방법 논문

3차원 위상 분해 기능적 폐 자기 공명 영상

2.3K 조회수

⸱

DOI:

10.3791/66385

⸱

2024년 6월 21일

 ,  ,  , 
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)

이 논문에서

요약

3차원(3D) 위상분해 기능성 폐(PREFUL)는 8분 동안 조력 호흡 및 조영제 무함유 획득을 사용하여 전체 인간 폐 용적의 국소 환기를 정량화할 수 있는 기능적 자기 공명 영상(MRI) 기술입니다. 여기에서는 3D PREFUL 이미징 데이터를 수집하고 분석하기 위한 MR 프로토콜을 제시합니다.

초록

폐자기공명영상(MRI)은 국소 폐 환기 또는 그 대리모를 평가하기 위해 맞춤화된 다양한 방사선 무 기술을 제공합니다. 이러한 기술에는 과분극 가스 MRI 및 불소화 가스 MRI로 대표되는 직접 측정뿐만 아니라 산소 강화 MRI 및 양성자 기반 푸리에 분해(FD) MRI로 촉진되는 간접 측정이 포함됩니다. 최근에는 FD MRI 분야에서 상당한 진전이 이루어졌으며, 여기에는 공간/시간 해상도 개선, 시퀀스 설계 및 후처리 개선, 포괄적인 전체 폐 접근 방식 개발이 포함됩니다.

2차원(2D) 위상분해 기능적 폐(PREFUL) MRI는 단일 MR 획득 내에서 국소 환기 및 관류 역학의 포괄적인 평가를 위해 개발된 FD 기반 접근 방식으로 두드러집니다. 최근에는 3D PREFL의 개발로 새로운 발전이 이루어졌으며, 셀프 게이트 시퀀스로 8분 검사를 사용하여 전체 폐의 동적 환기를 평가합니다.

3D PREFUL 획득에는 황금 각도 증가와 함께 별 스택 버릇없는 그라디언트 에코 시퀀스를 사용하는 것이 포함됩니다. 약 40개의 호흡 단계에 대한 압축 감지 이미지 재구성 후, 재구성된 모든 호흡 분해 이미지는 고정된 호흡 단계에 등록됩니다. 그 후, 환기 매개변수는 등록된 이미지에서 추출됩니다.

건강한 지원자와 만성 폐쇄성 폐질환 환자로 구성된 연구 코호트에서 3D PREFUL 인공호흡 매개변수는 폐 기능 검사에서 얻은 측정값과 강한 상관관계를 보여주었습니다. 또한 3D PREFUL 기법의 스캔 간 반복성은 허용 가능한 것으로 간주되어 동일한 개인에 대한 반복 평가에 대한 신뢰성을 나타냅니다.

요약하면, 3D PREFUL 인공호흡 MRI는 2D PREFUL. 3D PREFUL 기법에 비해 향상된 공간 해상도로 폐 전체를 커버하고 인공호흡 역학을 캡처하며, 과분극 129Xe MRI에 대한 비용 효율적인 대안을 제공하여 환자 친화적인 폐 인공호흡 평가를 위한 매력적인 옵션입니다.

서론

세계보건기구(WHO)에 따르면 만성 호흡기 질환은 세 번째로 큰 사망 원인으로 의료에 상당한 부담을 주고 있습니다1. 여러 호흡기 질환의 진단 및 모니터링에는 폐 기능 검사가 포함되는데, 이러한 검사는 공간 정보가 부족하고 어린 환자에게는 적합하지 않을 수 있습니다. 양전자 방출 단층 촬영(PET)2, 단광자 방출 컴퓨터 단층 촬영(SPECT)3 또는 컴퓨터 단층 촬영4와 같은 여러 다른 핵의학 양식은 환기의 공간적 측정을 제공합니다. 이러한 기술의 중요한 단점은 이미징을 위해 전리 방사선을 사용한다는 것입니다. 따라서 이러한 측정은 어린이와 같은 민감한 인구 집단이나 임상 연구에서 반복적인 측정에는 적합하지 않습니다.

자기 공명 영상 기법은 방사선 없이 폐 기능을 측정할 수 있기 때문에 지난 20년 동안 주목을 받았습니다. 무엇보다도, 과분극 기체 MRI 기법5은 건강한 대조군과 폐질환 환자의 폐 환기를 평가하는 데 사용되었으며, 19F6 또는 산소 강화 MRI7과 비교할 때 우수한 신호 대 잡음비(SNR) 비율을 달성했습니다. 가스 MRI 기술의 일반적인 단점으로는 추가 인력, 하드웨어 비용 또는 호흡 측정 중 환자 협력이 필요하다는 것입니다. 이러한 한계를 해결하기 위해 푸리에 분해(FD) MRI8을 기반으로 하는 방법이 도입되어 폐 환기 및 관류를 평가했습니다. FD MRI의 대안으로 위상 분해 기능 폐(PREFUL) MRI9가 개발되고 검증되었습니다10,11,12, 다기관 연구를 포함한 여러 연구에서 테스트되었습니다13,14. 그럼에도 불구하고 2D 획득은 완전한 폐 커버리지와 제한된 공간 해상도에 대한 획득 시간이 길어집니다. 관류 정보를 희생하더라도 자체 게이트 3D 획득에 의해 우아한 솔루션이 제공됩니다15,16,17. 이러한 기법 중 하나인 3D PREFUL MRI17은 8분 MR 검사 중 정적 환기뿐만 아니라 환기 역학을 평가하기 위해 개발되었으며, 2D 방법과 비교할 때 우수한 이미지 해상도를 제공합니다.

method17 방법을 설명하는 원본 출판물에 따라 이 기술의 반복성을 평가하고 임상적으로 잘 정립된 폐활량 측정 18과 비교했으며, 최근에는 환기 매개변수의 반복성을 개선하고 환기 맵의 이미지 품질을 보존하는 동시에 가속화된 이미지 등록 프레임워크가 도입되었습니다19. 인간 폐의 국소 환기를 정량적으로 매핑할 수 있는 이 환자 친화적이고 쉽게 확장할 수 있는 기술은 조기 발견, 호흡기 질환 진단 또는 치료 효과의 후속 모니터링에 크게 기여할 수 있는 잠재력을 가지고 있습니다20. 인공호흡량 개선과 같은 국소 폐 기능의 이러한 치료 변화는 치료의 영향을 평가하기 위한 바이오마커가 될 수 있는 잠재력을 가지고 있으며 다기관 임상 연구에서 유용한 도구가 될 수 있습니다.

이 기사는 3D PREFUL 기술에 대한 포괄적이고 시각적인 설명을 제공하는 것을 목표로 하며, 이 기술의 광범위한 번역을 촉진하는 것을 목표로 합니다.

프로토콜

본 연구는 하노버 의과대학(Hannover Medical School) 윤리위원회의 승인을 받았으며, 연구 과정 전반에 걸쳐 엄격한 윤리 기준을 준수하였습니다. 본 조사는 의학 연구의 윤리적 수행을 강조하는 헬싱키 선언(Declaration of Helsinki)에 명시된 가이드라인을 엄격히 따랐습니다. 또한, 모든 연구 참여자(또는 그들의 부모 또는 법정 대리인)로부터 MRI 검사 참여 전 충분한 설명에 기반한 동의서를 성실히 취득하였습니다.

참고: 3D PREFUL MRI 관련 연구의 선정 및 제외 기준은 연구 설계에 따라 상이합니다. 일반적으로 3D PREFUL MRI 검사에 참여하는 건강한 자원자의 선정 기준은 (a) 연구 결과에 영향을 미칠 수 있는 중대한 의학적 상태가 없으며, (b) MRI 결과에 간섭을 일으킬 수 있는 약물을 복용하지 않고, (c) 폐쇄공포증, 불안 증세가 없으며 금속성 임플란트나 장치를 삽입하지 않았고, (d) 연구 목적과 관련된 특정 연령 및 성별 기준을 충족하며, (e) 흡연력이 없고, (f) 폐활량 측정(FEV1/강제폐활량(FVC) > 0.7 및 두 FEV 모두1 및 강제폐활량(FVC) > (예측치 80%). 3D PREFUL MRI 검사를 받는 모든 연구 대상자의 제외 기준은 다음과 같다: (a) 임신, (b) 3D PREFUL MRI 검사의 안전성이나 유효성을 저해할 수 있는 상태, (c) 연구 프로토콜에 동적 조영 증강 MRI가 포함된 경우 가돌리늄 기반 조영제에 대한 불내성.

1. MRI 전 인터뷰

  1. 의사가 피험자의 병력에 관한 중요한 정보를 수집하도록 합니다.
  2. 잠재적 금기 사항, 위험성 및 MRI 절차에 대해 설명합니다.
  3. 피험자로부터 서면 동의서를 받습니다.
    참고: 폐기능 검사 결과가 없는 경우, MRI 검사 전에 피험자가 폐기능 검사를 받도록 요청하고 얻은 결과가 선정 기준을 충족하는지 확인하십시오.

2. MR 검사를 위한 방사선사의 준비 사항

  1. MR 콘솔에 피험자를 등록하고 3D PREFUL 획득이 포함된 연구 MR 프로토콜을 선택합니다.
  2. 피험자와 피험자의 주머니, 의복에 금속 성분이 포함된 물건이 없는지 확인합니다.
  3. 멸균 환경이 보장되도록 스캐너 테이블 위에 시트를 깝니다.
  4. 피험자와 함께 MR실로 입장합니다.

3. MR 검사를 위한 피험자 준비

  1. 피험자를 MRI 테이블 위에 앙와위로 눕힙니다(단, 복와위도 가능합니다).
  2. 토르소 코일의 상단 요소가 피험자의 턱 근처에 오도록 배치하여 토르소 코일이 흉부를 충분히 커버하는지 확인합니다.
  3. MRI로 인해 발생하는 큰 소음으로부터 청력을 보호하기 위해 피험자에게 헤드폰(또는 귀마개, 혹은 둘 다)을 제공합니다.
  4. 피험자가 쉽게 접근하여 누를 수 있도록 안전 버튼(또는 대체 안전 장치)을 제공합니다.
  5. MR 검사 중 편안함을 높이기 위해 피험자의 머리와 다리 아래에 패드를 놓습니다.
  6. 레이저 라이트 내비게이션을 사용하여 영상 촬영 영역이 보어의 아이소센터에 위치하도록 확인하며 피험자를 MR 스캐너 안으로 이동시킵니다.

4. MRI 검사

  1. 로컬라이저(Localizer)
    1. 표 1A에 나열된 것과 유사한 파라미터로 로컬라이저 시퀀스를 수행하여, 3D PREFUL 검사 계획에 사용할 세 평면의 저해상도 해부학적 영상(넓은 시야 범위)을 획득합니다.
  2. 3D PREFUL 영상 촬영
    1. 영상 획득을 위해 표 1B에 따라 획득 파라미터를 설정합니다.
    2. 획득 시간이 약 8분이 소요되도록 방사형 투영(radial projections) 횟수를 적절히 설정합니다.
    3. 피검자에게 전체 획득 과정 동안 평상시대로 호흡(자유 호흡)하도록 안내합니다.
    4. 흉부 전체가 시야 범위에 포함되었는지 확인하고 획득을 시작합니다.
  3. 영상 촬영이 완료되면 피검자를 스캐너에서 나오게 합니다.

5. 원시 데이터 전송

  1. 일반적으로 획득한 원시 데이터는 MR 벤더 플랫폼에 저장되지 않습니다. MR 콘솔의 벤더별 단계를 사용하여 원시 3D PREFUL kspace 데이터를 저장하십시오.

6. 데이터 분석 및 후처리

  1. 지정된 워크스테이션(예: MATLAB)에서 원시 데이터 경로를 설정하여 이미지 재구성 스크립트(재료 표)를 사용하여 획득한 데이터의 평가를 시작하십시오.
    참고: 지정된 워크스테이션에는 이미 다음 패키지들이 설치되어 있어야 합니다:
    (a) Berkeley Advanced Reconstruction Toolbox (BART)
    ​(b) Advanced Normalization Tools (ANTs)
  2. 이미지 재구성
    1. Berkeley advanced reconstruction toolbox (BART)에 구현된 estdelay 함수를 사용하여 캘리브레이션 투영 데이터로 MR 시스템 의존적 경사 자장 지연(gradient delays)을 추정하십시오21,22.
    2. 계산된 경사 자장 지연에 따라 각 투영 데이터에 시프트를 적용하십시오.
    3. x-y 평면과 z 방향으로 주기적 윈도우를 사용하여, 경사 자장 지연이 보정된 데이터에 Hanning 필터링(MATLAB의 hann 함수 사용)을 적용하십시오.
    4. 호흡 비닝(respiratory binning)을 위한 저해상도 이미지 재구성
      1. 판독/파티션 차원의 중앙 인덱스를 중심으로 k-공간 데이터의 1/8 또는 1/4을 선택하십시오.
        참고: 피험자의 크기에 따라 이 단계의 결과로 32 x 32 x (12-20)의 행렬 크기가 생성됩니다.
      2. k-공간 데이터 행렬과 해당 궤적을 재구성하여 추가적인 시간 차원을 포함시키며, 각 시간 지점은 14개의 방사형 투영(radial projections)으로 구성되도록 하십시오.
        참고: 이후의 각 시간 지점은 이전 시간 지점의 방사형 투영 13개와 새로운 연속 방사형 투영 1개로 구성됩니다.
      3. 이미지 재구성을 위해 BART에 구현된 병렬 영상 및 압축 센싱(pics) 명령어를 사용하십시오.
        참고: 공간 도메인에서는 L2 노름(λ = 0.1) 및 전변이(total variation, λ = 0.0001) 정규화를 적용하고, 시간 도메인에서는 전변이(λ = 0.01) 정규화를 적용하십시오.
    5. 호흡 게이팅 신호 추출
      1. Otsu 임계값 처리23를 사용하여 재구성된 각 저해상도 3D 이미지에서 폐 실질을 분할하고, 각 시간 지점의 폐 실질 부피를 계산하십시오.
      2. 추출된 부피 시계열에 차단 주파수 0.7 Hz의 저역 통과 필터를 적용하고 호흡 주파수를 계산하십시오.
      3. 시계열에서 극단적인 이상치(95th 백분위수 초과 및 10th 백분위수 미만 시간 지점)를 제외하십시오.
        참고: 시계열을 진폭과 위상에 따라 배열하면 단일 호흡 주기를 재구성할 수 있습니다.
    6. 슬라이스별 이미지 재구성이 가능하도록, hanning 필터링된 데이터에 대해 슬라이스 방향으로 고속 푸리에 변환(FFT, MATLAB의 fft 함수)을 수행하십시오.
    7. 추출된 시계열을 기반으로 k-공간 데이터 행렬을 재구성하여, 각 호흡 빈(respiratory bin)이 최소 100개의 스포크(spokes)를 포함하도록 하십시오.
    8. 각 호흡 빈의 SNR24,25을 높이기 위해 인접 빈의 투영 데이터 20%를 활용하십시오.
    9. k-공간 궤적 행렬을 k-공간 데이터의 크기에 맞게 재구성하십시오.
    10. 각 슬라이스에 대해 이미지 재구성을 위한 pics 명령을 실행하십시오.
      참고: 공간 도메인에서는 L2 노름(λ = 0.1) 및 전변이(total variation, λ = 0.0001) 정규화를 적용하고, 시간 도메인에서는 전변이(λ = 0.01) 정규화를 적용하십시오.
    11. 한 번의 완전한 호흡 주기의 재구성 이미지, 호흡 주파수, 획득 시간을 포함한 변수들을 .mat 파일로 저장하십시오.
  3. 이미지 등록(registration)
    1. 재구성된 이미지의 신호 강도를 반전시키십시오.
    2. 비강체 등록(non-rigid registration)을 사용하여 이미지를 흡기(inspiration)와 같이 선택된 호흡 상태에 등록하십시오.
      참고: 등록 정확도를 높이기 위해 그룹 지향적 접근 방식26을 사용할 수 있습니다. 등록 과정은 Advanced Normalization Tools (ANTs)27 또는 Forsberg 등록 패키지28와 같은 도구를 사용하여 CPU 또는 GPU에서 실행할 수 있습니다.
  4. 폐 실질 분할
    1. 예를 들어 nnUnet 구조29와 같은 합성곱 신경망을 사용하여 흡기 말기 3D 이미지의 폐 실질을 분할하십시오.
    2. Wernz 등이 설명한 것30과 같은 혈관 인식 알고리즘을 사용하여 폐 혈관을 제외하십시오.
      참고: 이러한 알고리즘을 사용할 수 없는 경우 폐 혈관 인식 단계는 필수 사항이 아닙니다. 경우에 따라 수동 재분할이 필요할 수 있습니다.
  5. 필터링
    1. 등록 및 다시 반전된 이미지에 Nadaraya-Watson 커널 회귀(σ = 0.3)를 적용하여 균일하게 간격이 배치된 시간 그리드 상에 16개 위상을 보간하십시오.
    2. 시간 도메인에서 보간된 데이터에 0.7 Hz 저역 통과 필터를 적용하여 호흡과 관련 없는 신호 변동을 제거하십시오.
    3. 시간적으로 평균화된 등록 이미지를 가이드 이미지로 사용하여, 이미지 가이드 필터링31으로 저역 통과 필터링된 이미지의 노이즈를 제거하십시오. 다음과 같이 파라미터를 설정하십시오: Window Size = [5, 5, 5], lambda = 0.001.
  6. 환기 분석
    1. 다음 공식을 사용하여32 각 호흡 위상 N에 대한 지역 환기(RVent) 맵을 밀리리터/밀리리터(mL/mL) 단위로 계산하십시오:
      RVent(N) 공식; 정적 평형; 환기 효율 분석; 방정식 다이어그램.     [1]
      참고: SInsp는 이미지 등록을 위한 대상 이미지로, 흡기 말기 수준에 해당합니다. SExp는 호기 말기 이미지를 나타내며, SN은 N번째 호흡 상태를 나타냅니다.
    2. 최대 환기를 나타내는 8th 위상 RVent 맵의 환기 결손(VDRVent) 맵을 계산하십시오.
      ​참고: VD를 계산하려면 90th 백분위수 값에 0.4를 곱한 임계값 미만의 복셀을 결손으로 간주합니다33.
    3. 유량-부피-루프 상관관계 지표(FVL-CM) 맵을 계산하십시오.
      1. RVent의 1차 도함수로 유량(flow)을 계산하십시오.
        참고: 부피는 RVent에 의해 직접 측정됩니다.
      2. 75th에서 95th 백분위수 사이의 RVent 값으로 정의된 건강한 영역으로부터 계산하여 각 슬라이스에 대한 참조 FVL을 설정하십시오.
      3. 제로-래그(zero-lag) 상호 상관관계를 사용하여 각 폐 실질 복셀의 FVL과 참조 FVL 사이의 유사성을 결정하십시오.
    4. FVL-CM 값이 0.9 미만인 복셀을 환기 결손 복셀로 식별하여 VDFVL-CM 맵을 산출하십시오34.
    5. 호흡 주기의 백분율(%)로 환기 피크 도달 시간(VTTP) 맵을 계산하십시오.
      참고: 이론적으로 보간된 호흡 주기는 최대 호기 시점에 시작/종료되며, 건강한 복셀의 경우 환기 주기의 50%인 최대 흡기 시점을 중심으로 대칭입니다. 환기 역동성이 빠르거나 느린 복셀의 경우 VTTP 맵은 50% 미만 또는 초과의 값을 표시하게 됩니다.
    6. 다음과 같이 50% 최대 흡기 시점으로부터의 VTTP 값 편차(VTTPDev)를 계산하십시오:
      VTTP 편차 공식; 백분율 편차 계산 식; 교육용 공식.    [2]
      참고: 건강한 영역의 경우 VTTPDev는 0%에 가까워야 합니다.
    7. 통계
      1. 모든 슬라이스에 대해 RVent, FVL-CM, VTTP 및 VTTPDev 파라미터를 중앙값, 평균, 표준편차 값 및 사분위수 범위로 통계적으로 기술하십시오.
      2. 생성된 VD 맵에서 유도된 환기 결손 백분율 값을 계산하십시오.
      3. 계산된 모든 파라미터를 스프레드시트 파일로 내보내십시오(표 3에 제공된 예시 참조).

결과

가장 간단한 3D PREFUL 영상 프로토콜은 두 가지 시퀀스로 구성됩니다. 하나는 해부학적 로컬라이저이며, 다른 하나는 골든 앵글(golden-angle) 3D stack-of-stars 획득 방식을 이용한 자유 호흡 측정입니다. stack-of-stars 궤적은 그림 1에 나타나 있습니다. 이 궤적은 방사형 샘플링(평면 내)과 선형 카르테지안 샘플링(z-방향)을 결합한 것입니다. 우선 kz 분할 방향의 샘플을 획득한 후, 골든 앵글을 회전시켜 kx-ky 평면을 샘플링합니다. 골든 앵글 획득 방식은 k-공간의 균일한 커버리지를 통한 셀프 게이팅을 촉진하여, 심하게 언더샘플링된 데이터로도 영상 재구성이 가능하게 합니다. 전체 검사 시간은 10분을 초과하지 않습니다. 3D PREFUL 획득에 관한 더 자세한 내용은 재료 표에 기재되어 있습니다.

figure-results-1
그림 1황금비 회전 별 무더기 궤적. 평면 방향(kx-ky)으로는 방사형 샘플링(radial sampling)을, 슬라이스 방향(kz)으로는 데카르트 샘플링(Cartesian sampling)을 적용했음에 유의하십시오. 이 방식은 획득한 k-공간의 원통형 커버리지(cylindrical coverage)를 구현합니다. 본 예시에서는 파티션당 32개의 방사형 투영(radial projections)을 포함하는 3개의 파티션이 묘사되어 있습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

1.5 T 스캐너에서 3D PREFUL 영상을 촬영할 때 사용되는 일반적인 MRI 파라미터 목록이 표 1B에 제시되어 있습니다. 3T 스캐너의 경우, 표 2에 나열된 시퀀스 파라미터를 제안합니다.

데이터 획득 및 데이터 전송이 완료되면 이미지 재구성 단계가 시작됩니다. 이 단계는 특정 회사(BioVisioneers GmbH)의 지적 재산(IP)에 해당하는 MATLAB 코드로 수행되며, 공개적으로 공유될 수 없습니다. 원시 데이터(raw data)의 경로가 제공되면 스크립트가 완전히 자동화되어 실행됩니다. 재구성 절차의 도식적 개요는 그림 2에 묘사되어 있습니다.

figure-results-2
그림 23D 위상 분해 기능적 폐(PREFUL) MRI 방법의 개략도. 먼저, stack-of-stars 궤적을 이용한 8분 길이의 자유 호흡 MR 획득을 통해 데이터를 수집합니다. 데이터를 MR 스캐너에서 컴퓨팅 장치로 전송한 후, 시간 분해능이 약 10ms인 저해상도 3D 영상을 재구성합니다. 각 영상의 폐 실질을 분할하고 폐 부피를 계산합니다. 폐 부피 정보는 이후 게이팅 신호로 사용됩니다. 게이팅 신호의 진폭과 위상을 기반으로, 방사형 투영 데이터를 하나의 호흡 주기를 포괄하는 호흡 빈(bin)으로 분류합니다. 빈 분류 단계 이후에는 전체 해상도 영상의 동적 재구성이 수행되며, 재구성된 영상은 이후 최대 흡기 수준으로 등록됩니다. 여러 후처리 단계를 거쳐 지역 환기(RVent) 주기를 계산하고, 파라미터 추출을 포함한 영상 분석을 수행합니다. RVent 주기는 각 복셀에 대한 유량-부피 루프(FVL)를 계산하여 평가합니다. 각 복셀의 FVL을 건강한 대조군 FVL과 비교 평가하고, 상호 상관 지표를 사용하여 유사도를 평가함으로써 FVL-CM 환기 맵을 추출합니다. RVent와 FVL-CM 모두에 대해 전역 총 환기 결손 백분율(VDP) 값을 정량화합니다. 또한, 피크 도달 시간 분석을 통해 RVent 주기의 동역학을 분석하여 환기 피크 도달 시간(VTTP) 파라미터 맵을 도출합니다. 추가적으로, RVent 주기의 50% 시점에서 예상되는 피크 환기의 편차를 VTTP에서 정량화합니다.개발 지도 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

이미지 재구성 과정 후에, 모든 이미지는 단일 고정 상태로 공간적으로 정렬됩니다. 정렬 작업 자체는 Advanced Normalization Tools (ANTs27) 또는 Forsberg 정렬 패키지28를 사용하여 CPU에서 수행됩니다. ANTs 패키지는 MRI 및 CT 영상의 이미지 정렬 작업에서 여전히 표준으로 사용되지만, Forsberg 정렬은 유사한 결과와 함께 최대 9분 이내로 10배 더 빠른 정렬 절차를 가능하게 합니다19. 정렬 패키지는 사용자의 우선순위와 사용 가능한 컴퓨팅 유닛에 따라 선택될 수 있습니다. 정렬이 완료되면, 정렬된 형태학적 이미지들을 다시 반전시켜 그레이스케일 이미지에서 폐가 어둡게 보이도록 합니다.

그림 3에는 폐 실질 분할을 포함하는 파이프라인의 다음 단계가 묘사되어 있습니다. 먼저, nnUnet 구조29의 합성곱 신경망을 사용하여 최대 흡기 영상에서 폐 실질을 분할합니다. 폐 실질 분할 후에는 혈관 인식30 과정을 거치며, 인식된 혈관은 최종 분할 마스크에서 제외됩니다.

figure-results-3
그림 332세 남성 피험자에 대한 딥러닝 기반 분할의 대표적 결과. 첫 번째 행은 8개의 대표적인 관상면 단면의 형태학적 이미지를 보여줍니다. 두 번째와 세 번째 행에서는 각각 이에 대응하는 폐 실질 마스크와 혈관이 제외된 최종 마스크를 관찰할 수 있습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

잘못된 폐 실질 분할의 예가 그림 4에 나타나 있습니다. 딥러닝 기반의 분할 결과를 시각적으로 검토하는 것이 필수적이며, 결과가 만족스럽지 않다고 판단될 경우 최종 폐 실질 마스크의 정확도를 높이기 위해 수동 수정을 고려해야 합니다.

figure-results-4
그림 457세 남성 피험자에 대한 잘못된 딥러닝 기반 분할의 대표적인 결과. 첫 번째 행은 8개의 대표적인 관상면 슬라이스의 형태학적 영상을 보여줍니다. 두 번째와 세 번째 행에서는 각각 그에 해당하는 폐 실질 마스크와 혈관이 제외된 최종 마스크를 관찰할 수 있습니다. 보시는 바와 같이, 여러 섬유화 영역이 혈관 또는 비폐 구조물로 잘못 인식되었습니다. 이러한 부정확한 부분들은 네 번째 행에 제시된 바와 같이 수동으로 수정되었습니다. 이 그림의 확대 버전을 보시려면 여기를 클릭하십시오.

프로토콜에 설명된 여러 필터링 단계를 거친 후, 환기 대리 지표를 계산합니다. 3D PREFUL MRI는 정적 지역 환기(RVent), 동적 유량-용적 상관관계 지표(FVL-CM), 그리고 그림 5에 나타낸 것과 같이 최대 환기 도달 시간(VTTP) 분석에 기반한 두 가지 파라미터의 정량적 맵을 생성합니다. 이 그림은 32세 건강한 남성의 관상면 슬라이스 8개를 보여줍니다. 모든 환기 파라미터가 예상대로 균질하게 분포되어 있음에 유의하십시오.

figure-results-5
그림 5건강한 지원자(32세 남성)의 3D PREFUL MRI. 건강한 지원자(32세 남성)의 대표적인 형태학적 지도(첫 번째 줄) 및 3D PREFUL MRI 환기 파라미터 지도(두 번째에서 다섯 번째 줄). 정적 지역 환기는 지역 환기(RVent)로 나타내며, 환기 역동성은 유량-부피 루프 상관관계 지표(FVL-CM), 환기 정점 도달 시간(VTTP) 및 VTTP 편차(VTTP개발)는 환기 역학을 평가하는 환기 파라미터를 나타냅니다. 예상한 바와 같이, 모든 환기 파라미터 맵에서 균일한 환기 값들이 관찰됩니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

환기 지도를 단순화하기 위해 RVent 및 FVL-CM에 대한 환기 결손(VD) 지도를 도출하며, 이를 통해 결과의 더 빠른 해석이 가능해집니다. 예시 VD 지도는 다음에서 제시됩니다. 그림 6. 두 VD 모두에 대해RVent 및 VDFVL-CMVDP 값은 각각 3.6%와 3.0%로 나타났으며, 이는 건강한 정상 범위 내에 해당합니다. 이상적으로는, 건강한 자원봉사자의 연령에 따라 VDP 값이 10%를 초과하지 않아야 합니다. 앞서 언급한 파라미터(RVent, FVL-CM 및 해당 VD 맵)는 여러 연구를 통해 검증되었습니다.11,12,35,36 질병의 검출뿐만 아니라 치료로 인한 효과를 검출하는 데에도 민감합니다.20,34,37,38,39.

figure-results-6
그림 6대표적인 RVent 및 FVL-CM 지도와 해당 환기 결손 지도가 포함되어 있습니다. 건강한 지원자(32세 남성)를 대상으로 3D PREFUL MRI를 통해 얻은 RVent(첫 번째 줄) 및 FVL-CM(두 번째 줄) 맵과, 이로부터 도출된 환기 결손 맵(세 번째 및 네 번째 줄)이 표시되어 있다. VD 맵에서 정상 부위는 녹색으로, 환기 결손 부위는 적색으로 표시된다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

1.5 T 및 3 T 자기장 강도 모두에서 여러 폐 MRI 연구가 보고된 바 있습니다. 신호 대 잡음비(SNR)의 증가로 인해 3 T가 이론적인 이점이 있지만, 이러한 이점보다 3 T에서 더 두드러지게 나타나는 자기 감수성 효과가 더 큰 영향을 미칠 수 있습니다. 3D PREFUL 환기 맵의 영상 품질에 자기장 강도가 미치는 정확한 영향은 현재 알려져 있지 않습니다. 여기에서 3 T MR 스캐너를 사용하여 건강한 지원자(35세 남성)로부터 얻은 타당성 결과(그림 7)를 제시합니다. 1.5 T(그림 5)와 비교했을 때 3 T에서 환기 파라미터의 모습이 더 불균질하게 나타남에 유의하십시오.

figure-results-7
그림 7건강한 지원자(35세 남성)의 3D PREFUL MRI. 3T에서 촬영한 건강한 지원자(35세 남성)의 대표적인 형태학적(첫 번째 줄) 및 3D PREFUL MRI 환기 파라미터(두 번째에서 다섯 번째 줄) 맵. 정적 지역 환기는 지역 환기(RVent)로 나타내며, 환기 역학은 유량-부피 루프 상관관계 메트릭(FVL-CM), 환기 정점 도달 시간(VTTP) 및 VTTP 편차(VTTP개발)는 환기 역학을 평가하는 환기 파라미터를 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

더 직접적인 측정법으로 도출된 3D PREFUL의 비교/검증 결과는 현재 발표되지 않았습니다. 2D PREFUL 기법과 129Xe1,12,14 및 19F MRI35 사이의 VDP 값과 환기 결손의 공간적 중첩 사이에 양의 상관관계가 있음을 보고한 여러 연구가 있습니다. 만성 폐쇄성 폐질환(COPD), 천식 환자 및 건강한 지원자를 대상으로 3D PREFUL 유래 환기와 19F MRI를 이용한 직접 환기 측정값을 최근 비교한 결과, 전역적 수준에서 중간에서 강한 상관관계가 있음이 밝혀졌습니다40. 3D PREFUL과 19F wash-in MRI를 사용하여 검사한 만성 폐쇄성 폐질환 진단 환자(54세 여성, FEV1 = 예측치의 42%)의 비교 예시(그림 8)가 제시되어 있습니다.

figure-results-8
그림 854세 여성 COPD 환자의 3D PREFUL MRI. 54세 여성 COPD 환자의 형태학적 이미지(상단 행), 환기 파라미터 및 각각의 환기 결손 지도(FEV1 = 42% 예측치, FVC = 102% 예측치)가 3D PREFUL MRI(2행 및 3행)를 통해 얻어졌으며 19fMRI(4행 및 5행)가 제시되었으며, 두 방법의 환기 결손 맵 비교 결과(마지막 행)가 함께 제시되었습니다. 전반적으로 모든 슬라이스에 걸쳐 Sø결함 부위의 Dice 계수는 25.5%, 건강한 부위의 Dice 계수는 80.6%였으며, 이에 따른 전체 공간적 중첩도는 69.2%였습니다. 특히, 건강한 부위와 결함 부위에서 일치하는 환기 영역(진한 녹색으로 표시) 사이에 시각적 상관관계가 관찰되었습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

3D PREFUL MRI는 치료에 대한 국소적 반응을 측정하는 데 사용할 수 있습니다20. 예를 들어, 그림 9는 낭성 섬유증 환자(43세 여성)의 폐에서 기저 상태(왼쪽, FEV1 = 예측치의 94%)와 CFTR 조절제 치료 후(오른쪽, FEV1 = 예측치의 12%)의 세 가지 단면을 비교하여 보여줍니다. 두 측정값이 공간적으로 일치하기 때문에, 3D PREFUL은 그림 9 하단에 예시된 바와 같이 국소적 치료 반응 분석을 가능하게 합니다. 치료 후 유량-부피 루프(flow-volume-loop) 상관관계 지표의 수치 증가와 환기 결손의 감소에 주목하시기 바랍니다.

figure-results-9
그림 943세 여성 낭성 섬유증(CF) 환자의 3D PREFUL 측정값. 43세 여성 CF 환자의 기저 상태(왼쪽) 및 치료 후(오른쪽) 3D PREFUL 측정 결과에 대한 전형적인 환기 마커 맵. VDPFVL-CM 18.0%(기초선)에서 3.6%(치료 후)로 감소함. FEV1 % 예측 기저치: 94%, FEV1 치료 후 예측값: 12%. LCI 기저치: 10.48, 치료 후 LCI: 9.39. 이에 해당하는 치료 반응 맵이 하단에 묘사되어 있습니다. 치료 후 환기가 개선되었음을 나타내는 녹색 영역에 유의하시기 바랍니다. 이 그림의 확대 버전을 보시려면 여기를 클릭하십시오.

표 1: 1.5T 스캐너에서 로컬라이저 및 3D PREFUL 획득에 사용되는 전형적인 MRI 파라미터 목록. (A) 로컬라이저 및 (B) 3D PREFUL 획득. 이 표를 다운로드하려면 여기를 클릭하십시오.

표 2: 3T 스캐너에서 3D PREFUL 획득을 위해 제안된 MRI 파라미터. 이 표를 다운로드하려면 여기를 클릭하십시오.

표 3: 건강한 지원자(35세 남성)의 3D PREFUL 파라미터에 대한 예시 통계 보고서 이 표를 다운로드하려면 여기를 클릭하십시오.

토론

가장 중요한 함정 중 하나는 인수 자체입니다. MR 시퀀스 매개변수가 올바르게 설정되었는지 확인하기 위해 주의해야 합니다. 중요한 것은 에코 시간, 반복 시간, 슬라이스 수, 매트릭스 크기 및 픽셀 대역폭이 중요한 매개변수라는 것입니다. 권장 설정에서 벗어나면 시간 해상도가 부족하거나 획득이 길어질 수 있습니다. 또한 데이터 전송은 평가를 위해 데이터가 선택한 컴퓨터나 서버로 완전히 전달되도록 하는 데 중요합니다. 데이터 평가는 수집된 데이터에 대한 경로가 설정되면 완전히 자동으로 진행됩니다. 후처리는 회고적 비닝이 중요한 역할을 하는 이미지 재구성으로 시작됩니다. 호흡 패턴을 명확하게 묘사하려면 비닝 신호를 확인하는 것이 좋습니다. 비닝 신호를 검사한 후에는 알고리즘 자체가 이상치(95번째 백분위수 이상 및 10번째 백분위수 미만의 데이터 포인트)를 제외하여 불량한 호흡 패턴을 처리하므로 추가 단계가 필요하지 않습니다. 이미지 재구성 후 이미지 등록 프로세스가 발생합니다. 이 단계는 다음과 같이 확인해야 합니다. 등록된 이미지에는 호흡 및 심장 운동이 없어야 합니다. 특히 횡격막과 심장의 위치는 '동결'되어야 합니다. 다음 단계는 폐 실질과 혈관의 딥러닝 기반 분할을 포함합니다. 이 분할 프로세스는 전체 3D 폐 용적에 대해 시간이 많이 걸립니다. 따라서 AI 기반 도구를 사용하는 것이 좋습니다. 그러나 주변 장치 통합의 발생과 같은 특정 상황에서는 이러한 알고리즘이 정확한 결과를 생성하지 못할 수 있습니다. 따라서 분할 마스크를 철저히 확인하고 필요한 경우 수동으로 수정해야 합니다. 이러한 모든 단계는 환기 매개변수를 평가하는 데 중요하며 부정확한 계산을 초래할 수 있습니다.

최초 간행물17 이후 3D PREFUL 기법에서 몇 가지 발전이 이루어졌습니다. 획득한 방사형 투영의 정렬 알고리즘은 완전히 자동화되고 개선되어 전체 폐가 Otsu의 임계값 방법을 사용하여 분할되고 데이터를 호흡 단계로 분류하기 위한 내비게이터 신호로 사용됩니다. 또한 수동 폐 실질 및 혈관 분할은 시간 소모적인 절차를 줄이기 위해 완전 자동 딥 러닝 기반 알고리즘으로 대체되었습니다. 또한, Forsberg 등록 툴박스가 구현된다면, 이미지 등록부의 처리 시간은 최대 10분까지 단축될 수 있다19. 이전 개발과 함께 구현된 코드를 통해 두 시점(후속 측정)의 이미지를 공동 등록하고 질병의 복셀 방향 진행 또는 치료 유발 환기 변화를 평가할 수 있습니다20. 현재 버전의 Matlab 스크립트는 사용자 상호 작용이 필요하지 않으며 향후 특정 플래그가 있는 데이터를 자동으로 처리하기 위해 파이프라인에서 구현될 수 있습니다.

3D PREFUL의 주요 단점은 여기를 위해 비선택적 하드 RF 펄스를 사용할 때 유입 효과를 포착할 수 없기 때문에 국소 혈류 측정이 불가능하다는 것입니다. 둘째, 현재 전체 후처리(데이터 전송, 이미지 재구성, 이미지 등록 및 환기 분석 포함)에는 각 피험자에 대해 2시간이 필요합니다. 셋째, 현재는 3D PREFUL에서 파생된 환기 매개변수와 보다 검증된 기술과의 예비 비교만 입증되었습니다40. 넷째, 획득한 데이터의 평가는 고성능 컴퓨터에서 수행됩니다. 따라서 콘솔에서 의사가 결과를 직접 사용할 수 없습니다. 다섯째, 다양한 전계 강도와 다양한 스캐너 공급업체에 대한 3D PREFUL의 타당성 조사가 부족합니다.

3D 위상 분해 기능적 폐(PREFUL) MRI를 사용하면 자유 호흡 중 전체 인간 폐의 국소 환기 역학을 정량적으로 매핑할 수 있습니다17. 폐활량 측정 또는 다중 호흡 세척 기술과 같은 3D PREFUL에 대한 몇 가지 비용 효율적인 대안이 있습니다. 그러나 둘 다 공간 정보가 부족하고 호흡 조작이 필요하므로 어린 아이들이나 신생아에게는 적합하지 않습니다. 대체 영상 방법은 환자를 핵의학 방법 CT와 같은 전리 방사선에 노출시키거나 널리 사용되지 않습니다(MRI를 사용한 과분극 129Xe 또는 19F가스 영상). 3D PREFUL은 환기 역학에 대한 평가를 제공하고 표준 임상 스캐너를 사용하여 수행할 수 있으며 조영제가 필요하지 않으므로 임상 연구 환경으로 변환하는 것이 매력적입니다. 3D PREFUL은 방사선이나 조영제를 사용할 필요가 없고 환자 친화적이고 자유로운 호흡 획득을 제공한다는 사실은 치료에 대한 국소 반응을 정량적으로 평가하는 반복 또는 종단 연구에 매우 적합합니다. 둘째, 폐 환기에 대한 3D PREFUL 평가는 방사선 노출을 피해야 하는 어린 아이들에게 특히 유용할 수 있습니다.

인간 폐의 기능적 환기 이미지를 생성하는 3D PREFUL의 기능은 조기 진단의 잠재력을 가지고 있습니다. 특히, 반복 가능하고 정량적인 지역 환기 지도를 생성하는 능력은 질병 진행 또는 치료 효과 모니터링과 같은 종단 연구를 가능하게 합니다. 또한, 환기 역학에 대한 지역적 정보는 폐 기능 검사로 감지할 수 없는 폐 질환과 관련된 초기 변화에 더 큰 민감도를 제공할 수 있습니다.

공개 사항

Filip Klimeš, Andreas Voskrebenzev 및 Jens Vogel-Claussen은 폐 자기 공명 영상 방법에 관심이 있는 회사인 BioVisioneers GmbH의 주주입니다.

감사의 글

이 연구는 독일 폐 연구 센터(DZL)의 지원을 받았습니다. 저자들은 동료들, 특히 마르셀 구트베를레(Marcel Gutberlet), 아길로 케른(Agilo Kern), 레아 베렌트(Lea Behrendt), 아른트 오베르트(Arnd Obert), 줄리안 글란도르프(Julian Glandorf), 틸 카이라이트(Till Kaireit), 타우픽 모허 알사디(Tawfik Moher Alsady), 게사 푈러(Gesa Pöhler), 막시밀리안 주브케(Maximilian Zubke), 로빈 뮐러(Robin Müller), 마리우스 베르츠(Marius Wernz), 크리스티안 크리스토스토(Cristian Crisosto), 밀란 스페스(Milan Speth), 줄리엔 셸러(Julienne Scheller), 소냐 뤼디거(Sonja Lüdiger)와 함께 많은 유익한 토론을 벌였다. 저자는 MR 영상 시퀀스를 작성한 Robert Grimm(Siemens Healthineers)에게 감사를 표하며, MRI 검사를 수행하는 데 탁월한 기술 지원을 제공한 하노버 의과대학(Hannover Medical School) 방사선과의 Frank Schröder와 Sven Thiele에게도 감사를 표합니다.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
ANT 오픈소스 의료 이미지 분석 연구 커뮤니티이미지 등록 도구
상자 BART오픈 소스 이미징https://www.opensourceimaging.org/project/berkeley-advanced-reconstruction-toolbox-bart/이미지 재구성 도구 상자
바디 코일Siemens / Philips / GE https://www.siemens-healthineers.com/en-us/magnetic-resonance-imaging/options-and-upgrades/coils적어도 6채널 바디 코일; Philips [https://www.usa.philips.com/healthcare/solutions/magnetic-resonance/coils-overview ]
Forsberg이미지 정합 도구상자 https://github.com/fordanic/image-registration이미지 등록 도구 상자
이미지 재구성 코드BioVisioneers GmbHwww.biovisioneers.comMR 재구성 및 분석을 위한 소프트웨어
MatlabMathworks소프트웨어
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]; 1.5 T / 3 T
시퀀스Siemens / Philips / GEMRI 시퀀스, 별 스택 궤적 및 황금 각도 증가가있는 3D 그라디언트 에코 시퀀스; 1. 지멘스 파악 - 바이브 시퀀스 - https://t.ly/P31kM, 2. 필립스 멀티 베인 XD 시퀀스 https://t.ly/wMWZZ , 3. GE 용암 - 스타, 디스코 - https://t.ly/vimm2

참고문헌

  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).

재인쇄 및 허가

더 많은 논문 탐색

기능적 폐 MRI위상 분해 MRI3차원 PREFUL국소 환기환기 결손 지도압축 센싱딥러닝 재구성폐 실질 분할환기 역학폐 기능 검사
3차원 위상 분해 기능적 폐 자기 공명 영상
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.