Name: Dixon 자기 공명 영상을 사용한 간 지방 분획 분포 분석을 위한 3D 정량화 기법 (동영상) | JoVE Journal
Uploaded: 2023-10-20T15:00:00.000+00:00
Duration: 5 min 37 s
Description: 배우세요 3D Dixon MRI 기법을 활용한 간 지방 분포 정량화 방법을. AI와 딥러닝을 통합하여 정상 간과 지방 간의 패턴을 정확히 구분하고, 비침습적 간 지방 평가 도구의 임상적 활용 가능성을 검증합니다.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

이 간행물은 중국 국립 전통 의학 관리국이 주관하는 중국 전통 의학의 뛰어난 임상 인재 발굴을 위한 제5차 국가 프로그램의 지원을 받았습니다. 공식 네트워크 링크는 'http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html.

이 연구는 승인되었고, 환자는 중국 베이징에 있는 베이징 중의과대학 둥즈먼 병원의 전염병과에서 모집되었습니다. 환자는 정보에 입각한 동의를 제공한 후 정기 복부 Dixon MRI 스캔을 받았습니다. 이 조사에서는 의학적으로 진단된 간 지방증이 있는 표준 환자의 간 지방 분율(LFF)을 재구성하기 위해 3D 분포 모델링 접근 방식을 사용합니다. 또한 이 연구는 환자의 간을 건강한 간과 비교하는 정량적 평가를 제공합니다. 이 연구에 사용된 소프트웨어 도구는 재료 표에 나열되어 있습니다.
1. 준비 및 데이터 수집
참고: 매개변수의 분산은 연구 접근 방식의 영향을 받지 않습니다. 이 조사에서는 임상 영상에서 실제 DICOM 데이터를 얻었습니다. 데이터는 전계 강도가 1.5 Tesla인 MRI 장치를 사용하여 획득했습니다. 데이터 세트는 Dixon 시퀀스에서 파생된 4개의 개별 단계, 특히 동상, 위상차, 물 및 지방으로 구성됩니다.
<ol><li>상복부에 대한 Dixon 시퀀스를 확인하십시오.<ol><li>모든 DICOM 데이터를 사용자 지정된 작업 디렉터리에 복사합니다. 참고: 작업 디렉터리는 운영 체제와 MATLAB 모두에서 동일합니다.</li>
		<li>MATLAB의 현재 작업 디렉터리에 있는 데이터가 들어 있는 디렉터리로 이동합니다( 그림 1 참조).</li>
		<li>DIXON 데이터가 520픽셀 x 704픽셀의 가로 해상도, 픽셀 간격 0.5682mm, 슬라이스 두께 5mm를 표시하는지 확인합니다.</li>
	</ol></li>
	<li>딕슨의 이미지를 빠르게 확인할 수 있습니다.<ol><li>Dixon 이미징을 위해 각각 고유한 폴더에 저장된 In-phase, Out-phase, Water 및 Fat phase를 포함하는 여러 단계에 대한 폴더에 액세스하도록 디렉토리를 변경합니다.</li>
		<li>Slice_View 함수를 활용하여 각 위상에 대한 이미지를 시각화합니다.</li>
		<li>MRI-Dixon 시퀀스의 대화형 그래픽 사용자 인터페이스(GUI) 이미지를 보려면 그림 2 를 참조하십시오. GUI 하단에 있는 스크롤 막대를 사용하여 다양한 시퀀스를 효율적으로 탐색합니다.</li>
		<li>MRI-Dixon In-phase 염기서열을 사용하여 간 조직 경계에 대한 설명을 향상시킵니다. 참고: 그림 2에서 GUI의 오른쪽 상단 모서리에 있는 아이콘을 찾을 수 있습니다. 이러한 아이콘은 축소, 확대, 전역 보기로 돌아가기, 선택한 픽셀의 좌표 표시와 같은 기능을 제공합니다. 확대/축소 기능을 사용하여 국소 병변 특징을 면밀히 검사합니다.</li>
		<li>픽셀 좌표 표시 기능을 사용하여 두 점 사이의 거리를 계산하여 결절 크기를 측정하는 데 도움이 됩니다.</li>
		<li>초기 컬러바는 파란색에서 빨간색으로의 색 이동을 의미하는 jet 컬러맵을 사용하며, 이는 각각 낮은 값에서 높은 값으로 이동함을 나타냅니다. 표준 회색 컬러맵으로 전환하고 전체 GUI를 재설정하려면 색상 막대 를 마우스 오른쪽 버튼으로 클릭하고 팝업 메뉴에서 옵션을 선택합니다.</li>
		<li>디폴트 필터 창이 적합하지 않은 경우, Figure 가운데를 마우스 왼쪽 버튼으로 위아래로 끌어 창 레벨을 수정하여 필터 창을 조정합니다. 왼쪽과 오른쪽으로 드래그하면 창 너비가 조정되고 정확한 필터링 범위가 색상 막대에 표시됩니다. 참고: 후속 수술은 DIXON In-phase 시퀀스를 활용하여 간의 3D 영역을 나타내는 데 중점을 둡니다.</li>
	</ol></li>
</ol>2. 간의 3D 영역 추출
참고: LFF(Liver Fat Fraction)를 계산하기 위해 3D 간 영역 내의 각 복셀은 MRI-Dixon 데이터에서 얻은 지방 분율 값을 사용하여 공간 캐리어 역할을 합니다. LFF를 계산하기 전에 3D 간 영역을 추출하는 것이 중요합니다. 딥 러닝 방법이 이를 더 효율적으로 달성할 수 있지만, 여기서는 간 영역 추출을 위해 MIMICS와 같은 성숙한 소프트웨어 도구를 사용하는 데 중점을 둡니다.
<ol><li>MIMICS 소프트웨어를 열고 새 프로젝트를 선택합니다. 후속 대화 상자에서 DIXON 단상 이미지가 들어 있는 폴더를 찾습니다. NEXT를 클릭하여 계속한 다음 변환 을 눌러 시퀀스 편집 모드로 들어갑니다.</li>
	<li>오른쪽에 있는 MASK 대화 상자에서 새로 만들기를 클릭하여 빈 마스크를 생성하고 최대 임계값을 선택합니다.</li>
	<li>"Segment" 레이블 아래에 있는 Edit Masks 도구를 사용하여 모든 수평 보기에서 간 영역을 묘사합니다.</li>
	<li>앞에서 설명한 간 마스크를 선택하고 마스크에서 파트 계산(Calculate Part from Mask)을 클릭하여 간의 3D 공간 표현을 생성합니다. 결과 3D 간 영역이 표시됩니다( 그림 3 참조).</li>
	<li>파일로 이동한 다음 내보내기를 선택하고 DICOM 옵션을 선택합니다. 팝업 대화 상자에서 간 마스크를 선택하고 파일 경로와 이름을 지정한 다음 확인을 클릭하여 3D 간 영역을 지정된 DICOM 파일로 내보냅니다.</li>
</ol>3. 지방 분율 맵 생성 (FF-Map)
참고: 뚱뚱한 분율 맵(FF-Map)의 값 범위는 0-1입니다. 본 연구에서는 Dixon MRI를 이용하여 In-phase에서 Water-only를 뺀 복셀 값을 In-phase의 복셀 값으로 나누어 각 복셀의 FF를 계산한다.
<ol><li>디렉토리를 동상 이미지 폴더로 변경하고 Volume_In 기능을 선택하여 동상 볼륨을 생성합니다.</li>
	<li>디렉터리를 물 전용 이미지 폴더로 변경하고 Volume_Water 함수를 선택하여 물 전용 볼륨을 생성합니다.</li>
	<li>3.1단계와 3.2단계에서 생성된 두 개의 부피를 입력으로 사용하여 FF_Volume 함수를 선택하여 그림 4와 같이 시각화된 복부 MRI의 FF-부피를 얻습니다.</li>
	<li>그림 4에 표시된 FF(Fat Fraction) 맵은 데이터 구조가 520 x 704 x 44 행렬인 RGB 트루 컬러 이미지로 표시됩니다. 이 표현에서 각 픽셀은 빨강, 녹색 및 파랑 채널을 나타내는 세 개의 값으로 구성됩니다. 왼쪽에 있는 색상 막대는 다른 색상의 픽셀과 관련된 지방 분율 값에 대한 시각적 참조를 제공합니다. 참고: 그림 4 에 표시된 GUI를 사용하면 오른쪽 상단 모서리에 있는 확대/축소 도구를 통해 환자의 간을 자세히 관찰하고 프로빙 도구를 사용하여 정확한 FF 값을 얻을 수 있습니다. 하단의 스크롤 막대를 드래그하여 사용자는 수평면에 있는 모든 스캔 위치의 FF 맵을 관찰할 수 있습니다.</li>
</ol>간 지방 분획 분포의 4. 3D 부피
참고: 그림 4 는 상복부의 Dixon MRI 이미지를 기반으로 계산된 LFF 맵을 보여줍니다. 그림 3의 3D 간 영역과 결합하면 전체 간의 3D-LFF 부피를 별도로 계산할 수 있습니다.
<ol><li>LFF_Volume 기능을 활용하여 3D 간 영역(그림 3 참조)과 간 경직 맵(그림 4 참조)을 입력 매개변수로 제공합니다. 그 결과 그림 5와 같이 간 지방 분획의 3D 볼륨 표현이 생성됩니다.</li>
	<li>각 간층에 대한 강성 맵을 검사하려면 그림 5에 표시된 GUI 아래에 있는 스크롤 막대를 사용하기만 하면 됩니다. 참고: 이 보기에서는 간 조직만 정확하게 묘사됩니다.</li>
	<li>GUI의 오른쪽 상단 모서리에 있는 아이콘에 주의하십시오( 그림 5 참조). 이러한 아이콘은 축소, 확대, 전역 보기로 돌아가기 및 선택한 픽셀의 좌표 표시 기능을 제공합니다. 참고: 기본 색상 막대는 색상이 파란색에서 빨간색으로 전환되어 낮은 값에서 높은 값까지 다양한 값(kPa 단위로 측정)을 나타내는 "제트" 색상맵을 사용합니다.</li>
	<li>그림 6과 같이 동일한 입력 파라미터를 "LFF_Volume"로 사용하여 LFF_Distribution 함수를 실행하여 3D 간 지방 분율(3D-LFF)의 공간 분포를 생성합니다.</li>
</ol>5. 3D-LFF 정량 분석
참고 : 정상적인 간 복셀 : LFF < 5 %; 온화한 지방간 복셀: 5%-10%; 온건한 지방간 복셀: 10%-20%; 중증 지방간 복셀: LFF ≥ 20%11,12,13,14,15. 이 연구의 주요 정량적 초점은 환자의 간에서 다양한 LFF 단계에서 복셀의 비율을 결정하는 것입니다. 그림 6은 환자의 간 지방 분획의 불균일한 공간 분포를 보여줍니다. 뚜렷한 임상 증상이 없는 것은 주로 정상 간 조직의 상당 부분에 기인합니다. 따라서 환자와 건강한 사람 간의 차이를 정확하게 정량화하는 것이 필수적입니다. 이것은 여기에서 중요한 정량적 개념을 나타냅니다.
<ol><li>1-4단계를 반복하여 건강한 간의 3D-LFF 분포를 계산합니다. 참고: 내장된 MATLAB bar 함수를 사용하면 건강한 간과 지방간에 대한 3D-LFF 분포를 비교할 수 있습니다(그림 7).</li>
</ol>

Dixon MRI를 사용한 포괄적인 3D-간 지방 기능 분포 모델

<ol><li>Pouwels, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Non-alcoholic+fatty+liver+disease+%28NAFLD%29%3A+a+review+of+pathophysiology%2C+clinical+management+and+effects+of+weight+loss%5BTitle%5D)+AND+%22BMC+Endocr+Disord%22%5BJournal%5D)">Non-alcoholic fatty liver disease (NAFLD): a review of pathophysiology, clinical management and effects of weight loss.</a> BMC Endocr Disord. 22 (1), 63(2022).</li>
<li>Younossi, Z. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+global+burden+of+liver+disease%5BTitle%5D)+AND+%22Clin+Gastroenterol+Hepatol%22%5BJournal%5D)">The global burden of liver disease.</a> Clin Gastroenterol Hepatol. 21 (8), 1978-1991 (2023).</li>
<li>Younossi, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Global+burden+of+NAFLD+and+NASH.+Trends%2C+predictions%2C+risk+factors+and+prevention%5BTitle%5D)+AND+%22Nat+Rev+Gastroenterol+Hepatol%22%5BJournal%5D)">Global burden of NAFLD and NASH. Trends, predictions, risk factors and prevention.</a> Nat Rev Gastroenterol Hepatol. 15 (1), 11-20 (2018).</li>
<li>Boyum, J. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Incidence+and+risk+factors+for+adverse+events+related+to+image-guided+liver+biopsy%5BTitle%5D)+AND+%22Mayo+Clin+Proc%22%5BJournal%5D)">Incidence and risk factors for adverse events related to image-guided liver biopsy.</a> Mayo Clin Proc. 91 (3), 329-335 (2016).</li>
<li>Khalifa, A., Rockey, D. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+utility+of+liver+biopsy+in+2020%5BTitle%5D)+AND+%22Curr+Opin+Gastroenterol%22%5BJournal%5D)">The utility of liver biopsy in 2020.</a> Curr Opin Gastroenterol. 36 (3), 184-191 (2020).</li>
<li>Sumida, Y., Nakajima, A., Itoh, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Limitations+of+liver+biopsy+and+non-invasive+diagnostic+tests+for+the+diagnosis+of+nonalcoholic+fatty+liver+disease%2Fnonalcoholic+steatohepatitis%5BTitle%5D)+AND+%22World+J+Gastroenterol%22%5BJournal%5D)">Limitations of liver biopsy and non-invasive diagnostic tests for the diagnosis of nonalcoholic fatty liver disease/nonalcoholic steatohepatitis.</a> World J Gastroenterol. 20 (2), 475-485 (2014).</li>
<li>Ajmera, V., Loomba, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Imaging+biomarkers+of+NAFLD%2C+NASH%2C+and+fibrosis%5BTitle%5D)+AND+%22Mol+Metab%22%5BJournal%5D)">Imaging biomarkers of NAFLD, NASH, and fibrosis.</a> Mol Metab. 50, 101167(2021).</li>
<li>Castera, L., Friedrich-Rust, M., Loomba, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Noninvasive+assessment+of+liver+disease+in+patients+with+nonalcoholic+fatty+liver+disease%5BTitle%5D)+AND+%22Gastroenterology%22%5BJournal%5D)">Noninvasive assessment of liver disease in patients with nonalcoholic fatty liver disease.</a> Gastroenterology. 156 (5), 1264-1281 (2019).</li>
<li>Jiang, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Application+of+multi-echo+Dixon+and+MRS+in+quantifying+hepatic+fat+content+and+staging+liver+fibrosis%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">Application of multi-echo Dixon and MRS in quantifying hepatic fat content and staging liver fibrosis.</a> Sci Rep. 13 (1), 12555(2023).</li>
<li>Yang, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+accuracy+and+clinical+relevance+of+the+multi-echo+dixon+technique+for+evaluating+changes+to+hepatic+steatosis+in+patients+with+non-alcoholic+fatty+liver+disease+treated+with+formulated+food%5BTitle%5D)+AND+%22Magn+Reson+Med+Sci%22%5BJournal%5D)">The accuracy and clinical relevance of the multi-echo dixon technique for evaluating changes to hepatic steatosis in patients with non-alcoholic fatty liver disease treated with formulated food.</a> Magn Reson Med Sci. 22 (2), 263-271 (2023).</li>
<li>Peng, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fat-water+separation+based+on+Transition+REgion+Extraction+%28TREE%29%5BTitle%5D)+AND+%22Magn+Reason+Med%22%5BJournal%5D)">Fat-water separation based on Transition REgion Extraction (TREE).</a> Magn Reason Med. 82 (1), 436-448 (2019).</li>
<li>Hines, C. D. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((T%281%29+independent%2C+T%282%29%28%2A%29+corrected+chemical+shift+based+fat-water+separation+with+multi-peak+fat+spectral+modeling+is+an+accurate+and+precise+measure+of+hepatic+steatosis%5BTitle%5D)+AND+%22Magn+Reason+Imaging%22%5BJournal%5D)">T(1) independent, T(2)(*) corrected chemical shift based fat-water separation with multi-peak fat spectral modeling is an accurate and precise measure of hepatic steatosis.</a> Magn Reason Imaging. 33 (1), 873-881 (2011).</li>
<li>Tang, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nonalcoholic+fatty+liver+disease%3A+MR+imaging+of+liver+proton+density+fat+fraction+to+assess+hepatic+steatosis%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Nonalcoholic fatty liver disease: MR imaging of liver proton density fat fraction to assess hepatic steatosis.</a> Radiology. 267 (2), 422-431 (2013).</li>
<li>Caussy, C., Reeder, S. B., Sirlin, C. B., Loomba, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Noninvasive%2C+quantitative+assessment+of+liver+fat+by+MRI-PDFF+as+an+endpoint+in+NASH+Trials%5BTitle%5D)+AND+%22Hepatology%22%5BJournal%5D)">Noninvasive, quantitative assessment of liver fat by MRI-PDFF as an endpoint in NASH Trials.</a> Hepatology. 68 (2), 763-772 (2018).</li>
<li>Reeder, S. B., Cruite, I., Hamilton, G., Sirlin, C. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantitative+assessment+of+liver+fat+with+magnetic+resonance+imaging+and+spectroscopy%5BTitle%5D)+AND+%22Magn+Reson+Imaging%22%5BJournal%5D)">Quantitative assessment of liver fat with magnetic resonance imaging and spectroscopy.</a> Magn Reson Imaging. 34 (4), 729-749 (2011).</li>
</ol>

이 연구의 재료 표 에 HepaticSteatosis V1.0으로 나열된 간 지방증 정량화를 위한 소프트웨어 도구는 Beijing Intelligent Entropy Science & Technology Co., Ltd.의 제품입니다. 이 소프트웨어 도구의 지적 재산권은 회사에 있습니다.

이 연구는 Dixon MRI 9,10을 사용하여 간 지방 분획(LFF)의 분포를 분석하기 위한 혁신적인 3D 정량화 기술을 제시합니다. 이 방법은 동위상 및 수단계 이미지에서 생성된 LFF 맵을 3D 간 윤곽과 통합함으로써 정상 간과 지방계 간의 LFF 패턴을 구별합니다6. 결과적으로, 그것은 간 지방 함량의 정확한 평가를 용이하게합니다.
3단계는 각 복셀의 지방 함량을 정량화하기 위해 FF 맵을 계산하는 중요한 단계를 나타냅니다. 4단계에서는 FF 데이터를 3D 간 윤곽과 통합하여 통합 3D-LFF 분포 모델을 구축합니다. 5단계에서는 간 지방증의 정확한 정량화를 위한 3D-LFF 접근법의 효능을 검증합니다13.
향후 수정과 관련하여 머신 ...

비알코올성 지방간 질환(NAFLD)은 간세포에 트리글리세라이드가 비정상적으로 축적되는 것(간 지방증)부터 비알코올성 지방간염(NASH)으로 알려진 간세포의 염증 및 손상에 이르기까지 다양한 병리학적 상태를 포괄합니다. 경우에 따라 NAFLD는 섬유증, 간경변, 말기 간 질환 또는 간세포 암종(HCC)을 포함한 더 심각한 단계로 진행될 수 있습니다1. 세계보건기구(WHO)와 세계질병부담기구(Global Burden of Disease)에서 발표한 자료에 따르면 전 세계적으로 약 12억 3,570만 명이 모든 연령대에서 NAFLD의 영향을 받고 있습니다2. NAFLD는 현재 전 세계적으로 간 관련 질환의 가장 두드러진 원인 중 하나로 꼽히고 있으며 향후 수십 년 동안 말기 간 질환의 주요 원인이 될 것으로 예상됩니다3.
간 지방증의 정도에 대한 정확한 평가는 정확한 진단, 적절한 치료법 선택 및 효과적인 질병 진행 모니터링에 매우 중요합니다. 간 지방 함량을 평가하기 위한 황금 표준은 여전히 간 생검입니다. 그러나 침습적 특성, 통증, 출혈 및 기타 수술 후 합병증의 가능성으로 인해 빈번한 후속 검사에는 실용적인 옵션이 아닙니다 4,5,6. 결과적으로, 간 지방 침착을 신뢰할 수 있게 정량화할 수 있는 비침습적 이미징 기술에 대한 필요성이 시급합니다. 자기공명영상(MRI)은 이온화 방사선이 없고 화학적 이동 효과를 통해 지방 함량을 민감하게 감지할 수 있는 능력으로 인해 이 분야에서 유망한 것으로 보인다 7,8.
최근 연구에서는 Dixon 이미징 9,10과 같은 화학적 이동 구배 에코 방법을 기반으로 간 지방을 정량화하기 위한 MRI 기술을 설명했습니다. 그럼에도 불구하고 이러한 기술의 대부분은 2차원 관심 영역의 분석에 의존합니다. 간 지방 분율(LFF)의 3차원 분포에 대한 포괄적인 평가는 여전히 제한적입니다. 본 연구에서는 Dixon MRI와 간 구조 영상을 결합한 고유한 3D LFF 정량화 접근법을 도입했습니다. 그 결과 3D LFF 모델을 통해 간 전체 부피에 걸쳐 지방 함량 분포를 정밀하게 시각화하고 측정할 수 있습니다. 이 기술은 간 지방증의 정확한 진단을 위한 상당한 임상적 유용성을 보여줍니다.

<table><tbody><tr><td>MATLAB</td><td>매스웍스&nbsp;</td><td>2022B</td><td>컴퓨팅 및 시각화&nbsp;</td></tr><tr><td>Mimics</td><td>Materialise</td><td>3D_LFF</td><td></td></tr><tr><td>Intelligent Entropy</td><td>HepaticSteatosis V1.0</td><td></td><td>Beijing Intelligent Entropy Science & Technology Co Ltd. CT/MRI 융합을 위한 모델링</td></tr></tbody></table>

dixon 자기 공명 영상을 사용한 간 지방 분획 분포 분석을 위한 3d 정량화 기법

A 3D Quantification Technique for Liver Fat Fraction Distribution Analysis Using Dixon Magnetic Resonance Imaging

이 연구는 Dixon MRI 이미지 분석을 활용하여 간 지방 분율(LFF)의 분포에 대한 3D 정량화 방법론을 제시합니다. 중심 목표는 간 지방 함량을 평가하는 매우 정확하고 비침습적인 수단을 제공하는 것입니다. 이 프로세스에는 Dixon 시퀀스에서 동상 및 수상 이미지를 획득하는 작업이 포함됩니다. 그런 다음 LFF 맵은 지질상 이미지를 동상 이미지로 나누어 복셀별로 꼼꼼하게 계산됩니다. 동시에 3D 간 윤곽이 동상 이미지에서 추출됩니다. 이러한 중요한 구성 요소는 포괄적인 3D-LFF 배포 모델을 구성하기 위해 완벽하게 통합됩니다. 이 기술은 건강한 간에만 국한되지 않고 간 지방증으로 고통받는 사람들에게까지 확장됩니다. 얻어진 결과는 간 지방 함량을 시각화하고 정량화하는 데 이 접근법의 놀라운 효과를 보여줍니다. 정상 간과 지방간 간을 구별하는 패턴을 뚜렷하게 구분합니다. Dixon MRI를 활용하여 간의 3D 구조를 추출함으로써 이 방법은 장기 전체에 걸친 정확한 LFF 평가를 제공하여 놀라운 효과로 간 지방증 진단에 큰 가능성을 제공합니다.

이 조사는 3D 간 지방 분획 정량화 방법론을 검증하기 위해 상용 MRI 스캐너를 사용하여 획득한 실제 환자 데이터 세트를 활용합니다(그림 1). MRI 프로토콜에는 Dixon의 4상 이미징 9,10: 동상간, 위상차, 물만, 지방만(그림 2)이 포함되었습니다. 각 복셀의 지방 분율(FF)은 Dixon MRI를 사용하여 동상 내 복셀 신호에서 물 전용 복셀 신호를 뺀 값을 동상 복셀 신호로 나누어 계산합니다. 이 수치 모델을 사용하면 각 복셀의 지방 함량 백분율을 정확하게 계산할 수 있습니다.
딥러닝 방법은 3D 간 해부학을 추출할 수 있지만 알고리즘 오류가 내재되어 있습니다. 정확한 정량화를 보장하기 위해 MIMICS와 같은 성숙한 소프트웨어 도구를 사용하여 전문가의 ...

이 연구는 Dixon MRI(Dixon Magnetic Resonance Imaging)를 사용하여 간 지방 분율(LFF) 분포에 대한 고유한 3D 정량화 방법을 소개합니다. 동상 및 수상 이미지에서 파생된 LFF 맵은 3D 간 윤곽과 통합되어 정상 간과 지방계 간 간의 LFF 패턴을 구별하여 간 지방 함량을 정확하게 평가할 수 있습니다.

Dixon 자기 공명 영상을 사용한 간 지방 분획 분포 분석을 위한 3D 정량화 기법

This study presents a 3D quantification methodology for the distribution of liver fat fraction (LFF) through the utilization of Dixon MRI image analysis. ...

이 연구는 간 지방 분포를 정확하게 정량화하기 위해 3D Dixon MRI 기술을 개발하여 정상 간과 지방증 간의 지방 패턴을 평가하고 구별하기 위한 정확하고 비침습적인 도구로서의 효능을 검증하는 것을 목표로 했습니다. MRI 지방 정량화의 최근 발전에는 일반 3D 분포 모델링 접근 방식, Dixon Imaging을 간 구조 분할과 통합하여 간 지방 분획 패턴의 정확한 시각화 및 환경을 가능하게 하는 것이 포함됩니다. AI 기반 의료 영상, 딥 러닝, 3D 시각화 및 멀티모달 데이터 융합을 통합하면 전체 간 모델링 및 지방증 평가가 향상되어 정확한 임상 의사 결정이 가능합니다.현재 진행 중인 실험 과제에는 계산 워크플로우 표준화, 장비 및 프로토콜의 변동 해결, 간 지방증 연구에서 질병 진행 메커니즘 규명 등이 포함됩니다. 당사의 프로토콜은 2D 기술을 능가하는 3D 간 지방 분율 평가의 이점을 제공합니다. 이 연구 결과는 치료 결정 및 예후 평가에 중요한 지방간 질환의 여러 단계에 대한 포괄적이고 정확한 3D LFF 평가를 제공함으로써 우리 분야의 연구를 발전시킬 것입니다.

a-3d-quantification-technique-for-liver-fat-fraction-distribution

Research

연구

JoVE Journal

Medicine

의학

공구 한정 담즙산 흡수 장애를 진단 및 생체 내 담즙산 수송을 측정한다. 살아있는 동물에서 혁신적인 접근 결합 양성자 (1H) - 플러스 불소 (F 19), 자기 공명 영상을 이용하는 것이 기재되어있다; 이 새로운 방법은 임상에서 담즙산 흡수 불량을 선별하는 병진 가능성이있다.

멀티 플루오르 담즙 산 및 사용<em&gt; 생체</em&gt; 자기 공명 영상은 측정하는 담즙 산 전송

이 작품의 목적은 다양 한 지방 백분율 및 볼륨 유령 생산 하는 사용자 지정할 수 있는 실용적인 지방 물 팬텀을 만들기 위한 프로토콜을 설명 하기 위해.

자기 공명 영상 유효성 검사에 대 한 지방 물 환영: 유연 하 고 확장 가능한 프로토콜

이중 수지 주조 마이크로 컴퓨팅 단층 촬영 또는 덕트(DUCT)는 두 관 시스템의 시각화, 디지털화 및 세분화를 동시에 통해 장기 아키텍처의 3D 분석을 용이하게 합니다. 덕트(DUCT)는 두 개의 방사성파크 수지의 전 생체 주입 을 결합한 다음, 마이크로 컴퓨팅 단층 촬영 스캐닝 및 지형 데이터의 세분화를 결합합니다.

덕트: 3D 간 분석을 위한 마이크로 컴퓨팅 단층 촬영 다음에 이중 수지 주조

식이 유발 비알코올성 지방간 질환(NAFLD) 마우스 모델을 사용하여 NAFLD의 진행 단계를 평가하기 위한 비침습적 방법으로 새로운 생체 내 미세 컴퓨터 단층 촬영 이미징 기술의 사용을 설명하며, NAFLD 관련 간 조절 장애에 크게 관여하기 때문에 주로 간 혈관 네트워크에 초점을 맞춥니다.

비알코올성 지방간 질환의 진행을 평가하기 위한 새로운 생체 내 미세 컴퓨터 단층 촬영 이미징 기술

여기에서 우리는 간 조직의 지질 액적 특성 분석을 위해 최적화된 BODIPY 493/503 형광 기반 프로토콜을 입증합니다. 직교 투영 및 3D 재구성의 사용을 통해 형광단은 미세소포와 대소포성 지방증 사이의 성공적인 구별을 가능하게 하고 간 지방증 평가를 위한 고전적인 조직학적 프로토콜에 대한 보완적인 접근 방식을 나타낼 수 있습니다.

간 지방증 평가를 위한 3D 재구성을 통한 형광 염색 지질 방울 분석

이 연구의 목적은 간섬유증의 조기 진단을 위한 새로운 3차원 디지털 모델을 개발하는 것인데, 여기에는 환자의 간에서 각 복셀의 경직도가 포함되어 있어 다양한 섬유증 단계에서 환자의 간 분포 비율을 계산하는 데 사용할 수 있습니다.

자기공명탄성검사(Magnetic Resonance Elastography)를 기반으로 한 간섬유증 조기 진단을 위한 3차원 디지털 모델

높은 공간 해상도(100μm)와 감도를 가진 초고속 도플러 초음파(UFUS)는 간 혈관 구조에 대한 포괄적인 정성적 개요를 얻기 위한 적절한 비침습적 이미징 방식을 나타냅니다. UFUS는 또한 미세혈관 구조의 정량적 측정을 용이하게 하여 혈관 질환 메커니즘에 대한 이해를 높이는 것을 목표로 합니다.

초고속 도플러 초음파를 이용한 생쥐의 간 혈관 구조의 이미징 및 정량화

심근 조직의 변형과 같은 매개 변수를 측정하는 정확하고 실용적인 방법은 그것이 게재되어 있기 때문에, 그 변형이 자주 사용하는 매개 변수 EF보다 수축성 장애에 대한보다 민감한 이전 마커이며, 훌륭한 임상 가치입니다.

기능 추적을 사용하여 자기 공명이 유래 심근 스트레인 평가

세 가지 다른 영감 산소 농도에 노출이 경우에 생리 조건에 따라 다양한 폐동맥 혈류의 분포를 연구 MR 이미징 방법 : hypoxia, normoxia, 그리고 hyperoxia가 설명되어 있습니다. 이 기술은 MR 검사 환경에서 인간의 폐 생리학 연구 기술을 활용합니다.

조정 아티 스핀 라벨을 사용하여 폐 관류의 자기 공명 이미징 부량

MRI 기반 도구를 식별하기로 확산 텐서 영상 (DTI)는 기본적으로...

neurodegenerative 질병의 분석에서 확산 텐서 자기 공명 영상

배우세요 3D Dixon MRI 기법을 활용한 간 지방 분포 정량화 방법을. AI와 딥러닝을 통합하여 정상 간과 지방 간의 패턴을 정확히 구분하고, 비침습적 간 지방 평가 도구의 임상적 활용 가능성을 검증합니다.

Dixon 자기 공명 영상을 사용한 간 지방 분획 분포 분석을 위한 3D 정량화 기법

더 많은 동영상 탐색