Methodenartikel

Dreidimensionale phasenaufgelöste funktionelle Lungenmagnetresonanztomographie

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie wurde von der Ethikkommission der Medizinischen Hochschule Hannover genehmigt, um sicherzustellen, dass sie während des gesamten Forschungsprozesses strenge ethische Standards einhält. Die Untersuchung folgte strikt den in der Deklaration von Helsinki dargelegten Richtlinien, die die ethische Durchführung medizinischer Forschung betonen. Zusätzlich wurde von allen Studienteilnehmern (bzw. deren Eltern bzw. Erziehungsberechtigten) vor der Teilnahme an der MRT-Untersuchung sorgfältig eine Einverständniserklärung eingeholt.

HINWEIS: Die Einschluss-/Ausschlusskriterien für Studien mit 3D PREFUL MRT variieren und hängen vom Studiendesign ab. In der Regel umfassen die Einschlusskriterien für gesunde Freiwillige in einer 3D-Preful-MRT-Untersuchung Personen, die (a) frei von signifikanten Erkrankungen sind, die die Studienergebnisse beeinflussen könnten, (b) keine Medikamente einnehmen, die die MRT-Ergebnisse beeinträchtigen könnten, (c) keine Klaustrophobie, Angstzustände, metallische Implantate oder Geräte haben, (d) bestimmte Alters- und Geschlechtskriterien erfüllen, die für die Studienziele relevant sind, (e) keine Raucheranamnese haben, (f) normale Spirometriebefunde haben (FEV1/FVC > 0,7 und sowohl FEV1 als auch FVC > 80 % des prädiktiven Wertes). Ausschlusskriterien für alle Studienteilnehmerinnen, die sich einer 3D-PREFUL-MRT-Untersuchung unterziehen, können sein: (a) Schwangerschaft, (b) Erkrankungen, die die Sicherheit oder Gültigkeit der 3D-PREFUL-MRT-Untersuchung beeinträchtigen könnten, (c) Unverträglichkeit gegenüber Gadolinium-basierten Kontrastmitteln, wenn eine dynamische kontrastmittelverstärkte MRT in ein Studienprotokoll aufgenommen wird.

1. Interview vor dem MRT

  1. Lassen Sie einen Arzt wichtige Informationen über die Krankengeschichte des Probanden sammeln.
  2. Erklären Sie die möglichen Kontraindikationen, Risiken und das MRT-Verfahren.
  3. Holen Sie eine schriftliche, informierte Einwilligung des Probanden ein.
    HINWEIS: Wenn keine Ergebnisse des Lungenfunktionstests verfügbar sind, fordern Sie den Probanden auf, sich vor der MRT-Untersuchung einem Lungenfunktionstest zu unterziehen, und überprüfen Sie, ob die erhaltenen Ergebnisse die Einschlusskriterien erfüllen.

2. Vorbereitung des Röntgenassistenten auf die MR-Untersuchung

  1. Registrieren Sie den Probanden in der MR-Konsole und wählen Sie das MR-Protokoll der Studie mit 3D PREFUL-Erfassung.
  2. Vergewissern Sie sich, dass die Person, ihre Taschen und ihre Kleidung frei von metallhaltigen Teilen sind.
  3. Legen Sie die Bogen so auf den Scannertisch, dass eine sterile Umgebung gewährleistet ist.
  4. Betreten Sie den MRT-Raum mit dem Motiv.

3. Vorbereitung des Fachs auf die MR-Prüfung

  1. Lassen Sie den Probanden in Rückenlage auf dem MRT-Tisch liegen (eine Bauchlage ist jedoch möglich).
  2. Stellen Sie sicher, dass die Rumpfspirale eine ausreichende Abdeckung des Brustkorbs bietet, indem Sie das obere Element der Rumpfspirale in der Nähe des Kinns der Person platzieren.
  3. Geben Sie dem Probanden Kopfhörer (alternativ Ohrstöpsel oder beides), um das Gehör vor lauten MRT-induzierten Geräuschen zu schützen.
  4. Statten Sie das Motiv mit einem Sicherheitsknopf (oder einem alternativen Sicherheitsmechanismus) aus, damit es leicht zugänglich ist und gedrückt werden kann.
  5. Legen Sie ein Pad unter den Kopf und die Beine des Probanden, um den Komfort während der MRT-Untersuchung zu erhöhen.
  6. Platzieren Sie das Motiv in den MRT-Scanner und stellen Sie mithilfe der Laserlichtnavigation sicher, dass der abgebildete Bereich das Isozentrum der Bohrung einnimmt.

4. MRT-Untersuchung

  1. localizer
    1. Führen Sie eine Lokalisierungssequenz (mit ähnlichen Parametern wie in Tabelle 1A aufgeführt) durch, um niedrig aufgelöste anatomische Bilder in drei Ebenen (mit großem Sichtfeld) zu erhalten, die zur Planung der 3D-PREFUL-Untersuchung verwendet werden.
  2. 3D PREFUL Bildgebung
    1. Stellen Sie die Erfassungsparameter gemäß Tabelle 1B für die Bildaufnahme ein.
    2. Stellen Sie die Anzahl der radialen Projektionen entsprechend ein, so dass die Erfassung ca. 8 min dauert.
    3. Sagen Sie dem Probanden, dass er während der gesamten Aufnahme normal atmen soll (gezeitenfreie Atmung).
    4. Überprüfen Sie, ob der gesamte Thorax im Sichtfeld enthalten ist, und starten Sie die Erfassung.
  3. Nachdem die Bildgebung abgeschlossen ist, nehmen Sie das Motiv aus dem Scanner.

5. Übertragung von Rohdaten

  1. In der Regel werden die erfassten Rohdaten nicht auf der MR-Anbieterplattform gespeichert. Speichern Sie die rohen 3D-PREFUL-kspace-Daten mit den herstellerspezifischen Schritten in der MR-Konsole.

6. Datenanalyse und Nachbearbeitung

  1. Beginnen Sie mit der Auswertung der erfassten Daten mit dem Bildrekonstruktionsskript (Table of Materials) auf der dafür vorgesehenen Workstation, z.B. in MATLAB, indem Sie den Pfad zu den Rohdaten festlegen.
    HINWEIS: Auf der angegebenen Workstation sollten bereits die folgenden Pakete 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 Kalibrierungsprojektionen mit der estdelay-Funktion, die in der Berkeley Advanced Reconstruction Toolbox (BART) implementiert ist21,22.
    2. Wenden Sie auf jede Projektion eine Verschiebung entsprechend der berechneten Verlaufsverzögerung an.
    3. Wenden Sie die Hanning-Filterung (mit der hann-Funktion in MATLAB) auf die gradientenverzögerungskorrigierten Daten an, indem Sie ein periodisches Fenster in der x-y-Ebene und in z-Richtung verwenden.
    4. Niedrig aufgelöste Bildrekonstruktion für Respiratory Binning
      1. Wählen Sie ein Achtel/ein Viertel der k-Space-Daten aus, die um den mittleren Index der Auslese-/Partitionsdimension zentriert sind.
        HINWEIS: Abhängig von der Größe des Probanden ergibt dieser Schritt eine Matrixgröße von 32 x 32 x (12-20).
      2. Die Matrizen der k-Raum-Daten und der entsprechenden Trajektorien werden so umgeformt, dass sie eine zusätzliche Zeitdimension enthalten, wobei jeder Zeitpunkt aus 14 radialen Projektionen besteht.
        HINWEIS: Jeder nachfolgende Zeitpunkt enthält 13 radiale Projektionen aus dem vorherigen Zeitpunkt sowie eine neue aufeinanderfolgende radiale Projektion.
      3. Verwenden Sie den in BART implementierten Befehl Parallel Imaging and Compressed Sensing (pics) für die Bildrekonstruktion.
        HINWEIS: Wenden Sie die Regularisierung der L2-Norm (λ = 0,1) und der Gesamtvariation (λ = 0,0001) im räumlichen Bereich und der Regularisierung der Gesamtvariation (λ = 0,01) im Zeitbereich an.
    5. Extraktion des Atmungssignals
      1. Segmentieren Sie das Lungenparenchym in jedem rekonstruierten 3D-Bild mit niedriger Auflösung unter Verwendung von Otsus thresholding23 und berechnen Sie das Lungenparenchymvolumen für jeden Zeitpunkt.
      2. Wenden Sie einen Tiefpassfilter mit einer Grenzfrequenz von 0,7 Hz auf die extrahierte Volumenzeitreihe an und berechnen Sie die Atemfrequenz.
      3. Extreme Ausreißer aus der Zeitreihe ausschließen (Zeitpunkte über dem 95. Perzentil und unter dem 10. Perzentil).
        HINWEIS: Die Anordnung der Zeitreihen nach Amplitude und Phase ermöglicht es, einen einzelnen Atemzyklus zu rekonstruieren.
    6. Führen Sie eine schnelle Fourier-Transformation (FFT, fft-Funktion in MATLAB) für die hanning-gefilterten Daten entlang der Schichtrichtung durch, um eine Schicht-für-Schicht-Bildrekonstruktion zu ermöglichen.
    7. Gestalten Sie die k-Space-Datenmatrix basierend auf der extrahierten Zeitreihe so um, dass jeder Atemwegsbehälter mindestens 100 Speichen enthält.
    8. Verwenden Sie 20 % der Projektionen aus benachbarten Bins, um die SNR24,25 jedes Atemwegsbehälters zu verbessern.
    9. Ändern Sie die Form der k-Raum-Trajektorienmatrix, um sie an die Größe der k-Raum-Daten anzupassen.
    10. Führen Sie den pics-Befehl zur Bildrekonstruktion für jeden Slice aus.
      HINWEIS: Wenden Sie die Regularisierung der L2-Norm (λ = 0,1) und der Gesamtvariation (λ = 0,0001) im räumlichen Bereich und der Regularisierung der Gesamtvariation (λ = 0,01) im Zeitbereich an.
    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 in einem ausgewählten Atemzustand, z. B. Inspiration, mit der nicht starren Registrierung.
      HINWEIS: Um die Registrierungsgenauigkeit zu verbessern, kann ein gruppenorientierter Ansatz verwendet werden26. Der Registrierungsprozess kann entweder auf der CPU oder GPU mit Tools wie Advanced Normalization Tools (ANTs)27 oder dem Forsberg-Registrierungspaket28 ausgeführt werden.
  4. Segmentierung des Lungenparenchyms
    1. Segmentieren Sie das Lungenparenchym des endinspiratorischen 3D-Bildes mit einem konvolutionalen neuronalen Netzwerk, z. B. mit nnUnet architecture29.
    2. Schließen Sie Lungengefäße mit einem Gefäßerkennungsalgorithmus aus, wie er von Wernz et al.30.
      beschrieben wird. HINWEIS: Der Schritt zur Erkennung von Lungengefäßen ist nicht obligatorisch, wenn Sie keinen Zugriff auf einen solchen Algorithmus haben. In einigen Fällen kann eine manuelle Neusegmentierung erforderlich sein.
  5. filternd
    1. Wenden Sie die Nadaraya-Watson-Kernel-Regression (mit σ = 0,3) auf die registrierten und reinvertierten Bilder an, um 16 Phasen auf ein gleichmäßig verteiltes Zeitgitter zu interpolieren.
    2. Eliminieren Sie Signalvariationen, die nichts mit der Atmung zu tun haben, indem Sie einen Tiefpassfilter bei 0,7 Hz auf die interpolierten Daten im Zeitbereich anwenden.
    3. Entrauschen Sie die tiefpassgefilterten Bilder mit bildgeführter 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 Lüftung
    1. Berechnen Sie die Karten der regionalen Ventilation (RVent) in Milliliter/Milliliter (ml/ml) für jede Atemphase N mit der folgenden Formel32:
      figure-protocol-1 [1]
      HINWEIS: SInsp stellt das Zielbild für die Bildregistrierung dar, das der endinspiratorischen Ebene entspricht. SExp bezieht sich auf das endexspiratorische Bild, während SN den N-ten Atemzustand darstellt.
    2. Berechnen Sie die Beatmungsdefektkarte (VDRVent) der RVent-Karte der 8. Phase, die die maximale Ventilation darstellt.
      HINWEIS: Bei der Berechnung von VD werden Voxel unterhalb des Schwellenwerts des 90. Perzentils, multipliziert mit dem Faktor 0,4, als defects33 betrachtet.
    3. Berechnen Sie die Karte der Flow-Volume-Loop Correlation Metric (FVL-CM).
      1. Berechnen Sie den Durchfluss als erste Ableitung von RVent.
        HINWEIS: Die Lautstärke wird direkt von RVent gemessen.
      2. Richten Sie für jeden Slice eine Referenz-FVL ein, die aus einem fehlerfreien Bereich berechnet wird, der durch RVent-Werte zwischen dem 75. und 95. Perzentil definiert ist.
      3. Bestimmen Sie die Ähnlichkeit zwischen dem FVL jedes Lungenparenchymvoxels und dem Referenz-FVL mithilfe der Kreuzkorrelation mit Zero-Lag.
    4. Berechnen Sie eine VDFVL-CM-Map, in der Voxel mit FVL-CM-Werten unter 0,9 als Voxel mit Lüftungsdefekt identifiziert werden34.
    5. Berechnung von VTTP-Karten (Ventilation Time-to-Peak) in Prozent (%) des Atemzyklus.
      HINWEIS: Theoretisch beginnt/endet der interpolierte Atmungszyklus mit der Spitzenausatmung und ist symmetrisch zur Spitzeninspiration bei 50 % des Beatmungszyklus für ein gesundes Voxel. Für Voxel, die einer erweiterten/verzögerten Beatmungsdynamik unterzogen werden, zeigt die VTTP-Karte einen Wert unter/über 50 % an.
    6. Berechnen Sie die Abweichung des VTTP-Werts (VTTPDev) von der Spitzeninspiration bei 50 % wie folgt:
      figure-protocol-2 [2]
      HINWEIS: Für eine fehlerfreie Region sollte dieVTTP-Entwicklung nahe 0 % liegen.
    7. Statistik
      1. Beschreiben Sie statistisch die Parameter RVent, FVL-CM, VTTP und VTTPDev für alle Slices, und geben Sie Median, Mittelwert, Standardabweichungswerte und Interquartilsbereiche an.
      2. Berechnen Sie die prozentualen Werte für Lüftungsdefekte, die aus den generierten VD-Karten abgeleitet werden.
      3. Exportieren Sie alle berechneten Parameter in eine Tabellenkalkulationsdatei (siehe Beispiel in Tabelle 3).

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Das einfachste 3D-PREFUL-Bildgebungsprotokoll enthält zwei Sequenzen. Ein anatomischer Lokalisierer + eine Messung der freien Atmung mit 3D-Sternstapelerfassung im goldenen Winkel. Die Flugbahn des Sternenstapels ist in Abbildung 1 dargestellt. Diese Trajektorie kombiniert radiales Sampling (in der Ebene) mit linearem kartesischem Sampling (in z-Richtung). Zunächst werden Abtastungen ink-z-Partitionsrichtung erfasst, gefolgt von der Drehung des goldenen Winkels, um die k-x-k-y-Ebene abzutasten. Das Golden-Angle-Erfassungsschema fördert das Self-Gating mit gleichmäßiger Abdeckung des k-Raums und erleichtert die Bildrekonstruktion mit stark unterabgetasteten Daten. Die gesamte Prüfung dauert nicht länger als 10 Minuten. Weitere Details zur 3D PREFUL-Erfassung finden Sie in der Materialtabelle.

figure-results-1
Abbildung 1: Goldener Schnitt gedrehter Stapel von Sternen. Beachten Sie, dass die radiale Abtastung entlang der Abmessung in der Ebene (kx-ky) und die kartesische Abtastung entlang der Schichtrichtung (kz) angewendet wird. Dieses Schema führt zu einer zylindrischen Abdeckung des erfassten k-Raums. In diesem Beispiel werden drei Partitionen mit 32 radialen Projektionen pro Partition dargestellt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

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

Nachdem die Datenerfassung und die Datenübertragung abgeschlossen sind, beginnt der Bildrekonstruktionsteil. Dieser Schritt erfolgt durch einen MATLAB-Code, der zum geistigen Eigentum (IP) eines Unternehmens (BioVisioneers GmbH) gehört und nicht offen geteilt werden kann. Das Skript ist vollständig automatisiert, sobald der Pfad zu den Rohdaten angegeben ist. Eine schematische Übersicht über das Rekonstruktionsverfahren ist in Abbildung 2 dargestellt.

figure-results-2
Abbildung 2: Schematischer Überblick über die 3D-Phasenaufgelöste funktionelle Lunge (PREFUL) MRT-Methode. Zunächst werden die Daten mit einer 8-minütigen MRT-Erfassung mit freier Atmung und einer Flugbahn des Sternenstapels erfasst. Nach der Übertragung der Daten vom MRT-Scanner zu einer Recheneinheit werden niedrig aufgelöste 3D-Bilder mit einer zeitlichen Auflösung von ca. 100 ms rekonstruiert. Das Lungenparenchym jedes Bildes wird segmentiert und das Lungenvolumen berechnet. Die Lungenvolumeninformation wird weiterhin als Gating-Signal verwendet. Basierend auf der Amplitude und Phase des Gating-Signals werden die radialen Projektionen in Atembehälter sortiert, die einen Atemzyklus abdecken. Auf den Binning-Teil folgt die dynamische Rekonstruktion von Bildern in voller Auflösung, die anschließend bis zur endinspiratorischen Ebene registriert werden. Nach mehreren Nachbearbeitungsschritten wird der Zyklus der regionalen Lüftung (RVent) berechnet und der Bildanalyseteil einschließlich der Parameterextraktion durchgeführt. Der RVent-Zyklus wird durch Berechnung des Fluss-Volumen-Loops (FVL) für jedes Voxel bewertet. Die FVL-CM-Beatmungskarten werden durch eine Bewertung jedes Voxel-FVL im Vergleich zu gesunden Referenz-FVL extrahiert, wobei die Ähnlichkeit anhand einer Kreuzkorrelationsmetrik bewertet wird. Sowohl für RVent als auch für FVL-CM werden die globalen Werte für den Prozentsatz der gesamten Beatmungsdefekte (VDP) quantifiziert. Darüber hinaus wird die Dynamik des RVent-Zyklus durch eine Time-to-Peak-Analyse analysiert, was zu einer Beatmungs-Time-to-Peak-Parameterkarte (VTTP) führt. Darüber hinaus wird die Abweichung der erwarteten Spitzenventilation bei 50 % des RVent-Zyklus in der VTTP-Dev-Karte quantifiziert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Nach der Bildrekonstruktion sind alle Bilder räumlich auf einen einzigen festen Zustand ausgerichtet. Die Registrierung selbst wird auf der CPU mit den Advanced Normalization Tools (ANTs27) oder Forsberg registration package28 durchgeführt. Während das ANTs-Paket nach wie vor ein Goldstandard für Bildregistrierungsaufgaben in der MRT- und CT-Bildgebung ist, ermöglicht die Forsberg-Registrierung ein 10-fach schnelleres Registrierungsverfahren von bis zu 9 Minuten bei vergleichbaren Ergebnissen19. Das Registrierungspaket kann in Abhängigkeit von den Prioritäten der Benutzer und den verfügbaren Recheneinheiten ausgewählt werden. Nachdem die Registrierung abgeschlossen ist, werden die registrierten morphologischen Bilder wieder revertiert, so dass die Lunge im Graustufenbild dunkel erscheint.

In Abbildung 3 ist der nächste Schritt der Pipeline, der die Segmentierung des Lungenparenchyms beinhaltet, dargestellt. Zunächst wird das Lungenparenchym aus dem endinspiratorischen Bild unter Verwendung eines konvolutionalen neuronalen Netzwerks mit nnUnet architecture29 segmentiert. Auf die Segmentierung des Lungenparenchyms folgt eine Gefäßerkennung30, die von der endgültigen Segmentierungsmaske ausgeschlossen wird.

figure-results-3
Abbildung 3: Beispielhafte Ergebnisse der Deep-Learning-basierten Segmentierung für einen 32-jährigen männlichen Probanden. In der oberen Reihe sind morphologische Bilder von acht repräsentativen koronalen Schnitten zu sehen. In der zweiten und dritten Reihe kann man die entsprechende Lungenparenchymmaske bzw. die Schlussmaske unter Ausschluss der Gefäße beobachten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Ein Beispiel für eine falsche Segmentierung des Lungenparenchyms ist in Abbildung 4 dargestellt. Es ist wichtig, die Deep-Learning-basierten Segmentierungen visuell zu überprüfen, und wenn sie als unbefriedigend erachtet werden, sollten manuelle Korrekturen in Betracht gezogen werden, um die Genauigkeit der endgültigen Lungenparenchymmaske zu verbessern.

figure-results-4
Abbildung 4: Beispielhafte Ergebnisse einer fehlerhaften Deep-Learning-basierten Segmentierung für einen 57-jährigen männlichen Probanden. In der oberen Reihe sind morphologische Bilder von acht repräsentativen koronalen Schnitten zu sehen. In der zweiten und dritten Reihe kann man die entsprechende Lungenparenchymmaske bzw. die Schlussmaske unter Ausschluss der Gefäße beobachten. Wie ersichtlich, werden mehrere fibrotische Regionen fälschlicherweise als Gefäße oder nicht-pulmonale Strukturen erkannt. Diese Ungenauigkeiten wurden manuell korrigiert, wie in der vierten Zeile zu sehen ist. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Nach mehreren Filterschritten, die im Protokoll beschrieben sind, werden Beatmungssurrogate calculated. 3D PREFUL MRT generiert quantitative Karten für die statische regionale Beatmung (RVent), dynamische Fluss-Volumen-Korrelationsmetriken (FVL-CM) und zwei Parameter, die auf der Analyse der Beatmungszeit bis zur Spitze (VTTP) basieren, wie in Abbildung 5 dargestellt. Diese Abbildung zeigt acht koronale Schnitte eines 32-jährigen gesunden Mannes. Beachten Sie die zu erwartende homogene Verteilung aller Lüftungsparameter.

figure-results-5
Abbildung 5: 3D PREFUL MRT eines gesunden Freiwilligen (32-jähriger Mann). Repräsentative morphologische (obere Reihe) und 3D PREFUL MRT-Beatmungsparameter (zweite bis fünfte Reihe) für einen gesunden Probanden (32-jähriger Mann). Die statische regionale Ventilation wird durch die regionale Ventilation (RVent) repräsentiert, während die Ventilationsdynamik anhand der Flow-Volume-Loop-Correlation-Metrik (FVL-CM) bewertet wird, die Ventilation Time-to-Peak (VTTP) und die Abweichung von VTTP (VTTPDev) sind Ventilationsparameter, die die Ventilationsdynamik bewerten. Erwartungsgemäß werden für alle Lüftungsparameterkarten homogene Lüftungswerte beobachtet. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Um die Beatmungskarten zu vereinfachen, werden Beatmungsdefektkarten (VD) für RVent und FVL-CM abgeleitet, die eine schnellere Interpretation der Ergebnisse ermöglichen. Die beispielhaften VD-Karten sind in Abbildung 6 dargestellt. Sowohl für VDRVent als auch für VDFVL-CM lagen die VDP-Werte bei 3,6 % bzw. 3,0 % und damit im gesunden Normbereich. Im Idealfall und abhängig vom Alter der gesunden Probanden sollte der VDP-Wert 10 % nicht überschreiten. Die oben genannten Parameter (RVent, FVL-CM und ihre VD-Karten) wurden in mehreren Studien validiert11,12,35,36 und sind sowohl bei der Erkennung von Krankheiten als auch bei der Detektion therapieinduzierter Effekte sensitiv20,34,37,38,39.

figure-results-6
Abbildung 6: Repräsentative RVent- und FVL-CM-Karten, einschließlich ihrer Lüftungsdefektkarten. Dargestellt sind die Karten RVent (obere Reihe) und FVL-CM (zweite Reihe), einschließlich ihrer Beatmungsdefektkarten (dritte und vierte Reihe), die mittels 3D PREFUL MRT für einen gesunden Probanden (32-jähriger Mann) abgeleitet wurden. In VD-Karten sind gesunde Regionen grün und Gebiete mit Lüftungsdefizit rot markiert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Mehrere Lungen-MRT-Studien wurden sowohl bei 1,5 T als auch bei 3 T Magnetfeldstärken berichtet. Während es den theoretischen Vorteil von 3T aufgrund des erhöhten Signal-Rausch-Verhältnisses (SNR) gibt, kann dieser Vorteil durch ausgeprägtere magnetische Suszeptibilitätseffekte bei 3T aufgewogen werden. Der genaue Einfluss der Magnetfeldstärken auf die Bildqualität von 3D-PREFUL-Beatmungskarten ist derzeit nicht bekannt. Hier präsentieren wir Machbarkeitsergebnisse (Abbildung 7), die für einen gesunden Freiwilligen (35-jähriger Mann) mit einem 3-T-MRT-Scanner erhalten wurden. Beachten Sie das heterogenere Erscheinungsbild der Lüftungsparameter bei 3 T im Vergleich zu 1,5 T (Abbildung 5).

figure-results-7
Abbildung 7: 3D PREFUL MRT eines gesunden Freiwilligen (35-jähriger Mann). Repräsentative morphologische (obere Reihe) und 3D PREFUL MRT-Beatmungsparameter (zweite bis fünfte Reihe) für einen gesunden Probanden (35-jähriger Mann) bei 3T. Die statische regionale Ventilation wird durch die regionale Ventilation (RVent) repräsentiert, während die Ventilationsdynamik anhand der Flow-Volume-Loop-Correlation-Metrik (FVL-CM) bewertet wird, die Ventilation Time-to-Peak (VTTP) und die Abweichung von VTTP (VTTPDev) sind Ventilationsparameter, die die Ventilationsdynamik bewerten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Vergleich/Validierung von 3D PREFUL mit direkteren Messungen ist derzeit nicht veröffentlicht. Es gibt mehrere Studien, die über eine positive Korrelation zwischen VDP-Werten und räumlicher Überlappung von Beatmungsdefekten zwischen der 2D-PREFUL-Technik und 129berichten Xe11,12,14 und 19F MRT35. Ein kürzlich durchgeführter Vergleich zwischen 3D-PREFUL-abgeleiteter Beatmung und direkten Beatmungsmessungen mittels 19-F-MRT bei Patienten mit chronisch obstruktiver Lungenerkrankung (COPD), Asthma und gesunden Probanden ergab eine moderate bis starke Korrelation auf globaler Ebene40. Vorgestellt wird ein Beispielvergleich (Abbildung 8) für einen Patienten mit der Diagnose einer chronisch obstruktiven Lungenerkrankung (54-jährige Frau, FEV1 = 42% vorhergesagter Wert), der mittels 3D PREFUL und 19F Wash-in-MRT untersucht wurde.

figure-results-8
Abbildung 8: 3D PREFUL MRT einer 54-jährigen COPD-Patientin. Es werden morphologische Bilder (obere Reihe), Beatmungsparameter und entsprechende Beatmungsdefektkarten einer 54-jährigen weiblichen COPD-Patientin (FEV1 = 42 % pred., FVC = 102 % pred.), die mittels 3D PREFUL MRT (2. und 3. Reihe) und 19F MRT (4. und 5. Reihe) aufgenommen wurden, sowie ein Vergleich der Beatmungsdefektkarten beider Methoden (letzte Reihe) vorgestellt. Insgesamt betrug der Sørensen-Würfel-Koeffizient über alle Schichten hinweg 25,5 % in defekten Bereichen und 80,6 % in gesunden Regionen, was zu einer räumlichen Gesamtüberlappung von 69,2 % führte. Bemerkenswert ist, dass es eine visuelle Korrelation zwischen übereinstimmenden Lüftungsbereichen in gesunden und defekten Bereichen gibt (dunkelgrün dargestellt). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

3D PREFUL MRT kann verwendet werden, um regionale Reaktionen auf die Therapie zu messen20. Als Beispiel zeigt Abbildung 9 einen Vergleich von drei Schnitten aus der Lunge eines Mukoviszidose-Probanden (43-jährige Frau) zu Studienbeginn (links, FEV1 = 94% vorhergesagter Wert) und nach CFTR-Modulator-Therapie (rechts, FEV1 = 112% vorhergesagter Wert). Da beide Messungen räumlich aufeinander abgestimmt sind, ermöglicht 3D PREFUL eine regionale Analyse des Ansprechens auf die Behandlung, wie am unteren Rand von Abbildung 9 dargestellt. Bitte beachten Sie die erhöhten Werte der Flow-Volume-Loop-Korrelationsmetrik sowie die Reduktion von Beatmungsdefekten nach der Therapie.

figure-results-9
Abbildung 9: 3D-PREFUL-Messungen einer 43-jährigen weiblichen Mukoviszidose-Patientin. Exemplarische Beatmungsmarkerkarten von 3D-PREFUL-Messungen zu Studienbeginn (links) und nach der Behandlung (rechts) einer 43-jährigen CF-Patientin. Die VDPFVL-CM sank von 18,0 % (Ausgangswert) auf 3,6 % (nach der Behandlung). FEV1 % präd. Ausgangswert: 94%, FEV1 % präd. Nachbehandlung: 112%. LCI-Ausgangswert: 10,48, LCI-Nachbehandlung: 9,39. Die entsprechenden Treatment-Response-Maps sind unten dargestellt. Bitte beachten Sie die grünen Bereiche, die die abgeklungene Beatmung nach der Therapie anzeigen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

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

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

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

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Functional Lung MRIPhase Resolved MRIThree Dimensional PREFULRegional VentilationVentilation Defect MapsCompressed SensingDeep Learning ReconstructionLung Parenchyma SegmentationVentilation DynamicsPulmonary Function Tests

Verwandte Artikel