使用切片-O-马蒂奇和霍罗斯进行身体成分分析的细分和线性测量
March 21st, 2021
细分和线性测量使用计算断层扫描和/或磁共振成像图像量化骨骼肌肉质量和脂肪组织。在这里，我们概述了使用切片-O-Matic软件和霍罗斯图像查看器快速和准确的身体组成分析。这些方法可以为预测和风险分层提供重要信息。
肉瘤上的丝带肌肉退化已被证明是癌症生存和治疗成功的预后因素。第三个腰椎区域的组成分析是感兴趣的，因为它提供了骨骼肌肉的定量特征，并在CT扫描中提供了脂肪组织的定性信息。以下程序在切片数学软件中提供协议和分段垂直，以及用于 CT 和 MRI 图像中成分分析的测量协议。
L3 椎骨协议的选择在 GE 中心范围内完成。请注意，如果使用不同的软件，工具可能会有所不同。在感兴趣的时限内打开患者的 CT 或 MRI 图像。
选择监视器区域，2V窗口视图。选择左屏幕上的日冕或下垂视图，通过导航到系列，然后选择日冕或下垂图像。通过导航到系列，然后选择轴向图像，选择右屏幕上的轴向视图。
单击 conn，交叉引用以链接两个图像，然后滚动浏览日冕或下垂视图上的图像，以确保脊椎椎骨容易可见。接下来，滚动浏览轴向视图图像，找到L1椎骨。L1 是第一个没有肋骨附件的椎骨。
从L1到L3椎骨计数。请务必使用下垂或日冕视图作为参考，以定位 L3 椎骨的中心。通过导航到考试菜单导出 L3 图像，选择导出图像，选择图像。
确保格式为 DICOM。然后选择图像应保存到的位置。双击 DICOM 文件以打开切片。
加载程序后，将 DICOM 图像拖入切片图像屏幕。转到模式，区域增长开始细分。选择工具，标记锁定。
此功能将在随后的步骤中使用。点击区域下生长的红色区域，为肌肉设置 H.U.限制。然后单击下限旁边的关闭按钮。
这将设置它。用滑块调整限制，尽可能接近负 29。然后使用鼠标轮将其精确设置为负 29。
接下来，单击上限旁边的关闭按钮将其设置为打开。使用滑块和鼠标轮将 H.U.限制设置为正 150 Next，单击绿色两个，为 I..M.A.T. 设置 H.U.限制，并以同样的方式设置下限和上限，但将下限设置为负 190，将上限设置为负 30。单击黄色五，将 V.A.T.的限值设置为下限为负 150，将上限设置为负 50。
最后，点击青色七，将 H.U.限制设置为 S.A.T.，将下限设置为负 190，将上限设置为负 30。按键盘上的正负键，以便根据需要缩放图像。在整个分割过程中根据需要调整变焦。
选择红色的，并确保画笔选项设置为绘图。使用最有效的画笔大小，然后点击肌肉组织开始绘画。在银屑素、副脊肌群和斜肌组上涂上油漆。
小心靠近脊柱、内脏或液体的肌肉边缘，确保这些肌肉没有标记为肌肉。如果有任何错误标记，请选择"不"，并清除错误。标记所有肌肉后，在标签锁定菜单中选择一个。
这将确保没有肌肉被意外地抹去或重新标记为分割收益。选择绿色两个，在肌肉筋膜内的 I .M.A.T. 组织上涂漆。请注意，肌肉本身的大部分间隙将是 I .M.A.T. 注意，肌肉筋膜的边缘在外观上通常比周围组织轻。
这可能是一个有用的指南，特别是在倾斜的肌肉群满足副脊髓肌肉群的区域，并在直立脊柱以下，但在筋膜线以上的区域。一旦所有I.M.A.T.已被标记，请选择标签锁定菜单下的两个。接下来从区域增长菜单中选择黄色五，开始细分 V.A.T.One 仍然可以使用画笔选项，但对于许多图像，使用增长到 D 选项可能更容易、更快。
如果使用增长到 D，请务必选择最小的刷子大小，然后单击图像中的 V.A.T.组织来标记它。确保肠道或其他器官内的组织或脂肪不标记为 V.A.T.，一旦所有 V.A.T.is 标记，请从标签锁定菜单中选择五个。最后，从区域生长菜单中选择青色七，以标记 S.A.T.组织。
同样，根据图像的不同，S.A.T.组织通常更容易与增长到D选项进行标记。一旦 S.A.T. 组织被标记，检查边缘，特别是在皮肤周围，以确保只有皮下脂肪被标记为 S.A.T.一旦所有组织都被标记，请查看图像，以确保没有错误或错误标记的组织。完成后，转到工具，标记表面体积。
单击窗口值按钮并记录每个组织的表面积和平均 H.U.值。最后，转到文件，保存标记文件。这将保存 DICOM 图像所在的标记文件。
要开始 MRI 细分，请转到模式、区域增长。在预览窗口中，我们可以看到 H.U.值的直方图，其中第一个峰值是空气，下一个峰值是骨骼肌，如果以下峰值是可辨识的，它们将是骨骼，然后是脂肪组织。请注意，在使用 MRI 图像时，通常只有骨骼肌肉可以自信地分割，因为脂肪组织歧视不佳。
选择红色的，然后将离开时的下限设置为零。然后打开上限，将鼠标轮选项更改为上限。接下来，选择油漆和大刷选项，然后移动光标在psoas肌肉，使光标区域包括肌肉和骨骼。
要确信骨骼不标记为肌肉，请通过移动鼠标轮保守地设置上限，直到上限不包括任何外骨组织。然后分割紧邻脊柱的肌肉组织。接下来，将光标移动到线性 alba 或扫描中的任意位置，其中脂肪组织和肌肉很容易区分。
尽可能提高上限，不含任何脂肪组织。从这里，人们可以继续分割所有剩余的骨骼肌肉。请注意，对于某些图像，可能需要不断调整上限。
请注意，虽然设置这个两步程序的上限是保守的，它会优化骨骼肌肉被标记的数量，而不必担心骨骼或脂肪组织的重大错误标记。完成后，转到工具、标记表面体积并选择窗口值以记录骨骼肌肉的表面积和平均 H.U 值。L3椎骨区域的线性测量已证明与总肌肉质量密切相关。
线性测量的优势在于它的易用性和速度，以及它可以在任何软件上使用标尺工具或框工具完成的事实。此协议使用霍勒斯医疗成像应用程序进行演示。如果使用不同的软件，请注意，特定的工具可能非常。
通过单击导入，然后导航到图像位置并选择打开，将图像导入查看器。导入后，单击图像或患者姓名以显示底部的图像。双击图像以最大化它，这也将打开工具选项。
识别银屑和副脊肌组。请注意，在确定副脊肌组的边缘时，不应考虑四肢隆起。选择标尺工具。
从肌肉群的最高点绘制一条垂直线到肌肉组的底部。然后从肌肉群最宽的边缘绘制一条水平线，以达到肌肉组的另一个最宽的边缘。重复此过程的右侧和左侧的 psoas 和右侧和左侧的副脊体组。
请注意，绘制的线必须在 90 度交叉。请注意，如果绘制的线的边缘要连接，该连接应创建一个包含整个肌肉群的框。在霍勒斯医疗查看器中，很难使用标尺工具来确保线在 90 度交叉。
因此，应使用框绘图工具。选择矩形工具。在每个肌肉群周围画一个盒子，现在请注意，盒子的边缘接触肌肉的最高和最低部分以及肌肉最宽的部分。
只要盒子工具显示其垂直和水平尺寸，它可能优于标尺工具，因为它允许肌肉边界的简单可视化。正确细分的 CT 或 MRI 图像不应在筋膜线之外标记肌肉，对于 CT 图像，肌肉筋膜或皮肤上不应有脂肪标记。记录患者身高旁边的肌肉表面积，以计算骨骼肌肉指数。
对于CT扫描，脂肪组织表面区域可以根据感兴趣的具体研究或临床问题进行记录。此外，对于质量控制，L3 线性测量可能会记录平均 H.U.值，该测量应包含每个肌肉的标尺或框测量。记录每个肌肉的水平宽度和垂直高度以及患者高度。
乘以每个肌肉的宽度和高度，而不是相和这些区域，以获得总肌肉面积。通过将总面积除以患者身高平方来计算线性测量指数。示范协议允许临床医生和研究人员使用L3 CT或MRI扫描获得快速可靠的定量信息，用于评估肉瘤。
概述
本文讨论了使用计算机断层扫描（CT）和磁共振成像（MRI）等成像技术来量化骨骼肌肉质量和脂肪组织。它强调了使用Slice-O-Matic软件和Horos图像查看器来高效进行体成分分析。
关键研究组成部分
科学领域
- 神经科学
- 医学影像
- 体成分分析
背景
- 脊髓带肌肉退化是癌症生存的预后因素。
- 第三腰椎区域（L3）的分析提供了对骨骼肌肉和脂肪组织的洞察。
- 可能使用不同的软件工具进行分割和分析。
- CT扫描提供了关于脂肪组织的定性信息。
研究目的
- 概述从CT和MRI图像分析体成分的协议。
- 提供使用Slice-O-Matic软件的详细分割方法。
- 提高测量骨骼肌肉和脂肪组织的准确性。
使用的方法
- 利用Slice-O-Matic对肌肉和脂肪组织进行分割。
- 从CT/MRI扫描中选择和导出图像的分步协议。
- 在分割过程中为不同组织类型设置H.U.极限。
- 标记和验证肌肉和脂肪组织以确保准确的分析。
主要结果
- 使用指定的H.U.极限成功分割了骨骼肌肉和脂肪组织。
- 准确测量了每种组织类型的表面积和平均H.U.值。
- 证明了所概述方法在体成分分析中的有效性。
- 确定了从MRI图像中分割脂肪组织的挑战。
结论
- 所描述的方法为体成分分析提供了可靠的方法。
- 使用适当的软件工具提高了分割的准确性。
- 进一步的研究可能改善MRI扫描中脂肪组织的区分。
常见问题
Executive Industry Relevance
Accurate body composition analysis from CT and MRI scans supports preclinical and translational research by quantifying skeletal muscle and adipose tissue depots. These measurements enable mechanistic de-risking in disease models where sarcopenia or adiposity influences therapeutic response. The methods provide quantitative biomarkers for patient stratification and treatment outcome prediction in oncology and metabolic disease pipelines.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses linking muscle or fat mass to disease progression.
- Operational Value: Provides quantitative tissue segmentation for functional target validation in preclinical models.
Screening & Assay Development
- Scientific Value: Delivers standardized, reproducible tissue surface area measurements for assay readiness.
- Operational Value: Supports scalable workflows using Slice-O-Matic or Horos for high-throughput imaging analysis.
Translational & Preclinical Research
- Scientific Value: Facilitates disease-relevant system modeling by correlating L3-derived metrics with pathological phenotypes.
- Operational Value: Ensures continuity from discovery imaging to preclinical validation through consistent body composition quantification.
Pipeline & Workflow Integration
The method integrates into discovery biology workflows by providing quantitative imaging endpoints that inform lead identification and preclinical advancement decisions.
- Discovery Biology: Supports hypothesis testing via precise segmentation of muscle and adipose tissues from CT/MRI.
- Screening: Enables assay standardization through reproducible H.U.-based tagging and surface area quantification.
- Analytics: Generates quantitative dependent variables (tissue area, H.U. values) for cross-condition comparison.
- Translational Research: Connects to preclinical continuity by providing translatable biomarkers from patient imaging.
- Enterprise Reuse: Establishes a reusable imaging capability for body composition analysis across therapeutic areas.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence by reducing mechanistic ambiguity in muscle-fat interactions.
- Operational Value: Enhances reproducibility and scalability of imaging-based phenotyping.
- Strategic Value: Improves go/no-go decisions through objective, quantifiable biomarkers.
- Portfolio Impact: Enables risk-adjusted prioritization based on body composition correlates of treatment response.
Implementation Considerations
- Requires expertise in medical image interpretation and tissue annotation.
- Dependent on DICOM-compatible imaging infrastructure and segmentation software (Slice-O-Matic, Horos).
- Necessitates cross-team standardization of H.U. limits and tagging protocols.
- Involves adaptation considerations for MRI vs. CT adipose tissue discrimination limitations.
- Limited by time-intensive segmentation and training requirements for comprehensive tissue analysis.
