Summary
Formålet med denne undersøgelse var at udvikle en ny tredimensionel digital model til tidlig diagnose af leverfibrose, som inkluderer stivheden af hver voxel i patientens lever og således kan bruges til at beregne fordelingsforholdet mellem patientens lever ved forskellige fibrosestadier.
Abstract
Hepatisk fibrose er et tidligt stadium af levercirrhose, og der er ingen bedre ikke-invasive og bekvemme metoder til påvisning og evaluering af sygdommen. På trods af de gode fremskridt, der er gjort med leverstivhedskortet (LSM) baseret på magnetisk resonanselastografi (MRE), er der stadig nogle begrænsninger, der skal overvindes, herunder manuel fokusbestemmelse, manuel udvælgelse af interesseområder (ROI'er) og diskontinuerlige LSM-data uden strukturel information, hvilket gør det umuligt at evaluere leveren som helhed. I denne undersøgelse foreslår vi en ny tredimensionel (3D) digital model til tidlig diagnose af leverfibrose baseret på MRE.
MRE er en ikke-invasiv billeddannelsesteknik, der anvender magnetisk resonansbilleddannelse (MRI) til at måle leverstivheden på scanningsstedet gennem interaktion mellem mennesker og computere. Undersøgelser har indikeret en signifikant positiv korrelation mellem LSM opnået gennem MRE og graden af leverfibrose. Til kliniske formål er det imidlertid nødvendigt med en omfattende og præcis kvantificering af graden af leverfibrose. For at løse dette blev begrebet leverstivhedsfordeling (LSD) foreslået i denne undersøgelse, der refererer til 3D-stivhedsvolumenet af hver levervoxel opnået ved justering af 3D-levervævsbilleder og MRE-indikatorer. Dette giver et mere effektivt klinisk værktøj til diagnosticering og behandling af leverfibrose.
Introduction
Hepatisk fibrose refererer til dannelsen af overdreven arvæv i leveren, normalt som følge af leverskade eller sygdom 1,2,3,4. Det opstår ofte som følge af kronisk leverskade og er almindeligvis forbundet med leversygdomme, såsom kronisk viral hepatitis, ikke-alkoholisk fedtleversygdom og alkoholisk leversygdom. Hvis venstre ubehandlet, hepatisk fibrose kan udvikle sig til skrumpelever, en potentielt livstruende tilstand forbundet med betydelig sygelighed og dødelighed.
Aktiv forskning på dette område sigter mod at belyse de cellulære og molekylære mekanismer, der ligger til grund for patogenesen af leverfibrose, samt at udvikle nye diagnostiske og terapeutiske strategier til forbedring af patientresultater. Et andet mål er den ikke-invasive påvisning af leverfibrosestadiet, hvilket er et kritisk aspekt, der direkte korrelerer med sygdomsdiagnose, behandlingsvalg og prognoseevaluering. På trods af vigtigheden af nøjagtig diagnose og overvågning af leverfibrose er traditionelle diagnostiske metoder, såsom leverbiopsi, invasive og forbundet med betydelige risici. I modsætning hertil er magnetisk resonanselastografi 5,6 (MRE) en lovende ikke-invasiv billeddannelsesteknik, der har vist potentiale i diagnosticering og overvågning af leverfibrose ved at kvantificere leverstivhed.
I de senere år har der været betydelig forskning fokuseret på evaluering af nøjagtigheden og pålideligheden af MRE i diagnosen leverfibrose samt dens potentielle fordele i forhold til traditionelle diagnostiske metoder. Leverstivhedsmetrikken for MRE er blevet godkendt af United States Food and Drug Administration (FDA) til klinisk diagnose, og omfattende komparativ analyse med patologiske resultater er blevet udført i klinisk praksis. Resultaterne har vist, at stivhedskortene genereret af MRE udviser en stærk positiv korrelation med forskellige stadier af leverfibrose 7,8,9,10,11,12. Men indtil videre har arbejdet med nøjagtigt at evaluere og spore progressionen af leverfibrose hos patienter gennem kvantitativ analyse af leverstivhedsfordeling (LSD) ved at matche leverstrukturbilleder med MRE ikke gjort store fremskridt.
I denne undersøgelse introduceres den medicinske billeddannelsesgruppeanalyseteknik13,14,15 for at opnå nøjagtig justering af leverstrukturbillederne med stivhedskortet genereret af MRE i 3D-rum, hvilket muliggør beregning af leverstivhedsværdier for hver voxel i hele leveren. Baseret på den 3D-digitale model af LSD kan den nøjagtige fordeling af patientspecifik leverfibrose-stadieinddeling beregnes og evalueres. Dette lægger et solidt fundament for den præcise kvantitative diagnose af leverfibrose i tidlig fase.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Denne undersøgelse anvendte 3D-digital LSD-modellering til at rekonstruere leveren hos en typisk patient med klinisk bekræftet leverfibrose. Patienten blev rekrutteret fra en velkendt behandlingsinstitution for leversygdomme, "You An Hospital" i Beijing, Kina, og gennemgik rutinemæssig øvre abdominal magnetisk resonansbilleddannelse (MRI) og MRE-billeddannelse efter at have givet samtykke. Patienten blev valgt som casestudie for denne forskningsmetode på grund af bekræftelsen af hepatisk fibrose iscenesættelse gennem patologisk undersøgelse og fraværet af åbenlyse kliniske symptomer, hvilket understreger anvendeligheden og den kliniske værdi af denne forskning til diagnosticering af patienter med leverfibrose i tidlig fase. Dette papir giver også en kvantitativ sammenligning mellem denne patients lever og en sund lever. De softwareværktøjer, der anvendes i denne undersøgelse, er anført i materialetabellen.
1. Dataindsamling og -forberedelse
BEMÆRK: Parameterforskellen er ikke følsom over for forskningsmetoden.
- MR-scanningsstrategier
BEMÆRK: Denne undersøgelse anvendte faktiske DICOM-data opnået fra klinisk billeddannelse ved hjælp af en magnetisk resonansbilleddannelse (MRI) enhed fremstillet af GE. Indholdet af dataene omfatter IDEAL (Iterativ nedbrydning af vand og fedt med ekkoasymmetri og mindste kvadraters estimering), vand-fedtseparationsbilleddannelse og magnetisk resonanselastografi (MRE) billeddannelse.- Sørg for, at IDEAL-dataene har en vandret opløsning på 256 x 256 pixel med en pixelafstand på 1,5625 mm og en udsnitstykkelse på 10 mm.
BEMÆRK: Scanningsstrategien kunne optimeres yderligere, men den metode, der anvendes i denne undersøgelse, kan anvendes til medicinsk billeddannelse med højere præcision.
- Sørg for, at IDEAL-dataene har en vandret opløsning på 256 x 256 pixel med en pixelafstand på 1,5625 mm og en udsnitstykkelse på 10 mm.
- Omdøb mappen for hver sekvens.
BEMÆRK: Da DICOM-data, der eksporteres fra udstyret, ikke udtrykkeligt angiver sekvensnavne, er det nødvendigt at tilføje eksplicitte navne for hver sekvens i forbehandlingsfasen for at lette efterfølgende analyse og behandling.- Kopier alle DICOM-data til en tilpasset arbejdsmappe.
- Naviger til den mappe, der indeholder dataene i MATLABs arbejdsmappe.
- Udfør Description_Name-funktionen for at tilføje beskrivende navne til mapperne for hver sekvens.
- Se figur 1 for en sammenligning før og efter omdøbning. Tilføj et beskrivelsesnavn til hver billedsekvensmappe for at lette identifikationen af de nødvendige billedsekvenser til forskellige analytiske formål.
- Kontroller hurtigt billeder af IDEAL.
- Skift mappen med forskellige fasers mapper, herunder in-phase, out-phase, water og fat phases, som blev gemt i separate mapper til billedbehandling ved hjælp af IDEAL.
- Udfør Slice_View-funktionen for at få vist slagsekvenserne for hver fase.
- Se figur 2 for et billede af den interaktive grafiske brugergrænseflade (GUI) for MRI-IDEAL-sekvensen. Brug rullepanelet nederst i GUI'en til hurtigt at gennemse de forskellige sekvenser.
- Brug MRI-IDEAL udfasesekvensen som typen af MR-sekvens til at give klarere beskrivelser af levervævsgrænser.
BEMÆRK: I de følgende operationer vil fokus være på at bruge IDEALs udfasesekvens til at afgrænse leverens 3D-region.
2. Uddrag 3D-regionen i leveren
BEMÆRK: De enkelte voxels i leverens 3D-region fungerer som rumlige bærere af LSD, hvor stivhedsværdien af hver voxel stammer fra MRE. Ekstraktion af 3D-regionen i levervævet er et nødvendigt skridt før fusion. Mens dyb læring kan bruges til at udføre denne opgave mere effektivt, er det ikke fokus for denne undersøgelse. Derfor bruges modne softwareværktøjer (f.eks. MIMICS) stadig her til at ekstrahere 3D-regionen i levervævet.
- For at starte MIMICS-softwaren skal du vælge Nyt projekt og i den efterfølgende dialogboks navigere til mappen, der indeholder IDEAL-udfasebillederne. Fortsæt ved at klikke på NÆSTE | knappen Konverter og derved få adgang til sekvensredigeringstilstanden.
- For at oprette en tom maske skal du klikke på knappen Ny i dialogboksen MASK i højre side og vælge den maksimale tærskel.
- Hvis du vil afgrænse leverområdet i alle vandrette visninger, skal du bruge værktøjet Rediger masker, der findes under etiketten Segment .
- For at generere den 3D-rumlige del af leveren skal du vælge den levermaske, der er afgrænset, og klikke på knappen Beregn del fra maske . Den ekstraherede 3D-region af leveren er vist i figur 3.
- Klik på Filer | Eksport | vælg Dicom-kommandoen . I popup-dialogboksen skal du vælge levermasken, indstille filstien og filernes navne og klikke på OK knappen for at fuldføre eksporten af leverens 3D-region til de angivne DICOM-filer.
3. Kortsekvensen for leverstivhed
BEMÆRK: MRE-stivhedsområdet hos patienter med tidlig fibrose er typisk under 8 kpa. For at se dette skal sekvensbilledet mærket 'SE27_ST8K_ (Pa)' vælges.
- Skift mappen til mappen 'SE27_ST8K_(Pa)', som indeholder kortsekvensen for leverstivhed.
- For at gennemse hvert stivhedskort skal du udføre MRE_show-funktionen i Matlabs arbejdsområde, hvor funktionens argument er filnavnet placeret i den angivne sti.
- Leverstivhedskortet vist i figur 4 er et RGB-ægte farvebillede med en datastruktur på 512 pixels x 512 pixels x 3 matrix, hvor hvert pixelpunkt har tre værdier, der repræsenterer de tre primære farver, RBG. Overhold farvebjælken til venstre, der viser de tilsvarende stivhedsværdier for forskellige farvede pixels. Beregn den nøjagtige stivhed af hver pixel ved hjælp af deres respektive korrelationer.
- De supplerende oplysninger i figur 4 omfatter data såsom sekvensbeskrivelse, scanningsposition, tidspunkt, patientinformation og billedparametre. Brug disse data, især billedparametrene, til at etablere det rumlige forhold mellem MRE- og IDEAL-sekvenser.
4.3D-Volumen af leverstivhedsfordeling
BEMÆRK: Hver voxel i 3D-leverstivhedsvolumenet repræsenterer stivhedsværdien af en tilsvarende voxel i 3D-leverområdet, som er afledt af stivhedsværdien for hver pixel i figur 4. Ved at justere 3D-leverregionen i figur 3 med stivhedskortet i figur 4 kan stivhedsværdien af hver voxel ekstraheres, hvilket resulterer i dannelsen af 3D-leverstivhedsvolumen.
- Aktivér LSD_Slice-funktionen med 3D-leverregionen vist i figur 3 og leverstivhedskortet i figur 4 som inputparametre for at opnå 3D-volumen af leverstivhedsfordeling, som vist i figur 5.
- Se stivhedskortet for hvert lag af leveren ved at trække rullepanelet under GUI vist i figur 5.
BEMÆRK: I modsætning til figur 4 bevares imidlertid kun levervæv nøjagtigt her. - Overhold ikonerne i øverste højre hjørne af GUI'en (figur 5), såsom at zoome ind, zoome ud, vende tilbage til den globale visning og markere koordinaterne for den valgte pixel.
BEMÆRK: Standardfarvebjælken er farvekortet for "jet", hvilket betyder, at de tilsvarende værdier (Unit kpa) fra blå til rød er lave til høje. - Udfør LSD_Volume-funktionen med samme input som LSD_Slice for at opnå den rumlige fordeling af 3D-leverens LSD, som vist i figur 6. Se 3D-volumen af LSD fra ethvert perspektiv ved at holde venstre museknap nede og trække skærmen (figur 6).
5. Kvantitativ LSD-analyse
BEMÆRK: Et vigtigt kvantitativt analysefokus i denne undersøgelse er at tilvejebringe andelen af forskellige stadier af LSD-voxels i patientens lever. Figur 6 viser, at fordelingen af leverfibrose hos patienter er ujævn på forskellige rumlige steder. Årsagen til, at kliniske symptomer endnu ikke er indlysende, skyldes hovedsageligt, at en betydelig del af levervævet er i et normalt stadium. Derfor er det nødvendigt at kvantificere nøjagtigt forskellen mellem patienter og raske individer. Dette er et vigtigt kvantitativt begreb i denne undersøgelse.
- Bestem de numeriske intervaller af stivhedsværdier for forskellige stadier af leverfibrose, som vist i figur 7.
- Beregn fordelingen af hele patientens levervoxels i forskellige fibrosestadier (figur 8) ved at aktivere Hepatic_Fibrosis-funktionen med inputparameteren for 3D-volumen LSD vist i figur 6.
- Brug de samme trin til at beregne og sammenligne resultaterne af en helt sund lever med den typiske leverfibrosepatient beskrevet ovenfor (figur 9).
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Ved at bruge oplysningerne i det Description_Name felt af DICOM-filer kan den originale MR-mappe omdøbes for at lette hurtig lokalisering af den krævede billeddannelsessekvens under analyseprocessen i billeddannelsesgruppen. MRI-IDEAL udfasesekvensen er den type MR-sekvens, der anvendes til at give klarere beskrivelser af levervævsgrænser. Dette skyldes, at MRI-IDEAL out-of-phase-sekvensen bedre kan differentiere magnetiseringsstyrken og vinklen på forskellige væv gennem specifikke billedbehandlingsteknikker.
MRI-IDEAL out-phase-sekvensen fungerer ved at bruge gradientekkosekvenser (GRE'er) til at generere billeder og bruge udfasekontrol under billedoptagelse. Dette reducerer magnetfeltets inhomogenitet mellem væv under billeddannelse og forbedrer dermed opløsningen og kontrasten af billeder til vævsstrukturer. Derudover kan MRI-IDEAL udfasesekvensen også undertrykke fedtsignalet og dermed reducere fedtets interferens i billeddannelse og give en bedre visning af tilstødende vævsstrukturer. Sammenfattende kan MRI-IDEAL udfasesekvensen forbedre billeddannelsesopløsning og kontrast ved hjælp af teknikker som magnetfeltkontrol og undertrykkelse af fedtsignal, hvilket resulterer i klarere vævsgrænser.
Selvom deep learning-værktøjer kan bruges til at udtrække leverens 3D-anatomiske struktur, har denne metode en vis grad af maskinlæringsfejl. Fokus for denne undersøgelse er den præcise kvantificering af leverfibrose; derfor blev MIMICS-værktøjet brugt til ekstraktion af 3D-levervævsregionen kombineret med eksperterfaring til at ekstrahere en relativt nøjagtig 3D-region af levervæv.
MRE-stivhedskortet kan vise forskydningsstivheden af forskellige rumlige positioner inden for hver vandret scanning i den øvre del af maven. Denne undersøgelse fokuserede på de tidlige stadier af leverfibrose; derfor var det numeriske interval 0-8 kPa. Figur 4 er standardversionen af MRE-Liver Stiffness Map på GE-enheden, som inkluderer stivhedskortet, men det er vanskeligt at skelne leverens anatomiske struktur. Den centrale innovation i denne undersøgelse er den præcise kvantificering opnået ved at tilpasse MRE-leverstivhedskortet med leverens anatomiske struktur vist i figur 3.
Figur 5 giver et nøjagtigt stivhedskort for leveren, som gør det muligt for læger og patienter at få en nøjagtig forståelse af placeringen og størrelsen af tidlige læsioner af leverfibrose i stedet for en vag fornemmelse. Dette baner vejen for yderligere numerisk kvantificeringsanalyse.
Figur 6 opnås ved at rekonstruere stivhedskortet for hvert leverscannet lag langs den vandrette akse i 3D-rum; Figur 6 er 3D-versionen af figur 5. I 3D-rum kan graden og placeringen af en patients leverfibrose tydeligere identificeres.
Resultaterne af sammenligning, analyse og undersøgelse af patologiske undersøgelsesresultater med MRE-stivhed findes andetsteds9. For yderligere at kvantificere den numeriske fordeling af leverfibrosestadium hos patienter viser figur 7 rækkevidden af stivhedsintervaller for forskellige stadier, der anvendes i denne undersøgelse baseret på tidligere forskningsresultater.
Ifølge stivhedsområdet for forskellige stadier af leverfibrose afbildet i figur 7 er det muligt at beregne den specifikke andel af lever 3D-voxels i forskellige stadier for patienten. Denne beregning er baseret på data fra 3D LSD som vist i figur 6. Derfor viser figur 8 de kvantitative resultater af patientens leverfibrose, hvilket angiver andelen af patientens lever, der falder ind under forskellige stadier af leverfibrose.
Baseret på resultaterne vist i figur 8 blev dataene for en sund lever beregnet som en sammenligning for at illustrere den kvantitative effekt af den metode, der blev undersøgt i denne undersøgelse, som vist i figur 9. Den præcise kvantificeringsforskel mellem de to kan visualiseres. Baseret på dette forskningsparadigme vil denne gruppe i efterfølgende undersøgelser foretage yderligere undersøgelser af LSD i en sund lever og den kvantitative klassificering af leverfibrose i tidlige stadier.
Figur 1: Beskrivelse navn på hver MR-sekvens. Her vises mappenavnene på MR-scanningssekvenserne. Klik her for at se en større version af denne figur.
Figur 2: Den grafiske brugergrænseflade for udsnittene i hver IDEAL-fasesekvens. Et eksempel på at gennemse MRI-IDEAL. MRI-IDEAL er et kraftfuldt værktøj, der forbedrer kvaliteten og fortolkningsmulighederne af MR-billeder, især i tilfælde, hvor fedt- og vandseparation er kritisk. Klik her for at se en større version af denne figur.
Figur 3: Den ekstraherede 3D-region af leveren. Viser leverens 3D-rumlige udstrækning baseret på strukturelle billeder af leveren. Klik her for at se en større version af denne figur.
Figur 4: Kort over leverstivhed. Standardversionen af MRE-Liver Stiffness Map. Klik her for at se en større version af denne figur.
Figur 5: Skiver af leverstivhedsfordeling. Et nøjagtigt stivhedskort, der tilhører leveren. Klik her for at se en større version af denne figur.
Figur 6: 3D-volumen af leverstivhedsfordeling. Dette er 3D-versionen af figur 5. Klik her for at se en større version af denne figur.
Figur 7: Forskellige stadier af leverfibrose. Liste over rækkevidden af stivhedsintervaller for forskellige stadier, der anvendes i denne undersøgelse baseret på tidligere forskningsresultater. Klik her for at se en større version af denne figur.
Figur 8: Leverstivhedsfordeling af de forskellige stadier. Kvantitative resultater af patientens leverfibrose indikerer andelen af patientens lever, der falder ind under forskellige stadier af leverfibrose. Forkortelse: LSD = leverstivhedsfordeling. Klik her for at se en større version af denne figur.
Figur 9: Sammenligning af leverstivhedsfordeling. En detaljeret kvantitativ sammenligning mellem en sund lever og en patient med leverfibrose i tidlig fase. Forkortelse: LSD = leverstivhedsfordeling. Klik her for at se en større version af denne figur.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
I klinisk praksis er det udfordrende nøjagtigt at kvantificere og spore tilstanden hos patienter med leverfibrose i tidlige stadier. Sammenligningen vist i figur 9 afspejler fuldt ud graden af leverfibrose hos patienten sammenlignet med en sund lever; Selvfølgelig kan dette tal også være en sammenligning mellem to forskellige perioder for patienten, der anvendes til evaluering af behandlingseffektivitet. Denne præcise kvantificeringsmetode er det centrale kritiske trin i denne undersøgelse. Desuden kan beregningsmetoden for 3D-volumenet af LSD vist i figur 5 og figur 6 nøjagtigt lokalisere den rumlige placering og størrelse af fibrotiske læsioner i patientens lever, hvilket giver et solidt kvantitativt grundlag for nøjagtig diagnose af leverfibrose i tidlig fase. Det kan også give videnskabelig støtte til præcist guidet leverpunktur ved hjælp af 3D-digital model.
Denne undersøgelse foreslår begrebet 3D LSD og dets præcise kvantificering i forskellige stadier af leverfibrose. Resultaterne viser, at denne metode effektivt kvantitativt kan vurdere sygdomsprogressionen hos patienter med tidlig leverfibrose. Mulige yderligere forbedringer og udvikling omfatter forbedring af scanningsnøjagtigheden af MRE-scanninger, især det vandrette scanningsinterval; forbedring af billeddannelsesnøjagtigheden af levermagnetiske resonansstrukturelle billeder; introduktion af dyb læringsteknologi til at hjælpe med hurtig udvinding af leverens 3D-region; akkumulering af flere LSD-data for sunde lever for at etablere en baseline for diagnostiske sammenligninger; og akkumulere flere patientdata for hvert trin i leverfibrose for at udvikle mere nøjagtige klassificeringsstandarder.
Selvom den metode, der foreslås i denne undersøgelse, kvantitativt kan stadiere tidlig leverfibrose baseret på 3D LSD, adresserer den ikke de underliggende mekanismer for sygdomsudvikling2. Forskellige udstyrs- og scanningsstrategier kan føre til inkonsekvente resultater. Udvikling af en mere standardiseret og universel beregningsprotokol er fortsat udfordrende.
Sammenlignet med traditionelle invasive diagnostiske metoder til leverfibrose har det arbejde, der præsenteres i dette papir, følgende fremtrædende fordele. For det første er både rutinemæssig øvre abdominal MR og MRE ikke-invasive. For det andet kan 3D LSD nøjagtigt karakterisere størrelsen og placeringen af læsioner af leverfibrose i 3D-rum. For det tredje kan de kvantitative resultater give klinikere en klar forståelse af andelen af levervoxels på forskellige stadier af leverfibrose. Endelig opnåede denne undersøgelse nøjagtig justering af levervævsstrukturen med MRE-stivhedskortet, hvilket gjorde det muligt for klinikere at indeksere stivhedsværdier fra strukturelle billeder eller omvendt for at indeksere den rumlige placering af levervæv fra læsioner i stivhedskortet. Denne fremgangsmåde er meget værdifuld for den præcise kvantificering af tidlig leverfibrose.
MRI-IDEAL-teknikken virker ved at erhverve MR-billeder på flere ekkotidspunkter, hvilket muliggør adskillelse af vand- og fedtsignaler ved at udnytte deres forskellige resonansfrekvenser. Denne adskillelse opnås gennem en iterativ nedbrydningsproces, der beregner de relative proportioner af vand og fedt i hver pixel i billedet. De resulterende billeder kan give klinikere værdifuld information om fordelingen og mængden af kropsfedt, hvilket kan være nyttigt til diagnosticering og overvågning af tilstande som fedme, diabetes og leversygdom.
Den kvantitative metode, der foreslås i denne undersøgelse, er ikke kun anvendelig til kvantitativ diagnose af tidlig leverfibrose, men også til diagnosticering af levercirrhose i mellem- og senstadiet. Det kan også bruges som en grupperings- og screeningsteknik til at udelukke patienter med leverfibrose eller levercirrhose samt et prognostisk værktøj til forskellige typer levercirrhose. 3D LSD kan også bruges som navigationsværktøj til præcis leverpunktering eller kirurgi.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Softwareværktøjet til kvantificering af leverfibrose, der er anført i materialetabellen i denne undersøgelse, HepaticFibrosis V1.0, er et softwareværktøj fra Beijing Intelligent Entropy Science & Technology Co Ltd. De intellektuelle ejendomsrettigheder til dette softwareværktøj tilhører virksomheden.
Acknowledgments
Denne publikation blev støttet af det femte nationale forskningsprogram for traditionel kinesisk medicin klinisk fremragende talenter arrangeret af National Administration of Traditional Chinese Medicine. Det officielle netværkslink er 'http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html. '
Materials
| Name | Company | Catalog Number | Comments |
| MATLAB | MathWorks | 2022B | Computing and visualization |
| Mimics | Materialise | Mimics Research V20 | Model format transformation |
| Tools for 3D_LSD | Intelligent Entropy | HepaticFibrosis V1.0 | Beijing Intelligent Entropy Science & Technology Co Ltd. Modeling for CT/MRI fusion |
References
- Henderson, N. C., Rieder, F., Wynn, T. A. Fibrosis: from mechanisms to medicines. Nature. 587 (7835), 555-566 (2020).
- Parola, M., Pinzani, M. Liver fibrosis: Pathophysiology, pathogenetic targets and clinical issues. Molecular Aspects of Medicine. 65, 37-55 (2019).
- Ramachandran, P., et al. Resolving the fibrotic niche of human liver cirrhosis at single-cell level. Nature. 575 (7783), 512-518 (2019).
- Stefan, N., Häring, H. -U., Cusi, K. Non-alcoholic fatty liver disease: causes, diagnosis, cardiometabolic consequences, and treatment strategies. The Lancet. Diabetes & Endocrinology. 7 (4), 313-324 (2019).
- Castera, L., Friedrich-Rust, M., Loomba, R. Noninvasive assessment of liver disease in patients with nonalcoholic fatty liver disease. Gastroenterology. 156 (5), 1264.e4-1281.e4 (2019).
- Godoy-Matos, A. F., Silva Júnior, W. S., Valerio, C. M. NAFLD as a continuum: from obesity to metabolic syndrome and diabetes. Diabetology & Metabolic Syndrome. 12 (1), 1-20 (2020).
- Venkatesh, S. K., Xu, S., Tai, D., Yu, H., Wee, A. Correlation of MR elastography with morphometric quantification of liver fibrosis (Fibro-C-Index) in chronic hepatitis B. Magnetic Resonance in Medicine. 72 (4), 1123-1129 (2014).
- Yin, M., et al. Assessment of hepatic fibrosis with magnetic resonance elastography. Clinical Gastroenterology and Hepatology. 5 (10), 1207-1213 (2007).
- Venkatesh, S. K., Wang, G., Lim, S. G., Wee, A. Magnetic resonance elastography for the detection and staging of liver fibrosis in chronic hepatitis B. European Radiology. 24, 70-78 (2014).
- Ichikawa, S., et al. Magnetic resonance elastography for staging liver fibrosis in chronic hepatitis C. Magnetic Resonance in Medical Sciences. 11 (4), 291-297 (2012).
- Chen, J., et al. Early detection of nonalcoholic steatohepatitis in patients with nonalcoholic fatty liver disease by using MR elastography. Radiology. 259 (3), 749-756 (2011).
- Singh, S., et al. Diagnostic performance of magnetic resonance elastography in staging liver fibrosis: a systematic review and meta-analysis of individual participant data. Clinical Gastroenterology and Hepatology. 13 (3), 440.e6-451.e6 (2015).
- Ferro, M., et al. Radiomics in prostate cancer: an up-to-date review. Therapeutic Advances in Urology. 14, 17562872221109020 (2022).
- Nam, D., Chapiro, J., Paradis, V., Seraphin, T. P., Kather, J. N. Artificial intelligence in liver diseases: Improving diagnostics, prognostics and response prediction. JHEP Reports. 4 (4), 100443 (2022).
- Wu, Y. -J., Wu, F. -Z., Yang, S. -C., Tang, E. -K., Liang, C. -H. Radiomics in early lung cancer diagnosis: from diagnosis to clinical decision support and education. Diagnostics. 12 (5), 1064 (2022).
