Methodenartikel

Fase-opgeloste functionele long-MRI voor longventilatie en perfusiebeoordeling (V/Q)

DOI:

10.3791/66380

⸱

9 augustus 2024

 ,  ,  , 
1Institute for Diagnostic and Interventional Radiology, Hannover Medical School, 2Member of the German Center for Lung Research, Biomedical Research in Endstage and Obstructive Lung Disease Hannover (BREATH)

In dit artikel

Samenvatting

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

Hier beschrijven we de implementatie van fase-opgeloste functionele long-MRI als een contrastmiddelvrije proton MR-techniek voor de beoordeling van longventilatie en perfusiedynamiek. Gevalideerd en toepasbaar in verschillende veldsterktes en leeftijdsgroepen, zou het de klinische besluitvorming in de toekomst kunnen verbeteren door te helpen bij het kwantificeren van ziekten en het monitoren van therapie.

Samenvatting

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

Fourierdecompositie is een contrastmiddelvrije 1H MRI-methode voor beoordeling van longperfusie (Q) en ventilatie (V). Na beeldregistratie wordt de tijdreeks van elke voxel geanalyseerd met betrekking tot de hart- en ademhalingsfrequentiecomponenten.

Met behulp van een standaard 2D spoiled gradient-echo sequentie met een temporele resolutie van ~300 ms, werd een beeldsorteeralgoritme ontwikkeld om fase-opgeloste functionele longbeeldvorming (PREFUL) te produceren met een verhoogde temporele resolutie. Het is dus mogelijk om regionale stroomvolumelussen (FVL) tijdens ademen van ademvolumes te evalueren en de voortplanting van de pulsgolf tijdens de hartcyclus weer te geven. Deze methode kan worden toegepast bij 1,5T of 3T met standaard MR-hardware zonder de noodzaak van sequentieprogrammering, aangezien het beschreven protocol op de meeste systemen kan worden geïmplementeerd met de standaard SPGRE-sequentie.

PREFUL ventilation MRI is gevalideerd met behulp van 129Xe en 19F gasbeeldvorming met goede regionale overeenstemming. Perfusiegewogen PREFUL MRI is gevalideerd met behulp van SPECT en dynamische contrastversterkte (DCE) MRI. PREFUL is getest in een dual-center dual vendor setting en wordt momenteel toegepast in verschillende lopende multicenter trials. Bovendien is het haalbaar voor een reeks veldsterktes (0.55T-3T) en verschillende leeftijdsgroepen, inclusief pasgeborenen.

Kwantitatieve V/Q PREFUL MRI is gebruikt bij patiënten met cystische fibrose, chronische obstructieve longziekte, chronische trombo-embolische pulmonale hypertensie en coronavirusziekte-2019 om de ziekte te kwantificeren en behandelingsverandering na therapie te volgen. Bovendien is aangetoond dat PREFUL V/Q-beeldvorming transplantaatverlies voorspelt als gevolg van chronische longtransplantaatdisfunctie bij patiënten na longtransplantatie. Samenvattend is PREFUL MRI een gevalideerde techniek voor kwantitatieve ventilatie en beeldvorming van pulmonale pulsgolven/perfusies voor het detecteren, kwantificeren en monitoren van regionale longziekten met een potentiële toegevoegde waarde voor de huidige klinische routine.

Inleiding

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

Het ademhalingssysteem, met zijn ingewikkelde mechanismen, is kwetsbaar voor verschillende ziekten. Chronische aandoeningen van de luchtwegen, zoals chronische obstructieve longziekte (COPD), cystische fibrose (CF) en chronische trombo-embolische pulmonale hypertensie (CTEPH), verminderen de levensverwachtingaanzienlijk. Als gevolg hiervan zijn vroege diagnose, monitoring en beoordeling van de therapeutische respons van het grootste belang geworden.

Longfunctietesten (PFT's) kunnen globale longfunctieparameters afleiden, zoals de Tiffeneau-Pinelli-index, gedefinieerd als de verhouding tussen het geforceerde expiratooire volume in één seconde (FEV1) en de geforceerde vitale capaciteit (FVC)2. Dergelijke parameters zijn goed ingeburgerd in de klinische routine, maar missen regionale informatie en vereisen een hoge mate van therapietrouw van de patiënt. In dit opzicht kan beeldvorming aanvullende inzichten en mogelijkheden bieden voor gevoeligere parameters. Computertomografie (CT) biedt beeldvorming met hoge resolutie van parenchymale morfologie, en recente technieken zoals parametrische responsmapping halen ook functionele informatie op3. Desalniettemin blijft computertomografie met enkelvoudige fotonemissie (SPECT) de huidige gouden standaard voor het weergeven van ventilatie en perfusie (V/Q) in delongen 4. De genoemde beeldvormingsmodaliteiten, die voor iedereen gelden, vereisen blootstelling aan ioniserende straling, wat speciale aandacht behoeft in geval van monitoring en kwetsbare groepen. Daarom is er een voortdurende inspanning om MRI als een alternatieve modaliteit te promoten.

Inherent is de long een uitdagend orgaan voor MRI vanwege de lage protondichtheid en het snelle signaalverval5. Van de veelheid aan benaderingen omvatten de meest voorkomende oplossingen het gebruik van hypergepolariseerd gas (bijv. 129Xe MRI) voor ventilatie6 en intraveneuze toepassing van contrastmiddel op basis van gadolinium voor perfusieweergave7. Deze methoden bieden een hoge signaal-ruisverhouding (SNR) en worden algemeen beschouwd als gouden standaardmethoden in de MR-gemeenschap. Een recentere benadering vermijdt de toepassing van contrastmiddel en is haalbaar met conventionele proton MR in vrije ademhaling met een totale acquisitietijd van ~1 min/plak. Zo worden mogelijke bijwerkingen en recent besproken langetermijneffecten van contrastmiddelen vermeden en wordt een gemakkelijkere verspreiding mogelijk gemaakt zonder de noodzaak van extra hyperpolarisatie en multinucleaire hardware. Bovendien wordt het probleem van het vinden van een adequate opblaastoestand, die van invloed kan zijn op de afgeleide ventilatiedefectwaarden8 , vermeden door de verwerving van vrije ademhaling.

Deze indirecte op MR-signaal gebaseerde benadering werd voor het eerst geïntroduceerd door Zapke et al. die gebruik maakten van de wederkerige relatie van proton-gewogen signaal S en longvolume V: S~1/V.9 Het is gebaseerd op het proces van het transformeren van beelden die zijn verkregen in vrije ademhaling naar één gemeenschappelijke opblaastoestand (meestal in een tussenpositie tussen eindvervaldatum en eindinspiratie), waardoor beweging wordt gecompenseerd en de signaaltijdreeks in elke voxel kan worden geanalyseerd. Vervolgens kan uit deze zogenaamde geregistreerde beelden een ventilatiemeting worden afgeleid met behulp van vergelijking (1) van Klimeš et al.10:

figure-introduction-1(1)

Met de volumes/signalen in inspiratie (Insp), vervaldatum (Exp) en geregistreerde status (Reg). Daarna werd de methode uitgebreid door de introductie van Fourier-decompositie om onderscheid te maken tussen signaalmodulaties geassocieerd met ademhalingsfrequentie (ventilatie) en pulsfrequentie (perfusie) en daarom een perfect ruimtelijk afgestemde V/Q-kaart af te leiden uit één acquisitie11. Dit wordt mogelijk gemaakt door de typische kloof tussen ademhalings- en hartfrequenties, zodat beide componenten die in het tijddomein op elkaar liggen, in het frequentiedomein effectief worden onderscheiden door Fourieranalyse. Na de overgang van low-field (0,35T) naar 1,5T met een geoptimaliseerde gebalanceerde steady-state vrije precessie sequentie (bSSFP)12, begon deze methode meer aandacht te krijgen met verschillende vervolgstudies 13,14,15.

Aangezien ademhaling en pols onderhevig zijn aan variabiliteit en in de handel verkrijgbare bSSFP-beeldvorming (gradiëntgecompenseerde) beeldvorming bij 1,5T kan resulteren in substantiële bandingartefacten (duidelijke lijnen van signaalleegte), werd een verwante methode voorgesteld met spoiled gradient echo sequence (SPGRE) in combinatie met brede laagdoorlaat- en hoogdoorlaatfiltering16,17. Dit omvat het complexere spectrum van echte ademhalings- en polsgerelateerde modulaties. De volgende berekening van de amplitude in het tijddomein vermijdt de noodzaak om één specifieke frequentiepiek te selecteren. Verdere optimalisatie werd bereikt door de typische eenstapsregistratie naar één referentietoestand op te splitsen in twee afzonderlijke stappen. Daarbij wordt gebruik gemaakt van het feit dat tijdens de vrije ademhaling een reeks verschillende ademhalingsfasen wordt verkregen tussen eindinspiratie en eindexpiratie, met verschillende gradaties van vereiste vervorming naar een vaste toestand. Na het kiezen van meerdere groepen en het identificeren van de groep van de afzonderlijke beelden wordt de volgende procedure uitgevoerd: 1) Registratie binnen de betreffende ademhalingstoestandsgroep, 2) Stapsgewijze registratie tussen groepen van de ene aangrenzende groep naar de volgende (bijv. 1->2, 2->3,...) naar de groep die de referentiegroep vertegenwoordigt. Deze benadering werd verder uitgebreid door faseschatting voor elk beeld om een hogere schijnbare temporele resolutie vast te stellen om de analyse van ventilatie- en perfusiedynamiek te vergemakkelijken, wat leidde tot de fase-opgeloste functionele long (PREFUL) MR-terminologie om deze tak te onderscheiden van andere verwante technieken18. Vervolgstudies maakten gebruik van de aanvullende informatie die werd verstrekt door de volledige ademhalings- en hartcycli en toonden een potentieel verhoogde gevoeligheid van dergelijke parameters 19,20,21.

Validatie met de gouden standaard SPECT onthulde een dobbelsteencoëfficiënt van ≥67% voor defectgebieden22, en meer directe ventilatiemetingen met 129Xe toonden een correlatie tussen ventilatiedefectpercentages ≥62% in een gemengd COPD/CF/gezond cohort23 en 84% in een CF multicenter, multi-vendor cohort24, die ook een vergelijkbare correlatie aantoonde met de longklaringsindex van PREFUL en 129Xe (r = 0,82 en r = 0,91). De perfusieanalyse van dezelfde studie toonde aan dat er geen significante verschillen waren in ruimtelijke overlap met DCE tussen de geëvalueerde centra25. Concordantie met DCE en overeenstemming van PREFUL-resultaten tussen centra werd ook gerapporteerd voor een prospectieve substudie met negen centra26. Een reproduceerbaarheidsanalyse bij COPD-patiënten resulteerde in een variatiecoëfficiënt van minder dan 15% voor alle parameters27. Huidige studies suggereren dat de FVL-parameter een hoger voorspellend vermogen en gevoeligheid heeft om veranderingen in de behandeling te detecteren in vergelijking met de "statische" ventilatieparameter, die alleen rekening houdt met de eind-inspiratoire en eind-expiratoire fasen. Responsiviteit op behandeling met regionale flow-volume loop (FVL)-metingen werd aangetoond na behandeling met inhalator met indacaterol-glycopyrronium (IND/GLY) bij COPD28. In overeenstemming hiermee voorspelde de FVL-parameter transplantaatverlies bij patiënten met een dubbele longtransplantatie, terwijl spirometrie dat niet kon (P = 0,02 vs. P = 0,33)29. Eerste haalbaarheidsstudies tonen aan dat functionele pulmonale beeldvorming met PREFUL kan worden gerealiseerd bij vrij ademende zuigelingen en pasgeborenen met standaard klinische MRI-hardware30,31. Glandorf et al. vergeleken PREFUL-parameters bij 1,5T en 3T (SPGRE-sequentie) en vonden geen significante verschillen voor de meeste parameters, die ondanks het verschil in veldsterkte zeer reproduceerbaar waren32. Dit kan een belangrijk voordeel zijn, aangezien niet elke locatie toegang heeft tot scanners van 1,5 T of een lagere veldsterkte. Onlangs werd de haalbaarheid en detectie van aanhoudende symptomen na COVID-19-infectie bij 0.55T aangetoond door bSSFP-gegevens te evalueren met PREFUL33.

Samenvattend, ondanks dat het een relatief nieuwe techniek is, is PREFUL uitgebreid bestudeerd. Belangrijke criteria zoals validatie met meer directe en gevestigde metingen, reproduceerbaarheid, gevoeligheid voor pathologie en responsiviteit voor behandeling en progressieveranderingen werden beoordeeld. Toch zijn er nog steeds maar een paar gespecialiseerde centra die deze techniek gebruiken, ondanks de lage technologische vereisten. Daarom is het doel van dit werk om de nieuwste methodologie van PREFUL MR in schriftelijke en visuele vorm samen te vatten. Deze informatie kan worden gebruikt om deze techniek in meer centra te vestigen en zo op de lange termijn te leiden tot een meer volwassen techniek.

Protocol

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

Deze studie kreeg goedkeuring van de ethische commissie van de Hannover Medical School, die ervoor zorgde dat deze zich gedurende het hele onderzoeksproces aan strenge ethische normen hield. Het onderzoek volgde strikt de richtlijnen die zijn uiteengezet in de Verklaring van Helsinki, met de nadruk op het ethisch uitvoeren van medisch onderzoek. Bovendien werd zorgvuldig geïnformeerde toestemming verkregen van alle deelnemers aan het onderzoek (of hun ouder of wettelijke voogd) vóór hun deelname aan het MRI-onderzoek. Zie figuur 1 voor een vereenvoudigd overzicht van de kernstappen van het protocol, bestaande uit acquisitie, registratie, filtering en sortering, en ten slotte de synthese van de hart- en ademhalingscyclus. In de volgende paragrafen worden alle betrokken stappen in detail beschreven.

figure-protocol-1
Figuur 1: Schematisch overzicht van de kerncomponenten van PREFUL. 1) Acquisitie in vrije ademhaling, wat 2) bewegingscompensatie via registratie vereist, zoals aangetoond met de profielplots en een voxel-voor-voxel-analyse van de Fourier-componenten mogelijk maakt, zoals geïllustreerd in stap 3) filteren en sorteren. Na laagdoorlaatfiltering (ventilatie) en hoogdoorlaatfiltering (perfusie), 4) wordt de geschatte fase gebruikt om de beelden te sorteren op een hogere schijnbare temporele resolutie en om één volledige hart- en ademhalingscyclus te synthetiseren. Merk op dat dit een vereenvoudigde schets is en dat alle details in het manuscript worden beschreven. Verdere stappen, die in deze figuur zijn weggelaten, zijn onder meer het kwantificeren van parameters en het genereren van rapporten. Afkorting: PREFUL = fase-opgeloste functionele long. Klik hier om een grotere versie van deze figuur te bekijken.

1. Werving

  1. Rekruteer volwassen patiënten of minderjarigenin een PREFUL MRI-onderzoek voor patiënten en gezonde controles op basis van hun diagnose van een longaandoening op basis van spirometrieonderzoek en/of eerdere beeldvorming (bijv. röntgenfoto of CT-scan); mogelijkheid om geïnformeerde toestemming te geven; het vermogen om plat te liggen en stil te blijven liggen voor de duur van de MRI-scan; en geen bekende contra-indicaties voor MRI (bijv. metalen implantaten, claustrofobie).
  2. Sluit patiënten uit als ze zwanger zijn, in de afgelopen 6 maanden een eerdere longoperatie hebben ondergaan, ernstige ademnood hebben of continue zuurstofsuppletie nodig hebben, of eerdere bijwerkingen hebben gehad van contrastmiddelen op basis van gadolinium als contrastversterkte MRI wordt gebruikt naast PREFUL.
  3. Rekruteer gezonde controles als er geenbekende voorgeschiedenis van longziekte is op basis van klinisch onderzoek en zelfrapportage; longfunctietests zijn normaal; ze kunnen geïnformeerde toestemming geven; ze kunnen plat liggen en stil blijven liggen voor de duur van de MRI-scan; en hebben geen bekende contra-indicaties voor MRI.
  4. Sluit personen uit als gezonde controles op basis van de huidige of vroegere geschiedenis van roken, blootstelling aan bekende longtoxines of beroepsrisico's, familiegeschiedenis van erfelijke longziekten, elke bekende chronische ziekte die de longfunctie kan beïnvloeden en zwangerschap.
  5. Verkrijg toestemmingsformulieren. Ga door met het protocol als er een schriftelijk formulier voor geïnformeerde toestemming van de deelnemer is verkregen met het doel en de procedures van het onderzoek, eventuele risico's en voordelen, garanties van vertrouwelijkheid, duur van het onderzoek en het recht om zich zonder gevolgen terug te trekken.
    1. Pas de volgende aanvullende stappen toe wanneer de werving minderjarigen omvat.
      1. Verkrijg schriftelijke geïnformeerde toestemming van ten minste één ouder of voogd naast de instemming van de minderjarige.
      2. Presenteer het hele proces op een manier die past bij de leeftijd en die begrijpelijk is voor de minderjarige.
      3. Gebruik voor jongere minderjarigen visuele hulpmiddelen, verhalenboeken of vereenvoudigde uitleg.
      4. Zorg ervoor dat het onderzoek relevant is voor de leeftijdsgroep en dat minderjarigen niet onnodig worden opgenomen.
      5. Minderjarigen toestaan om tijdens alle procedures in verband met de studie te worden vergezeld door een volwassene die ze vertrouwt (bv. ouder, voogd), tenzij dit de integriteit van de studie in het gedrang brengt.
        OPMERKING: De beschreven stappen gaan ervan uit dat de studie is beoordeeld en goedgekeurd door de Ethische Commissie.

2. Acquisitie

  1. Voer de veiligheidsprocedure voor de prescan uit.
    1. Voer voorafgaand aan een MRI een gedetailleerde prescreening van patiënten uit om mogelijke contra-indicaties te identificeren, zoals eerdere operaties, geïmplanteerde apparaten, tatoeages of blootstelling aan metaalfragmenten.
    2. Informeer de patiënten bij aankomst over de magnetische eigenschappen en risico's van de procedure.
    3. Instrueer de patiënten om alle persoonlijke metalen voorwerpen, inclusief sieraden, horloges en bepaalde kledingonderdelen, te verwijderen en hen indien nodig een jas te geven.
    4. Laat een getrainde professional patiënten visueel inspecteren op over het hoofd geziene metalen voorwerpen.
    5. Controleer alle medische apparaten of implantaten op MRI-compatibiliteit.
    6. Zorg ervoor dat er noodprotocollen zijn voor zowel de veiligheid van het personeel als de patiënt.
  2. Positie deelnemer en scan
    1. Oriënteer de patiënt met het hoofd naar voren en leg hem in rugligging op een 0.55T, 1.5T of 3T systeem.
    2. Zorg voor gehoorbescherming, een noodbel, vulling en een deken voor veiligheid en comfort.
    3. Plaats een meerkanaals flexibele spoel net onder de kin om een optimale spoelgevoeligheid over alle longgebieden te garanderen.
    4. Zet de plaatsing van de spoel vast om de stabiliteit te behouden zonder de ademhaling van de patiënt te belemmeren.
    5. Instrueer de patiënt om zijn ogen te sluiten en markeer vervolgens het midden van de long met behulp van de MR-laser.
    6. Lijn het longcentrum uit op het isocentrum en laat de patiënt zijn ogen weer openen.
    7. Scan de initiële lokalisatoren om een algemene oriëntatie vast te stellen, gevolgd door een transversale morfologische scan om de tracheale bifurcatie te identificeren.
    8. Veranker de eerste coronale plak op de tracheale bifurcatie als een consistent herkenningspunt om de reproduceerbaarheid te verbeteren.
    9. Afhankelijk van het scanprotocol legt u drie plakjes vast met een afstand van plak tot plak (gemeten van rand tot rand) van 100% (van plakdikte) of verkrijgt u meerdere plakjes die de hele long beslaan met een afstand van 20% of 33%.
    10. Verkrijg elk plakje volledig afzonderlijk en niet interleaved.
    11. Upload de gereconstrueerde beelden naar het beeldarchiverings- en communicatiesysteem (PACS) voor latere toegang en analyse. Voor naleving van privacy- en gegevensbeschermingsnormen kunt u afbeeldingen ook handmatig exporteren naar een aangewezen netwerkschijf of een vergelijkbare opslagoplossing.
      OPMERKING: Voor gedetailleerde informatie over het sequentieprotocol en de parameters, zie Tabel 1 en Tabel 2. Voor een visuele weergave van de positionering van de plakjes, zie figuur 2.

figure-protocol-2
Figuur 2: Een typische slice-positionering voor een PREFUL-experiment gevisualiseerd met een 3D-gradiëntecho in transversale oriëntatie. Merk op dat de eerste plak zich op tracheale bifurcatie bevindt als een reproduceerbaar oriëntatiepunt. De 2een 3e plakjes zijn gepositioneerd met een plakopening van 100% in de voorste en achterste richting. Voorbeeldhistogrammen tonen waardeverdelingen met goede en ontoereikende (lage) schaling. Dit laatste leidt tot een laag dynamisch bereik en verlies van nauwkeurigheid. Een onvoldoende hoge schaalvergroting, die leidt tot clipping (hier niet weergegeven), moet ook worden vermeden. Afkorting: PREFUL = fase-opgeloste functionele long. Klik hier om een grotere versie van deze figuur te bekijken.

Tabel 1: Een typisch overzicht van een PREFUL-protocol. Na een localizer wordt een 3D-volume van de long verkregen in transversale oriëntatie. Deze acquisitie wordt gebruikt om de volgende PREFUL-acquisities te plannen (zie ook Tabel 2 voor sequentie-instellingen en Figuur 2 voor slice-positionering). Afhankelijk van het onderzoek kunnen andere sequenties worden toegevoegd. Afkorting: PREFUL = fase-opgeloste functionele long. Klik hier om deze tabel te downloaden.

Tabel 2: De samenvatting van de sequentieparameters voor PREFUL-acquisitie met spoiled gradiënt echo-sequentie. Afkortingen: PREFUL = fase-opgeloste functionele long; SPGRE = verwende gradiënt echo sequentie. Klik hier om deze tabel te downloaden.

3. Nabewerking

figure-protocol-3
Figuur 3: Schematische weergave van de groepsgerichte registratie om de vereiste vervorming voor bewegingscompensatie te minimaliseren. Na het verdelen van de afbeeldingen (weergegeven door cirkels) in 10 groepen op basis van een sorteermetriek (bijv. gesegmenteerd longgebied), worden de afbeeldingen binnen elke groep geregistreerd op een tussenliggende positie (geïllustreerd door stippellijnen voor groep 1). Vervolgens wordt het gemiddelde genomen van de geregistreerde afbeeldingen en wordt deze stap voor stap gebruikt voor de laatste stap van de intergroepregistratie in de richting van de tussenliggende groep. Afkorting: GOREG = groepsgerichte registratie. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-4
Figuur 4: Illustratie van het sorteeralgoritme voor perfusie en ventilatie. Voor perfusie (links) wordt een stukgewijze aanpassing (bovenste rij) uitgevoerd om de fase te schatten en de acquisities te rangschikken (onderste rij). Voor ventilatie (rechts) worden uitschieters uitgesloten (bovenste rij) en gesorteerd volgens een cosinusmodel (onderste rij) op basis van amplitude en amplitudeverschil om onderscheid te maken tussen expiratie- en inspiratiefasen. Klik hier om een grotere versie van deze figuur te bekijken.

figure-protocol-5
Figuur 5: Voorbeeldige flow-volume loops en de bijbehorende FVL-Correlatiemetriek van een 43-jarige vrouwelijke patiënt met COPD. Merk op dat bij het veranderen van FVL de FVL-CM afneemt. Afkortingen: FVL = flow-volume loop; FVL-CM = FVL-correlatiemetriek; COPD = chronische obstructieve longziekte. Klik hier om een grotere versie van deze figuur te bekijken.

Tabel 3: Toepassing van drempelwaarden op de parameterkaarten en combinatie van defectkaarten. Klik hier om deze tabel te downloaden.

  1. Registratie
    OPMERKING: In het volgende gedeelte wordt de procedure beschreven voor niet-rigide registratie op een referentievolume (bij voorkeur het middelste ademhalingsniveau) met behulp van een groepsgericht (GOREG) schema voor compensatie van ademhaling en hartbeweging.
    1. Haal de afbeeldingen op.
    2. Voer in eerste instantie longsegmentatie uit op alle niet-geregistreerde beelden, met een getraind U-Net en pas een laagdoorlaatfilter toe met een cut-off van 0,7 Hz om een schatting te krijgen voor de ademhalingsfasen.
      OPMERKING: Hiermee wordt de volledig geautomatiseerde verwerkingspijplijn gestart, die de volgende stappen op de achtergrond zal uitvoeren. De gedemonstreerde en beschreven verwerkingsstappen zijn niet beperkt tot een specifieke app of taal en kunnen daarom worden geïmplementeerd in een aangepaste app met veel programmeertalen.
    3. Classificeer een hoge hoeveelheid gesegmenteerde voxels als inspiratie en een lage hoeveelheid als vervaldatum.
    4. Groepeer de afbeeldingen door ze te verdelen in 10e percentielen, zodat elke groep van de resulterende 10 groepen een gelijk aantal afbeeldingen bevat.
    5. Selecteer ANT's34 (BSplineSyN met kruiscorrelatiemetriek) of Forsberg35,36 (polynomiale expansie met elastische en vloeistofregularisatie) als registratie-algoritme.
    6. Voer intra-registratie uit voor elke groep in de richting van de tussenliggende longpositie van de betreffende groep.
    7. Bereken het gemiddelde van de groepsresultaten om voor elke groep één afbeelding te verkrijgen.
    8. Voer een onderlinge registratie uit van elke groepsafbeelding naar de volgende buurman in de richting van de 5egroep.
    9. Pas de keten van vervormingen toe op de originele beelden, indien nodig om de ademhalingspositie te bereiken die wordt weergegeven door het gemiddelde beeld in groep 5. Voor afbeelding 36, die tot groep 3 behoort, worden bijvoorbeeld de volgende vervormingsvelden toegepast: 36->afbeelding 57 (~intermediaire longpositie in groep 3) -> Stap 3->4 -> Stap 4->5.
      OPMERKING: Voor een gedetailleerde beschrijving van de GOREG-procedure, zie afbeelding 3. Voer registratie uit met parallelle computing om de verwerkingstijd te verkorten. GOREG-registratie wordt uitgevoerd om de vervormingshoeveelheid die nodig is voor elke registratiestap te minimaliseren en zo een stabiele algoritmeconvergentie te garanderen. Desalniettemin kan de registratie ook worden uitgevoerd met slechts één vervormingsstap in de richting van de tussenliggende longpositie. Hoewel alle gepubliceerde 2D PREFUL-onderzoeken ANT's gebruikten, levert Forsberg tot 6x sneller resultaten op met resultaten van vergelijkbare kwaliteit als gerapporteerd door een 3D PREFUL-studie37. Voorbeeldige resultaten in dit rapport werden gegenereerd met Forsberg-registratie. Raadpleeg afbeelding 1 voor een illustratie van het registratie-effect op de beweging van het diafragma.
  2. Algemene filtering
    1. Maak de ruis van de geregistreerde beelden ongedaan met behulp van beeldgestuurd filteren38, waarbij het tijdelijk gemiddelde geregistreerde beeld als leidend beeld wordt gebruikt. Pas de volgende instellingen toe: NeighborhoodSize = [10, 10], DegreeOfSmoothing = 1.
    2. Gebruik voor ventilatie- en perfusieanalyse een laagdoorlaat- of hoogdoorlaatfilter met een uitschakeling bij 0.7 Hz om de respectieve andere component te onderdrukken. Sluit de eerste 20 beelden uit van alle verdere verwerkingsstappen, behalve gekwantificeerde perfusieberekening, om een stabiele toestand in de opgenomen tijdreeksen te garanderen.
      OPMERKING: Een wijziging van de cut-off kan nodig zijn als proefpersonen een ademhalingsfrequentie van meer dan ~40 ademhalingen/min hebben.
  3. Segmentatie
    OPMERKING: De uiteindelijke segmentatie wordt uitgevoerd met behulp van de geregistreerde beelden in tussenliggende longpositie in een procedure in twee stappen, zoals hieronder wordt beschreven.
    1. Voer segmentatie uit van de longgrens (long-ROI) op de tijdelijk gemiddelde geregistreerde beelden met een getraind U-Net of handmatig.
    2. Sluit vervolgens grote centrale vaten uit om de segmentatie van de longgrens te verfijnen en een interessegebied of ROI voor longparenchym te verkrijgen.
  4. Perfusie
    OPMERKING: De volgende stappen zijn nodig om de hartfase nauwkeurig te schatten voor elk beeld in de verkregen reeksen, die met een relatief lage frequentie (~3-5 beelden/s) worden bemonsterd, vooral in vergelijking met de hartslag (meestal 40-90 bpm). Herschikking van de gegevens volgens de bepaalde hartfasen wordt gebruikt om de volledige hartcyclus te verkrijgen met een verbeterde temporele resolutie, die de bemonsteringsfrequentie van de gegevensverzameling18 overtreft (zie figuur 4 voor een illustratie van de sorteerprocedure). Voor faseschatting is een zoek-ROI met een sterk perfusiegewogen signaal vereist. Gebruik een iteratief zoekalgoritme als volgt22.
    1. Verbind de ROI van de longgrens om het mediastinum op te nemen in de zoek-ROI.
    2. Genereer een eenvoudige, perfusiegewogen kaart door de standaarddeviatie over de beeldreeks te berekenen.
    3. Identificeer regio's die overeenkomen met het 98e percentiel van deze kaart binnen de zoek-ROI als seed-ROI's voor de volgende stappen.
    4. Voer de stukgewijze aanpassing uit en vergroot de grootte van de zaadpunten zolang de pasprestaties verbeteren.
    5. Rangschik de uitgebreide zaad-ROI's op basis van hun passende prestaties.
    6. Combineer iteratief de best uitgebreide seed-ROI's met de op één na beste, op twee na beste, enz., totdat de combinatie de metriek niet verbetert of alle seed-ROI's in aanmerking worden genomen. Beschouw de uiteindelijke ROI als de ROI van het vat die wordt gebruikt voor het schatten van de hartfase.
    7. Middelt het signaal binnen de geoptimaliseerde faseschatting ruimtelijk om één signaaltijdreeks voor faseschatting te produceren.
    8. Voer de stukgewijze schatting uit door het signaal in kleinere porties te segmenteren met behulp van de lokale maxima van het signaal, gevolgd door een stuksgewijze sinusvormige pasvorm, rekening houdend met parameters zoals amplitude, faseverschuiving en frequentie (Figuur 4).
    9. Sorteer de afbeeldingen in fasen om één hartcyclus weer te geven.
    10. Gebruik Nadaraya-Watson-kernelregressie met een Gaussiaanse kernel (sigma = 0,1) om 15 fasen te interpoleren op een gelijkmatig verdeeld tijdraster dat een enkele hartcyclus omvat.
      OPMERKING: Raadpleeg Figuur 1 voor een subset van een voorbeeldige gesynthetiseerde volledige hartcyclus van een gezonde vrijwilliger, beginnend bij diastole, overgaand naar systole en terugkerend naar diastole.
  5. Ventilatie
    OPMERKING: Houd er voor perfusieanalyse rekening mee dat de hartfrequentie relatief stabiel blijft met verwaarloosbare amplitudevariaties. Ventilatie daarentegen heeft de neiging om meer variaties in teugvolume en frequentie te ervaren, wat leidt tot verschillende ademhalingstoestanden met identieke ademhalingsfasen die niet altijd dezelfde amplitude hebben. Geïnspireerd door de self-gating-benadering van Fischer et al., is het essentieel om ventilatie te categoriseren op basis van signaalamplitude.
    1. Sluit extreme uitschieters uit met behulp van empirische regels (gegevens onder het 5e of boven het 97e percentiel).
    2. Leid het amplitudebereik R en offset C af van de signaaltijdreeksen die zijn gemaakt voor registratiegroepering.
    3. Definieer een modelfunctie A(t) met een willekeurig gekozen frequentie fAdemhaling (hier 0,3 Hz):
      figure-protocol-6
    4. Classificeer de gegevens in inspiratie- en vervalstatussen op basis van de helling.
    5. Bereik een meer verfijnde fasebepaling volgens de modelfunctie:
      figure-protocol-7
      figure-protocol-8
    6. Lijn vervolgens de monsters uit op basis van hun fase en pas de Nadaraya-Watson-kernelregressie toe om de ventilatie met gelijkmatig verdeelde intervallen tijdens de ademhalingscyclus te berekenen.
    7. Bereken de regionale ventilatie (RVent) voor elke fase naar analogie van vergelijking 1, waarbij u de inspiratiefase vervangt door de respectieve fase.
      figure-protocol-9
      OPMERKING: Raadpleeg Figuur 1 om een subset te zien van een voorbeeldige gesynthetiseerde volledige ademhalingscyclus van een gezonde vrijwilliger, beginnend bij de vervaldatum, overgaand naar inspiratie en vervolgens terugkerend naar de vervaldatum. Voor een illustratie van het sorteeralgoritme, zie figuur 4.
  6. Berekening van de parameters
    OPMERKING: Met behulp van de gesynthetiseerde volledige ademhalings- en hartcycli kan men verdere parameters afleiden. Een selectie van de belangrijkste parameters wordt hieronder beschreven.
  7. Regionale ventilatie (RVent)
    1. Gebruik de inademingsfase om RVent af te leiden volgens:
      figure-protocol-10
  8. Stroom-volume-lus correlatiemetriek (FVL-CM)
    OPMERKING: Om alle ademhalingsfasen te beoordelen, wordt een reeks stappen uitgevoerd om een MRI te genereren die gelijk is aan FVL-analyse naar analogie met longfunctietesten.
    1. Bereken de helling van regionale ventilatie (RVent) als surrogaat voor stroming met behulp van de eerste afgeleide van RVent. Gebruik een symmetrisch verschilquotiënt met staplengte h:
      figure-protocol-11
    2. Optioneel kunt u regionale of gemiddelde RVent-hellingen weergeven als functie van de betreffende RVent, waardoor een PREFUL-equivalent van FVL-analyse wordt gegenereerd.
    3. Bepaal een referentie-ROI door het grootste verbonden gebied met RVent-waarden te identificeren in het 80e tot 90e percentielbereik in de ROI van het longparenchym.
    4. Bereken het gemiddelde van de stroomvolumelussen binnen de bepaalde referentie-ROI.
    5. Om de gelijkenis van elke long-FVC met de referentie te bepalen, correleert u elke FVC in de ROI van het longparenchym met de referentie zonder vertraging:
      figure-protocol-12
    6. Normaliseer het volgens:
      figure-protocol-13
      Hier vertegenwoordigen x en y de referentie en de respectievelijke RVent stromingscurve.
      OPMERKING: Merk op dat zero-lag wordt gebruikt, zodat vertraagde ventilatie resulteert in een lagere correlatie.
      OPMERKING: Raadpleeg afbeelding 5 voor een illustratie van de FVL-berekening en de afgeleide FVL-CM-metriek.
  9. Gekwantificeerde perfusie
    OPMERKING: Kwantificering wordt uitgevoerd volgens Glandorf et al. met behulp van de eerste beelden die zijn verkregen tijdens de voorbijgaande toestand36.
    1. Normaliseer de eerste vier geregistreerde beelden naar het middelste inspiratieniveau met behulp van de longvoxelhoeveelheid A zoals berekend in stap 3.1.2. Deze vermindering van de modulatie, veroorzaakt door variërende protonendichtheid, wordt uitgedrukt als:
      figure-protocol-14
    2. Voer een exponentiële fit uit om het signaal te schatten dat verband houdt met maximale magnetisatie met behulp van het model:
      figure-protocol-15
    3. Bepaal een kaart Q gerelateerd aan parenchymale perfusie met behulp van de cardiale cyclusfase die de meest maximale signalen in de ROI van longparenchym laat zien.
    4. Voor de schatting van de regionale bloedfractie (BF) normaliseert u de S0-waarde door het gemiddelde te nemen van de waarden boven het 99,99e percentiel in de zoek-ROI (volle bloedvoxel):
      figure-protocol-16
    5. Schat de uitwisselingsfractie (EF) tijdens een hartcyclus door rekening te houden met de verhouding van het maximale mediane signaalverschil tussen steady state (SS) en initiële toestand zoals bepaald door S0 en het stroomgerelateerde signaalverschil Q:
      figure-protocol-17
    6. Bepaal de hartfrequentie fHart in 1/s van de ROI van het vat met behulp van Fourieranalyse (frequentie die overeenkomt met de grootste piek).
    7. Bereken de uiteindelijke gekwantificeerde perfusie (QQ) in ml∙min-1∙100 ml-1 als volgt:
      figure-protocol-18
      OPMERKING: Hier wordt het voxelvolume (VV) geannuleerd [ml/ml] en worden de conversiefactor 60 s/min en conventiefactor 100/100 gebruikt om het eindresultaat weer te geven in [ml∙min-1∙100 ml-1]. EF en BF zijn dimensieloze verhoudingen.
  10. Drempelwaarden en statistieken
    1. Beschrijf statistisch de bovengenoemde parameters voor het middelste segment en alle segmenten met gemiddelde waarde (alle waarden/middelste segmentwaarden) en standaarddeviatie (alle waarden / alleen middelste segmentwaarden).
    2. Normaliseer bovendien de standaarddeviatie naar de variatiecoëfficiënt om een relatief verslag van de dispersie te verkrijgen. Selecteer de gemiddelde waarde en de variatiecoëfficiënt als definitieve statistische output.
    3. Pas drempels toe op de parametertoewijzingen om defectkaarten te genereren en defectpercentagewaarden af te leiden (zie tabel 3).
    4. Classificeer waarden onder de drempelwaarden als ventilatie- of perfusiedefect (VD/QD). Combineer deze afbeeldingen verder om de overlapping van defecten en normale regio's (V/Q-klassen) te kwantificeren, inclusief de volgende combinaties zoals weergegeven in de viervoudige tabel in Tabel 3:
    5. Bereken het defectpercentage van de klassen Ventilatiedefect (VD), Perfusiedefect (QD) en Ventilatie/Perfusie (V/Q) als het aantal voxels met de respectieve klasse in verhouding tot de totale longparenchymvoxels:
      Defectpercentage = #DefectVoxels/#LungParenchyma
    6. Bereken dit defectpercentage voor elke plak en de samengestelde coronale plakjes. Voor dit onderzoek kiest u voor de gecombineerde aanpak, waarbij een ventilatiedefect wordt vastgesteld door een OK-operatie: VD = VD(RVent) OF VD(FVL-CM).
      OPMERKING: De beschreven analyse is uitgevoerd met een commerciële software-app (zie Materiaaltabel) met behulp van de Forsberg-registratietoolbox.
ParameterDrempelCommentaar
RVent90e percentiel * 0.4Adaptieve drempel
FVL-CM90%Vaste drempel
Q90e percentiel * 0.15Adaptieve drempel

V/QGEEN QDQD
GEEN VDNormaalVQ komt niet overeen (exclusief QD)
VDVQ komt niet overeen (exclusief VD)VQ Defect-Match

Resultaten

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

Het onderste deel van figuur 2 illustreert het gevolg van goede en ontoereikende schaling met een overeenkomstig effect op het dynamisch bereik. Figuur 6 toont de inhomogene signaalverdeling, die representatief is voor scans zonder en met spoelnormalisatie. Het wordt aanbevolen om een laag dynamisch bereik en afbeeldingen zonder spoelnormalisatie te vermijden.

figure-results-1
Figuur 6: Voorbeeldbeelden na acquisitie zonder spoelcorrectie (onjuist) en met spoelcorrectie (correct). Let op de kunstmatige signaalversterking aan de lichaamsgrenzen in de buurt van de spoelelementen. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 7 illustreert succesvolle en mislukte automatische segmentatie. Merk op dat de mislukte segmentatie niet alle longvoxels omvat, wat verdere analyse en statistieken zal vervalsen. Speciale zorg is vereist voor gevallen met infiltraten, omdat dergelijke voxels vanwege hun hoge signaal door AI-modellen verkeerd kunnen worden geclassificeerd als schepen of helemaal niet kunnen worden gesegmenteerd.

figure-results-2
Figuur 7: Een voorbeeld van geautomatiseerde segmentatie die resulteert in een mislukte (Proefpersoon A: 83-jarige man met COPD) en een succesvol resultaat (Proefpersoon B: 30-jarige vrouwelijke gezonde controle). De eerste rij toont de afbeeldingen, die als input voor de AI-modellen zijn gebruikt. De tweede rij toont de resultaten van de eerste segmentatiefase, bestaande uit het vinden van de longgrens. De derde rij toont het eindresultaat na uitsluiting van de vaartuigen. Zoals te zien is aan de blauwe pijlen, werd het algoritme uitgedaagd door de longvariaties met hoge signalen die een verkeerde detectie van de longgrens veroorzaakten. Merk op dat de beelden werden genormaliseerd door een maximaal signaal, wat leidde tot verschillende resultaten als gevolg van ontbrekende spoelnormalisatie van de scan die werd uitgevoerd op proefpersoon A. Rode gebieden tonen de ROI's, die automatisch werden gedetecteerd voor sortering in de perfusiefase. Afkortingen: COPD = chronische obstructieve longziekte; ROI's = regio's van belang. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 8 en Figuur 9 tonen representatieve parameterkaarten voor een gezonde controlegroep (30 jaar, vrouw) en een COPD-patiënt (60 jaar, man). Merk op dat de gezonde controle een meer homogene ventilatie en perfusie vertoont en dus minder defecte voxels. De bijbehorende rapportages van de ROI-statistieken zijn te vinden in Tabel 4 en Tabel 5.

figure-results-3
Figuur 8: PREFUL-parameterkaarten van een 30-jarige vrouwelijke gezonde controlegroep. De perfusie (1erij), regionale ventilatie (2erij), debiet-volumeluscorrelatiemetriek (3erij) en drempelige V/Q-kaarten (4e rij). Let op de homogene verdeling van de parenchymale waarden en lage defectpercentages. Afkortingen: PREFUL = fase-opgeloste functionele long; V = ventilatie; Q = perfusie. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-4
Figuur 9: PREFUL parameterkaarten van een 60-jarige mannelijke COPD-patiënt. De perfusie (1erij), regionale ventilatie (2erij), debiet-volumeluscorrelatiemetriek (3erij) en drempelige V/Q-kaarten (4e rij). Let op de heterogene verdeling van de parenchymale waarden en hoge defectpercentages. Afkortingen: COPD = chronische obstructieve longziekte; PREFUL = fase-opgeloste functionele long; V = ventilatie; Q = perfusie. Klik hier om een grotere versie van deze figuur te bekijken.

Tabel 4: Voorbeeldig rapport van PREFUL-parameters verkregen voor een gezonde controle (30-jarige vrouw). Let op de lage variatiecoëfficiënt en defectwaarden, die in overeenstemming zijn met de parameterkaarten die in figuur 8 voor hetzelfde onderwerp worden gepresenteerd. Zie ook tabel 5 en figuur 9. Afkorting: PREFUL = fase-opgeloste functionele long. Klik hier om deze tabel te downloaden.

Tabel 5: Voorbeeldrapport van PREFUL-parameters verkregen voor een COPD-patiënt (60-jarige man). Let op de hoge variatiecoëfficiënt en defectwaarden, die in overeenstemming zijn met de parameterkaarten die in figuur 9 voor hetzelfde onderwerp worden gepresenteerd. Zie ook tabel 4 en figuur 8. Klik hier om deze tabel te downloaden.

Aanvullend materiaal: Geanimeerde uitleg van het PREFUL-algoritme. Klik hier om dit bestand te downloaden.

Discussie

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

Kritieke stappen
Een van de meest voorkomende valkuilen tijdens acquisitie is onvoldoende signaalschaling, wat leidt tot informatieverlies tijdens DICOM-conversie door verminderde precisie van digitale gegevensweergave. Dit kan dan ook leiden tot problemen tijdens de nabewerking. Een andere, nog kritischer valkuil is het verwerven van meerdere plakjes op een interleaved manier. Daardoor wordt de effectieve temporele resolutie van de afzonderlijke plakjes kritisch verminderd. Bovendien kan dit, afhankelijk van de afstand van de plakjes, van invloed zijn op het perfusiecontrast en de kwantificering, aangezien de instroom afhankelijk is van verse spins zonder magnetisatiegeschiedenis. Speciale zorg is vereist bij het instellen van het protocol, vooral met betrekking tot gradiëntsterkte, asymmetrische echo, bandbreedte en parallelle beeldvorming. Afwijkingen van de voorgestelde instellingen voor zelfs maar één van deze parameters kunnen leiden tot ontoereikende TE en temporele resolutie.

De nabewerking bestaat uit meerdere stappen, die in de beschreven volgorde moeten worden gevolgd. Een registratie na low-pass filtering is bijvoorbeeld niet zinvol. Bijgevolg leidt falen in de ene stap tot een storing tijdens de volgende stappen. Dit maakt de registratiefase bijzonder belangrijk. Aangezien er geen enkel registratiealgoritme is, moeten afhankelijk van de respectieve implementatie parameters empirisch worden vastgesteld. Zonder verfijning van deze parameters zal een valse registratie het genereren van een zinvol resultaat verhinderen. Een andere mogelijk tijdrovende en kritische stap tijdens de nabewerking is segmentatie. Valse segmentaties kunnen leiden tot volledig verkeerde parameterberekeningen (bijvoorbeeld door niet-longregio's op te nemen) in het eindrapport. Dergelijke verkeerde segmentaties komen vaker voor bij deep learning-algoritmen, die gewend zijn aan bepaalde afbeeldingsweergaven en worden toegepast op afbeeldingen van een andere leverancier/machine met een iets ander uiterlijk. Een visuele kwaliteitscontrole van de segmentatienauwkeurigheid, met mogelijke handmatige correctie, is daarom verplicht.

Probleemoplossing
De typische procedure voor probleemoplossing is om alle stappen één voor één te volgen en de plausibiliteit van de tussentijdse resultaten te controleren. De procedure voor de belangrijkste stappen is als volgt: Controleer of de beelden in vrije ademhaling zijn verkregen met de juiste volgorde en instellingen. Controleer vervolgens of het dynamisch bereik van de signalen geschikt is (~50 AE in het longparenchym). Als er nog steeds onbewerkte gegevens beschikbaar zijn, herhaal dan de reconstructie van de afbeeldingen met een geschikte schaalfactor, zodat er geen nieuwe gegevens nodig zijn. Controleer of de registratie is uitgevoerd zonder grote artefacten en resterende beweging. Controleer vervolgens of kleine ROI's een tijdreeks laten zien met verwachte ventilatie- en perfusiegerelateerde modulaties. Controleer vervolgens of de toegepaste filters de afbeeldingen op de verwachte manier wijzigen (bijv. geen hoogfrequente modulaties in laagdoorlaatgefilterde gegevens). Controleer of de gesynthetiseerde ademhalings- en hartcycli fysiologisch zijn en geen plotselinge sprongen vertonen. Controleer de nauwkeurigheid van de segmentatie. Houd er rekening mee dat een zoekopdracht op een fijner resolutieniveau nodig kan zijn zodra de hoofdstap, waarin het probleem zich voordoet, is geïdentificeerd.

Beperkingen
Hoewel bekend is dat het gepresenteerde protocol reproduceerbare en gevoelige resultaten oplevert, maakt het aantal betrokken stappen en parameters tijdens acquisitie en nabewerking bijna eindeloze optimalisatie mogelijk en zijn ze met elkaar verweven. Daarom moet een bottom-upbenadering worden gevolgd door eerst optimalisaties van het sequentieprotocol aan te pakken (bijvoorbeeld met betrekking tot SNR en functionele contrast-ruisverhouding). Voor de volgende nabewerkingsoptimalisaties kan een vooraf gedefinieerde grondwaarheid in de vorm van een digitaal longmodel nuttig zijn40. Zoals gepresenteerd, bootst dit model een vrij ademende acquisitie na en bevat het verschillende klassen om ventilatie-/perfusiedefecten te simuleren. Met inbegrip van een bekende vervorming door beweging, kunnen registratiealgoritmen ook direct worden getest. Ondanks deze voordelen wordt elk model inherent beperkt door de nauwkeurigheid van het in kaart brengen van een complexe werkelijkheid in een eindig en vereenvoudigd model.

De drempels die in dit protocol worden gepresenteerd, bleken door empirische analyse redelijke resultaten te laten zien voor gezonde vrijwilligers en in verschillende patiëntencohorten. Desalniettemin, zoals eerder uiteengezet, is aanpassing waarschijnlijk vereist, afhankelijk van de sequentie, veldsterkte en cohort.

Een algemene beperking van PREFUL is de uitgebreide nabewerking, die nog niet direct beschikbaar is als medisch product, hoewel de eerste work-in-progress-versies van Siemens Healthineers en BioVisioneers beschikbaar zijn voor wetenschappelijke doeleinden in een wetenschappelijke samenwerking/commerciële setting. Berekeningen omvatten meestal parallelle verwerking, wat bijzonder hoge eisen stelt aan CPU en RAM en mogelijk moderne werkstations of serveroplossingen vereist om grote hoeveelheden gegevens effectief te verwerken. Verder belemmeren de tijdrovende nabewerkingsstappen momenteel een onmiddellijke presentatie van de resultaten, wat wenselijk zou zijn voor de klinische workflow.

Vergelijking met andere methoden
Er is een groot aantal vergelijkbare benaderingen zoals PREFUL, waaronder de voorganger Fourier-decompositie en zijn andere derivaten zoals Matrix Pencil Decomposition41 en de iets andere benadering Self-gated Non-Contrast-enhanced Functional Lung MRI (SENCEFUL MRI)42. Terwijl Fourierdecompositie en vergelijkbare methoden in het frequentiedomein werken, gebruikt PREFUL minder strikte Fourier-filtering en daaropvolgende berekening van amplitudes in het tijddomein. Daarom is het niet nodig om specifieke pieken te selecteren die overeenkomen met ventilatie/perfusie. Dit kan resulteren in een verminderde vatbaarheid voor ademhalingsvariabiliteit, waarvan bekend is dat deze voorkomt bij menselijke proefpersonen.

Terwijl PREFUL beeldsortering uitvoert, gebruikt SENCEFUL sortering van k-space-lijnen, wat leidt tot meer flexibiliteit. Desalniettemin vereist SENCEFUL sequenties met zelfpoortmogelijkheden, terwijl PREFUL kan worden uitgevoerd met een conventionele spoiled gradiënt echo-sequentie. Evenzo staat bSSFP, dat vaak wordt gebruikt in op Fourier-decompositie gebaseerde benaderingen, bekend om een betere SNR en bloedstroomcontrast, maar vereist doorgaans meer optimalisatie voor longacquisitie, vooral bij 3T43. Verder is er echter geen reden om PREFUL niet te combineren met bSSFP acquisitie44.

Al deze op signalen gebaseerde benaderingen gaan ervan uit dat bepaalde ongewenste signaalinvloeden, waaronder T1, T2/T2*, diffusie, doorgaande beweging door het vlak en niet-orthogonaal geperfuseerde voxels, verwaarloosbaar zijn. Hoewel de voortschrijdende validatie van PREFUL indirect suggereert dat dergelijke invloeden inderdaad niet kritisch zijn, toonden Triphan et al. aan dat er een afhankelijkheid is van de effectieve T1 en TE, wat wordt verklaard door de verschillende weging van de bloed- en parenchymale componenten afhankelijk van de TE45. In dit licht kan het aanvankelijke voordeel van bSSFP om bloed te visualiseren als gevolg van T2/T1-contrast een extra uitdaging vormen om een nauwkeurige kwantificering vast te stellen in vergelijking met de eenvoudigere contrastmechanica van een SPGRE. Desalniettemin zijn verdere studies die direct ingaan op de invloed van verschillende MR-variabelen, zoals uitgevoerd door Glandorf et al. voor contrastmedia46,47, wenselijk omdat ze het effect op PREFUL direct kunnen kwantificeren.

Belang
Omdat het een vrij ademende, contrast-mediavrije methode is, deelt PREFUL veel voordelen met de eerder genoemde gerelateerde methoden: 1) Geen toepassing van ioniserende straling en contrastmiddelen, 2) Geen vereiste voor extra hardware of personeel, 3) verwerving, die alleen afhankelijk is van minimale therapietrouw van de patiënt. Deze voordelen maken PREFUL tot een handig monitoringsinstrument, vooral voor kwetsbare groepen zoals kinderen met chronische longziekten. Hoewel de SNR laag is bij SPGRE-sequentie, bevorderen de beschikbaarheid en het ontbreken van een vereiste voor aanvullende sequentieprogrammering/-deling de verspreiding van deze aanpak verder.

Zoals besproken in het inleidende gedeelte, blijkt uit het aantal studies dat goede validatie, reproduceerbaarheid, gevoeligheidsresultaten en monitoringmogelijkheden aantoont, dat het belang van deze techniek en de bijbehorende dynamische parameters toeneemt en verder zal worden ondersteund door brede verspreiding.

Openbaarmakingen

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

Filip Klimeš, Andreas Voskrebenzev en Jens Vogel-Claussen zijn aandeelhouders van BioVisioneers GmbH, een bedrijf dat belangen heeft in beeldvormingsmethoden voor pulmonale magnetische resonantie.

Dankbetuigingen

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

Dit werk werd gefinancierd door het Duitse Centrum voor Longonderzoek (DZL). De auteurs willen hun diepe dankbaarheid uitspreken aan iedereen die heeft bijgedragen en de verdere ontwikkeling van PREFUL heeft ondersteund, in het bijzonder: Marcel Gutberlet, Till F. Kaireit, Lea Behrendt, Julian Glandorf, Sonja Lüdiger, Tawfik Moher Alsady, Katharina Bünemann, Marius Wernz, Robin Müller, Maximilian Zubke, Gesa Pöhler, Agilo Kern, Cristian Crisosto, Milan Speth, Arnd Obert, Julienne Scheller, Jim Wild, Edwin van Beek, Helen Marshall, Jens Gottlieb, Martha Dohna, Diane Renz, Anna-Maria Dittrich, Tobias Welte, Jens Hohlfeld, Patrick Zardo, Giles Santyr, Franz Wolfgang Hirsch, Robert Grimm, Bastian Bier, Bassem Ismail, André Fischer, Berthold Kiefer, Gregor Thoermer en Rebecca Ramb. Verder willen de auteurs ook de röntgenfotografen en studiedeelnemers bedanken. In het bijzonder danken wij Frank Schröder en Sven Thiele van de afdeling Radiologie (Hannover Medical School) voor hun uitstekende technische hulp bij het uitvoeren van de MRI-onderzoeken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Advanced Normalization Tools (ANTs)-Image registratie toolbox (https://stnava.github.io/ANTs/; https://github.com/fordanic/image-registration)
Forsberg-Image registratie toolbox
MRISiemens Healthineers AG, München, Duitsland0.55T / 1.5T / 3T Scanner
PREFUL AppBioVisioneers GmbH, Laatzen, DuitslandPREFUL analyse, Figuren en rapporten

Referenties

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Vogelmeier, C. F., et al. Global strategy for the diagnosis, management, and prevention of chronic obstructive lung disease 2017 Report: GOLD Executive Summary. Eur Respir J. 49 (3), 1700214(2017).
  2. Ranu, H., Wilde, M., Madden, B. Pulmonary function tests. Ulster Med J. 80 (2), 84-90 (2011).
  3. Galbán, C. J., et al. Computed tomography-based biomarker provides unique signature for diagnosis of COPD phenotypes and disease progression. Nat Med. 18 (11), 1711-1715 (2012).
  4. Roach, P. J., Schembri, G. P., Bailey, D. L. V/Q Scanning using SPECT and SPECT/CT. J Nucl Med. 54 (9), 1588-1596 (2013).
  5. Wild, J. M., et al. MRI of the lung (1/3): methods. Insights Imaging. 3 (4), 345-353 (2012).
  6. Albert, M. S., et al. Biological magnetic resonance imaging using laser-polarized 129Xe. Nature. 370 (6486), 199-201 (1994).
  7. Berthezène, Y., et al. Contrast-enhanced MR imaging of the lung: assessments of ventilation and perfusion. Radiology. 183 (3), 667-672 (1992).
  8. Hughes, P. J. C., et al. Assessment of the influence of lung inflation state on the quantitative parameters derived from hyperpolarized gas lung ventilation MRI in healthy volunteers. J Appl Physiol. 126 (1), 183-192 (2019).
  9. Zapke, M., et al. Magnetic resonance lung function - a breakthrough for lung imaging and functional assessment? A phantom study and clinical trial. Respir Res. 7 (1), 106(2006).
  10. Klimeš, F., et al. Free-breathing quantification of regional ventilation derived by phase-resolved functional lung (PREFUL) MRI. NMR Biomed. 32 (6), e4088(2019).
  11. Deimling, M., Jellus, V., Geiger, B., Chefd'hotel, C. Time resolved lung ventilation imaging by Fourier decomposition. Proc. Intl. Soc. Mag. Reson. Med. 16, 2639(2008).
  12. 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).
  13. Bauman, G., et al. Lung ventilation- and perfusion-weighted Fourier decomposition magnetic resonance imaging: In vivo validation with hyperpolarized 3He and dynamic contrast-enhanced MRI. Magn Reson Med. 69 (1), 229-237 (2013).
  14. Bauman, G., et al. Validation of Fourier decomposition MRI with dynamic contrast-enhanced MRI using visual and automated scoring of pulmonary perfusion in young cystic fibrosis patients. Eur J Radiol. 82 (12), 2371-2377 (2013).
  15. Sommer, G., et al. Non-contrast-enhanced preoperative assessment of lung perfusion in patients with non-small-cell lung cancer using Fourier decomposition magnetic resonance imaging. Eur J Radiol. 82 (12), e879-e887 (2013).
  16. Voskrebenzev, A., Gutberlet, M., Becker, L., Wacker, F., Vogel-Claussen, J. Reproducibility of fractional ventilation derived by Fourier decomposition after adjusting for tidal volume with and without an MRI compatible spirometer. Magn Reson Med. 76 (5), 1542-1550 (2016).
  17. 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).
  18. 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).
  19. Voskrebenzev, A., et al. Imaging-based spirometry in chronic obstructive pulmonary disease (COPD) patients using phase resolved functional lung imaging (PREFUL). Proc. Intl. Soc. Mag. Reson. Med. 26, 1079(2018).
  20. Alsady, T. M., 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).
  21. Pöhler, G. H., et al. Chronic thromboembolic pulmonary hypertension perioperative monitoring using phase-resolved functional lung (PREFUL)-MRI. J Magn Reson Imaging JMRI. 52 (2), 610-619 (2020).
  22. 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).
  23. Kaireit, T. F., et al. Flow volume loop and regional ventilation assessment using phase-resolved functional lung (PREFUL) MRI: comparison with 129 xenon ventilation MRI and lung function testing. J Magn Reson Imaging JMRI. 53 (4), 1092-1105 (2021).
  24. 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 (2023).
  25. Behrendt, L., et al. A dual center and dual vendor comparison study of automated perfusion-weighted phase-resolved functional lung magnetic resonance imaging with dynamic contrast-enhanced magnetic resonance imaging in patients with cystic fibrosis. Pulm Circ. 12 (2), e12054(2022).
  26. Moher Alsady, T., et al. Multicenter standardization of phase-resolved functional lung MRI in patients with suspected chronic thromboembolic pulmonary hypertension. J Magn Reson Imaging. , (2023).
  27. 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 (2021).
  28. 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).
  29. Vogel-Claussen, J., et al. Phase-resolved functional lung (PREFUL) MRI-derived ventilation and perfusion parameters predict future lung transplant loss. Radiology. 307 (4), e221958(2023).
  30. Zanette, B., et al. Clinical feasibility of structural and functional MRI in free-breathing neonates and infants. J Magn Reson Imaging. 55 (6), 1696-1707 (2022).
  31. Dyke, J. P., et al. Assessment of lung ventilation of premature infants with bronchopulmonary dysplasia at 1.5 Tesla using phase-resolved functional lung magnetic resonance imaging. Pediatr Radiol. 53 (6), 1076-1084 (2023).
  32. Glandorf, J., et al. Comparison of phase-resolved functional lung (PREFUL) MRI derived perfusion and ventilation parameters at 1.5T and 3T in healthy volunteers. PLOS ONE. 15 (12), e0244638(2020).
  33. 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 (11), 742-751 (2022).
  34. Avants, B. B., et al. A reproducible evaluation of ANTs similarity metric performance in brain image registration. NeuroImage. 54 (3), 2033-2044 (2011).
  35. Forsberg, D., Andersson, M., Knutsson, H. Extending image registration using polynomial expansion to diffeomorphic deformations. SSBA Symposium on Image Analysis. , Stockholm, Sweden. (2012).
  36. Forsberg, D. fordanic/image-registration. , Available from: https://github.com/fordanic/image-registration (2022).
  37. Klimeš, F., et al. 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(2023).
  38. He, K., Sun, J., Tang, X. Guided image filtering. IEEE Trans Pattern Anal Mach Intell. 35 (6), 1397-1409 (2013).
  39. Glandorf, J., et al. Perfusion quantification using voxel-wise proton density and median signal decay in PREFUL MRI. Magn Reson Med. 86 (3), 1482-1493 (2021).
  40. Voskrebenzev, A., Gutberlet, M., Klimeš, F., Wacker, F., Vogel-Claussen, J. Introduction of a Digital Lung Model for Validation and Refinement of Functional Lung Imaging Methods. Proc. Intl. Soc. Mag. Reson. Med. 31, 4820(2023).
  41. Bauman, G., Bieri, O. Matrix pencil decomposition of time-resolved proton MRI for robust and improved assessment of pulmonary ventilation and perfusion. Magn Reson Med. 77 (1), 336-342 (2017).
  42. Fischer, A., et al. SElf-gated Non-Contrast-Enhanced FUnctional Lung imaging (SENCEFUL) using a quasi-random fast low-angle shot (FLASH) sequence and proton MRI. NMR Biomed. 27 (8), 907-917 (2014).
  43. Bauman, G., Pusterla, O., Bieri, O. Functional lung imaging with transient spoiled gradient echo. Magn Reson Med. 81 (3), 1915-1923 (2019).
  44. Rotärmel, A., et al. GRE bSSFP vs. FLASH based Fourier decomposition lung MRI at 1.5T: evaluation of image quality, fractional ventilation and lung perfusion in healthy volunteers. Prog Intl Soc Mag Reson. 26, 2-4 (2018).
  45. Triphan, S. M. F., et al. Echo time-dependent observed lung T1 in patients with chronic obstructive pulmonary disease in correlation with quantitative imaging and clinical indices. J Magn Reson Imaging. 54 (5), 1562-1571 (2021).
  46. Glandorf, J., et al. Effect of intravenously injected gadolinium-based contrast agents on functional lung parameters derived by PREFUL MRI. Magnetic Resonance in Medicine. 83 (3), 1045-1054 (2020).
  47. Glandorf, J., et al. Influence of gadolinium, field-strength and sequence type on quantified perfusion values in phase-resolved functional lung MRI. PloS One. 18 (8), e0288744(2023).

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Longperfusiefaseresolutie MRIFourier decompositieVQ beoordelingdetectie van longziektenkwantitatieve biomarkers3D PREFULbeeldregistratie

Gerelateerde artikelen