort brudd i skjelettmuskulaturfasciaen i den lilla boksen. (B) Det kodede L3 CT-bildet fremhever det kodede utseendet til det store bruddet i skjelettmuskelfasciaen i den lilla boksen. Klikk her for å se en større versjon av denne figuren.

Figure 5
Figur 5: L3 lineære målinger. (A) Det opprinnelige L3 CT-bildet før analyse i Horos bildeviser. (B) Den tradisjonelle lineære målemetoden inkluderer en vertikal linje og en horisontal linje tegnet for hver muskel. Disse linjene måles med et linjalverktøy og multipliseres for å finne overflaten til hver muskelgruppe. Legg merke til at den tradisjonelle lineære målmetoden alltid skal ha linjer som krysser ved 90°. Dette bildet av den tradisjonelle lineære målmetoden er visuell demonstrasjon bare siden den ble opprettet i Horos og er ikke garantert å ha 90 ° kryss. (C) (D) (E) Box -metoden for L3 lineære mål. (C) (D) Den blå og lilla boksen omfatter henholdsvis høyre og venstre psoas, og den gule og grønne boksen omfatter henholdsvis høyre og venstre paraspinalmuskel. (E) De lyse lilla og oransje boksene fremhever quadratus lumborum, som ikke bør vurderes når du bestemmer kantene på Psoas og paraspinale muskelgrupper. Klikk her for å se en større versjon av denne figuren.

Figure 6
Figur 6: Sammenligning av lineære mål og L3 tverrsnitts skjelettmuskulaturområde, n = 65. De kombinerte psoas og paraspinale områdene er i samsvar med den totale skjelettmuskelen i L3-tverrsnittet. Klikk her for å se en større versjon av denne figuren.

CT-SEGMENTERING
muskel Intramuskulært fettvev Visceral fettvev Subkutant fettvev
Suface-område (cm2) 134.4 8.402 72.43 271
Hounsfield-enhet (gjennomsnitt) 33.61 2.1 18.11 67.76
Pasient høyde kvadrert (m2) 2.69 Skjelett muskelindeks (Muskelområde/Høyde2, cm2/ m2) 49.97

Tabell 1: CT-segmentering

MR-SEGMENERING
muskel
Suface-område (cm2) 241.8
Hounsfield-enhet (gjennomsnitt) 35.85
Pasient høyde (m2) 3.39
Skjelett muskelindeks 71.42
(Muskelområde/Høyde2, cm2/m2)

Tabell 2: MR-segmentering

LINEÆRE MÅL
Høyre Psoas Høyde (cm) Høyre Psoas bredde (cm) Venstre Psoas Høyde (cm) Venstre Psoas bredde (cm) Høyre paraspinal høyde (cm) Høyre paraspinal bredde (cm) Venstre paraspinal høyde (cm) Venstre paraspinal bredde (cm)
3.934 2.927 3.743 2.788 4.916 6.264 4.403 7.045
Totalt Psoas-område (cm2) 21.950 Totalt paraspinalareal (cm2) 61.813
Totalt muskelområde (cm2) 83.76
Pasient høyde kvadrert (m2) 2.496 Lineær måleindeks (cm2/m2) 33.55

Tabell 3: Lineære mål

Discussion

Psoasmuskelen, paraspinale muskelgrupper og skrå muskler korrelerer tett med den totale muskelmassen5. Spesielt er overflatearealet i et CT- eller MR-tverrsnitt av disse muskelgruppene på midtpunktet av den tredje lumbale vertebraen (L3) svært korrelert med generell muskelmasse, noe som gjør dette bildet til et ideelt for forskere eller klinikere å bruke når de vurderer sarkopeni1,2,13. Segmentering og lineære målinger har vist stor verdi i å vurdere kroppssammensetning og identifisere dårlige prognostiske tilstander som sarkopeni og sarkopenisk fedme hos pasienter16,17. Forskning har vist at muskelmassemålinger er forbundet med overlevelse og risiko for store komplikasjoner etter store operasjoner eller behandlingsplaner som kjemoterapi og kjemoterapeutisk toksisitet16,17,18. Derfor vil vi hevde at det kan være gunstig for klinikere å ha kroppssammensetningsdata før vi rådgir pasienter om behandlingsalternativer.

For tiden er det flere metoder for å vurdere kroppssammensetning. Flere metoder, for eksempel densitometry12 og luftforskyvning plethysmografi (ADP)19, bruker luftvekt og forskyvning, henholdsvis for å estimere prosentandel kroppsfett og kroppstetthet. Selv om disse metodene kan være nyttige, kan de ikke bestemme fettvevsfordeling5,19. Andre analyseteknikker for kroppssammensetning, som BIA, baserer analysen på de forskjellige elektriske egenskapene til fettmasse og fettfri masse12. Men nok en gang klarer ikke denne teknikken å vurdere fettfordelinger tilstrekkelig, og det krever også mer informasjon som etnisitet, alder og kjønn for mer nøyaktigemålinger 19. Omvendt har vurderinger som DEXA vist seg å være nyttige i kroppssammensetningsvurdering, men har en tendens til å overvurdere muskelmasse med økende adipositet12. Flere protokoller har også brukt Region-of-Interest (ROI)-metoden for å oppnå muskelmasse- og fettvevsdata i DICOM-visningsprogramvaren, som har vist seg å ha god sammenheng med BIA kroppssammensetningsanalyse for sarkopenivurdering og ernæringsmessig vurdering20,21.

Segmenteringsprosedyren utviklet av Mourtzakis et al. har en fordel i forhold til alternative kroppssammensetningsvurderinger siden det kan gjøres på de fleste CT- eller MR-bilder og nøyaktig bestemmer fettvevsfordelinger og muskelområde13. I tillegg har aksial L3-segmentering fordelen av nøyaktighet uavhengig av pasientens fedmestatus13. I likhet med de nevnte alternativene har ikke den lineære måleteknikken utviklet av Avrutin et al.14 evnen til å vurdere fettfordeling. Nylig har forskere vist ulik i kroppssegmentering, spesielt i metoder som måler psoas muskler alene22. Psoas muskelmasse alene er ikke svært representativ for lumbal muskelmengde eller systematisk muskels kaste bort, og kan ikke være svært korrelert med kliniske utfall22. Dette problemet kan være mer bekymringsfullt i lineær måling, da psoas muskel er den største muskelgruppen i vurdering. Imidlertid inkluderer vår skisserte teknikk bilaterale psoas og paraspinale muskelberegninger for å måle en mer nøyaktig, mens fortsatt rask og praktisk vurdering av tverrsnitts muskelmasse. Fremtidige studier som validerer samsvaret mellom CT/MR lineær måling og segmenteringsmetoder og deres korrelasjon til kliniske resultater er berettiget.

Både L3-segmenterings- og lineærmålingsprosedyrene ble opprinnelig designet for å raskt og nøyaktig vurdere kroppsomfattende muskelinnhold. Ved å segmentere bare ved L3-ryggvirvlene sparer protokollen tid samtidig som den gir forskerne eller klinikerne nok informasjon til å bestemme pasientens magre muskelmasse og adipositetsstatus. Selv om L3-segmentering tar langt mindre tid enn segmentering av hele kroppen, kan det imidlertid fortsatt være tidkrevende og dyrt å bruke Slice-O-Matic-programvaren. Lineære målinger har derimot potensial til å være like nøyaktige som L3-segmenteringen i vurderingen av muskelstatus og sarkopeni hos kritisk syke pasienter14,15. Vi har vist et slikt forhold i T3 nyrecellekarsinomkohorten, der skjelettmuskelen målt ved lineære målinger er nært korrelert med verdien målt ved segmentering (Figur 6). Det er viktig at metoden er ekstremt rask, og bildeprogramvaren er gratis. Imidlertid er den mest bemerkelsesverdige begrensningen i den lineære måleprosedyren dens mangel på evne til å vurdere fettvevsinnhold, noe som begrenser klinikerne til sammenhenger der generell vurdering av muskelinnhold er tilstrekkelig.

Det er tre kritiske trinn i både segmenterings- og lineære måleprosedyrer. For det første bør klinikere og forskere identifisere midten av L3 ryggvirvlene for å oppnå konsistens. Midten av L3 ryggvirvlene vil være stykket der margen til de tverrgående prosessene er mest fremtredende. Den aksiale L3 ryggvirvler skive er lettere identifisert ved hjelp av en kryssbundet sagittal eller coronal visning. Forskere eller klinikere kan først finne L1 ryggvirvler eller sakrum som referansepunkt, og husk at tilstedeværelsen av seks lumbale ryggvirvler i stedet for fem er en normal variant. Det neste avgjørende trinnet er å identifisere muskler. Ved lineære målinger bør quadratus lumborum ikke inkluderes mens du tar vertikale og horisontale målinger. For det tredje bør forskere også være nøye med når de merker mva i segmenteringsprotokollen, da koloninnholdet noen ganger kan merkes som visceralt fettvev23. Når en slik feil oppstår, bør forskerne slette disse områdene før de går videre til neste trinn.

Et vanlig problem ved segmentering er dårlig kvalitet på CT- eller MR-bilder (se Representative Results for eksempler). I noen tilfeller gjør ikke den dårlige kvaliteten bildet ubrukelig, men i andre tilfeller kan det hende at bildet må utelates fra analysen. En annen, muligens uunngåelig, begrensning av segmenteringen av et enkelt bilde inkluderer den tilfeldige variasjonen av heldekkende organposisjon fra bilde til bilde.

Andre vanlige problemstillinger for både L3-segmenteringsanalyse og lineær måleanalyse er ofte knyttet til variasjon mellom og intra-rater. Som det ville være tilfelle med de fleste protokoller, kan en viss variasjon mellom observatører og mellom en enkelt persons separate forsøk forventes. For å ta høyde for og minimere variasjon mellom rater med flere personer som utfører analyser, kan forskerteamet eller klinikerne teste for statistisk signifikante variasjoner i overflatemåling og gjennomsnittlig HU fra samme bilde. Vær spesielt oppmerksom på HU-variasjon, da dette vil indikere om forskere eller klinikere som har svært like overflateområder for samme bilde, faktisk merker vevet omtrent det samme. For å teste for betydelig intra-rater variasjon for en person, kan forskere eller klinikere ta et lite delsett av bilder og segmentere hvert bilde til alle replikaer for hvert bilde er innenfor en smal, statistisk ubetydelig margin.

Vi erkjenner at begge protokollene som presenteres her har begrensninger i kroppssammensetningsanalysen, da bare en enkelt skive brukes. Som foreslått av Shen et al., kan 3D-analysen gi mer nøyaktig informasjon for abdominal visceralt fett, og enkeltskiveanalyse for mva er på forskjellige nivåer for menn og kvinner24. Protokollene som diskuteres her er imidlertid fortsatt verdifulle, da de gir raske vurderinger av muskler så vel som fettvev, som kan brukes til sarkopeniscreening i klinikker.

Videre har det vært mange automatiserte analyseprotokoller for kroppssammensetning ved hjelp av 3D-maskinlæringsalgoritmer, spesielt nevrale nettbaserte klassifiseringsalgoritmer25. Vi erkjenner at dette kan være de potensielle fremtidige alternativene til tradisjonell 2D-segmentering. Disse metodene krever imidlertid at store datasett av CT- og MR-bilder utvikles, testes og implementeres i kliniske og forskningsmiljøer. I tillegg krever disse metodene ofte 2D-segmenteringsanalyse for å etablere en referanse til grunnlinjen som maskinlæringsalgoritmene skal valideres mot. Protokollene som demonstreres her, kan derfor være nyttige når store datasett eller 3D-bilder ikke er tilgjengelige, og disse protokollene kan brukes til å utvikle og validere maskinlæringsalgoritmer når de gjelder. Dermed tror vi at klinikere og forskere kan dra nytte av denne opplæringsvideoen og ta i bruk disse raske og pålitelige metodene som foreløpig screening før automatisert analyse er tilgjengelig og for å lette implementeringen av denne avanserte teknologien.

Evnen til raskt å analysere fettvevsfordeling og skjelettmuskulaturmasse har en bred bredde av kliniske interesser som spenner fra kreftbehandling og forskning til hjertesykdom5. Sammenlignet med andre ofte brukte metoder, Mourtzakis et al. L3-segmenteringsprosedyren i Slice-O-Matic kan nøyaktig og raskt vurdere fettvevsdistribusjon og bestemme sarkopenistatus5,12,13,19. I tillegg, i sammenhenger der informasjon om skjelettmuskulaturmasse er tilstrekkelig, er L3 lineær målingsprosedyre et pålitelig og veldig raskt verktøy for å bidra til å forutsi suksess i kreftbehandlinger som kirurgi, strålebehandling og kjemoterapi1,2,4,6,7,8. Formålet med denne opplæringsvideoen og manuskriptet er å tydelig avgrense protokollen for segmentering og lineære målinger for fremtidig bruk, slik at klinikere lettere kan vurdere kroppssammensetning i klinikkmiljøet.

Disclosures

Forfatterne har ingenting å avsløre.

Acknowledgments

Forfatterne ønsker å anerkjenne støtten fra John Robinson & Churchill-familiens stiftelser.

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.

DOWNLOAD MATERIALS LIST

References

  1. 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).
  2. 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).
  3. Santilli, V., Bernetti, A., Mangone, M., Paoloni, M. Clinical definition of sarcopenia. Clinical Cases in Mineral and Bone Metabolism. 11 (3), 117-180 (2014).
  4. 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).
  5. 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).
  6. 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).
  7. 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).
  8. 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).
  9. Vashi, P. G., et al. Sarcopenia supersedes subjective global assessment as a predictor of survival in colorectal cancer. PLoS One. 14 (6), 0218761 (2019).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. 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).
  15. 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).
  16. Peng, P., et al. Impact of sarcopenia on outcomes following resection of pancreatic adenocarcinoma. Journal of Gastrointestinal Surgery. 16 (8), 1478-1486 (2012).
  17. 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).
  18. 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).
  19. 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).
  20. Zopfs, D., et al. Single-slice CT measurements allow for accurate assessment of sarcopenia and body composition. European Radiology. 30 (3), 1701-1708 (2020).
  21. 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).
  22. Baracos, V. E. Psoas as a sentinel muscle for sarcopenia: a flawed premise. Journal of Cachexia, Sarcopenia and Muscle. 8 (4), 527-528 (2017).
  23. 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).
  24. 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).
  25. Weston, A. D., et al. Automated abdominal segmentation of CT scans for body composition analysis using deep learning. Radiology. 290 (3), 669-679 (2019).

Tags

Denne måneden i JoVE utgave 169 kroppssammensetning segmentering lineær måling risikoevaluering sarkopeni CT-avbildning MR-avbildning
Segmentering og lineær måling for kroppssammensetningsanalyse ved hjelp av Slice-O-Matic og Horos
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Steele, S., Lin, F., Le, T. L.,… More

Steele, S., Lin, F., Le, T. L., Medline, A., Higgins, M., Sandberg, A., Evans, S., Hong, G., Williams, M. A., Bilen, M. A., Psutka, S., Ogan, K., Master, V. A. Segmentation and Linear Measurement for Body Composition Analysis using Slice-O-Matic and Horos. J. Vis. Exp. (169), e61674, doi:10.3791/61674 (2021).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter