Dreidimensionale phasenaufgelöste funktionelle Lungenmagnetresonanztomographie

Die 3D PREFUL MRT ermöglicht die Visualisierung der Lungenventilation. Was war unsere ursprüngliche Motivation, PREFUL MRT zu entwickeln? Es war der Wunsch, das gesamte Lungenvolumen mit einer höheren isotropen Bildauflösung im Vergleich zur herkömmlichen 2D-PRÄFUL-MRT zu erfassen.

Die 3D-PREFUL-MRT ermöglicht die dynamische Beatmung, die Abbildungserkennung von Lungenerkrankungen, die Überwachung der Behandlung und hoffentlich in Zukunft die Prognose von Patienten mit Lungenerkrankungen. Bei Kindern ist die PREFUL MRT besonders hilfreich, da sie ohne Strahlung sehr patientenfreundlich ist. Der wichtigste Vorteil der 3D PREFUL MRT ist die Verwendung einer Produktsequenz, die auf modernsten MRT-Scannern verfügbar ist, wodurch ihre breite Einführung in anderen Zentren erleichtert wird.

Darüber hinaus wurde die 3D-PREFUL-MRT im Vergleich zu anderen nicht verstärkten 3D-MRT-Techniken mit freier Atmung kürzlich für die direkte Messung der Beatmung mit 19 FCAs-Bildgebung und hyperisierter Gasbildgebung validiert, was eine starke Übereinstimmung zwischen diesen Methoden zeigt. Wir haben gezeigt, dass die 3D-PREFUL-MRT in der Lage war, Beatmungsheterogenität und Beatmungsdefekte bei Patienten mit Asthma und CBD zu zeigen. Darüber hinaus konnten wir bei Patienten mit Mukoviszidose nach der Therapie Effekte auf das Ansprechen auf die Behandlung zeigen.

Wir glauben daher, dass die 3D PREFUL MRT in Zukunft ein additiv wertvolles Werkzeug in der Klinik für Patienten mit Lungenerkrankungen ist. Zu den jüngsten Entwicklungen von 3D PREFUL gehören neue Sequenzdesigns, wie z.B. die Verwendung von Spiralbahnen. Diese sind aufgrund ihrer geringeren Hardwareanforderungen und der erhöhten fallbasierten Stichprobeneffizienz relevant.

Darüber hinaus gewinnt der simultane Motor-Slice-Ansatz an Interesse, da er die Scanzeit während der 2D-Erfassung erheblich verkürzt und gleichzeitig eine beatmungs- und perfusionsgewichtete Bildgebung ermöglicht. Die nächsten Schritte in der 3D PREFUL MRT werden die weitere Verkürzung der Erfassungszeiten und den Einsatz von Deep-Learning-basierten Techniken zur Bildrekonstruktion und Bildregistrierung beinhalten, da diese Schritte derzeit die zeitaufwändigsten in der Pipeline sind. Dadurch wollen wir diese Prozesse deutlich beschleunigen, die Gesamteffizienz der Akquise verbessern und die Online-Rekonstruktion ermöglichen.

Weisen Sie den Probanden zunächst an, sich in Rückenlage auf den Magnetresonanztomographie- oder MRT-Tisch zu legen. Positionieren Sie den Patienten mithilfe der Laserlichtnavigation so, dass der abgebildete Bereich die ISIS-Mitte der Bohrung einnimmt. Führen Sie eine Lokalisierungssequenz durch, um niedrig aufgelöste anatomische Bilder in drei Ebenen zu erhalten, um die 3D-PREFUL-Untersuchung zu planen.

Nachdem Sie die Erfassungsparameter eingestellt haben, stellen Sie die Anzahl der radialen Projektionen so ein, dass die Erfassung etwa acht Minuten dauert. Prüfen Sie, ob der gesamte Thorax im Sichtfeld enthalten ist und starten Sie die Erfassung. Speichern Sie die fallbasierten 3D-PREFUL-Rohdaten mit den herstellerspezifischen Schritten in der MR-Konsole.

Legen Sie den Pfad zu den Rohdaten fest, um die erfassten Daten mit dem Bildrekonstruktionsskript auszuwerten. Schätzen Sie die MR-System-abhängigen Gradientenverzögerungen unter Verwendung der Kalibrierungsprojektionen mit der S-Verzögerungsfunktion im BART. Wenden Sie eine Verschiebung auf jede Projektion entsprechend der berechneten Gradientenverzögerung an, gefolgt von der Filterung der Gradientenverzögerungskorrektur mithilfe eines periodischen Fensters in der XY-Ebene und der Z-Richtung.

Für eine Bildrekonstruktion mit niedriger Auflösung wählen Sie ein Achtel der fallbasierten Daten aus, die um den mittleren Index der Auslesedimension zentriert sind, sowie ein Viertel der fallbasierten Daten, die um den mittleren Index der Partitionsdimension zentriert sind. Umformen Sie die Matrizen der fallbasierten Daten und der entsprechenden Trajektorien um, um zusätzliche Zeitdimensionen einzubeziehen, wobei jeder Zeitpunkt aus 14 radialen Projektionen besteht. Unter Verwendung des Befehls "Parallel Imaging" und "Compressed Sensing pics" führt BART eine Bildrekonstruktion durch.

Um das respiratorische Gating-Signal zu extrahieren, segmentieren Sie das Lungenparenchym in jedem rekonstruierten 3D-Bild mit niedriger Auflösung unter Verwendung des Otsu-Schwellenwerts und berechnen Sie das Lungenparenchymvolumen für jeden Zeitpunkt. Wenden Sie einen Tiefpassfilter mit einer Grenzfrequenz von 0,7 Hertz auf die extrahierte Volumenzeitreihe an und berechnen Sie die Atemfrequenz. Schließen Sie dann extreme Ausreißer aus der Zeitreihe aus.

Führen Sie als Nächstes eine schnelle Fourier-Transformation für die Übergabefilterdaten entlang der Schichtrichtung durch, um eine Schicht-für-Schicht-Bildrekonstruktion zu ermöglichen. Formulieren Sie die fallbasierte Datenmatrix basierend auf den extrahierten Zeitreihen so um, dass jeder Atemwegsbehälter mindestens 100 Speichen enthält. Die fallbasierte Trajektorienmatrix wurde so umgestaltet, dass sie der Größe der fallbasierten Daten entspricht, und es wurden 20 % der Projektionen aus benachbarten Bins verwendet, um das Signal-Rausch-Verhältnis jedes Atemwegsbehälters zu verbessern.

Führen Sie den Befehl picks für die Bildrekonstruktion für jeden Slice aus. Speichern Sie die Variablen, einschließlich der rekonstruierten Bilder eines vollständigen Atemzyklus, der Atemfrequenz und der Erfassungszeiten, in einer DOTMAP-Datei. Dann invertieren Sie die Signalintensitäten der rekonstruierten Bilder und registrieren Sie sie mit Hilfe der nicht-starren Registrierung in einem ausgewählten Atmungszustand.

Führen Sie eine Filterung mit Nadaraya-Watson-Kernel-Regression für die registrierten und revertierten Bilder durch, um 16 Phasen auf ein gleichmäßig verteiltes Zeitraster zu interpolieren. Eliminieren Sie Signalvariationen, die nicht mit der Atmung zusammenhängen, indem Sie einen Tiefpassfilter bei 0,7 Hertz zu den interpolierten Daten im Zeitbereich verwenden. Legen Sie die Parameter für die Fenstergröße auf 5, 5, 5 und Lambda auf 0,001 fest.

Entrauschen Sie die tiefpassgefilterten Bilder mithilfe der bildgeführten Filterung, wobei das zeitlich gemittelte registrierte Bild als Leitbild dient. Berechnen Sie die regionale Beatmung oder unsere Beatmungskarten in Milliliter pro Milliliter für jede respiratorische Phase N. Segmentieren Sie als Nächstes das Lungenparenchym des endospiratorischen 3D-Bildes unter Verwendung eines konvolutionalen neuronalen Netzwerks mit NNU-Netzarchitektur. Schließen Sie Lungengefäße mit einem Gefäßerkennungsalgorithmus aus und berechnen Sie dann den Beatmungsdefekt oder die VD-Karte der R-Beatmungskarte der achten Phase, die die maximale Beatmung darstellt.

Berechnen Sie die Strömung als erste Ableitung von R vent. Richten Sie für jede Schicht, die aus einer gesunden Region berechnet wird, die durch unsere Entlüftungswerte zwischen dem 75. und 95. Perzentil definiert wird, einen Referenz-Durchfluss-Volumen-Loop (FVL) ein. Bestimmen Sie die Ähnlichkeit zwischen den einzelnen Lungenparenchym-Voxeln FVL und der Referenz-FVL mithilfe einer Kreuzkorrelation mit Nullverzögerung.

Berechnen Sie dann die FEL-Korrelationsmetrikkarte für Lüftungsdefekte. Berechnen Sie die Beatmungszeit bis zum Peak oder VTTP-Karten in Prozent des Atemzyklus, gefolgt von der Abweichung des VTTP-Werts von der Peak-Inspiration bei 50 %Beschreiben Sie statistisch die Parameter Entlüftung, FELCM, VTTP und Abweichung von VTTP für alle Schichten, wobei Median, Mittelwert, Standardabweichungswerte und Interquartilsbereiche angegeben werden. Berechnen Sie abschließend die aus den generierten VD-Karten abgeleiteten prozentualen Werte für Lüftungsdefekte und exportieren Sie alle berechneten Parameter in eine Tabellenkalkulationsdatei.

Eine 3D-PRÄFUL-MRA eines gesunden Probanden zeigte homogene Beatmungswerte für alle Beatmungsparameterkarten. In den beispielhaften VD-Karten lag der prozentuale Wert für Lüftungsdefekte für unsere Entlüftung bei 3,6 % und der für FELCM bei 3 % und damit im gesunden Normbereich. Der Vergleich von Beatmungsdefektkarten aus der 3D-PREFUL-MRT und 19 FMRI einer 54-jährigen Patientin mit chronisch obstruktiver Lungenerkrankung zeigte eine gute visuelle Korrelation zwischen gesunden und hypoventilierten Regionen.

Der Vergleich der 3D-PREFUL-MRT zur Messung des regionalen Ansprechens nach der Therapie der Lunge eines Mukoviszidose-Probanden ergab erhöhte Werte der FEL-Korrelationsmetrik sowie eine Verringerung der VD nach der Therapie.