Artículo de método

Resonancia magnética pulmonar funcional tridimensional con resolución de fase

2.1K vistas

⸱

DOI:

10.3791/66385

⸱

21 de junio de 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)

En este artículo

Resumen

El pulmón funcional tridimensional (3D) con resolución de fase (PREFUL) es una técnica de resonancia magnética (RM) funcional que permite cuantificar la ventilación regional de todo el volumen pulmonar humano, utilizando la respiración tidal y la adquisición libre de agentes de contraste durante 8 min. Aquí, presentamos un protocolo de resonancia magnética para recopilar y analizar datos de imágenes 3D PREFUL.

Resumen

La resonancia magnética pulmonar (RM) ofrece una variedad de técnicas sin radiación diseñadas para evaluar la ventilación pulmonar regional o sus sustitutos. Estas técnicas abarcan mediciones directas, ejemplificadas por la resonancia magnética de gases hiperpolarizados y la resonancia magnética de gases fluorados, así como mediciones indirectas facilitadas por la resonancia magnética mejorada con oxígeno y la resonancia magnética de descomposición de Fourier (FD) basada en protones. En los últimos tiempos, ha habido un progreso sustancial en el campo de la resonancia magnética con FD, que implicó la mejora de la resolución espacial/temporal, el refinamiento del diseño de la secuencia y el posprocesamiento, y el desarrollo de un enfoque integral de todo el pulmón.

La resonancia magnética pulmonar funcional bidimensional (2D) resuelta en fase (PREFUL) se destaca como un enfoque basado en FD desarrollado para la evaluación integral de la ventilación regional y la dinámica de la perfusión, todo dentro de una sola adquisición de RM. Recientemente, se ha realizado un nuevo avance con el desarrollo de 3D PREFUL para evaluar la ventilación dinámica de todo el pulmón mediante un examen de 8 minutos con una secuencia autocontrolada.

La adquisición 3D PREFUL implica el empleo de una secuencia de eco de gradiente estropeado de pila de estrellas con un incremento de ángulo áureo. Después de la reconstrucción de la imagen de detección comprimida de aproximadamente 40 fases respiratorias, todas las imágenes reconstruidas con resolución respiratoria se registran en una fase de respiración fija. Posteriormente, se extraen los parámetros de ventilación de las imágenes registradas.

En una cohorte de estudio compuesta por voluntarios sanos y pacientes con enfermedad pulmonar obstructiva crónica, los parámetros de ventilación 3D PREFUL demostraron fuertes correlaciones con las mediciones obtenidas de las pruebas de función pulmonar. Además, se consideró aceptable la repetibilidad interscan de la técnica 3D PREFUL, lo que indica su fiabilidad para evaluaciones repetidas de los mismos individuos.

En resumen, la resonancia magnética de ventilación 3D PREFUL proporciona una cobertura pulmonar completa y captura la dinámica de la ventilación con una resolución espacial mejorada en comparación con la técnica PREFUL. 3D PREFUL en 2D ofrece una alternativa rentable a la resonancia magnética hiperpolarizada de 129Xe, lo que la convierte en una opción atractiva para la evaluación de la ventilación pulmonar de fácil acceso para el paciente.

Introducción

Según la Organización Mundial de la Salud (OMS), las enfermedades respiratorias crónicas son la tercera causa de muerte, lo que supone una carga significativa para la asistencia sanitaria1. El diagnóstico y seguimiento de varias enfermedades respiratorias implica pruebas funcionales pulmonares, que carecen de información espacial y pueden no ser factibles en pacientes jóvenes. Muchas otras modalidades de medicina nuclear proporcionan medidas espaciales de ventilación, como la tomografía por emisión de positrones (PET)2, la tomografía computarizada por emisión de fotón único (SPECT)3, o la tomografía computarizada4. Un inconveniente importante de estas técnicas es el uso de radiación ionizante para la obtención de imágenes. Por lo tanto, esas mediciones no son factibles en poblaciones sensibles como los niños o para mediciones repetidas en estudios clínicos.

Los métodos de imagen por resonancia magnética ganaron interés en las últimas dos décadas porque ofrecen una medición de la función pulmonar sin radiación. Sobre todo, las técnicas de resonancia magnética de gas hiperpolarizado5 se han utilizado para la evaluación de la ventilación pulmonar en controles sanos y pacientes con enfermedad pulmonar, al tiempo que logran una relación señal-ruido (SNR) superior en comparación con 19F6 o la resonancia magnética mejorada con oxígeno7. Las desventajas comunes de las técnicas de resonancia magnética con gases incluyen la necesidad de personal adicional, los costos de hardware o la necesidad de cooperación del paciente durante la medición del aliento. Para abordar estas limitaciones, se han introducido métodos basados en la resonancia magnética de descomposición de Fourier (FD)8 para evaluar la ventilación y la perfusión pulmonar. Como alternativa a la resonancia magnética FD, se desarrolló una resonancia magnética pulmonar funcional resuelta en fase (PREFUL), validada9,11,12, y probada en múltiples estudios, incluidos estudios multicéntricos13,14. Sin embargo, la adquisición 2D da como resultado tiempos de adquisición prolongados para una cobertura pulmonar completa y una resolución espacial limitada. Una solución elegante es la que ofrecen las adquisiciones 3D autocontroladas, aunque a expensas de la información de perfusión15,16,17. Una de estas técnicas, 3D PREFUL MRI17, se ha desarrollado no solo para evaluar la ventilación estática sino también la dinámica de la ventilación durante un examen de RM de 8 minutos, proporcionando una resolución de imagen superior en comparación con los métodos 2D.

Siguiendo la publicación original que describe el método17, se ha evaluado la repetibilidad de la técnica y se ha comparado clínicamente con las mediciones espirométricas bien establecidas18, y más recientemente, se ha introducido un marco de registro de imágenes acelerado al tiempo que se mejora la repetibilidad de los parámetros de ventilación y se preserva la calidad de imagen de los mapas de ventilación19. Esta técnica fácil de escalar y fácil de usar, capaz de mapear cuantitativamente la ventilación regional en el pulmón humano, tiene el potencial de contribuir significativamente a la detección temprana, el diagnóstico de enfermedades respiratorias o el seguimiento de los efectos de la terapia20. Estos cambios terapéuticos en la función pulmonar regional, como la mejora del volumen de ventilación, tienen el potencial de convertirse en biomarcadores para evaluar el impacto de las terapias y podrían ser una herramienta útil en estudios clínicos multicéntricos.

El artículo tiene como objetivo proporcionar una explicación completa y visual de la tecnología 3D PREFUL, con el objetivo de fomentar una traducción más amplia de esta técnica.

Protocolo

Este estudio recibió la aprobación del comité de ética de la Escuela de Medicina de Hannover, asegurando que se adhiriera a rigurosos estándares éticos durante todo el proceso de investigación. La investigación siguió estrictamente las directrices establecidas en la Declaración de Helsinki, haciendo hincapié en la conducta ética de la investigación médica. Además, se obtuvo diligentemente el consentimiento informado de todos los participantes del estudio (o de sus padres o tutores legales) antes de su participación en el examen de resonancia magnética.

NOTA: Los criterios de inclusión y exclusión para estudios que involucran resonancia magnética 3D PREFUL varían y dependen del diseño del estudio. Por lo general, los criterios de inclusión para voluntarios sanos en un examen de resonancia magnética 3D PREFUL incluyen individuos que (a) estén libres de cualquier afección médica significativa que pudiera afectar los resultados del estudio, (b) no estén tomando medicamentos que puedan interferir con los resultados de la resonancia magnética, (c) no presenten claustrofobia, ansiedad, implantes metálicos ni dispositivos metálicos, (d) cumplan criterios específicos de edad y sexo relacionados con los objetivos del estudio, (e) no tengan antecedentes de tabaquismo, (f) presenten hallazgos normales en espirometría (VFE1/FVC > 0,7 y tanto el VFE1 como la FVC > 80% del valor predicho). Los criterios de exclusión para todos los participantes del estudio que se sometan a un examen de resonancia magnética 3D PREFUL pueden incluir: (a) embarazo, (b) tener cualquier condición que pueda comprometer la seguridad o validez del examen de resonancia magnética 3D PREFUL, (c) intolerancia a agentes de contraste basados en gadolinio cuando en el protocolo del estudio se incluya una resonancia magnética con contraste dinámico.

1. Entrevista previa a la RM

  1. Que un médico recopile información importante sobre la historia médica del sujeto.
  2. Explicar las posibles contraindicaciones, riesgos y el procedimiento de resonancia magnética.
  3. Obtener el consentimiento informado por escrito del sujeto.
    NOTA: Si no hay disponibles resultados de pruebas de función pulmonar, solicitar que el sujeto se someta a una prueba de función pulmonar antes del examen de resonancia magnética y verificar que los resultados obtenidos cumplan con los criterios de inclusión.

2. Preparación del radiógrafo para el examen de RM

  1. Registre al sujeto en la consola de RM y seleccione el protocolo de RM del estudio con adquisición 3D PREFUL.
  2. Verifique que el sujeto, sus bolsillos y su ropa estén libres de piezas que contengan metal.
  3. Coloque las sábanas sobre la mesa del escáner de modo que se garantice un entorno estéril.
  4. Ingrese a la sala de RM con el sujeto.

3. Preparación del sujeto para el examen de RM

  1. Haga que el sujeto se acueste sobre la mesa de resonancia magnética en posición supina (sin embargo, es posible una posición prona).
  2. Asegúrese de que la bobina torácica cubra adecuadamente el tórax, colocando el elemento superior de la bobina cerca de la barbilla del sujeto.
  3. Proporcione al sujeto auriculares (alternativamente tapones para los oídos o ambos) para proteger la audición del ruido fuerte inducido por la resonancia magnética.
  4. Proporcione al sujeto un botón de seguridad (o un mecanismo de seguridad alternativo) para que pueda accederse y presionarse fácilmente.
  5. Coloque una almohadilla debajo de la cabeza y las piernas del sujeto para aumentar la comodidad durante el examen de resonancia magnética.
  6. Coloque al sujeto dentro del escáner de resonancia magnética, utilizando la navegación con luz láser para asegurarse de que la zona a imaginar ocupe el isocentro del orificio.

4. Examen de RM

  1. Localizador
    1. Realice una secuencia localizadora (con parámetros similares a los indicados en Tabla 1A) para obtener imágenes anatómicas de baja resolución en tres planos (con campo de visión amplio) que se utilizarán para planificar el examen PREFUL 3D.
  2. Adquisición de imágenes PREFUL 3D
    1. Ajuste los parámetros de adquisición según la Tabla 1B para la obtención de imágenes.
    2. Ajuste el número de proyecciones radiales de manera adecuada para que la adquisición dure aproximadamente 8 min.
    3. Indique al sujeto que respire normalmente (respiración libre tidal) durante toda la adquisición.
    4. Verifique que todo el tórax esté incluido en el campo de visión e inicie la adquisición.
  3. Una vez finalizada la adquisición de imágenes, retire al sujeto del escáner.

5. Transferencia de datos brutos

  1. Por lo general, los datos brutos adquiridos no se guardan en la plataforma del fabricante de RM. Guarde los datos de k-espacio 3D PREFUL en bruto utilizando los pasos específicos del fabricante en la consola de RM.

6. Análisis de datos y postprocesamiento

  1. Comience a evaluar los datos adquiridos utilizando el script de reconstrucción de imágenes (Tabla de materiales) en la estación de trabajo designada, por ejemplo, en MATLAB, estableciendo la ruta hacia los datos brutos.
    NOTA: La estación de trabajo designada ya debe tener instalados los siguientes paquetes:
    (a) La Caja de Herramientas Avanzada de Reconstrucción de Berkeley (BART)
    ​(b) Herramientas de Normalización Avanzada (ANTs)
  2. Reconstrucción de imágenes
    1. Estime los retardos del gradiente dependientes del sistema de RM utilizando las proyecciones de calibración con el estdelay función implementada en la caja de herramientas de reconstrucción avanzada de Berkeley (BART)21,22.
    2. Aplique un desplazamiento a cada proyección de acuerdo con el retardo del gradiente calculado.
    3. Aplicar filtrado de Hanning (utilizando el hann función en MATLAB) a los datos corregidos del retardo de gradiente utilizando una ventana periódica en el plano x-y y en la dirección z.
    4. Reconstrucción de imágenes de baja resolución para agrupamiento respiratorio
      1. Seleccione un octavo o un cuarto de los datos del espacio-k centrados alrededor del índice medio de la dimensión de lectura/partición.
        NOTA: Dependiendo del tamaño del sujeto, este paso da como resultado una matriz de tamaño 32 x 32 x (12-20).
      2. Reformar las matrices de datos del espacio k y las trayectorias correspondientes para incluir una dimensión temporal adicional, en la que cada punto temporal comprenda 14 proyecciones radiales.
        NOTA: Cada punto de tiempo subsiguiente incluye 13 proyecciones radiales del punto de tiempo anterior más una nueva proyección radial sucesiva.
      3. Utilice la imagen paralela y la sensibilidad comprimida (imágenes) comando implementado en BART para la reconstrucción de imágenes.
        NOTA: Aplicar la norma L2 (λ = 0,1) y variación totalλ = 0,0001) regularización en el dominio espacial y variación total (λ regularización en el dominio del tiempo = 0,01
    5. Extracción de la señal de compuerta respiratoria
      1. Segmentar el parénquima pulmonar en cada imagen tridimensional reconstruida de baja resolución utilizando el umbral de Otsu23y calcule el volumen del parénquima pulmonar para cada punto temporal.
      2. Aplique un filtro paso bajo con una frecuencia de corte de 0,7 Hz a la serie temporal de volumen extraída y calcule la frecuencia respiratoria.
      3. Excluya los valores atípicos extremos de la serie temporal (puntos de tiempo por encima del percentil 95)th percentil y por debajo del 10th percentil).
        NOTA: Organizar las series temporales según su amplitud y fase permite reconstruir un ciclo respiratorio completo.
    6. Realice una transformada rápida de Fourier (FFT, fft función en MATLAB) sobre los datos filtrados con la ventana de Hanning a lo largo de la dirección de corte para permitir la reconstrucción de imágenes por cortes.
    7. Reformar la matriz de datos del espacio-k según la serie temporal extraída de modo que cada compartimento respiratorio contenga un mínimo de 100 radios.
    8. Utilice el 20 % de las proyecciones de los bins adyacentes para mejorar la relación señal-ruido24,25 de cada fracción respiratoria.
    9. Reformar la matriz de trayectorias en el espacio-k para que coincida con el tamaño de los datos del espacio-k.
    10. Ejecute el imágenes comando para la reconstrucción de imágenes de cada corte
      NOTA: Aplicar la norma L2 (λ = 0,1) y variación totalλ = 0,0001) regularización en el dominio espacial y variación total (λ regularización en el dominio del tiempo (= 0,01)
    11. Guarde las variables, incluidas las imágenes reconstruidas de un ciclo respiratorio completo, la frecuencia respiratoria y los tiempos de adquisición, en un archivo .mat.
  3. Registro de imágenes
    1. Invierta las intensidades de la señal de las imágenes reconstruidas.
    2. Registre las imágenes en un estado respiratorio seleccionado, como la inspiración, utilizando un registro no rígido.
      NOTA: Para mejorar la precisión del registro, un enfoque orientado al grupo26 pueden emplearse. El proceso de registro puede ejecutarse en CPU o GPU utilizando herramientas como Advanced Normalization Tools (ANTs)27 o el paquete de registro Forsberg28.
  4. Segmentación del parénquima pulmonar
    1. Segmentar el parénquima pulmonar de la imagen 3D al final de la inspiración utilizando una red neuronal convolucional con, por ejemplo, arquitectura nnUnet29.
    2. Excluya los vasos pulmonares utilizando un algoritmo de reconocimiento de vasos, como el descrito por Wernz et al.30.
      NOTA: El paso de reconocimiento de vasos pulmonares no es obligatorio si no se tiene acceso a dicho algoritmo. En algunos casos, puede ser necesario realizar una resegmentación manual.
  5. Filtración
    1. Aplicar la regresión kernel de Nadaraya-Watson (con σ = 0,3) a las imágenes registradas y reinvertidas para interpolar 16 fases en una cuadrícula temporal uniformemente espaciada.
    2. Elimine las variaciones de la señal no relacionadas con la respiración aplicando un filtro paso bajo a 0,7 Hz a los datos interpolados en el dominio del tiempo.
    3. Denoise las imágenes filtradas de paso bajo utilizando filtrado guiado por imagen31, utilizando la imagen registrada promediada en el tiempo como imagen guía. Establezca los siguientes parámetros: Tamaño de la ventana = [5, 5, 5], lambda = 0.001.
  6. Análisis de ventilación
    1. Calcule los mapas de ventilación regional (RVent) en mililitro/mililitro (mL/mL) para cada fase respiratoria N utilizando la siguiente fórmula32:
      figure-protocol-1     [1]
      NOTA: SInsp representa la imagen objetivo para el registro de imágenes, correspondiente al nivel de fin de la inspiración. SExp se refiere a la imagen al final de la espiración, mientras que SN representa el estado respiratorio N-ésimo.
    2. Calcular el defecto de ventilación (VDRVent) mapa del RVent mapa de 8th fase, que representa la ventilación máxima.
      ​NOTA: Para calcular el VD, los vóxeles por debajo del umbral del 90th valor percentil, multiplicado por un factor de 0,4, se consideran defectos33.
    3. Calcule el mapa de la métrica de correlación del bucle flujo-volumen (FVL-CM).
      1. Calcule el flujo como la primera derivada de RVent.
        NOTA: El volumen se mide directamente mediante RVent.
      2. Establecer un FVL de referencia para cada corte, calculado a partir de una región sana definida por valores de RVent entre 75th y 95th percentil
      3. Determinar la similitud entre el FVL de cada vóxel del parénquima pulmonar y el FVL de referencia utilizando la correlación cruzada con retardo cero.
    4. Calcular VDFVL-CM mapa, donde los vóxeles con valores de FVL-CM inferiores a 0,9 se identifican como vóxeles con defecto de ventilación34.
    5. Calcular mapas del tiempo hasta el pico de ventilación (TTPV) en porcentaje (%) del ciclo respiratorio.
      NOTA: Teóricamente, el ciclo respiratorio interpolado comienza/termina en el pico de espiración y es simétrico respecto al pico de inspiración en el 50 % del ciclo de ventilación para un vóxel sano. Para vóxeles que presentan dinámicas de ventilación avanzadas o retrasadas, el mapa de PTVM mostrará un valor por debajo/por encima del 50 %.
    6. Calcule la desviación del valor de VTTP (VTTPDesarrollo) desde la inspiración máxima al 50% de la siguiente manera:
      figure-protocol-2    [2]
      NOTA: Para una región sana, el VTTPDesarrollo debe estar cerca del 0 %.
    7. Estadísticas
      1. Describir estadísticamente los parámetros RVent, FVL-CM, VTTP y VTTPDesarrollo para todas las secciones, proporcionando valores medianos, medios, desviaciones estándar y rangos intercuartílicos.
      2. Calcule los valores del porcentaje de defecto de ventilación derivados de los mapas de DV generados.
      3. Exportar todos los parámetros calculados a un archivo de hoja de cálculo (consulte el ejemplo proporcionado en Tabla 3).

Resultados

El protocolo de imagen 3D PREFUL más sencillo incluye dos secuencias: un localizador anatómico y una medición con respiración libre utilizando la adquisición 3D tipo pila de estrellas con ángulo dorado. La trayectoria de pila de estrellas se muestra en la Figura 1. Esta trayectoria combina muestreo radial (en el plano) con muestreo cartesiano lineal (en la dirección z). Inicialmente, se adquieren muestras en la dirección del particionado kz, seguidas de la rotación según el ángulo dorado para muestrear el plano kx-ky. El esquema de adquisición con ángulo dorado favorece la autogatillación con una cobertura uniforme del espacio k, facilitando la reconstrucción de imágenes a partir de datos altamente submuestreados. El examen completo no supera los 10 minutos. Más detalles sobre la adquisición 3D PREFUL se encuentran en la Tabla de Materiales.

figure-results-1
Figura 1: Trayectoria de pila de estrellas rotada según la proporción áurea. Obsérvese el muestreo radial aplicado a lo largo de la dimensión en el plano (kx-ky) y el muestreo cartesiano aplicado a lo largo de la dirección de corte (kz). Este esquema da como resultado una cobertura cilíndrica del espacio-k adquirido. En este ejemplo, se muestran tres particiones, incluyendo 32 proyecciones radiales por partición. Haga clic aquí para ver una versión más grande de esta figura.

Se presenta una lista de los parámetros típicos de RM utilizados para la imagen 3D PREFUL en un escáner de 1,5 T en la Tabla 1B. Para el escáner de 3 T, se proponen los parámetros de secuencia que figuran en la Tabla 2.

Después de que se completan la adquisición de datos y la transferencia de datos, comienza la parte de reconstrucción de imágenes. Este paso se realiza mediante un código de MATLAB que pertenece a la propiedad intelectual (IP) de una empresa (BioVisioneers GmbH) y no puede compartirse abiertamente. El script es completamente automatizado una vez que se proporciona la ruta hacia los datos brutos. En Figura 2 se muestra un esquema general del procedimiento de reconstrucción.

figure-results-2
Figura 2: Vista esquemática del método de resonancia magnética funcional pulmonar tridimensional con resolución de fase (PREFUL). En primer lugar, se adquieren los datos mediante una adquisición por resonancia magnética de 8 minutos de duración durante respiración libre, utilizando una trayectoria tipo «pila de estrellas». Una vez transferidos los datos desde el escáner de RM a una unidad de procesamiento, se reconstruyen imágenes tridimensionales de baja resolución con una resolución temporal de aproximadamente 100 ms. Se segmenta el parénquima pulmonar de cada imagen y se calcula el volumen pulmonar. Esta información de volumen pulmonar se utiliza posteriormente como señal de sincronización. En función de la amplitud y la fase de la señal de sincronización, las proyecciones radiales se clasifican en compartimentos respiratorios que abarcan un ciclo respiratorio completo. A esta clasificación le sigue la reconstrucción dinámica de imágenes de resolución completa, que posteriormente se registran al nivel de fin de la inspiración. Tras varios pasos de posprocesamiento, se calcula el ciclo de ventilación regional (RVent) y se realiza el análisis de la imagen, incluida la extracción de parámetros. El ciclo RVent se evalúa calculando el bucle flujo-volumen (FVL) para cada vóxel. Los mapas de ventilación FVL-CM se obtienen mediante la evaluación de cada FVL de vóxel frente a un FVL de referencia sano, utilizando como medida de similitud la métrica de correlación cruzada. Para RVent y FVL-CM, se cuantifican los valores globales del porcentaje total de defecto de ventilación (VDP). Además, la dinámica del ciclo RVent se analiza mediante el análisis del tiempo hasta el pico, obteniendo así un mapa de parámetros de tiempo hasta el pico de ventilación (VTTP). Asimismo, se cuantifica la desviación respecto al pico esperado de ventilación en el 50 % del ciclo RVent en el mapa VTTPDev. Haga clic aquí para ver una versión ampliada de esta figura.

Después del procedimiento de reconstrucción de la imagen, todas las imágenes se alinean espacialmente a un único estado fijo. El registro en sí se realiza en la CPU utilizando las Herramientas Avanzadas de Normalización (ANTs27) o el paquete de registro Forsberg28. Aunque el paquete ANTs sigue siendo el estándar de oro para tareas de registro de imágenes en resonancia magnética y tomografía computarizada, el registro Forsberg permite un procedimiento de registro hasta 10 veces más rápido, con tiempos de hasta 9 minutos, obteniendo resultados comparables19. El paquete de registro puede elegirse según las prioridades del usuario y las unidades de procesamiento disponibles. Una vez completado el registro, las imágenes morfológicas registradas se reinvierten nuevamente para que el pulmón aparezca oscuro en la imagen en escala de grises.

En la Figura 3 se muestra el siguiente paso del proceso, que consiste en la segmentación del parénquima pulmonar. Primero, el parénquima pulmonar se segmenta a partir de la imagen al final de la inspiración utilizando una red neuronal convolucional con arquitectura nnUnet29. A la segmentación del parénquima pulmonar sigue un reconocimiento de vasos30, que se excluye de la máscara final de segmentación.

figure-results-3
Figura 3: Resultados ejemplares de la segmentación basada en aprendizaje profundo para un sujeto masculino de 32 años. La fila superior muestra imágenes morfológicas de ocho cortes coronales representativos. En las filas segunda y tercera, se pueden observar la máscara correspondiente del parénquima pulmonar y la máscara final con la exclusión de los vasos, respectivamente. Haga clic aquí para ver una versión más grande de esta figura.

Un ejemplo de segmentación incorrecta del parénquima pulmonar se muestra en la Figura 4. Es fundamental inspeccionar visualmente las segmentaciones basadas en aprendizaje profundo y, si se consideran insatisfactorias, se deben considerar correcciones manuales para mejorar la precisión de la máscara final del parénquima pulmonar.

figure-results-4
Figura 4: Resultados ejemplares de una segmentación incorrecta basada en aprendizaje profundo para un sujeto masculino de 57 años. La fila superior muestra imágenes morfológicas de ocho cortes coronales representativos. En las segunda y tercera filas, se pueden observar la máscara correspondiente del parénquima pulmonar y la máscara final con la exclusión de los vasos, respectivamente. Como es evidente, varias regiones fibroticas son reconocidas erróneamente como vasos o estructuras no pulmonares. Estas inexactitudes han sido corregidas manualmente, como se muestra en la cuarta fila. Haga clic aquí para ver una versión más grande de esta figura.

Después de varios pasos de filtrado descritos en el protocolo, se calculan los indicadores de ventilación. La resonancia magnética 3D PREFUL genera mapas cuantitativos de ventilación regional estática (RVent), métricas dinámicas de correlación flujo-volumen (FVL-CM) y dos parámetros basados en el análisis del tiempo hasta el pico de ventilación (VTTP), como se ilustra en la Figura 5. Esta figura muestra ocho cortes coronales de un hombre sano de 32 años. Obsérvese la distribución homogénea esperada de todos los parámetros de ventilación.

figure-results-5
Figura 5: Resonancia magnética 3D PREFUL de un voluntario sano (hombre de 32 años de edad). Mapas representativos de morfología (fila superior) y parámetros de ventilación de resonancia magnética 3D PREFUL (segunda a quinta fila) para un voluntario sano (hombre de 32 años de edad). La ventilación regional estática se representa mediante la ventilación regional (RVent), mientras que la dinámica de la ventilación se evalúa utilizando la métrica de correlación del bucle flujo-volumen (FVL-CM), el tiempo hasta el pico de ventilación (VTTP) y la desviación del VTTP (VTTPDev), que son parámetros de ventilación que evalúan la dinámica respiratoria. Como era de esperar, se observan valores homogéneos de ventilación en todos los mapas de parámetros de ventilación. Haga clic aquí para ver una versión más grande de esta figura.

Para simplificar los mapas de ventilación, se derivan mapas de defecto de ventilación (VD) para RVent y FVL-CM, lo que permite una interpretación más rápida de los resultados. Los mapas de VD ejemplares se presentan en la Figura 6. Para VDRVent y VDFVL-CM, los valores de VDP fueron de 3,6 % y 3,0 %, respectivamente, dentro del rango normal saludable. Idealmente, y dependiendo de la edad de los voluntarios sanos, el valor de VDP no debería superar el 10 %. Los parámetros mencionados anteriormente (RVent, FVL-CM y sus mapas de VD) se han validado en varios estudios11,12,35,36 y son sensibles para la detección de enfermedades, así como para la detección de efectos inducidos por la terapia20,34,37,38,39.

figure-results-6
Figura 6: Mapas representativos de RVent y FVL-CM, incluyendo sus mapas de defecto de ventilación. Se muestran los mapas de RVent (fila superior) y FVL-CM (segunda fila), incluyendo sus mapas de defecto de ventilación (tercera y cuarta fila) obtenidos mediante resonancia magnética 3D PREFUL en un voluntario sano (hombre de 32 años). En los mapas de defecto de ventilación (VD), las regiones sanas son verdes, y las áreas con déficit de ventilación se marcan en rojo. Haga clic aquí para ver una versión más grande de esta figura.

Se han publicado varios estudios de resonancia magnética pulmonar a intensidades de campo magnético de 1,5 T y 3 T. Aunque existe una ventaja teórica del 3 T debido al mayor cociente señal-ruido (SNR), esta ventaja puede verse superada por efectos más pronunciados de susceptibilidad magnética a 3 T. La influencia exacta de las intensidades del campo magnético sobre la calidad de imagen de los mapas de ventilación 3D PREFUL es actualmente desconocida. Aquí presentamos resultados de viabilidad (Figura 7) obtenidos en un voluntario sano (hombre de 35 años) utilizando un escáner de RM de 3 T. Obsérvese la apariencia más heterogénea de los parámetros de ventilación a 3 T en comparación con 1,5 T (Figura 5).

figure-results-7
Figura 7: Resonancia magnética PREFUL 3D de un voluntario sano (hombre de 35 años de edad). Mapas representativos de los parámetros morfológicos (fila superior) y de ventilación de la resonancia magnética PREFUL 3D (filas segunda a quinta) para un voluntario sano (hombre de 35 años de edad) a 3T. La ventilación regional estática se representa mediante la ventilación regional (RVent), mientras que la dinámica de la ventilación se evalúa utilizando la métrica de correlación del bucle flujo-volumen (FVL-CM), el tiempo hasta el pico de ventilación (VTTP) y la desviación del VTTP (VTTPDev), parámetros que evalúan la dinámica de la ventilación. Haga clic aquí para ver una versión más grande de esta figura.

Actualmente no se ha publicado ninguna comparación o validación de la ventilación tridimensional obtenida mediante PREFUL con mediciones más directas. Existen varios estudios que informan una correlación positiva entre los valores de VDP y la superposición espacial de los defectos de ventilación entre la técnica bidimensional de PREFUL y la RM con 129Xe11,12,14 y la RM con 19F35. Una comparación reciente entre la ventilación derivada del PREFUL tridimensional y mediciones directas de ventilación mediante RM con 19F en pacientes con enfermedad pulmonar obstructiva crónica (EPOC), asma y voluntarios sanos reveló una correlación moderada a fuerte a nivel global40. A continuación se presenta un ejemplo de comparación (Figura 8) en un paciente diagnosticado con enfermedad pulmonar obstructiva crónica (mujer de 54 años, VEF1 = 42% del valor predicho), evaluado mediante PREFUL tridimensional y RM de lavado con 19F.

figure-results-8
Figura 8: Resonancia magnética 3D PREFUL de una paciente femenina de 54 años con EPOC. Se presentan imágenes morfológicas (fila superior), parámetros de ventilación y mapas respectivos de defectos de ventilación de una paciente femenina de 54 años con EPOC (VEF1 = 42 % pred., CVF = 102 % pred.) obtenidos mediante resonancia magnética 3D PREFUL (segunda y tercera fila) y resonancia magnética con 19F (cuarta y quinta fila), junto con una comparación de los mapas de defectos de ventilación de ambos métodos (última fila). En general, en todas las secciones, el coeficiente de Sørensen-Dice fue del 25,5 % en áreas defectuosas y del 80,6 % en regiones sanas, lo que resulta en una superposición espacial total del 69,2 %. Destacable es la correlación visual entre las áreas de ventilación coincidentes en regiones sanas y defectuosas (representadas en verde oscuro). Haga clic aquí para ver una versión más grande de esta figura.

La resonancia magnética PREFUL 3D puede utilizarse para medir las respuestas regionales al tratamiento20. Como ejemplo, la Figura 9 muestra una comparación de tres cortes del pulmón de un sujeto con fibrosis quística (mujer de 43 años) en la línea base (a la izquierda, FEV1 = 94 % del valor predicho) y después del tratamiento con moduladores del CFTR (a la derecha, FEV1 = 112 % del valor predicho). Dado que ambas mediciones están espacialmente alineadas, la técnica PREFUL 3D permite el análisis regional de la respuesta al tratamiento, como se ilustra en la parte inferior de la Figura 9. Obsérvense los valores aumentados de la métrica de correlación del bucle flujo-volumen, así como la reducción de los defectos de ventilación tras el tratamiento.

figure-results-9
Figura 9: Mediciones 3D de PREFUL en una paciente de 43 años con fibrosis quística (FQ). Mapas representativos de marcadores de ventilación en las mediciones 3D de PREFUL antes del tratamiento (izquierda) y después del tratamiento (derecha) en una paciente de 43 años con FQ. El VDPFVL-CM disminuyó del 18,0 % (línea base) al 3,6 % (post-tratamiento). FEV1 % pred. línea base: 94 %, FEV1 % pred. post-tratamiento: 112 %. LCI línea base: 10,48, LCI post-tratamiento: 9,39. Los mapas correspondientes de respuesta al tratamiento se muestran en la parte inferior. Obsérvese las áreas verdes que indican la ventilación resuelta tras la terapia. Haga clic aquí para ver una versión ampliada de esta figura.

Tabla 1: Lista de parámetros típicos de RM utilizados para la adquisición del localizador y de PREFUL 3D en un escáner de 1,5 T. (A) Localizador y (B) adquisición de PREFUL 3D. Haga clic aquí para descargar esta tabla.

Tabla 2: Parámetros propuestos de RM para la adquisición 3D PREFUL en un escáner de 3T. Haga clic aquí para descargar esta tabla.

Tabla 3: Informe estadístico ejemplar de los parámetros 3D PREFUL en un voluntario sano (hombre de 35 años) Haga clic aquí para descargar esta tabla.

Discusión

Uno de los escollos más críticos es la adquisición en sí. Se debe tener cuidado para asegurarse de que los parámetros de la secuencia de RM se ajusten correctamente. Es importante destacar que el tiempo de eco, el tiempo de repetición, el número de segmentos, el tamaño de la matriz y el ancho de banda de píxeles son los parámetros cruciales. Las desviaciones de la configuración recomendada pueden dar lugar a una resolución temporal insuficiente o a adquisiciones prolongadas. Además, la transferencia de datos es importante para garantizar que los datos se entreguen completamente a la computadora o servidor seleccionado para su evaluación. La evaluación de datos procede de forma totalmente automática una vez que se establece la ruta a los datos adquiridos. El posprocesamiento comienza con la reconstrucción de la imagen, donde el binning retrospectivo juega un papel crucial. Se recomienda verificar la señal de binning para garantizar una representación clara del patrón de respiración. Después de inspeccionar la señal de agrupación, no se necesitan pasos adicionales, ya que el algoritmo en sí maneja patrones de respiración deficientes al excluir valores atípicos (puntos de datos por encimadel percentil 95 y por debajodel percentil 10). Después de la reconstrucción de la imagen, se produce el proceso de registro de la imagen. Este paso debe verificarse de la siguiente manera: las imágenes registradas deben estar libres de respiración y movimiento cardíaco. Específicamente, las posiciones del diafragma y el corazón deben estar "congeladas". El siguiente paso implica la segmentación basada en el aprendizaje profundo del parénquima pulmonar y los vasos. Este proceso de segmentación requiere mucho tiempo para todo el volumen pulmonar 3D; por lo tanto, el uso de herramientas basadas en IA es beneficioso. Sin embargo, en determinadas situaciones, como la aparición de consolidaciones periféricas, es posible que estos algoritmos no produzcan resultados precisos. En consecuencia, la máscara de segmentación debe verificarse minuciosamente y corregirse manualmente si es necesario. Todos estos pasos son críticos para evaluar los parámetros de ventilación y pueden resultar en cálculos inexactos.

Desde la publicación original17, se han realizado varios desarrollos en la técnica 3D PREFUL. El algoritmo de clasificación de las proyecciones radiales adquiridas se ha automatizado y mejorado por completo para que todo el pulmón se segmente utilizando el método de umbral de Otsu y se utilice como señal de navegación para agrupar los datos en fases respiratorias. Además, el parénquima pulmonar manual y la segmentación de vasos han sido reemplazados por algoritmos basados en aprendizaje profundo completamente automáticos para reducir los procedimientos que consumen mucho tiempo. Además, el tiempo de procesamiento de la parte de registro de imágenes podría reducirse hasta 10 minutos si se implementa la caja de herramientas de registro de Forsberg19. Junto con desarrollos anteriores, el código implementado permite coregistrar imágenes de dos puntos temporales (mediciones de seguimiento) y evaluar la progresión vóxel de la enfermedad o los cambios de ventilación inducidos por la terapia20. La versión actual del script de Matlab no requiere ninguna interacción del usuario y podría implementarse en una canalización para el procesamiento automatizado de datos con indicadores específicos en el futuro.

La principal desventaja de 3D PREFUL es que no es factible la medición del flujo sanguíneo local, ya que el efecto del flujo de entrada no se puede capturar cuando se usa un pulso de RF duro no selectivo para la excitación. En segundo lugar, actualmente, todo el posprocesamiento (incluida la transferencia de datos, la reconstrucción de imágenes, el registro de imágenes y el análisis de ventilación) requiere 2 horas para cada sujeto. En tercer lugar, actualmente, solo se demostró una comparación preliminar de los parámetros de ventilación derivados de PREFUL 3D con técnicas más validadas40. En cuarto lugar, la evaluación de los datos adquiridos se realiza en un ordenador de alto rendimiento; por lo tanto, los resultados no están directamente disponibles para el médico en la consola. En quinto lugar, faltan estudios de viabilidad de 3D PREFUL en diferentes intensidades de campo y varios proveedores de escáneres.

La resonancia magnética de pulmón funcional resuelto en fase 3D (PREFUL) permite el mapeo cuantitativo de la dinámica de ventilación regional de todo el pulmón humano durante la respiración libre17. Existen varias alternativas rentables a 3D PREFUL, como la espirometría o múltiples técnicas de lavado de la respiración; sin embargo, ambos carecen de información espacial y requieren maniobras respiratorias, por lo que no son factibles para niños pequeños o neonatos. Los métodos alternativos de diagnóstico por imágenes exponen a los pacientes a la radiación ionizante, como los métodos de medicina nuclear (TC), o no están ampliamente disponibles (imágenes de gas hiperpolarizado 129Xe o 19F mediante resonancia magnética). 3D PREFUL proporciona una evaluación de la dinámica de la ventilación, se puede realizar utilizando un escáner clínico estándar y no requiere agentes de contraste, lo que lo hace atractivo para ser trasladado a un entorno de investigación clínica. El hecho de que 3D PREFUL no requiera el uso de radiación o agentes de contraste y ofrezca una adquisición de respiración libre y fácil para el paciente lo hace muy adecuado para estudios longitudinales o repetidos que evalúan cuantitativamente las respuestas regionales a la terapia. En segundo lugar, la evaluación 3D PREFUL de la ventilación pulmonar puede ser especialmente valiosa en niños pequeños, donde se debe evitar la exposición a la radiación.

La capacidad de 3D PREFUL para generar imágenes de ventilación funcional del pulmón humano tiene el potencial de un diagnóstico temprano. Específicamente, la capacidad de producir mapas de ventilación regional repetibles y cuantitativos permite estudios longitudinales, por ejemplo, progresión de la enfermedad o monitoreo de los efectos de la terapia. Además, la información regional sobre la dinámica de la ventilación puede proporcionar una mayor sensibilidad a los cambios tempranos relacionados con la enfermedad pulmonar que no son detectables por las pruebas de función pulmonar.

Divulgaciones

Filip Klimeš, Andreas Voskrebenzev y Jens Vogel-Claussen son accionistas de BioVisioneers GmbH, una empresa interesada en métodos de resonancia magnética pulmonar.

Agradecimientos

Este trabajo fue financiado por el Centro Alemán de Investigación Pulmonar (DZL). Los autores se beneficiaron de una serie de discusiones beneficiosas con colegas, en particular con 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 y Sonja Lüdiger. Los autores agradecen a Robert Grimm (Siemens Healthineers) por escribir la secuencia de imágenes de resonancia magnética y, además, a los autores también les gustaría agradecer a Frank Schröder y Sven Thiele del Departamento de Radiología de la Facultad de Medicina de Hannover) por su excelente asistencia técnica en la realización de los exámenes de resonancia magnética.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
ANTsinvestigación de análisis de imágenes médicas de código abiertoCaja de herramientas de registro de imágenes
BARTImágenes de código abiertohttps://www.opensourceimaging.org/project/berkeley-advanced-reconstruction-toolbox-bart/Caja de herramientas de reconstrucción de imágenes
Bobina de cuerpoSiemens / Philips / GE https://www.siemens-healthineers.com/en-us/magnetic-resonance-imaging/options-and-upgrades/coilsBobina de cuerpo de al menos 6 canales; Philips [https://www.usa.philips.com/healthcare/solutions/magnetic-resonance/coils-overview ]
ForsbergCaja de herramientas de registro de imágeneshttps://github.com/fordanic/image-registrationCaja de herramientas de registro
de imágenes Código de reconstrucción de imágenesBioVisioneers GmbHwww.biovisioneers.comSoftware para la reconstrucción y el análisis de resonancia magnética
MatlabMathworksSoftware
MRISiemens / 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]; Secuencia de 1,5 T / 3 T
Secuencia de resonancia magnética de Siemens / Philips / GE, secuencia de eco de gradiente 3D con trayectoria de pila de estrellas e incremento de ángulo áureo; 1. Secuencia de vibración de agarre de Siemens - https://t.ly/P31kM , 2. Philips Multi Vane XD Secuencia https://t.ly/wMWZZ , 3. GE Lava-Star, Disco-Star - https://t.ly/vimm2
Comunidad de

Referencias

  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).

Reimpresiones y permisos

Etiquetas

RM pulmonar funcionalRM con resoluci n de fasePREFUL tridimensionalventilaci n regionalmapas de defectos de ventilaci ndetecci n comprimidareconstrucci n mediante aprendizaje profundosegmentaci n del par nquima pulmonardin mica de la ventilaci npruebas de funci n pulmonar
Resonancia magnética pulmonar funcional tridimensional con resolución de fase
Contáctenos
Recomendar a la biblioteca

Privacidad

Condiciones de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.