Methodenartikel

Dreidimensionale phasenaufgelöste funktionelle Lungenmagnetresonanztomographie

2.1K Ansichten

⸱

DOI:

10.3791/66385

⸱

21. Juni 2024

 ,  ,  , 
1Institute of Diagnostic and Interventional Radiology, Hannover Medical School, 2Biomedical Research in Endstage and Obstructive Lung Disease Hannover (BREATH), Member of the German Centre for Lung Research (DZL)

In diesem Artikel

Zusammenfassung

Dreidimensionale (3D) phasenaufgelöste funktionelle Lunge (PREFUL) ist eine funktionelle Magnetresonanztomographie (MRT)-Technik, die die Quantifizierung der regionalen Beatmung des gesamten menschlichen Lungenvolumens unter Verwendung von Atemzugatmung und kontrastmittelfreier Erfassung für 8 Minuten ermöglicht. Hier stellen wir ein MRT-Protokoll zur Erfassung und Analyse von 3D-PREFUL-Bildgebungsdaten vor.

Zusammenfassung

Die pulmonale Magnetresonanztomographie (MRT) bietet eine Vielzahl von strahlungsfreien Techniken, die auf die Beurteilung der regionalen Lungenventilation oder ihrer Surrogate zugeschnitten sind. Diese Techniken umfassen sowohl direkte Messungen, wie z. B. die hyperpolarisierte Gas-MRT und die fluorierte Gas-MRT, als auch indirekte Messungen, die durch sauerstoffverstärkte MRT und protonenbasierte Fourier-Zerlegungs-MRT (FD) ermöglicht werden. In jüngster Zeit gab es erhebliche Fortschritte auf dem Gebiet der FD-MRT, die die Verbesserung der räumlichen/zeitlichen Auflösung, die Verfeinerung des Sequenzdesigns und der Nachbearbeitung sowie die Entwicklung eines umfassenden Ansatzes für die gesamte Lunge umfassten.

Die zweidimensionale (2D) phasenaufgelöste funktionelle Lungen-MRT (PREFUL) zeichnet sich durch einen FD-basierten Ansatz aus, der für die umfassende Beurteilung der regionalen Beatmungs- und Perfusionsdynamik entwickelt wurde, und das alles innerhalb einer einzigen MRT-Aufnahme. Vor kurzem wurde mit der Entwicklung von 3D PREFUL eine neue Weiterentwicklung erzielt, um die dynamische Beatmung der gesamten Lunge anhand einer 8-minütigen Untersuchung mit einer selbstgesteuerten Sequenz zu beurteilen.

Die 3D-PREFUL-Erfassung beinhaltet die Verwendung einer Stapel von Sternen verdorbener Gradienten-Echo-Sequenz mit einem Inkrement des Goldenen Winkels. Nach der Rekonstruktion von ca. 40 Atemphasen mit komprimierter Sensorik werden alle rekonstruierten respiratorisch aufgelösten Bilder in einer fixierten Atemphase registriert. Anschließend werden die Lüftungsparameter aus den registrierten Bildern extrahiert.

In einer Studienkohorte aus gesunden Probanden und Patienten mit chronisch obstruktiver Lungenerkrankung zeigten die 3D PREFUL-Beatmungsparameter starke Korrelationen mit Messungen aus Lungenfunktionstests. Darüber hinaus wurde die Interscan-Wiederholbarkeit der 3D-PREFUL-Technik als akzeptabel eingestuft, was auf ihre Zuverlässigkeit bei wiederholten Beurteilungen derselben Personen hinweist.

Zusammenfassend lässt sich sagen, dass die 3D-PREFUL-Beatmungs-MRT eine vollständige Lungenabdeckung bietet und die Beatmungsdynamik mit verbesserter räumlicher Auflösung im Vergleich zur 2D-PREFUL. 3D-Technik erfasst. Die PREFUL-Technik bietet eine kostengünstige Alternative zur hyperpolarisierten 129Xe-MRT, was sie zu einer attraktiven Option für die patientenfreundliche Beurteilung der Lungenbeatmung macht.

Einleitung

Nach Angaben der Weltgesundheitsorganisation (WHO) sind chronische Atemwegserkrankungen die dritthäufigste Todesursache und stellen eine erhebliche Belastung für das Gesundheitswesen dar1. Die Diagnose und Überwachung verschiedener Atemwegserkrankungen beinhaltet Lungenfunktionstests, denen räumliche Informationen fehlen und die bei jungen Patienten möglicherweise nicht durchführbar sind. Mehrere andere nuklearmedizinische Modalitäten bieten räumliche Messungen der Beatmung, wie z. B. die Positronen-Emissions-Tomographie (PET)2, die Einzelphotonen-Emissions-Computertomographie (SPECT)3 oder die Computertomographie4. Ein wesentlicher Nachteil dieser Techniken ist die Verwendung ionisierender Strahlung für die Bildgebung. Daher sind diese Messungen bei empfindlichen Populationen wie Kindern oder bei wiederholten Messungen in klinischen Studien nicht durchführbar.

Magnetresonanztomographische Verfahren haben in den letzten zwei Jahrzehnten an Interesse gewonnen, da sie eine strahlungsfreie Messung der Lungenfunktion ermöglichen. Vor allem hyperpolarisierte Gas-MRT-Techniken5 wurden zur Beurteilung der Lungenbeatmung bei gesunden Kontrollen und Patienten mit Lungenerkrankungen eingesetzt, wobei ein überlegenes Signal-Rausch-Verhältnis (SNR) im Vergleich zu 19F6 oder sauerstoffverstärkten MRT7 erreicht wurde. Zu den häufigen Nachteilen von Gas-MRT-Techniken gehören der Bedarf an zusätzlichem Personal, Hardwarekosten oder die Notwendigkeit der Mitarbeit des Patienten während der Breathol-Messung. Um diese Einschränkungen zu beheben, wurden Methoden eingeführt, die auf der Fourier-Zerlegung (FD) MRT8 basieren, um die Lungenventilation und -perfusion zu bewerten. Als Alternative zur FD-MRT wurde eine phasenaufgelöste funktionelle Lungen-MRT9 entwickelt, validiert10,11,12 und in mehreren Studien getestet, einschließlich multizentrischer Studien13,14. Dennoch ergeben sich durch die 2D-Erfassung lange Aufnahmezeiten für eine vollständige Lungenabdeckung und eine eingeschränkte räumliche Auflösung. Eine elegante Lösung bieten selbstgesteuerte 3D-Erfassungen, wenn auch auf Kosten der Perfusionsinformationen15,16,17. Eine dieser Techniken, 3D PREFUL MRT17, wurde nicht nur entwickelt, um die statische Beatmung, sondern auch die Beatmungsdynamik während einer 8-minütigen MRT-Untersuchung zu beurteilen und bietet eine überlegene Bildauflösung im Vergleich zu 2D-Methoden.

Nach der ursprünglichen Veröffentlichung, in der die Methode beschrieben wurde17, wurde die Wiederholbarkeit der Technik bewertet und klinisch mit den gut etablierten spirometrischen Messungen18 verglichen, und in jüngerer Zeit wurde ein beschleunigtes Bildregistrierungsframework eingeführt, das die Wiederholbarkeit der Beatmungsparameter verbessert und die Bildqualität der Beatmungskarten erhalten hat19. Diese patientenfreundliche und leicht skalierbare Technik, die in der Lage ist, die regionale Beatmung in der menschlichen Lunge quantitativ abzubilden, hat das Potenzial, einen wesentlichen Beitrag zur Früherkennung, Diagnose von Atemwegserkrankungen oder zur Nachbeobachtung von Therapieeffekten zu leisten20. Diese Veränderungen der regionalen Lungenfunktion bei der Behandlung, wie z. B. ein verbessertes Beatmungsvolumen, haben das Potenzial, zu Biomarkern für die Bewertung der Wirkung von Therapien zu werden, und könnten ein nützliches Instrument in multizentrischen klinischen Studien sein.

Der Artikel zielt darauf ab, eine umfassende und visuelle Erklärung der 3D PREFUL-Technologie zu liefern, mit dem Ziel, eine breitere Übersetzung dieser Technik zu fördern.

Protokoll

Die vorliegende Studie erhielt die Genehmigung des Ethikkomitees der Medizinischen Hochschule Hannover und stellte sicher, dass während des gesamten Forschungsprozesses strenge ethische Standards eingehalten wurden. Die Untersuchung folgte strikt den Leitlinien der Deklaration von Helsinki und betonte damit die ethisch einwandfreie Durchführung medizinischer Forschung. Zusätzlich wurde vor der Teilnahme an der MRT-Untersuchung von allen Studienteilnehmern (oder deren Eltern bzw. gesetzlichen Vertretern) sorgfältig informierte Einwilligung eingeholt.

HINWEIS: Die Ein- und Ausschlusskriterien für Studien mit 3D-PREFUL-MRT variieren und hängen vom Studiendesign ab. Typischerweise umfassen die Einschlusskriterien für gesunde Probanden bei einer 3D-PREFUL-MRT-Untersuchung Personen, die (a) frei von jeglichen signifikanten medizinischen Erkrankungen sind, die die Studienergebnisse beeinflussen könnten, (b) keine Medikamente einnehmen, die die MRT-Ergebnisse beeinträchtigen könnten, (c) keine Platzangst, Angststörungen, metallischen Implantate oder Geräte aufweisen, (d) bestimmte Alters- und Geschlechtskriterien erfüllen, die für die Studienziele relevant sind, (e) keine Rauchanamnese haben, (f) normale Spirometrieergebnisse aufweisen (FEV1/FVC > 0,7 und sowohl FEV1 als auch FVC > 80 % des Vorhersagewerts). Zu den Ausschlusskriterien für alle Studienteilnehmer, die einer 3D-PREFUL-MRT-Untersuchung unterzogen werden, können gehören: (a) Schwangerschaft, (b) Vorliegen einer Erkrankung, die die Sicherheit oder Gültigkeit der 3D-PREFUL-MRT-Untersuchung beeinträchtigen könnte, (c) Unverträglichkeit gegenüber gadoliniumbasierten Kontrastmitteln, falls eine dynamische kontrastverstärkte MRT im Studienprotokoll enthalten ist.

1. Vormagnetresonanztomographie-Interview

  1. Lassen Sie einen Arzt wichtige Informationen zur medizinischen Vorgeschichte des Probanden erheben.
  2. Erklären Sie die möglichen Kontraindikationen, Risiken und den Ablauf der MRT-Untersuchung.
  3. Holen Sie eine schriftliche, informierte Einwilligung des Probanden ein.
    HINWEIS: Falls keine Ergebnisse einer Lungenfunktionsprüfung vorliegen, fordern Sie den Probanden auf, vor der MRT-Untersuchung eine Lungenfunktionsprüfung durchführen zu lassen, und überprüfen Sie, ob die erhaltenen Ergebnisse die Einschlusskriterien erfüllen.

2. Vorbereitung des Radiologen auf die MRT-Untersuchung

  1. Registrieren Sie die Versuchsperson an der MR-Konsole und wählen Sie das MR-Protokoll der Studie mit 3D-PREFUL-Akquisition.
  2. Stellen Sie sicher, dass die Versuchsperson, deren Taschen und Kleidung frei von metallhaltigen Gegenständen sind.
  3. Platzieren Sie die Tücher auf dem Scannertisch, sodass eine sterile Umgebung gewährleistet ist.
  4. Betreten Sie den MR-Raum gemeinsam mit der Versuchsperson.

3. Vorbereitung der Versuchsperson auf die MRT-Untersuchung

  1. Lassen Sie die Versuchsperson in Rückenlage auf dem MRT-Tisch liegen (eine Bauchlage ist jedoch ebenfalls möglich).
  2. Stellen Sie sicher, dass die Körperoberflächenspule den Thorax ausreichend abdeckt, und positionieren Sie das obere Element der Körperoberflächenspule in der Nähe des Kinns der Versuchsperson.
  3. Stellen Sie der Versuchsperson Kopfhörer (alternativ Ohrstöpsel oder beides) zur Verfügung, um das Gehör vor den lauten Geräuschen des MRT zu schützen.
  4. Stellen Sie der Versuchsperson einen Notknopf (oder eine alternative Sicherheitsvorrichtung) zur Verfügung, sodass dieser leicht erreichbar und zusammendrückbar ist.
  5. Legen Sie eine Unterlage unter den Kopf und die Beine der Versuchsperson, um den Komfort während der MRT-Untersuchung zu erhöhen.
  6. Platzieren Sie die Versuchsperson in den MRT-Scanner und verwenden Sie die Lasernavigation, um sicherzustellen, dass der zu bildgebende Bereich im isozentrischen Punkt der Bohrung liegt.

4. MRT-Untersuchung

  1. Lokalisierung
    1. Führen Sie eine Lokalisierungssequenz (mit ähnlichen Parametern wie in Tabelle 1A aufgeführt) durch, um anatomische Aufnahmen mit niedriger Auflösung in drei Ebenen (mit großem Bildfeld) zu erhalten, die zur Planung der 3D-PREFUL-Untersuchung verwendet werden.
  2. 3D-PREFUL-Bildgebung
    1. Stellen Sie die Aufnahmeparameter gemäß Tabelle 1B für die Bildakquisition ein.
    2. Wählen Sie die Anzahl der radialen Projektionen entsprechend, sodass die Aufnahme etwa 8 Minuten dauert.
    3. Weisen Sie den Probanden an, während der gesamten Aufnahme normal zu atmen (freie Atmung).
    4. Stellen Sie sicher, dass der gesamte Thorax im Bildfeld enthalten ist, und starten Sie die Aufnahme.
  3. Entfernen Sie nach Abschluss der Bildgebung den Probanden aus dem Scanner.

5. Übertragung der Rohdaten

  1. Normalerweise werden die erfassten Rohdaten nicht auf der MR-Herstellerplattform gespeichert. Speichern Sie die rohen 3D-PREFUL-k-Raum-Daten mithilfe der herstellerspezifischen Schritte auf der MR-Konsole.

6. Datenanalyse und Nachbearbeitung

  1. Beginnen Sie mit der Auswertung der erfassten Daten mithilfe des Bildrekonstruktionsskripts (Materialienübersicht) an der vorgesehenen Arbeitsstation, z. B. in MATLAB, indem der Pfad zu den Rohdaten festgelegt wird.
    HINWEIS: Auf der vorgesehenen Arbeitsstation sollten die folgenden Pakete bereits installiert sein:
    (a) Die Berkeley Advanced Reconstruction Toolbox (BART)
    ​(b) Erweiterte Normalisierungswerkzeuge (ANTs)
  2. Bildrekonstruktion
    1. Schätzen Sie die MR-systemabhängigen Gradientenverzögerungen unter Verwendung der Kalibrationsprojektionen mit der estdelay Funktion implementiert in der Berkeley Advanced Reconstruction Toolbox (BART)21,22.
    2. Wenden Sie eine Verschiebung auf jede Projektion gemäß der berechneten Gradientenverzögerung an.
    3. Wenden Sie eine Hanning-Filterung an (mithilfe der hann Funktion in MATLAB) auf die gradientenverzögerungskorrigierten Daten unter Verwendung eines periodischen Fensters in der x-y-Ebene und in z-Richtung.
    4. Rekonstruktion von Bildern mit niedriger Auflösung zur Atemphasenbinnung
      1. Wählen Sie ein Achtel/ein Viertel der k-Raum-Daten aus, zentriert um den mittleren Index der Readout-/Partition-Dimension.
        HINWEIS: Abhängig von der Größe des Probanden führt dieser Schritt zu einer Matrixgröße von 32 x 32 x (12–20).
      2. Formen Sie die Matrizen der k-Raum-Daten und der entsprechenden Trajektorien um, um eine zusätzliche Zeitdimension einzubeziehen, wobei jeder Zeitpunkt aus 14 radialen Projektionen besteht.
        HINWEIS: Jeder nachfolgende Zeitpunkt umfasst 13 radiale Projektionen des vorherigen Zeitpunkts sowie eine neue, aufeinanderfolgende radiale Projektion.
      3. Nutzen Sie die parallele Bildgebung und die komprimierte Sensorik (Bilder) Befehl, der in BART zur Bildrekonstruktion implementiert ist.
        HINWEIS: L2-Norm anwenden (λ = 0,1) und totale Variation (λ = 0,0001) Regularisierung im Ortsbereich und totale Variation (λ Regularisierung im Zeitbereich (= 0,01).
    5. Extraktion des Atemgatingsignals
      1. Segmentieren Sie das Lungenparenchym in jedem rekonstruierten 3D-Bild mit niedriger Auflösung mithilfe der Otsu-Schwellenwertmethode23und berechnen Sie das Volumen des Lungengewebes für jeden Zeitpunkt.
      2. Wenden Sie einen Tiefpassfilter mit einer Grenzfrequenz von 0,7 Hz auf die extrahierten Volumen-Zeit-Serien an und berechnen Sie die Atemfrequenz.
      3. Extreme Ausreißer aus der Zeitreihe ausschließen (Zeitpunkte oberhalb des 95.th Perzentil und unterhalb des 10. Perzentilsth Perzentil).
        HINWEIS: Die Anordnung der Zeitreihen nach ihrer Amplitude und Phase ermöglicht die Rekonstruktion eines einzelnen Atemzyklus.
    6. Schnelle Fourier-Transformation (FFT, fft Funktion in MATLAB) auf die mit einem Hanning-Filter behandelten Daten entlang der Schichtrichtung, um eine schichtweise Bildrekonstruktion zu ermöglichen.
    7. Formen Sie die k-Raum-Datenmatrix basierend auf der extrahierten Zeitreihe so um, dass jeder Atemzyklus-Bin mindestens 100 Spokes enthält.
    8. Verwenden Sie 20 % der Projektionen aus benachbarten Bins, um das Signal-Rausch-Verhältnis (SNR) zu verbessern24,25 jedes Atem-Bins
    9. Formen Sie die Matrix der k-Raum-Trajektorien so um, dass sie der Größe der k-Raum-Daten entspricht.
    10. Führen Sie den Bilder Befehl für die Bildrekonstruktion für jede Schicht.
      HINWEIS: L2-Norm anwenden (λ = 0,1) und totale Variation (λ = 0,0001) Regularisierung im Ortsbereich und totale Variation (λ Regularisierung im Zeitbereich (= 0,01).
    11. Speichern Sie die Variablen, einschließlich der rekonstruierten Bilder eines vollständigen Atemzyklus, der Atemfrequenz und der Erfassungszeiten, in einer .mat-Datei.
  3. Bildregistrierung
    1. Invertieren Sie die Signalintensitäten der rekonstruierten Bilder.
    2. Registrieren Sie die Bilder unter Verwendung einer nichtstarren Registrierung auf einen ausgewählten Atemzustand, beispielsweise die Inspiration.
      HINWEIS: Um die Registrierungsgenauigkeit zu verbessern, ein gruppenspezifischer Ansatz26 kann verwendet werden. Der Registrierungsprozess kann entweder auf der CPU oder GPU mit Werkzeugen wie Advanced Normalization Tools (ANTs) durchgeführt werden27 oder das Forsberg-Registrierungspaket28.
  4. Segmentierung des Lungenparenchyms
    1. Segmentieren Sie das Lungenparenchym des endinspiratorischen 3D-Bildes mithilfe eines konvolutionalen neuronalen Netzwerks mit beispielsweise der nnUnet-Architektur.29.
    2. Lungengefäße mithilfe eines Gefäßerkennungsalgorithmus ausschließen, beispielsweise dem von Wernz et al. beschriebenen.30.
      HINWEIS: Der Schritt zur Erkennung der Lungengefäße ist nicht zwingend erforderlich, falls kein entsprechender Algorithmus verfügbar ist. In einigen Fällen kann eine manuelle Neusegmentierung notwendig sein.
  5. Filtration
    1. Wenden Sie die Nadaraya-Watson-Kernregression (mit σ = 0,3) auf die registrierten und erneut invertierten Bilder an, um 16 Phasen auf ein gleichmäßig unterteiltes Zeitgitter zu interpolieren.
    2. Eliminieren Sie Signalvariationen, die nicht mit der Atmung zusammenhängen, indem Sie einen Tiefpassfilter bei 0,7 Hz auf die interpolierten Daten im Zeitbereich anwenden.
    3. Entrauschen Sie die tiefpassgefilterten Bilder mithilfe der bildgeführten Filterung31, wobei das zeitlich gemittelte registrierte Bild als Leitbild dient. Legen Sie die folgenden Parameter fest: Fenstergröße = [5, 5, 5], Lambda = 0.001.
  6. Analyse der Ventilation
    1. Berechnen Sie die regionalen Ventilationskarten (RVent) in Milliliter/Milliliter (mL/mL) für jede Atemphase N anhand der folgenden Formel32:
      figure-protocol-1     [1]
      HINWEIS: SInspiration stellt das Zielbild für die Bildregistrierung dar, das dem endinspiratorischen Niveau entspricht. SExp bezieht sich auf das endexspiratorische Bild, während SN repräsentiert den N-ten respiratorischen Zustand.
    2. Berechnen Sie den Ventilationsdefekt (VD)RVent) Karte des RVent-Karte von 8th Phase, die die maximale Ventilation darstellt.
      ​HINWEIS: Zur Berechnung der VD werden Voxel unterhalb der Schwelle von 90th Perzentilwert, multipliziert mit einem Faktor von 0,4, gelten als Fehler33.
    3. Berechnen Sie die Fluss-Volumen-Kurve-Korrelationsmetrik-Karte (FVL-CM).
      1. Berechnen Sie den Fluss als erste Ableitung von RVent.
        HINWEIS: Das Volumen wird direkt durch RVent gemessen.
      2. Legen Sie einen Referenz-FVL für jeden Schnitt fest, berechnet aus einer gesunden Region, definiert durch RVent-Werte zwischen 75th und 95th Perzentil
      3. Bestimmen Sie die Ähnlichkeit zwischen dem FVL jedes Lungenparenchym-Voxels und dem Referenz-FVL mithilfe der Kreuzkorrelation ohne Zeitversatz.
    4. Berechnung von VDFVL-CM Karte, bei der Voxel mit FVL-CM-Werten unter 0,9 als Voxel mit Ventilationsdefekt identifiziert werden34.
    5. Berechnung von Ventilationszeit-zu-Spitze-(VTTP-)Karten in Prozent (%) des Atemzyklus.
      HINWEIS: Theoretisch beginnt/endet der interpolierte Atemzyklus am Ende der maximalen Ausatmung und ist symmetrisch zur maximalen Einatmung bei 50 % des Ventilationszyklus für ein gesundes Voxel. Für Voxel mit vorverlegter oder verzögerter Ventilationsdynamik zeigt die VTTP-Karte einen Wert unterhalb/oberhalb von 50 % an.
    6. Berechnen Sie die Abweichung des VTTP-Werts (VTTPEntwicklung) vom inspiratorischen Höchstwert bei 50 % wie folgt:
      figure-protocol-2    [2]
      HINWEIS: Für eine gesunde Region entspricht der VTTPEntwicklung sollte nahe 0 % liegen.
    7. Statistik
      1. Beschreiben Sie statistisch die Parameter RVent, FVL-CM, VTTP und VTTPEntwicklung für alle Schnitte, Angabe von Median, Mittelwert, Standardabweichung und Interquartilsabständen.
      2. Berechnen Sie die Werte für den Ventilationsdefektprozentsatz, die aus den erstellten VD-Karten abgeleitet werden.
      3. Exportieren Sie alle berechneten Parameter in eine Tabellenkalkulationsdatei (verweisen Sie auf das im Beispiel bereitgestellte) Tabelle 3).

Ergebnisse

Das einfachste 3D-PREFUL-Bildgebungsprotokoll umfasst zwei Sequenzen: einen anatomischen Lokalizer und eine Messung in freier Atmung mithilfe der Golden-Winkel-3D-Stack-of-Stars-Aufnahme. Die Stack-of-Stars-Trajektorie ist in Abbildung 1 dargestellt. Diese Trajektorie kombiniert radiale Abtastung (in der Ebene) mit linearer kartesischer Abtastung (in z-Richtung). Zunächst werden Abtastwerte in kz-Partitionierungsrichtung erfasst, gefolgt von einer Drehung um den Goldenen Winkel zur Abtastung der kx-ky-Ebene. Das Golden-Winkel-Aufnahmeschema ermöglicht eine Selbstgating-Funktion mit gleichmäßiger Abdeckung des k-Raums und erleichtert die Bildrekonstruktion auch bei stark unterabgetasteten Daten. Die gesamte Untersuchung dauert nicht länger als 10 Minuten. Weitere Einzelheiten zur 3D-PREFUL-Aufnahme finden sich im Materialverzeichnis.

figure-results-1
Abbildung 1: Nach dem Goldenen Schnitt rotierte Stapel-Stern-Trajektorie. Beachten Sie die radiale Abtastung entlang der in-Ebene-Dimension (kx-ky) und die kartesische Abtastung entlang der Schichtrichtung (kz). Dieses Schema führt zu einer zylindrischen Abdeckung des erfassten k-Raums. In diesem Beispiel sind drei Partitionen dargestellt, wobei jede 32 radiale Projektionen umfasst. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Eine Liste typischer MRT-Parameter, die für die 3D-PREFUL-Bildgebung auf einem 1,5-T-Gerät verwendet werden, ist in Tabelle 1B dargestellt. Für den 3-T-Gerät werden die in Tabelle 2 aufgeführten Sequenzparameter vorgeschlagen.

Nach Abschluss der Datenaufnahme und des Datentransfers beginnt der Teil der Bildrekonstruktion. Dieser Schritt erfolgt mithilfe eines MATLAB-Codes, der zum geistigen Eigentum (IP) eines Unternehmens (BioVisioneers GmbH) gehört und nicht öffentlich geteilt werden kann. Das Skript ist vollständig automatisiert, sobald der Pfad zu den Rohdaten angegeben wurde. Eine schematische Übersicht des Rekonstruktionsverfahrens ist in Abbildung 2 dargestellt.

figure-results-2
Abbildung 2: Schematische Übersicht der 3D-Phasenaufgelösten Funktionellen Lungen-(PREFUL-)MRT-Methode. Zunächst werden Daten mittels einer 8-minütigen MRT-Aufnahme während freier Atmung mit einer Stack-of-Stars-Trajektorie erfasst. Nach der Übertragung der Daten vom MRT-Scanner auf eine Recheneinheit werden 3D-Bilder mit niedriger räumlicher Auflösung und einer zeitlichen Auflösung von etwa 100 ms rekonstruiert. Das Lungengewebe jedes Bildes wird segmentiert und das Lungenvolumen berechnet. Diese Volumeninformation wird anschließend als Gatingsignal verwendet. Basierend auf der Amplitude und Phase des Gatingsignals werden die radialen Projektionen in Atemphasen-Bins sortiert, die einen kompletten Atemzyklus abdecken. Der Binning-Schritt wird gefolgt von der dynamischen Rekonstruktion von Vollauflösungs-Bildern, die danach auf das endinspiratorische Niveau registriert werden. Nach mehreren Schritten der Nachbearbeitung wird der regionale Ventilationszyklus (RVent) berechnet und die Bildanalyse einschließlich der Parameterextraktion durchgeführt. Der RVent-Zyklus wird durch die Berechnung der Fluss-Volumen-Kurve (FVL) für jeden Voxel bewertet. Die FVL-CM-Ventilationskarten werden durch einen Vergleich der FVL jedes Voxel mit einer gesunden Referenz-FVL gewonnen, wobei die Ähnlichkeit anhand eines Kreuzkorrelationsmaßes bewertet wird. Für sowohl RVent als auch FVL-CM werden die globalen Gesamtventilationsdefektprozente (VDP) quantifiziert. Darüber hinaus wird die Dynamik des RVent-Zyklus mittels Zeit-zu-Spitze-Analyse analysiert, was zu einer Ventilationszeit-zu-Spitze-(VTTP-)Parameterkarte führt. Zusätzlich wird die Abweichung des erwarteten Ventilationsspitzenwerts bei 50 % des RVent-Zyklus in der VTTPDev-Karte quantifiziert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Nach dem Bildrekonstruktionsverfahren werden alle Bilder räumlich auf einen einzigen festen Zustand ausgerichtet. Die Registrierung selbst wird auf der CPU mithilfe der Advanced Normalization Tools (ANTs27) oder des Forsberg-Registrierungspakets28 durchgeführt. Während das ANTs-Paket weiterhin als Goldstandard für Bildregistrierungsaufgaben in der MRT- und CT-Bildgebung gilt, ermöglicht die Forsberg-Registrierung ein bis zu zehnmal schnelleres Verfahren mit vergleichbaren Ergebnissen, das in bis zu 9 Minuten abgeschlossen ist19. Die Wahl des Registrierungspakets kann je nach Benutzerprioritäten und verfügbaren Recheneinheiten getroffen werden. Nach Abschluss der Registrierung werden die registrierten morphologischen Bilder erneut invertiert, sodass die Lunge im Graustufenbild dunkel erscheint.

In Abbildung 3 ist der nächste Schritt der Pipeline dargestellt, der die Segmentierung des Lungenparenchyms beinhaltet. Zunächst wird das Lungenparenchym aus dem endinspiratorischen Bild mithilfe eines konvolutionalen neuronalen Netzwerks mit der nnUnet-Architektur segmentiert29. Anschließend erfolgt eine Erkennung der Blutgefäße30, die von der endgültigen Segmentierungsmaske ausgeschlossen wird.

figure-results-3
Abbildung 3: Beispielhafte Ergebnisse der segmentierungsbasierten Tiefenlernanalyse für einen 32-jährigen männlichen Probanden. Die oberste Zeile zeigt morphologische Bilder von acht repräsentativen koronaren Schnitten. In der zweiten und dritten Zeile sind jeweils die entsprechende Lungenparenchymmaske und die endgültige Maske nach Ausschluss der Gefäße zu sehen. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Ein Beispiel einer fehlerhaften Segmentierung des Lungenparenchyms ist in Abbildung 4 dargestellt. Es ist unerlässlich, die auf Deep Learning basierenden Segmentierungen visuell zu überprüfen, und falls diese als unbefriedigend erachtet werden, sollten manuelle Korrekturen in Betracht gezogen werden, um die Genauigkeit der endgültigen Lungenparenchym-Maske zu verbessern.

figure-results-4
Abbildung 4: Beispielhafte Ergebnisse einer fehlerhaften, auf Deep Learning basierenden Segmentierung bei einem 57-jährigen männlichen Probanden. Die oberste Zeile zeigt morphologische Bilder von acht repräsentativen koronaren Schnitten. In der zweiten und dritten Zeile sind jeweils die entsprechende Lungenparenchymmaske und die endgültige Maske nach Ausschluss der Gefäße zu sehen. Wie ersichtlich ist, werden mehrere fibrotische Regionen fälschlicherweise als Gefäße oder nicht-pulmonale Strukturen erkannt. Diese Ungenauigkeiten wurden manuell korrigiert, wie in der vierten Zeile dargestellt. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Nach mehreren im Protokoll beschriebenen Filterschritten werden Belüftungssurrogate berechnet. Die 3D-PREFUL-MRT erzeugt quantitative Karten für die statische regionale Belüftung (RVent), dynamische Fluss-Volumen-Korrelationsmetriken (FVL-CM) sowie zwei Parameter, die auf der Analyse der Zeit-zum-Belüftungspitzenwert (VTTP) basieren, wie in Abbildung 5 veranschaulicht. Diese Abbildung zeigt acht koronare Schnitte eines 32-jährigen gesunden Mannes. Beachten Sie die erwartete homogene Verteilung aller Belüftungsparameter.

figure-results-5
Abbildung 5: 3D PREFUL-MRT eines gesunden Probanden (32-jähriger Mann). Repräsentative morphologische (obere Zeile) und 3D PREFUL-MRT-Ventilationsparameterkarten (zweite bis fünfte Zeile) für einen gesunden Probanden (32-jähriger Mann). Die statische regionale Ventilation wird durch die regionale Ventilation (RVent) dargestellt, während die Ventilationsdynamik anhand des Fluss-Volumen-Kurven-Korrelationsmaßes (FVL-CM), der Ventilationszeit bis zum Peak (VTTP) und der Abweichung von VTTP (VTTPDev) bewertet wird, welche Parameter zur Beurteilung der Ventilationsdynamik darstellen. Wie erwartet, zeigen alle Ventilationsparameterkarten homogene Ventilationswerte. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Zur Vereinfachung der Ventilationskarten werden für RVent und FVL-CM Ventilationsdefekt-Karten (VD-Karten) abgeleitet, die eine schnellere Interpretation der Ergebnisse ermöglichen. Die beispielhaften VD-Karten sind in Abbildung 6 dargestellt. Für sowohl VDRVent als auch VDFVL-CM wurden VDP-Werte von 3,6 % bzw. 3,0 % ermittelt, die im gesunden Normbereich liegen. Im Idealfall sollte der VDP-Wert, abhängig vom Alter gesunder Probanden, 10 % nicht überschreiten. Die oben genannten Parameter (RVent, FVL-CM und ihre VD-Karten) wurden in mehreren Studien11,12,35,36 validiert und zeigen sich empfindlich bei der Erkennung von Erkrankungen sowie therapieinduzierten Effekten20,34,37,38,39.

figure-results-6
Abbildung 6: Repräsentative RVent- und FVL-CM-Karten einschließlich ihrer Ventilationsdefektkarten. Dargestellt sind die RVent- (obere Reihe) und FVL-CM-Karten (zweite Reihe) sowie die daraus abgeleiteten Ventilationsdefektkarten (dritte und vierte Reihe), die mittels 3D-PREFUL-MRT bei einem gesunden Probanden (32-jähriger Mann) gewonnen wurden. Auf den VD-Karten sind gesunde Bereiche grün und ventilationsdefizitäre Areale rot markiert. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Mehrere Studien zur pulmonalen MRT wurden sowohl bei magnetischen Feldstärken von 1,5 T als auch von 3 T veröffentlicht. Obwohl 3 T aufgrund des höheren Signal-Rausch-Verhältnisses (SNR) einen theoretischen Vorteil bietet, könnte dieser durch stärkere magnetische Suszeptibilitätseffekte bei 3 T aufgewogen werden. Der genaue Einfluss der magnetischen Feldstärken auf die Bildqualität von 3D-PREFUL-Ventilationskarten ist derzeit unbekannt. Hier präsentieren wir Machbarkeitsergebnisse (Abbildung 7), die an einem gesunden Probanden (35-jähriger Mann) mit einem 3-T-MRT-Gerät gewonnen wurden. Beachten Sie das heterogenere Erscheinungsbild der Ventilationsparameter bei 3 T im Vergleich zu 1,5 T (Abbildung 5).

figure-results-7
Abbildung 7: 3D PREFUL-MRT eines gesunden Probanden (35-jähriger Mann). Repräsentative morphologische (oberste Zeile) und 3D PREFUL-MRT-Ventilationsparameterkarten (zweite bis fünfte Zeile) für einen gesunden Probanden (35-jähriger Mann) bei 3 T. Die statische regionale Ventilation wird durch die regionale Ventilation (RVent) dargestellt, während die Ventilationsdynamik anhand des Fluss-Volumen-Kurven-Korrelationsmaßes (FVL-CM), der Ventilationszeit bis zum Maximum (VTTP) und der Abweichung von VTTP (VTTPDev) bewertet wird, welche Parameter zur Beurteilung der Ventilationsdynamik darstellen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Ein Vergleich bzw. eine Validierung von 3D-PREFUL mit direkteren Messverfahren ist derzeit nicht veröffentlicht. Es gibt mehrere Studien, die eine positive Korrelation zwischen VDP-Werten und räumlicher Überschneidung von Ventilationsdefekten zwischen der 2D-PREFUL-Technik und 129Xe11,12,14 sowie 19F-MRT35 berichten. Ein kürzlich durchgeführter Vergleich zwischen mittels 3D-PREFUL bestimmter Ventilation und direkten Ventilationsmessungen mittels 19F-MRT bei Patienten mit chronisch obstruktiver Lungenerkrankung (COPD), Asthma und gesunden Probanden zeigte eine moderate bis starke Korrelation auf globaler Ebene40. Dargestellt ist ein Beispielvergleich (Abbildung 8) für einen Patienten mit chronisch obstruktiver Lungenerkrankung (54-jährige Frau, FEV1 = 42 % des vorhergesagten Wertes), der mit 3D-PREFUL und 19F-Wash-in-MRT untersucht wurde.

figure-results-8
Abbildung 8: 3D PREFUL-MRT einer 54-jährigen weiblichen COPD-Patientin. Morphologische Bilder (oberste Zeile), Ventilationsparameter und entsprechende Ventilationsdefekt-Karten einer 54-jährigen weiblichen COPD-Patientin (FEV1 = 42 % pred., FVC = 102 % pred.) wurden mittels 3D PREFUL-MRT (2. und 3. Zeile) und 19F-MRT (4. und 5. Zeile) dargestellt, zusammen mit einem Vergleich der Ventilationsdefekt-Karten beider Methoden (unterste Zeile). Insgesamt betrug der Sørensen-Dice-Koeffizient über alle Schichten hinweg 25,5 % in defekten Bereichen und 80,6 % in gesunden Regionen, was einer gesamten räumlichen Übereinstimmung von 69,2 % entspricht. Bemerkenswert ist die visuelle Korrelation zwischen übereinstimmenden Ventilationsbereichen in gesunden und defekten Regionen (dargestellt in dunkelgrün). Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Mithilfe der 3D-PREFUL-MRT können regionale Therapieantworten gemessen werden20. Als Beispiel zeigt Abbildung 9 einen Vergleich von drei Schnitten aus der Lunge einer Person mit zystischer Fibrose (43-jährige Frau) im Ausgangszustand (links, FEV1 = 94 % des vorhergesagten Wertes) und nach einer CFTR-Modulator-Therapie (rechts, FEV1 = 112 % des vorhergesagten Wertes). Da beide Messungen räumlich übereinstimmen, ermöglicht die 3D-PREFUL eine Analyse der regionalen Therapieantwort, wie am unteren Rand von Abbildung 9 veranschaulicht. Beachten Sie die erhöhten Werte der Korrelationsmetrik der Fluss-Volumen-Schleife sowie die Verringerung der Ventilationsdefekte nach der Therapie.

figure-results-9
Abbildung 9: 3D-PREFUL-Messungen einer 43-jährigen weiblichen Mukoviszidosepatientin (CF). Beispielhafte Ventilationsmarkerkarten der Basislinienmessung (links) und der Messung nach der Behandlung (rechts) einer 43-jährigen weiblichen CF-Patientin. Der VDPFVL-CM verringerte sich von 18,0 % (Basislinie) auf 3,6 % (nach der Behandlung). FEV1 % Sollwert vor Behandlung: 94 %, FEV1 % Sollwert nach Behandlung: 112 %. LCI vor Behandlung: 10,48, LCI nach Behandlung: 9,39. Die entsprechenden Behandlungsreaktionskarten sind unten dargestellt. Beachten Sie die grünen Bereiche, die die nach der Therapie aufgelöste Ventilation anzeigen. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Tabelle 1: Liste typischer MRT-Parameter, die für die Lokalisierung und die 3D-PREFUL-Aufnahme an einem 1,5-T-Gerät verwendet werden. (A) Lokalisierung und (B) 3D-PREFUL-Aufnahme. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 2: Vorgeschlagene MRT-Parameter für die 3D-PREFUL-Aufnahme an einem 3T-Scanner. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 3: Beispielhafter statistischer Bericht der 3D-PREFUL-Parameter für einen gesunden Probanden (35-jähriger männlicher) Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Diskussion

Eine der kritischsten Fallstricke ist die Akquisition selbst. Es muss darauf geachtet werden, dass die Parameter der MR-Sequenz korrekt eingestellt sind. Wichtig ist, dass die Echozeit, die Wiederholungszeit, die Anzahl der Slices, die Matrixgröße und die Pixelbandbreite die entscheidenden Parameter sind. Abweichungen von den empfohlenen Einstellungen können zu einer unzureichenden zeitlichen Auflösung oder längeren Aufnahmen führen. Außerdem ist die Datenübertragung wichtig, um sicherzustellen, dass die Daten vollständig an den ausgewählten Computer oder Server zur Auswertung geliefert werden. Die Datenauswertung läuft vollautomatisch ab, sobald der Pfad zu den erfassten Daten festgelegt ist. Die Nachbearbeitung beginnt mit der Bildrekonstruktion, bei der das retrospektive Binning eine entscheidende Rolle spielt. Es wird empfohlen, das Binning-Signal zu überprüfen, um eine klare Darstellung des Atemmusters zu gewährleisten. Nach der Überprüfung des Binning-Signals sind keine weiteren Schritte erforderlich, da der Algorithmus selbst mit schlechten Atemmustern umgeht, indem er Ausreißer ausschließt (Datenpunkte über dem 95. Perzentil und unter dem 10. Perzentil). Nach der Bildrekonstruktion erfolgt der Prozess der Bildregistrierung. Dieser Schritt sollte wie folgt überprüft werden: Die registrierten Bilder sollten frei von Atmung und Herzbewegungen sein. Konkret sollten die Positionen des Zwerchfells und des Herzens "eingefroren" werden. Der nächste Schritt ist die Deep-Learning-basierte Segmentierung von Lungenparenchym und Gefäßen. Dieser Segmentierungsprozess ist für das gesamte 3D-Lungenvolumen sehr zeitaufwändig; Daher ist der Einsatz von KI-basierten Tools von Vorteil. In bestimmten Situationen, z. B. beim Auftreten von Peripheriekonsolidierungen, liefern diese Algorithmen jedoch möglicherweise keine genauen Ergebnisse. Daher sollte die Segmentierungsmaske gründlich überprüft und gegebenenfalls manuell korrigiert werden. Alle diese Schritte sind entscheidend für die Bewertung der Lüftungsparameter und können zu ungenauen Berechnungen führen.

Seit der ursprünglichen Veröffentlichung17 wurden mehrere Entwicklungen in der 3D-PREFUL-Technik vorgenommen. Der Sortieralgorithmus der erfassten radialen Projektionen wurde vollständig automatisiert und verbessert, so dass die gesamte Lunge mit der Schwellenwertmethode von Otsu segmentiert und als Navigatorsignal für die Einteilung der Daten in die Atemphasen verwendet wird. Darüber hinaus wurden das manuelle Lungenparenchym und die Gefäßsegmentierung durch vollautomatische Deep-Learning-basierte Algorithmen ersetzt, um zeitaufwändige Verfahren zu reduzieren. Darüber hinaus kann die Verarbeitungszeit des Bildregistrierungsteils auf bis zu 10 Minuten reduziert werden, wenn die Forsberg-Registrierungs-Toolbox implementiert ist19. Zusammen mit früheren Entwicklungen ermöglicht der implementierte Code die Koregistrierung von Bildern von zwei Zeitpunkten (Follow-up-Messungen) und die Bewertung des voxelweisen Fortschreitens der Erkrankung oder therapieinduzierter Beatmungsänderungen20. Die aktuelle Version des Matlab-Skripts erfordert keine Benutzerinteraktion und könnte in Zukunft in einer Pipeline für die automatisierte Verarbeitung von Daten mit bestimmten Flags implementiert werden.

Der Hauptnachteil von 3D PREFUL besteht darin, dass keine lokale Blutflussmessung möglich ist, da der Inflow-Effekt nicht erfasst werden kann, wenn ein nicht-selektiver harter HF-Impuls zur Anregung verwendet wird. Zweitens dauert die gesamte Nachbearbeitung (einschließlich Datenübertragung, Bildrekonstruktion, Bildregistrierung und Beatmungsanalyse) derzeit 2 Stunden für jedes Subjekt. Drittens wurde derzeit nur ein vorläufiger Vergleich von 3D-PREFUL-abgeleiteten Beatmungsparametern mit stärker validierten Techniken demonstriert40. Viertens erfolgt die Auswertung der erfassten Daten auf einem Hochleistungsrechner; Daher stehen die Ergebnisse dem Arzt an der Konsole nicht direkt zur Verfügung. Fünftens fehlen Machbarkeitsstudien von 3D PREFUL zu unterschiedlichen Feldstärken und verschiedenen Scanner-Anbietern.

Die 3D-Phasenaufgelöste funktionelle Lungen-MRT (PREFUL) ermöglicht die quantitative Kartierung der regionalen Beatmungsdynamik der gesamten menschlichen Lunge während der freien Atmung17. Es gibt mehrere kostengünstige Alternativen zu 3D PREFUL, wie z. B. Spirometrie oder Mehrfachatemauswaschtechniken. Beiden fehlen jedoch räumliche Informationen und sie erfordern Atemmanöver, so dass sie für kleine Kinder oder Neugeborene nicht durchführbar sind. Alternative bildgebende Verfahren setzen Patienten ionisierender Strahlung aus, wie z. B. nuklearmedizinische Methoden der CT, oder sind nicht überall verfügbar (hyperpolarisierte 129Xe oder 19F Gasbildgebung mittels MRT). 3D PREFUL bietet eine Beurteilung der Beatmungsdynamik, kann mit einem klinischen Standardscanner durchgeführt werden und benötigt keine Kontrastmittel, was es attraktiv macht, in eine klinische Forschungsumgebung übertragen zu werden. Die Tatsache, dass 3D PREFUL ohne den Einsatz von Strahlung oder Kontrastmitteln auskommt und eine patientenfreundliche, frei atmende Erfassung bietet, eignet sich gut für Wiederholungs- oder Längsschnittstudien, die das regionale Ansprechen auf die Therapie quantitativ bewerten. Zweitens kann die 3D-PREFUL-Beurteilung der Lungenventilation besonders bei Kleinkindern wertvoll sein, bei denen eine Strahlenbelastung vermieden werden sollte.

Die Fähigkeit von 3D PREFUL, funktionelle Beatmungsbilder der menschlichen Lunge zu erzeugen, birgt das Potenzial für eine frühzeitige Diagnose. Insbesondere ermöglicht die Möglichkeit, wiederholbare und quantitative regionale Beatmungskarten zu erstellen, Längsschnittstudien, z. B. das Fortschreiten der Erkrankung oder die Überwachung von Therapieeffekten. Darüber hinaus können die regionalen Informationen über die Beatmungsdynamik eine größere Sensitivität für frühe Veränderungen im Zusammenhang mit Lungenerkrankungen bieten, die durch Lungenfunktionstests nicht nachweisbar sind.

Offenlegungen

Filip Klimeš, Andreas Voskrebenzev und Jens Vogel-Claussen sind Gesellschafter der BioVisioneers GmbH, einem Unternehmen, das sich mit pulmonalen Magnetresonanztomographie-Verfahren beschäftigt.

Danksagungen

Diese Arbeit wurde vom Deutschen Zentrum für Lungenforschung (DZL) gefördert. Die Autoren profitierten von einer Reihe von nützlichen Gesprächen mit Kollegen, insbesondere mit Marcel Gutberlet, Agilo Kern, Lea Behrendt, Arnd Obert, Julian Glandorf, Till Kaireit, Tawfik Moher Alsady, Gesa Pöhler, Maximilian Zubke, Robin Müller, Marius Wernz, Cristian Crisosto, Milan Speth, Julienne Scheller und Sonja Lüdiger. Die Autoren danken Robert Grimm (Siemens Healthineers) für die Erstellung der MRT-Bildgebungssequenz und danken darüber hinaus Frank Schröder und Sven Thiele von der Klinik für Radiologie (Medizinische Hochschule Hannover) für die hervorragende technische Unterstützung bei der Durchführung der MRT-Untersuchungen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
ANTsOpen Source ForschungsgemeinschaftBildregistrierungs-Toolbox
BARTOpen Source Bildgebunghttps://www.opensourceimaging.org/project/berkeley-advanced-reconstruction-toolbox-bart/Bildrekonstruktions-Toolbox
KörperspuleSiemens / Philips / GE https://www.siemens-healthineers.com/en-us/magnetic-resonance-imaging/options-and-upgrades/coilsMindestens 6-Kanal-Gehäusespule; Philips [https://www.usa.philips.com/healthcare/solutions/magnetic-resonance/coils-overview ]
ForsbergBildregistrierungs-Toolboxhttps://github.com/fordanic/image-registrationBildregistrierungs-Toolbox
BildrekonstruktionscodeBioVisioneers GmbHwww.biovisioneers.comSoftware für die MRT-Rekonstruktion und -Analyse
MatlabMathworksSoftware
MRTSiemens / Philips / GE https://www.siemens-healthineers.com/magnetic-resonance-imagingPhilips [https://www.philips.co.in/healthcare/solutions/magnetic-resonance], GE [https://www.gehealthcare.com/products/magnetic-resonance-imaging]; 1,5 T / 3 T
SequenzSiemens / Philips / GEMRT-Sequenz, 3D-Gradienten-Echo-Sequenz mit Sternstapel-Trajektorie und Inkrement des Goldenen Winkels; 1. Siemens Grasp-Vibe Sequenz - https://t.ly/P31kM , 2. Philips Multi Vane XD Sequenz https://t.ly/wMWZZ , 3. GE Lava-Star, Disco-Star - https://t.ly/vimm2
für medizinische Bildanalyse

Referenzen

  1. Chronic respiratory diseases. World Health Organization. , Available from: https://www.who.int/health-topics/chronic-respiratory-diseases#tab=tab_1 (2021).
  2. Musch, G., et al. Topographical distribution of pulmonary perfusion and ventilation, assessed by PET in supine and prone humans. J Appl Physiol. 93 (5), 1841-1851 (2002).
  3. Petersson, J., Sánchez-Crespo, A., Larsson, S. A., Mure, M. Physiological imaging of the lung: single-photon-emission computed tomography (SPECT). J Appl Physiol. 102 (1), 468-476 (2007).
  4. Mistry, N. N., et al. Evaluation of fractional regional ventilation using 4D-CT and effects of breathing maneuvers on ventilation. Int J Radiat Oncol Biol Phys. 87 (4), 825-831 (2013).
  5. Kirby, M., et al. Hyperpolarized 3 He and 129 Xe MR imaging in healthy volunteers and patients with chronic obstructive pulmonary disease. Radiology. 265 (2), 600-610 (2012).
  6. Kuethe, D. O., Caprihan, A., Fukushima, E., Waggoner, R. A. Imaging lungs using inert fluorinated gases. Magn Reson Med. 39 (1), 85-88 (1998).
  7. Ohno, Y., et al. Dynamic oxygen-enhanced MRI versus quantitative CT: Pulmonary functional loss assessment and clinical stage classification of smoking-related COPD. Am J Roentgenol. 190 (2), W93-W99 (2008).
  8. Bauman, G., et al. Non-contrast-enhanced perfusion and ventilation assessment of the human lung by means of fourier decomposition in proton MRI. Magn Reson Med. 62 (3), 656-664 (2009).
  9. Voskrebenzev, A., et al. Feasibility of quantitative regional ventilation and perfusion mapping with phase-resolved functional lung (PREFUL) MRI in healthy volunteers and COPD, CTEPH, and CF patients. Magn Reson Med. 79 (4), 2306-2314 (2018).
  10. Behrendt, L., et al. Validation of automated perfusion-weighted phase-resolved functional lung (PREFUL)-MRI in patients with pulmonary diseases. J Magn Reson Imaging. 52 (1), 103-114 (2020).
  11. Kaireit, T. F., et al. Flow volume loop and regional ventilation assessment using phase-resolved functional lung (PREFUL) MRI: Comparison with 129Xenon ventilation MRI and lung function testing. J Magn Reson Imaging. 53 (4), 1092-1105 (2021).
  12. Couch, M. J., et al. Comparison of functional free-breathing pulmonary 1H and hyperpolarized 129Xe magnetic resonance imaging in pediatric cystic fibrosis. Acad Radiol. 28 (8), e209-e218 (2020).
  13. Behrendt, L., et al. Validation of automated perfusion-weighted phase-resolved functional lung (PREFUL)-MRI in patients with pulmonary diseases. J Magn Reson Imaging. 52 (1), 103-114 (2019).
  14. Marshall, H., et al. 129Xe and free-breathing 1H ventilation MRI in patients with cystic fibrosis: A dual-center study. J Magn Reson Imaging. 57 (6), 1908-1921 (2022).
  15. Mendes Pereira, L., et al. UTE-SENCEFUL: first results for 3D high-resolution lung ventilation imaging. Magn Reson Med. 81 (4), 2464-2473 (2018).
  16. Boucneau, T., Fernandez, B., Larson, P., Darrasse, L., Maître, X. 3D magnetic resonance spirometry. Sci Rep. 10 (1), 16012(2020).
  17. Klimeš, F., et al. 3D phase-resolved functional lung ventilation MR imaging in healthy volunteers and patients with chronic pulmonary disease. Magn Reson Med. 85 (2), 912-925 (2021).
  18. Klimeš, F., et al. Repeatability of dynamic 3D phase-resolved functional lung (PREFUL) ventilation MR Imaging in patients with chronic obstructive pulmonary disease and healthy volunteers. J Magn Reson Imaging. 54 (2), 618-629 (2021).
  19. Klimeš, F., Voskrebenzev, A., Gutberlet, M., Grimm, R., Wacker, F., Vogel-Claussen, J. Evaluation of image registration algorithms for 3D phase-resolved functional lung ventilation magnetic resonance imaging in healthy volunteers and chronic obstructive pulmonary disease patients. NMR Biomed. 36 (3), e4860(2022).
  20. Klimeš, F., et al. Effect of CFTR modulator therapy with elexacaftor/tezacaftor/ivacaftor on pulmonary ventilation derived by 3D phase-resolved functional lung MRI in cystic fibrosis patients. Eur Radiol. 34 (1), 80-89 (2024).
  21. Rosenzweig, S., Holme, H. C. M., Uecker, M. Simple auto-calibrated gradient delay estimation from few spokes using Radial Intersections (RING). Magn Reson Med. 81 (1), 1898-1906 (2019).
  22. Uecker, M., et al. Berkeley advanced reconstruction toolbox. Proc Intl Soc Mag Reson Med. 23 (1), 2486(2015).
  23. Otsu, N. A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern. 9 (1), 62-66 (1979).
  24. Song, H. K., Dougherty, L. k-Space weighted image contrast (KWIC) for contrast manipulation in projection reconstruction MRI. Magn Reson Med. 44 (6), 825-832 (2000).
  25. Song, H. K., Dougherty, L. Dynamic MRI with projection reconstruction and KWIC processing for simultaneous high spatial and temporal resolution. Magn Reson Med. 52 (4), 815-824 (2004).
  26. Voskrebenzev, A., Gutberlet, M., Kaireit, T. F., Wacker, F., Vogel-Claussen, J. Low-pass imaging of dynamic acquisitions (LIDA) with a group-oriented registration (GOREG) for proton MR imaging of lung ventilation. Magn Reson Med. 78 (4), 1496-1505 (2017).
  27. Avants, B. B., Tustison, N. J., Song, G., Cook, P. A., Klein, A., Gee, J. C. A reproducible evaluation of ANTs similarity metric performance in brain image registration. Neuroimage. 54 (3), 2033-2044 (2011).
  28. Forsberg, D. fordanicimage-registration. , Available from: https://github.com/fordanic/image-registration (2014).
  29. Isensee, F., Jaeger, P. F., Kohl, S. A. A., Petersen, J., Maier-Hein, K. H. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nat Methods. 18 (2), 203-211 (2021).
  30. Wernz, M., et al. Influence of lung vessel segmentation on the reproducibility of PREFUL MRI. Proc IWPFI. 10 (1), 73(2022).
  31. He, K., Sun, J., Tang, X. Guided image filtering. IEEE Trans Pattern Anal Mach Intell. 35 (6), 1397-1409 (2013).
  32. Klimeš, F., et al. Free-breathing quantification of regional ventilation derived by phase-resolved functional lung (PREFUL) MRI. NMR Biomed. 32 (6), e4088(2019).
  33. Pöhler, G. H., et al. Repeatability of phase-resolved functional lung (PREFUL)-MRI ventilation and perfusion parameters in healthy subjects and COPD patients. J Magn Reson Imaging. 53 (3), 915-927 (2020).
  34. Moher Alsady, T., et al. MRI-derived regional flow-volume loop parameters detect early-stage chronic lung allograft dysfunction. J Magn Reson Imaging. 50 (6), 1873-1882 (2019).
  35. Kaireit, T. F., et al. Comparison of quantitative regional ventilation-weighted fourier decomposition MRI with dynamic fluorinated gas washout MRI and lung function testing in COPD patients. J Magn Reson Imaging. 47 (6), 1534-1541 (2018).
  36. Munidasa, S., et al. Inter- and intravisit repeatability of free-breathing MRI in pediatric cystic fibrosis lung disease. Magn Reson Med. 89 (5), 2048-2061 (2023).
  37. Lévy, S., et al. Free-breathing low-field MRI of the lungs detects functional alterations associated with persistent symptoms after COVID-19 infection. Invest Radiol. 57 (1), 742-751 (2022).
  38. Voskrebenzev, A., et al. Detection of chronic lung allograft dysfunction using ventilation-weighted Fourier decomposition MRI. Am J Transplant. 18 (8), 2050-2060 (2018).
  39. Voskrebenzev, A., et al. PREFUL MRI depicts dual bronchodilator changes in COPD: A Retrospective analysis of a randomized controlled trial. Radiol Cardiothorac Imaging. 4 (2), e210147(2022).
  40. Klimeš, F., et al. Comparison of free-breathing 3D phase-resolved functional lung (PREFUL) MRI with dynamic 19F ventilation MRI in patients with obstructive lung disease and healthy volunteers. J Magn Reson Imaging. , (2024).

Nachdrucke und Genehmigungen

Schlagwörter

Funktionelle Lungen MRTphasenaufgel ste MRTdreidimensionales PREFULregionale VentilationVentilationsdefektkartenCompressed SensingDeep Learning RekonstruktionLungenparenchym SegmentierungVentilationsdynamikLungenfunktionstests
Dreidimensionale phasenaufgelöste funktionelle Lungenmagnetresonanztomographie
Kontakt
Rückmeldung an Ihre Bibliothek

Datenschutz

Nutzungsbedingungen

Richtlinien

Copyright © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.