En 3D-kvantifiseringsteknikk for leverfettfraksjonsfordelingsanalyse ved bruk av Dixon magnetisk resonansavbildning

Summary

Denne studien introduserer en unik 3D-kvantifiseringsmetode for distribusjon av leverfettfraksjon (LFF) ved bruk av Dixon Magnetic Resonance Imaging (Dixon MR). LFF-kart, avledet fra fase- og vannfasebilder, er integrert med 3D-leverkonturer for å skille LFF-mønstre mellom normale og steatotiske lever, noe som muliggjør presis vurdering av leverfettinnhold.

Abstract

Denne studien presenterer en 3D-kvantifiseringsmetodikk for distribusjon av leverfettfraksjon (LFF) gjennom bruk av Dixon MR-bildeanalyse. Det sentrale målet er å tilby en svært nøyaktig og ikke-invasiv måte å evaluere leverfettinnhold på. Prosessen innebærer oppkjøp av fase- og vannfasebilder fra en Dixon-sekvens. LFF-kart beregnes deretter omhyggelig voxel for voxel ved å dele lipidfasebildene med fasebildene. Samtidig ekstraheres 3D-leverkonturer fra innfasebildene. Disse viktige komponentene er sømløst integrert for å konstruere en omfattende 3D-LFF distribusjonsmodell. Denne teknikken er ikke begrenset til sunne lever, men strekker seg til de som er rammet av leverstatose. De oppnådde resultatene viser den bemerkelsesverdige effektiviteten av denne tilnærmingen i både visualisering og kvantifisering av leverfettinnhold. Det skiller tydelig mønstre som skiller mellom normale og steatotiske lever. Ved å utnytte Dixon MR for å trekke ut 3D-strukturen i leveren, gir denne metoden presise LFF-vurderinger som spenner over hele organet, og holder dermed stort løfte om diagnosen leverstatose med bemerkelsesverdig effektivitet.

Introduction

Ikke-alkoholholdig fettleversykdom (NAFLD) omfatter et spekter av patologiske forhold, alt fra unormal akkumulering av triglyserider i leverceller (hepatisk steatose) til utvikling av betennelse og skade på leverceller, kjent som ikke-alkoholisk steatohepatitt (NASH). I noen tilfeller kan NAFLD utvikle seg til mer alvorlige stadier, inkludert fibrose, skrumplever, leversykdom i sluttstadiet eller til og med hepatocellulært karsinom (HCC)¹. Publiserte data fra Verdens helseorganisasjon og Global Burden of Disease antyder at omtrent 1,235.7 millioner individer over hele verden er rammet av NAFLD i alle aldersgrupper². NAFLD er for tiden rangert som en av de mest fremtredende årsakene til leverrelaterte sykdommer globalt, og forventes å bli den ledende årsaken til leversykdom i sluttstadiet i de kommende tiårene³.

Den nøyaktige vurderingen av leversteatosens omfang har stor betydning for presis diagnose, passende behandlingsvalg og effektiv sykdomsprogresjonsovervåking. Gullstandarden for å vurdere leverfettinnhold fortsetter å være leverbiopsi. På grunn av sin invasive natur, potensialet for smerte, blødning og andre postoperative komplikasjoner, er det imidlertid ikke et praktisk alternativ for hyppige oppfølgingsundersøkelser ^4,5,6. Følgelig er det et presserende behov for ikke-invasive bildebehandlingsteknikker som på en pålitelig måte kan kvantifisere leverfettavsetning. Magnetic resonance imaging (MR) viser løfte i dette området på grunn av mangel på ioniserende stråling og dets evne til følsomt å oppdage fettinnhold gjennom kjemiske skifteffekter ^7,8.

Nylige studier har skissert MR-teknikker for kvantifisering av leverfett, basert på kjemiske skiftgradientekkometoder som Dixon imaging ^9,10. Ikke desto mindre er flertallet av disse teknikkene avhengige av analysen av todimensjonale regioner av interesse. Den omfattende evalueringen av den tredimensjonale fordelingen av leverfettfraksjon (LFF) har vært begrenset. I denne studien introduseres en unik 3D LFF-kvantifiseringstilnærming, som kombinerer Dixon MR med leverstrukturell avbildning. Den resulterende 3D LFF-modellen muliggjør presis visualisering og måling av fordelingen av fettinnhold gjennom hele volumet av leveren. Denne teknikken demonstrerer betydelig klinisk nytte for nøyaktig diagnose av leverstatose.

Protocol

Studien ble godkjent, og pasienten ble rekruttert fra infeksjonsmedisinsk avdeling ved Dongzhimen sykehus, Beijing University of Chinese Medicine, i Beijing, Kina. Pasienten gjennomgikk en rutinemessig abdominal Dixon MR-skanning etter informert samtykke. I denne undersøkelsen brukes en 3D-distribusjonsmodelleringstilnærming for å rekonstruere leverfettfraksjonen (LFF) hos en standardpasient med medisinsk diagnostisert leverstatose. Videre gir studien en kvantitativ vurdering som sammenligner pasientens lever med en sunn lever. Programvareverktøyene som brukes i denne undersøkelsen er oppført i materialfortegnelsen.

1. Forberedelse og datainnsamling

MERK: Variansen i parametere forblir upåvirket av forskningsmetoden. I denne undersøkelsen ble ekte DICOM-data hentet fra klinisk bildebehandling. Dataene ble samlet inn ved hjelp av et MR-apparat med feltstyrke på 1,5 Tesla. Datasettet består av fire forskjellige faser avledet fra Dixon-sekvensen, spesielt i fase, utenfor fase, vann og fett.

1. Sjekk Dixon-sekvensen for overlivet.
   1. Kopier alle DICOM-data til en tilpasset arbeidskatalog.
      MERK: Arbeidskatalogen er den samme i både operativsystemet og MATLAB.
   2. Gå til katalogen som inneholder dataene i MATLABs nåværende arbeidskatalog (som vist i figur 1).
   3. Bekreft at DIXON-dataene viser en vannrett oppløsning på 520 x 704 piksler, med en pikselavstand på 0,5682 mm og en skivetykkelse på 5 mm.
2. Sjekk raskt bilder av Dixon.
   1. Endre katalogen for å få tilgang til mapper for forskjellige faser, som inkluderer faser, utfase, vann og fettfaser, hver lagret i forskjellige mapper for Dixon-avbildning.
   2. Bruk Slice_View-funksjonen til å visualisere bildene for hver fase.
   3. Se figur 2 for å vise et bilde av MR-Dixon-sekvensens interaktive grafiske brukergrensesnitt (GUI). Bruk rullefeltet nederst på GUI-en for å navigere effektivt gjennom de forskjellige sekvensene.
   4. Bruk MR-Dixon In-phase sekvensen for å forbedre beskrivelser av levervevsgrenser.
      MERK: I figur 2 kan man finne ikoner i øvre høyre hjørne av GUI. Disse ikonene har funksjoner som å zoome ut, zoome inn, gå tilbake til den globale visningen og markere koordinatene til den valgte pikselen. Benytt deg av zoomfunksjonen for å undersøke lokale lesjonsfunksjoner nøye.
   5. Bruk funksjonen Merk bildepunktkoordinater til å beregne avstanden mellom to punkter, noe som hjelper deg med å måle knutestørrelser.
   6. Den første fargelinjen bruker jetfargekartet, som betyr et fargeskifte fra blått til rødt, som betyr henholdsvis lave til høye verdier. For å bytte til standard grå fargekart og tilbakestille hele GUI, høyreklikk på fargelinjen og velg alternativet fra hurtigmenyen.
   7. Hvis standardfiltervinduet ikke passer, justerer du det ved å dra opp og ned midt på figuren med venstre museknapp for å endre vindusnivået. Hvis du drar til venstre og høyre, justeres vindusbredden, og det nøyaktige filtreringsområdet vises på fargelinjen.
      MERK: Etterfølgende operasjoner vil fokusere på å bruke DIXON In-phase-sekvensen til å representere 3D-regionen i leveren.

2. Ekstrahering av 3D-regionen i leveren

MERK: For å beregne leverfettfraksjonen (LFF), fungerer hver voxel i 3D-leverregionen som en romlig bærer, med sin fettfraksjonsverdi oppnådd fra MR-Dixon-data. Før du beregner LFF, er det avgjørende å trekke ut 3D-leverregionen. Selv om dype læringsmetoder kan oppnå dette mer effektivt, er fokuset her på å bruke modne programvareverktøy som MIMICS for ekstraksjon av leverregion.

1. Åpne MIMICS-programvaren og velg Nytt prosjekt. I den påfølgende dialogboksen finner du mappen som inneholder DIXON Out-phase-bildene. Fortsett ved å klikke på NESTE, og trykk deretter Konverter for å gå inn i sekvensredigeringsmodus.
2. Generer en tom maske ved å klikke på Ny i MASK-dialogboksen på høyre side, og velg maksimal terskel.
3. Bruk Rediger masker-verktøyet under "Segment"-etiketten for å avgrense leverområdet i alle horisontale visninger.
4. Lag en 3D-romlig representasjon av leveren ved å velge levermasken som er avbildet tidligere og klikke på Beregn del fra maske. Den resulterende 3D-leverregionen vil bli presentert (se figur 3).
5. Naviger til Fil, velg deretter Eksporter, og velg DICOM-alternativet . I popup-dialogboksen velger du levermasken, angir filbanen og navnene, og klikker deretter på OK for å eksportere 3D-leverregionen til de angitte DICOM-filene.

3. Generere fettfraksjonskart (FF-kart)

MERK: Fettbrøkkartet (FF-Map) har et verdiområde på 0-1. I denne studien beregnes FF for hver voxel ved å dele voxelverdien av In-phase minus Water-only med verdien av In-phase ved bruk av Dixon MR.

1. Endre katalogen til mappen med fasebilder og velg Volume_In-funksjonen for å generere volumet i fasen.
2. Endre katalogen til mappen med Bare vann-bilder, og velg Volume_Water-funksjonen for å generere det rene vannvolumet.
3. Velg den FF_Volume funksjonen ved å bruke de to volumene generert i trinn 3.1 og trinn 3.2 som innganger for å oppnå FF-volumet av abdominal MR, visualisert som vist i figur 4.
4. Fettfraksjonskartet (FF) vist i figur 4 presenteres som et RGB-fargebilde med en datastruktur på 520 x 704 x 44 matrise. I denne representasjonen består hvert bildepunkt av tre verdier som representerer de røde, grønne og blå kanalene. Legg merke til fargelinjen på venstre side, som gir en visuell referanse for fettfraksjonsverdiene knyttet til forskjellige fargede piksler.
   MERK: GUI-en vist i figur 4 tillater nærmere observasjon av pasientens lever gjennom zoomeverktøyet øverst til høyre og oppnå de nøyaktige FF-verdiene ved hjelp av probingverktøyet. Ved å dra rullefeltet nederst, kan brukerne observere FF-kartene over alle skanneposisjoner i horisontalplanet.

4. 3D-volum av fordeling av leverfettfraksjon

MERK: Figur 4 viser LFF-kartet beregnet basert på Dixon MR-bilder av øvre del av magen. Kombinert med 3D-leverregionen i figur 3, kan 3D-LFF-volumet av hele leveren beregnes separat.

1. Bruk LFF_Volume-funksjonen , og gi den 3D-leverregionen (som vist i figur 3) og leverstivhetskartet (vist i figur 4) som inngangsparametere. Dette vil resultere i opprettelsen av 3D-volumrepresentasjonen av leverfettfraksjonen, som illustrert i figur 5.
2. For å undersøke stivhetskartet for hvert leverlag, bruk bare rullefeltet under GUI-en som vises i figur 5.
   MERK: I denne visningen er bare levervev nøyaktig avbildet.
3. Vær oppmerksom på ikonene i øvre høyre hjørne av GUI (som vist i figur 5). Disse ikonene har funksjoner for å zoome ut, zoome inn, gå tilbake til den globale visningen og markere koordinatene til den valgte pikselen.
   MERK: Standard fargelinje bruker "jet" fargekartet, der farger overgang fra blå til rød for å representere varierende verdier (målt i enheter av kPa) fra lav til høy.
4. Kjør LFF_Distribution-funksjonen ved å bruke de samme inngangsparametrene som "LFF_Volume" for å produsere den romlige fordelingen av 3D-leverfettfraksjonen (3D-LFF), som vist i figur 6.

5. 3D-LFF kvantitativ analyse

MERK: Normal lever voxels: LFF < 5%; Milde fettlever voxels: 5% -10%; Moderat fettlever voxels: 10% -20%; Alvorlige fettlever voxels: LFF ≥ 20%11,12,13,14,15. Et sentralt kvantitativt fokus i denne studien er å bestemme andelen voxels på forskjellige LFF-stadier i pasientens lever. Figur 6 viser den ujevne romlige fordelingen av leverfettfraksjon hos pasienten. Mangelen på tydelige kliniske symptomer tilskrives primært en betydelig andel normalt levervev. Derfor er presis kvantifisering av forskjeller mellom pasienter og friske individer avgjørende. Dette representerer et viktig kvantitativt konsept her.

1. Beregn 3D-LFF-fordelingen for en sunn lever ved å gjenta trinn 1-4.
   MERK: Den innebygde MATLAB-stangfunksjonen gjør det mulig å sammenligne 3D-LFF-fordelingene for friske og fete lever (figur 7).

Representative Results

Denne undersøkelsen benytter faktiske pasientdatasett anskaffet ved hjelp av en kommersielt tilgjengelig MR-skanner for å validere kvantifiseringsmetodikken for 3D-leverfettfraksjon (figur 1). MR-protokollen inkluderte Dixons firefaseavbildning ^9,10: In-phase, Out-of-phase, Water-only og Fat-only (figur 2). Fettfraksjonen (FF) av hver voxel beregnes ved å dele det in-fase minus vann-bare voxel-signalet med in-phase voxel-signalet ved hjelp av Dixon MR. Denne numeriske modellen tillater nøyaktig beregning av fettinnholdsprosenten i hver voxel.

Selv om dype læringsmetoder kan trekke ut 3D-leveranatomi, har de iboende algoritmiske feil. For å sikre presis kvantifisering ble modne programvareverktøy som MIMICS brukt til å trekke ut en nøyaktig 3D-leverkontur kombinert med ekspertveiledning (figur 3).

Ved å smelte sammen 3D-leverkonturen med 2D FF-kartet i figur 4 , genereres en integrert 3D-FF-fordelingsmodell i figur 5. Dette overvinner begrensningen av 2D FF-kart og gir visualisering av fettavsetning i hele levervolumet. Leger kan nå nøyaktig finne fettinnhold i 3D-leverplass i stedet for et vagt inntrykk.

Som figur 6 viser, viser 3D-FF-fordelingen fettfraksjonsverdier ved forskjellige leverposisjoner. Ved å sammenligne dette med standard FF-terskler, kan prosentandelen voxels som faller inn i forskjellige stadier av leverstatose kvantifiseres. Dette muliggjør presis måling av andelen lever ved ulike steatosenivåer.

Sammenligning mellom normal- og fettlever (figur 7) validerer teknikkens evne til å skjelne ulike 3D-LFF-distribusjonsmønstre. Den foreslåtte arbeidsflyten demonstrerer klinisk verdi i 3D-visualisering, kvantifisering og diagnostisering av leverstatose basert på pasientens Dixon MR-data.

Figur 1: MR-Dixon-sekvensmapper. En liste over mappenavn som tilsvarer Dixon MR-skanningssekvensene som ble brukt i studien. Klikk her for å se en større versjon av denne figuren.

Figur 2: Dixon MR-skive-nettleser. Grafisk brukergrensesnitt (GUI) som viser stykker fra hver fasesekvens av Dixon MR. Dixon MR er verdifull for å forbedre bildekvaliteten og tolkbarheten, spesielt når presis separasjon av fett og vann er avgjørende. Klikk her for å se en større versjon av denne figuren.

Figur 3: 3D leverregion ekstraksjon. Visualisering av den tredimensjonale romlige utstrekningen av leveren basert på fasebilder oppnådd under MR-skanningen. Klikk her for å se en større versjon av denne figuren.

Figur 4: Kart over leverfettfraksjoner. En visuell fremstilling av leverfettfraksjon (LFF) i hver voxel, ved hjelp av forskjellige farger for å indikere variasjoner i fettinnhold. Klikk her for å se en større versjon av denne figuren.

Figur 5: Leverfettbrøkskiver. Høyoppløselige skiver som viser kartet over leverfettfraksjonen, og gir en detaljert oversikt over LFF-fordelingen gjennom hele leveren. Klikk her for å se en større versjon av denne figuren.

Figur 6: Distribusjon av 3D-LFF i hele leveren. En figur som viser den numeriske sannsynlighetsfordelingen av leverfettfraksjon (LFF) over hele leveren, presentert i et tredimensjonalt format. Klikk her for å se en større versjon av denne figuren.

Figur 7: Sammenligning av 3D-LFF-distribusjon. Sammenligning av 3D-LFF-fordelingen mellom en sunn lever og en typisk fettlever, fremhever forskjeller i fettinnhold og distribusjon. Klikk her for å se en større versjon av denne figuren.

Discussion

Denne forskningen presenterer en innovativ 3D-kvantifiseringsteknikk for å analysere fordelingen av leverfettfraksjon (LFF) ved bruk av Dixon MR ^9,10. Ved å integrere LFF-kart, som genereres fra fase- og vannfasebilder, med 3D-leverkonturer, skiller denne metoden mellom LFF-mønstre i normal og steatotisk lever⁶. Følgelig letter det en presis evaluering av leverfettinnhold.

Trinn 3 representerer et viktig stadium i beregningen av FF-kartet for å kvantifisere fettinnhold i hver voxel. Trinn 4 integrerer FF-dataene med 3D-leverkonturen for å konstruere en integrert 3D-LFF-distribusjonsmodell. Trinn 5 validerer effekten av 3D-LFF-tilnærmingen for nøyaktig kvantifisering av hepatisk steatose¹³.

Når det gjelder fremtidige modifikasjoner, kan maskinsyn forbedre effektiviteten av 3D-leversegmentering. Kompilering av et atlas med 3D-LFF-distribusjoner for sunne lever og forskjellige steatosekarakterer kan lette klinisk diagnose og skriving.

En begrensning er at selv om metoden kvantitativt kan stadium tidlig steatose, belyser den ikke mekanismene bak sykdomsprogresjon. Variasjoner i utstyr og protokoller kan føre til inkonsekvente resultater. Standardisering av arbeidsflyten for databehandling er fortsatt en kontinuerlig utfordring.

Denne teknikken introduserer og implementerer konseptet med 3D-LFF-distribusjon, og gir klinikere omfattende innsikt i fettavsetningsmønstre og sykdomsgrad over hele leverorganet. Dette har stor betydning for presis diagnose, behandlingsbeslutninger og overvåking av terapeutisk effekt. Tilnærmingen har også betydning for helsekartlegging og forebygging i befolkningen generelt.

Metoden viser stort potensial i flere forskningsdomener, inkludert: (1) storskala validering av teknikken på tvers av heterogene kohorter; (2) undersøkelse av 3D-LFF-variasjoner mellom forskjellige steatoseetiologier; (3) korrelasjon av 3D-LFF-distribusjon med kliniske parametere og risikofaktorer; (4) anvende 3D-LFF-mønstre for å bygge diagnostiske, prognostiske og behandlingsresponsmodeller; (5) sammenligning av 3D-kvantifisering med todimensjonale bildevurderinger. Tallrike forskningsveier eksisterer for å oversette denne metoden til klinisk nytte.

Materials

Name	Company	Catalog Number	Comments
MATLAB	MathWorks	2022B	Computing and visualization
Mimics	Materialise	Mimics Research V20	Model format transformation
Tools for 3D_LFF	Intelligent Entropy	HepaticSteatosis V1.0	Beijing Intelligent Entropy Science & Technology Co Ltd. Modeling for CT/MRI fusion