방법 논문

3차원 위상 분해 기능적 폐 자기 공명 영상

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

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

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

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

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

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

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

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

이 연구는 하노버 의과대학 윤리위원회의 승인을 받아 연구 과정 전반에 걸쳐 엄격한 윤리 기준을 준수했음을 확인했습니다. 이 조사는 헬싱키 선언에 명시된 지침을 엄격히 준수했으며, 의학 연구의 윤리적 수행을 강조했다. 또한 MRI 검사에 참여하기 전에 모든 연구 참가자(또는 부모 또는 법적 보호자)로부터 충분한 사전 동의를 받았습니다.

참고: 3D PREFUL MRI(PREFUL MRI)와 관련된 연구의 포함/제외 기준은 다양하며 연구 설계에 따라 다릅니다. 일반적으로 3D PREFUL MRI 검사에서 건강한 지원자에 대한 포함 기준은 (a) 연구 결과에 영향을 미칠 수 있는 심각한 의학적 상태가 없고, (b) MRI 결과를 방해할 수 있는 약물을 복용하지 않으며, (c) 폐소 공포증, 불안, 금속 임플란트 또는 장치가 없고, (d) 연구 목적과 관련된 특정 연령 및 성별 기준을 충족하는 개인을 포함합니다. (e) 흡연 이력이 없고, (f) 폐활량 측정의 정상적인 소견이 있습니다(FEV1/FVC > 0.7, FEV1 및 FVC 모두 예측값의 80%>). 3D PREFUL MRI 검사를 받는 모든 연구 참가자에 대한 제외 기준에는 (a) 임신, (b) 3D PREFUL MRI 검사의 안전성 또는 유효성을 손상시킬 수 있는 상태가 있는 경우, (c) 동적 조영제 강화 MRI가 연구 프로토콜에 포함될 때 가돌리늄 기반 조영제에 대한 과민증이 포함될 수 있습니다.

1. MRI 촬영 전 인터뷰

  1. 의사가 피험자의 병력에 관한 중요한 정보를 수집하도록 합니다.
  2. 잠재적인 금기 사항, 위험 및 MRI 절차에 대해 설명합니다.
  3. 피험자로부터 충분한 정보를 바탕으로 서면으로 동의를 얻습니다.
    참고: 폐 기능 검사 결과를 사용할 수 없는 경우 MRI 검사 전에 피험자에게 폐 기능 검사를 요청하고 얻은 결과가 포함 기준을 충족하는지 확인합니다.

2. MR 시험을 위한 방사선 촬영자 준비

  1. MR 콘솔에 피험자를 등록하고 3D PREFUL 획득으로 연구의 MR 프로토콜을 선택합니다.
  2. 피험자, 피험자의 주머니, 옷에 금속이 들어 있는 조각이 없는지 확인한다.
  3. 멸균 환경이 보장되도록 스캐너 테이블에 시트를 놓습니다.
  4. 피사체가 있는 MR 룸에 들어갑니다.

3. MR 시험을 위한 과목 준비

  1. 피험자를 누운 자세로 MRI 테이블에 눕히십시오(단, 엎드린 자세는 가능).
  2. 몸통 코일이 흉부를 적절하게 덮고 몸통 코일의 상단 요소를 피험자의 턱 근처에 배치하는지 확인하십시오.
  3. MRI로 인한 큰 소음으로부터 청력을 보호하기 위해 피험자에게 헤드폰(또는 귀마개 또는 둘 다)을 제공하십시오.
  4. 피험자에게 안전 버튼(또는 대체 안전 장치)을 제공하여 쉽게 접근하고 쥐어짤 수 있도록 합니다.
  5. MR 검사 중 편안함을 높이기 위해 피험자의 머리와 다리 아래에 패드를 놓습니다.
  6. 레이저 광 탐색을 사용하여 피사체를 MR 스캐너에 배치하여 이미징된 영역이 보어의 등중심을 차지하는지 확인합니다.

4. MRI 검사

  1. 지역화 담당자
    1. 로컬라이저 시퀀스(표 1A에 나열된 것과 유사한 매개변수 포함)를 수행하여 3D PREFUL 검사를 계획하는 데 사용할 3개의 평면(넓은 시야)에서 저해상도 해부학적 이미지를 얻습니다.
  2. 3D PREFUL 이미징
    1. 이미징 획득을 위해 표 1B에 따라 획득 매개변수를 설정합니다.
    2. 방사형 투영의 수를 적절하게 설정하여 획득에 약 8분이 소요되도록 합니다.
    3. 피험자에게 전체 습득 기간 동안 정상적으로 호흡(조수 없는 호흡)을 하라고 지시합니다.
    4. 전체 흉부가 시야에 포함되어 있는지 확인하고 획득을 시작합니다.
  3. 이미징이 완료되면 스캐너에서 피사체를 제거합니다.

5. 원시 데이터 전송

  1. 일반적으로 획득한 원시 데이터는 MR 공급업체 플랫폼에 저장되지 않습니다. MR Console에서 공급업체별 단계를 사용하여 원시 3D PREFUL kspace 데이터를 저장합니다.

6. 데이터 분석 및 후처리

  1. 경로를 원시 데이터로 설정하여 지정된 워크스테이션(예: MATLAB)에서 이미지 재구성 스크립트(Table of Materials)를 사용하여 획득한 데이터를 평가하기 시작합니다.
    참고: 지정된 워크스테이션에는 다음 패키지가 이미 설치되어 있어야 합니다.
    (a) 버클리 고급 재건 도구 상자(BART)
    (b) 고급 정규화 도구(ANT)
  2. 이미지 재구성
    1. Berkeley Advanced Reconstruction Toolbox(BART)21,22에 구현된 estdelay 함수와 함께 보정 투영을 사용하여 MR 시스템별 기울기 지연을 추정합니다.
    2. 계산된 그래디언트 지연에 따라 각 투영에 이동을 적용합니다.
    3. x-y 평면과 z 방향의 주기적 윈도우를 사용하여 기울기-지연 수정된 데이터에 Hanning 필터링(MATLAB의 hann 함수 사용)을 적용합니다.
    4. respiratory binning을 위한 저해상도 이미지 재구성
      1. 판독/파티션 차원의 중간 인덱스를 중심으로 하는 k-공간 데이터의 1/8/4을 선택합니다.
        참고: 피사체의 크기에 따라 이 단계를 수행하면 매트릭스 크기가 32 x 32 x (12-20)가 됩니다.
      2. 추가 시간 차원을 포함하도록 k-공간 데이터의 행렬과 해당 궤적을 재구성하고, 각 시점은 14개의 방사형 투영으로 구성됩니다.
        참고: 각 후속 시점에는 이전 시점의 13개의 방사형 투영과 1개의 새로운 연속 방사형 투영이 포함됩니다.
      3. 이미지 재구성을 위해 BART에 구현된 병렬 이미징 및 압축 감지(pics) 명령을 활용합니다.
        참고: 공간 영역에서 L2 노름(λ = 0.1) 및 총 변동(λ = 0.0001) 정규화를 적용하고 시간 영역에서 총 변동(λ = 0.01) 정규화를 적용합니다.
    5. 호흡 게이팅 신호의 추출
      1. Otsu의 thresholding23을 사용하여 재구성된 각 저해상도 3D 이미지에서 폐 실질을 분할하고 각 시점의 폐 실질 부피를 계산합니다.
      2. 추출된 볼륨 시계열에 차단 주파수가 0.7Hz인 저역 통과 필터를 적용하고 호흡 주파수를 계산합니다.
      3. 시계열에서 극단적인 이상값을 제외합니다(95번째 백분위수 이상 및 10번째 백분위수 미만의 시점).
        참고: 진폭과 위상에 따라 시계열을 정렬하면 단일 호흡 주기를 재구성할 수 있습니다.
    6. 슬라이스 방향을 따라 해닝 필터링된 데이터에 대해 고속 푸리에 변환(FFT, MATLAB의 fft 함수)을 수행하여 슬라이스 단위 이미지 재구성이 가능합니다.
    7. 추출된 시계열을 기반으로 k-공간 데이터 행렬을 재구성하여 각 호흡기 빈에 최소 100개의 스포크가 포함되도록 합니다.
    8. 인접한 빈에서 투영된 투영의 20%를 활용하여 각 호흡기 빈의 SNR24,25를 향상시킵니다.
    9. k-공간 궤적 행렬을 k-공간 데이터의 크기와 일치하도록 형태 변경합니다.
    10. 각 슬라이스에 대한 이미지 재구성을 위해 pics 명령을 실행합니다.
      참고: 공간 영역에서 L2 노름(λ = 0.1) 및 총 변동(λ = 0.0001) 정규화를 적용하고 시간 영역에서 총 변동(λ = 0.01) 정규화를 적용합니다.
    11. 하나의 완전한 호흡 주기, 호흡 빈도, 획득 시간에 대한 복원된 이미지를 포함한 변수를 .mat 파일에 저장합니다.
  3. 이미지 등록
    1. 복원된 영상의 신호 강도를 반전시킵니다.
    2. 비강성 registration.
      를 사용하여 선택한 호흡 상태(예: inspiration)에 이미지를 등록합니다. 참고: 등록 정확도를 향상시키기 위해 그룹 지향 접근 방식26을 사용할 수 있습니다. 등록 프로세스는 ANTs(Advanced Normalization Tools)27 또는 Forsberg 등록 패키지28과 같은 도구를 사용하여 CPU 또는 GPU에서 실행할 수 있습니다.
  4. 폐 실질 세분화
    1. 흡기 말단 3D 영상의 폐 실질(lung parenchyma)을 컨벌루션 뉴런 네트워크(convolutional neuronal network)를 사용하여 분할합니다(예: nnUnet architecture29).
    2. Wernz et al.30.
      에 기술된 것과 같은 혈관 인식 알고리즘을 사용하여 폐 혈관을 제외      합니다. 참고: 폐 혈관 인식 단계는 이러한 알고리즘에 액세스할 수 없는 경우 필수가 아닙니다. 경우에 따라 수동 재세분화가 필요할 수 있습니다.
  5. 필터링
    1. Nadaraya-Watson 커널 회귀(σ = 0.3)를 정합 및 재반전된 영상에 적용하여 16개의 위상을 균일한 간격의 시간 그리드에 보간합니다.
    2. 시간 영역에서 보간된 데이터에 0.7Hz의 저역 통과 필터를 적용하여 호흡과 관련이 없는 신호 변동을 제거합니다.
    3. image-guided filtering31을 사용하여 저역 통과 필터링된 이미지의 노이즈를 제거하고, 임시 평균화된 등록 이미지를 안내 이미지로 사용합니다. Window Size = [5, 5, 5], lambda = 0.001 매개 변수를 설정합니다.
  6. 환기 해석
    1. 다음 공식을 사용하여 각 호흡기 단계 N에 대한 국소 환기(RVent) 맵을 밀리리터/밀리리터(mL/mL) 단위로 계산합니다32:
      figure-protocol-1 [1]
      참고: SInsp는 말단 흡기 수준에 해당하는 이미지 등록을 위한 대상 이미지를 나타냅니다. SExp는 호기 말기 이미지를 나타내고 SN은 N번째 호흡 상태를 나타냅니다.
    2. 최대 환기를 나타내는 8단계 RVent 맵의 환기 결함(VDRVent) 맵을 계산합니다.
      참고: VD를 계산하기 위해 90번째 백분위수 값의 임계값 미만에 0.4를 곱한 복셀은 결함으로 간주됩니다33.
    3. FVL-CM(flow-volume-loop correlation metric) 맵을 계산합니다.
      1. 흐름을 RVent.
        의 1차 도함수로 계산합니다. 참고: 볼륨은 RVent에서 직접 측정합니다.
      2. 75번째 백분위수와 95번째 백분위수 사이의 RVent 값으로 정의된 정상 영역에서 계산된 각 슬라이스에 대한 참조 FVL을 설정합니다.
      3. zero-lag를 사용한 교차 상관을 사용하여 각 폐 실질 복셀의 FVL과 참조 FVL 간의 유사성을 확인합니다.
    4. FVL-CM 값이 0.9 미만인 복셀이 환기 결함이 있는 복셀로 식별되는 VDFVL-CM 맵을 계산합니다34.
    5. 인공호흡 피크까지의 시간(VTTP) 맵을 호흡 주기의 백분율(%)로 계산합니다.
      참고: 이론적으로 보간된 호흡 주기는 최대 호기에서 시작/종료되며 건강한 복셀을 위한 환기 주기의 50%에서 최대 흡기에 대해 대칭입니다. 고급/지연된 환기 역학을 겪는 복셀의 경우 VTTP 맵은 50% 미만/초과 값을 표시합니다.
    6. 다음과 같이 피크 흡기선에서 VTTP 값(VTTPDev)의 편차를 50%로 계산합니다.
      figure-protocol-2 [2]
      참고: 정상 지역의 경우 VTTPDev는 0%에 가까워야 합니다.
    7. 통계
      1. 모든 슬라이스에 대한 매개변수 RVent, FVL-CM, VTTP 및 VTTPDev를 통계적으로 설명하여 중앙값, 평균값, 표준편차 값 및 사분위수 범위를 제공합니다.
      2. 생성된 VD 맵에서 파생된 환기 결함 백분율 값을 계산합니다.
      3. 계산된 모든 매개변수를 스프레드시트 파일로 내보냅니다(표 3에 제공된 예 참조).

결과

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

가장 간단한 3D PREFUL 이미징 프로토콜에는 두 개의 시퀀스가 포함됩니다. 해부학적 로컬라이저 1개 + 황금각 3D 별 스택 획득을 사용한 자유 호흡 측정 1개. 별 스택 궤적은 그림 1. 이 궤적은 방사형 샘플링(평면 내)과 선형 데카르트 샘플링(z 방향)을 결합합니다. 처음에는 kz 파티션 방향의 샘플을 획득한 다음 황금 각도를 회전하여 kx-k y 평면을 샘플링합니다. Golden Angle 획득 체계는 k-space의 균일한 커버리지로 셀프 게이팅을 촉진하여 심하게 언더샘플링된 데이터로 이미지 재구성을 용이하게 합니다. 전체 시험은 10분을 초과하지 않습니다. 3D PREFUL 획득에 대한 자세한 내용은 재료 표에 나와 있습니다.

figure-results-1
그림 1: 황금 비율은 별의 궤적을 회전시켰습니다. 방사형 샘플링은 평면 내 차원(kx-ky)을 따라 적용되고 데카르트 샘플링은 슬라이스 방향(kz)을 따라 적용됩니다. 이 계획은 획득된 k-space의 원통형 커버리지를 생성합니다. 이 예에서는 파티션당 32개의 방사형 프로젝션을 포함한 세 개의 파티션이 표시됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

1.5 T 스캐너에서 3D PREFUL 이미징에 사용되는 일반적인 MRI 매개변수 목록이 표 1B에 나와 있습니다. 3T 스캐너의 경우 표 2에 나열된 시퀀스 매개변수가 제안됩니다.

데이터 수집 및 데이터 전송이 완료된 후 이미지 재구성 부분이 시작됩니다. 이 단계는 회사(BioVisioneers GmbH)의 지적 재산권(IP)에 속하며 공개적으로 공유할 수 없는 MATLAB 코드로 수행됩니다. 원시 데이터에 대한 경로가 제공되면 스크립트가 완전히 자동화됩니다. 재구성 절차의 개략적인 개요는 그림 2에 나와 있습니다.

figure-results-2
그림 2: 3D Phase Resolved Functional Lung(PREFUL) MRI 방법의 개략도. 처음에는 별 스택 궤적과 함께 8분 길이의 자유 호흡 MR 획득을 사용하여 데이터를 수집합니다. MR 스캐너에서 컴퓨팅 장치로 데이터를 전송한 후 약 100ms의 시간 해상도를 가진 저해상도 3D 이미지가 재구성됩니다. 각 이미지의 폐 실질(lung parenchyma)이 분할되고 폐 용적(lung volume)이 계산됩니다. 폐 용적 정보는 게이팅 신호로 더 사용됩니다. 게이팅 신호의 진폭과 위상에 따라 방사형 투영은 하나의 호흡 주기를 포함하는 호흡기 빈으로 분류됩니다. 비닝 부분에는 전체 해상도 이미지의 동적 재구성이 이어지며, 이는 이후에 최종 흡기 수준에 등록됩니다. 여러 후처리 단계 후에 국소 환기(RVent) 주기를 계산하고 매개변수 추출을 포함한 이미지 분석 부분을 수행합니다. RVent 사이클은 각 복셀에 대한 FVL(flow-volume loop)을 계산하여 평가됩니다. FVL-CM 환기 맵은 건강한 기준 FVL에 대한 각 복셀 FVL의 평가를 통해 추출되며, 유사성은 교차 상관 메트릭을 사용하여 평가됩니다. RVent와 FVL-CM 모두에 대해 전체 총 환기 결함 비율(VDP) 값이 정량화되었습니다. 또한 RVent 사이클의 역학은 Time-to-Peak 분석을 통해 분석되어 VTTP(Ventilation Time-to-Peak) 매개변수 맵이 생성됩니다. 또한 RVent 주기의 50%에서 예상되는 최대 환기의 편차는 VTTPDev 맵에서 정량화됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

이미지 재구성 절차 후 모든 이미지는 하나의 고정 상태로 공간적으로 정렬됩니다. 등록 자체는 ANTs27) 또는 Forsberg 등록 패키지28을 사용하여 CPU에서 수행됩니다. ANT 패키지는 MRI 및 CT 이미징에서 이미지 등록 작업의 황금 표준으로 남아 있지만, Forsberg 정렬은 비교 가능한 결과를 통해 최대 9분까지 10배 더 빠른 등록 절차를 용이하게 합니다19. 등록 패키지는 사용자 우선 순위와 사용 가능한 컴퓨팅 단위에 따라 선택될 수 있습니다. 정합이 완료된 후, 등록된 형태학적 이미지는 다시 반전되어 회색조 이미지에서 폐가 어둡게 보입니다.

그림 3에서는 폐 실질 분할을 포함하는 파이프라인의 다음 단계가 묘사되어 있습니다. 먼저, 폐 실질은 nnUnet architecture29를 가진 컨볼루션 뉴런 네트워크를 사용하여 흡기 말단 영상에서 분할됩니다. 폐 실질 분할 다음에는 혈관 인식30이 따르며, 이는 최종 분할 마스크에서 제외됩니다.

figure-results-3
그림 3: 32세 남성 피험자에 대한 딥 러닝 기반 세분화의 예시적인 결과. 맨 위 줄에는 8개의 대표적인 코로나 절편의 형태학적 이미지가 표시됩니다. 두 번째 줄과 세 번째 줄에서는 각각 혈관을 제외한 해당 폐 실질 마스크와 마지막 마스크를 관찰할 수 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

잘못된 폐 실질 분할의 예는 그림 4. 딥러닝 기반 세분화를 육안으로 검사하는 것이 필수적이며, 만족스럽지 않다고 판단되는 경우 최종 폐 실질 마스크의 정확도를 높이기 위해 수동 보정을 고려해야 합니다.

figure-results-4
그림 4: 57세 남성 피험자에 대한 잘못된 딥 러닝 기반 세분화의 예시적인 결과. 맨 위 줄에는 8개의 대표적인 코로나 절편의 형태학적 이미지가 표시됩니다. 두 번째 줄과 세 번째 줄에서는 각각 혈관을 제외한 해당 폐 실질 마스크와 마지막 마스크를 관찰할 수 있습니다. 명백한 바와 같이, 여러 섬유화 부위는 혈관 또는 비폐 구조로 잘못 인식됩니다. 이러한 부정확성은 네 번째 행에서 설명한 것처럼 수동으로 수정되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

프로토콜에 설명된 몇 가지 필터링 단계 후에 인공호흡 대리모는 calculated. 3D PREFUL MRI는 RVent(정적 지역 환기), FVL-CM(동적 유량-부피 상관 관계 지표) 및 그림 5. 이 그림은 32세의 건강한 남성의 관상 동맥 조각 8개를 보여줍니다. 모든 환기 매개변수의 예상되는 균질 분포에 유의하십시오.

figure-results-5
그림 5: 건강한 지원자(32세 남성)의 3D PREFUL MRI. 건강한 지원자(32세 남성)를 대표하는 형태학적(윗줄) 및 3D PREFUL MRI 인공호흡 매개변수(두 번째 줄에서 다섯 번째 줄)를 매핑합니다. 정적 지역 환기는 국소 환기(RVent)로 표시되며, 환기 역학은 유량-부피 루프 상관 관계 메트릭(FVL-CM), 환기 시간-피크(VTTP) 및 VTTP 편차(VTTPDev)를 사용하여 평가되며, 환기 역학을 평가하는 환기 매개변수를 나타냅니다. 예상대로 모든 환기 매개변수 맵에 대해 균일한 환기 값이 관찰됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

환기 맵을 단순화하기 위해 RVent 및 FVL-CM에 대한 환기 결함(VD) 맵이 파생되어 결과를 더 빠르게 해석할 수 있습니다. 예시적인 VD 맵은 그림 6. VDRVent와 VDFVL-CM 모두 VDP 값이 각각 3.6%와 3.0%로 건강한 정상 범위 내에 있는 것으로 나타났습니다. 이상적으로는 건강한 지원자의 연령에 따라 VDP 값이 10%를 초과해서는 안 됩니다. 위에서 언급한 매개변수(RVent, FVL-CM 및 해당 VD 맵)는 여러 연구에서 검증되었습니다11,12,35,36 및 질병 감지 및 치료 유발 효과 감지에 민감합니다20,34,37,38,39입니다.

figure-results-6
그림 6: 환기 결함 맵을 포함한 대표적인 RVent 및 FVL-CM 맵. RVent(맨 윗줄) 및 FVL-CM(두 번째 줄) 맵은 건강한 지원자(32세 남성)를 위해 3D PREFUL MRI에서 파생된 환기 결함 맵(세 번째 및 네 번째 줄)을 포함하여 묘사되어 있습니다. VD 맵에서 건강한 지역은 녹색이고 환기가 부족한 지역은 빨간색으로 표시됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

1.5T 및 3T 자기장 강도에서 여러 폐 MRI 검사가 보고되었습니다. 신호 대 잡음비(SNR) 증가로 인해 3T의 이론적 이점이 있지만 이러한 이점은 3T에서 더 뚜렷한 자기 감수성 효과로 인해 더 클 수 있습니다. 자기장 강도가 3D PREFUL 환기 맵의 이미지 품질에 미치는 정확한 영향은 현재 알려져 있지 않습니다. 여기에서는 3 T MR 스캐너를 사용하여 건강한 지원자(35세 남성)를 대상으로 얻은 타당성 결과(그림 7)를 제시합니다. 1.5T와 비교할 때 3T에서 환기 매개변수가 더 이질적으로 나타납니다(그림 5).

figure-results-7
그림 7: 건강한 지원자(35세 남성)의 3D PREFUL MRI. 대표적인 형태학적(윗줄) 및 3D PREFUL MRI 환기 매개변수(두 번째 줄에서 다섯 번째 줄)는 3T에서 건강한 지원자(35세 남성)를 매핑합니다. 정적 지역 환기는 국소 환기(RVent)로 표시되며, 환기 역학은 유량-부피 루프 상관 관계 메트릭(FVL-CM), 환기 시간-피크(VTTP) 및 VTTP 편차(VTTPDev)를 사용하여 평가되며, 환기 역학을 평가하는 환기 매개변수를 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

보다 직접적인 측정으로 파생된 3D PREFU의 비교/검증은 현재 게시되지 않았습니다. 2D PREFUL 기법과 129Xe11,12,14 및 19 F MRI35 사이의 VDP 값과 환기 결함의 공간적 중첩 사이에 양의 상관관계가 있다고 보고한 여러 연구가 있습니다. 최근 만성 폐쇄성 폐질환(COPD), 천식 환자 및 건강한 지원자를 대상으로 19FMRI를 사용한 3D PREFUL 유래 인공호흡과 직접 인공호흡 측정을 비교한 결과, 전 세계 수준에서 중간에서 강한 상관관계가 나타났습니다40. 제시된 것은 만성 폐쇄성 폐 질환 진단을 받은 환자(54세 여성, FEV1 = 42% 예측 값)에 대한 예시 비교(그림 8)이며, 이는 3D PREFUL 및 19F세척 MRI를 사용하여 검사되었습니다.

figure-results-8
그림 8: 54세 여성 COPD 환자의 3D PREFUL MRI. 3D PREFUL MRI(2열 및 3열) 및 19FMRI(4열 및 5열)를 통해 얻은 54세 여성 COPD 환자(FEV1 = 42% pred., FVC = 102% pred.)의 형태학적 이미지(맨 윗줄), 환기 매개변수 및 각각의 환기 결함 맵이 두 방법(마지막 줄)의 환기 결함 맵 비교와 함께 제공됩니다. 전체적으로 모든 슬라이스에서 Sørensen-Dice 계수는 결함 영역에서 25.5%, 정상 영역에서 80.6%로 총 공간 중첩이 69.2%였습니다. 특히, 건강한 영역과 결함이 있는 영역(짙은 녹색으로 표시)에서 일치하는 환기 영역 사이에는 시각적 상관관계가 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

3D PREFUL MRI는 치료에 대한 국소 반응을 측정하는 데 사용할 수 있습니다20. 예를 들어, 그림 9는 낭포성 섬유증 피험자(43세 여성)의 폐에서 채취한 3개의 절편을 기준선(왼쪽, FEV1 = 94% 예측값) 및 CFTR-조절제 요법 후(오른쪽, FEV1 = 112% 예측값)에서 비교한 것입니다. 두 측정값이 공간적으로 일치하기 때문에 3D PREFUL은 그림 9 하단과 같이 지역 처리 반응 분석을 가능하게 합니다. flow-volume-loop correlation metric의 증가된 값과 치료 후 환기 결함의 감소에 유의하십시오.

figure-results-9
그림 9: 43세 여성 낭포성 섬유증(CF) 환자의 3D PREFUL 측정. 43세 여성 CF 환자의 기준선(왼쪽) 및 치료 후(오른쪽) 3D PREFUL 측정의 예시적인 인공호흡 마커 맵. VDP FVL-CM이 18.0%(기준선)에서 3.6%(치료 후)로 감소했습니다. FEV1 % pred. 기준선: 94%, FEV1 % pred. 후처리: 112%. LCI 기준선: 10.48, LCI 후처리: 9.39. 해당 치료 반응 맵이 하단에 표시되어 있습니다. 치료 후 해결된 환기를 나타내는 녹색 영역에 유의하십시오. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

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

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

표 3: 건강한 자원자(35세 남성)를 위한 3D PREFUL 매개변수의 예시적인 통계 보고서 이 표를 다운로드하려면 여기를 클릭하십시오.

토론

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

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

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

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

감사의 글

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

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

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Chronic respiratory diseases. World Health Organization. , Available from: https://www.who.int/health-topics/chronic-respiratory-diseases#tab=tab_1 (2021).
  2. Musch, G., et al. Topographical distribution of pulmonary perfusion and ventilation, assessed by PET in supine and prone humans. J Appl Physiol. 93 (5), 1841-1851 (2002).
  3. Petersson, J., Sánchez-Crespo, A., Larsson, S. A., Mure, M. Physiological imaging of the lung: single-photon-emission computed tomography (SPECT). J Appl Physiol. 102 (1), 468-476 (2007).
  4. Mistry, N. N., et al. Evaluation of fractional regional ventilation using 4D-CT and effects of breathing maneuvers on ventilation. Int J Radiat Oncol Biol Phys. 87 (4), 825-831 (2013).
  5. Kirby, M., et al. Hyperpolarized 3 He and 129 Xe MR imaging in healthy volunteers and patients with chronic obstructive pulmonary disease. Radiology. 265 (2), 600-610 (2012).
  6. Kuethe, D. O., Caprihan, A., Fukushima, E., Waggoner, R. A. Imaging lungs using inert fluorinated gases. Magn Reson Med. 39 (1), 85-88 (1998).
  7. Ohno, Y., et al. Dynamic oxygen-enhanced MRI versus quantitative CT: Pulmonary functional loss assessment and clinical stage classification of smoking-related COPD. Am J Roentgenol. 190 (2), W93-W99 (2008).
  8. Bauman, G., et al. Non-contrast-enhanced perfusion and ventilation assessment of the human lung by means of fourier decomposition in proton MRI. Magn Reson Med. 62 (3), 656-664 (2009).
  9. Voskrebenzev, A., et al. Feasibility of quantitative regional ventilation and perfusion mapping with phase-resolved functional lung (PREFUL) MRI in healthy volunteers and COPD, CTEPH, and CF patients. Magn Reson Med. 79 (4), 2306-2314 (2018).
  10. Behrendt, L., et al. Validation of automated perfusion-weighted phase-resolved functional lung (PREFUL)-MRI in patients with pulmonary diseases. J Magn Reson Imaging. 52 (1), 103-114 (2020).
  11. Kaireit, T. F., et al. Flow volume loop and regional ventilation assessment using phase-resolved functional lung (PREFUL) MRI: Comparison with 129Xenon ventilation MRI and lung function testing. J Magn Reson Imaging. 53 (4), 1092-1105 (2021).
  12. Couch, M. J., et al. Comparison of functional free-breathing pulmonary 1H and hyperpolarized 129Xe magnetic resonance imaging in pediatric cystic fibrosis. Acad Radiol. 28 (8), e209-e218 (2020).
  13. Behrendt, L., et al. Validation of automated perfusion-weighted phase-resolved functional lung (PREFUL)-MRI in patients with pulmonary diseases. J Magn Reson Imaging. 52 (1), 103-114 (2019).
  14. Marshall, H., et al. 129Xe and free-breathing 1H ventilation MRI in patients with cystic fibrosis: A dual-center study. J Magn Reson Imaging. 57 (6), 1908-1921 (2022).
  15. Mendes Pereira, L., et al. UTE-SENCEFUL: first results for 3D high-resolution lung ventilation imaging. Magn Reson Med. 81 (4), 2464-2473 (2018).
  16. Boucneau, T., Fernandez, B., Larson, P., Darrasse, L., Maître, X. 3D magnetic resonance spirometry. Sci Rep. 10 (1), 16012(2020).
  17. Klimeš, F., et al. 3D phase-resolved functional lung ventilation MR imaging in healthy volunteers and patients with chronic pulmonary disease. Magn Reson Med. 85 (2), 912-925 (2021).
  18. Klimeš, F., et al. Repeatability of dynamic 3D phase-resolved functional lung (PREFUL) ventilation MR Imaging in patients with chronic obstructive pulmonary disease and healthy volunteers. J Magn Reson Imaging. 54 (2), 618-629 (2021).
  19. Klimeš, F., Voskrebenzev, A., Gutberlet, M., Grimm, R., Wacker, F., Vogel-Claussen, J. Evaluation of image registration algorithms for 3D phase-resolved functional lung ventilation magnetic resonance imaging in healthy volunteers and chronic obstructive pulmonary disease patients. NMR Biomed. 36 (3), e4860(2022).
  20. Klimeš, F., et al. Effect of CFTR modulator therapy with elexacaftor/tezacaftor/ivacaftor on pulmonary ventilation derived by 3D phase-resolved functional lung MRI in cystic fibrosis patients. Eur Radiol. 34 (1), 80-89 (2024).
  21. Rosenzweig, S., Holme, H. C. M., Uecker, M. Simple auto-calibrated gradient delay estimation from few spokes using Radial Intersections (RING). Magn Reson Med. 81 (1), 1898-1906 (2019).
  22. Uecker, M., et al. Berkeley advanced reconstruction toolbox. Proc Intl Soc Mag Reson Med. 23 (1), 2486(2015).
  23. Otsu, N. A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern. 9 (1), 62-66 (1979).
  24. Song, H. K., Dougherty, L. k-Space weighted image contrast (KWIC) for contrast manipulation in projection reconstruction MRI. Magn Reson Med. 44 (6), 825-832 (2000).
  25. Song, H. K., Dougherty, L. Dynamic MRI with projection reconstruction and KWIC processing for simultaneous high spatial and temporal resolution. Magn Reson Med. 52 (4), 815-824 (2004).
  26. Voskrebenzev, A., Gutberlet, M., Kaireit, T. F., Wacker, F., Vogel-Claussen, J. Low-pass imaging of dynamic acquisitions (LIDA) with a group-oriented registration (GOREG) for proton MR imaging of lung ventilation. Magn Reson Med. 78 (4), 1496-1505 (2017).
  27. Avants, B. B., Tustison, N. J., Song, G., Cook, P. A., Klein, A., Gee, J. C. A reproducible evaluation of ANTs similarity metric performance in brain image registration. Neuroimage. 54 (3), 2033-2044 (2011).
  28. Forsberg, D. fordanicimage-registration. , Available from: https://github.com/fordanic/image-registration (2014).
  29. Isensee, F., Jaeger, P. F., Kohl, S. A. A., Petersen, J., Maier-Hein, K. H. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nat Methods. 18 (2), 203-211 (2021).
  30. Wernz, M., et al. Influence of lung vessel segmentation on the reproducibility of PREFUL MRI. Proc IWPFI. 10 (1), 73(2022).
  31. He, K., Sun, J., Tang, X. Guided image filtering. IEEE Trans Pattern Anal Mach Intell. 35 (6), 1397-1409 (2013).
  32. Klimeš, F., et al. Free-breathing quantification of regional ventilation derived by phase-resolved functional lung (PREFUL) MRI. NMR Biomed. 32 (6), e4088(2019).
  33. Pöhler, G. H., et al. Repeatability of phase-resolved functional lung (PREFUL)-MRI ventilation and perfusion parameters in healthy subjects and COPD patients. J Magn Reson Imaging. 53 (3), 915-927 (2020).
  34. Moher Alsady, T., et al. MRI-derived regional flow-volume loop parameters detect early-stage chronic lung allograft dysfunction. J Magn Reson Imaging. 50 (6), 1873-1882 (2019).
  35. Kaireit, T. F., et al. Comparison of quantitative regional ventilation-weighted fourier decomposition MRI with dynamic fluorinated gas washout MRI and lung function testing in COPD patients. J Magn Reson Imaging. 47 (6), 1534-1541 (2018).
  36. Munidasa, S., et al. Inter- and intravisit repeatability of free-breathing MRI in pediatric cystic fibrosis lung disease. Magn Reson Med. 89 (5), 2048-2061 (2023).
  37. Lévy, S., et al. Free-breathing low-field MRI of the lungs detects functional alterations associated with persistent symptoms after COVID-19 infection. Invest Radiol. 57 (1), 742-751 (2022).
  38. Voskrebenzev, A., et al. Detection of chronic lung allograft dysfunction using ventilation-weighted Fourier decomposition MRI. Am J Transplant. 18 (8), 2050-2060 (2018).
  39. Voskrebenzev, A., et al. PREFUL MRI depicts dual bronchodilator changes in COPD: A Retrospective analysis of a randomized controlled trial. Radiol Cardiothorac Imaging. 4 (2), e210147(2022).
  40. Klimeš, F., et al. Comparison of free-breathing 3D phase-resolved functional lung (PREFUL) MRI with dynamic 19F ventilation MRI in patients with obstructive lung disease and healthy volunteers. J Magn Reson Imaging. , (2024).

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

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

관련 논문