Methodenartikel

Driedimensioneel fase-opgelost functioneel long magnetische resonantie beeldvorming

2.1K weergaven

⸱

DOI:

10.3791/66385

⸱

21 juni 2024

 ,  ,  , 
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)

In dit artikel

Samenvatting

Driedimensionaal (3D) fase-opgeloste functionele long (PREFUL) is een functionele magnetische resonantiebeeldvormingstechniek (MRI) die kwantificering van regionale ventilatie van het hele menselijke longvolume mogelijk maakt, met behulp van ademhalingscycli en contrastmiddelvrije acquisitie gedurende 8 minuten. Hier presenteren we een MR-protocol om 3D PREFUL-beeldgegevens te verzamelen en te analyseren.

Samenvatting

Pulmonaire magnetische resonantiebeeldvorming (MRI) biedt een verscheidenheid aan stralingsvrije technieken die zijn afgestemd op het beoordelen van regionale longventilatie of de surrogaatindicatoren daarvan. Deze technieken omvatten directe metingen, geïllustreerd door hypergepolariseerd gas MRI en gefluoreerd gas MRI, evenals indirecte metingen die worden vergemakkelijkt door zuurstofversterkte MRI en proton-gebaseerde Fourier-decompositie (FD) MRI. In recente tijden is er aanzienlijke vooruitgang geboekt op het gebied van FD MRI, wat betrekking heeft op het verbeteren van ruimtelijk/temporele resolutie, het verfijnen van sequentieontwerp en postprocessing, en het ontwikkelen van een alomvattende gehele longbenadering.

De tweedimensionale (2D) fase-opgeloste functionele long (PREFUL) MRI valt op als een op FD gebaseerde benadering die is ontwikkeld voor de alomvattende beoordeling van regionale ventilatie- en perfusiedynamiek, allemaal binnen één MR-acquisitie. Onlangs is er een nieuwe vooruitgang geboekt met de ontwikkeling van 3D PREFUL om dynamische ventilatie van de gehele long te beoordelen met behulp van een 8-minuten examen met een zelf-gated sequentie.

De 3D PREFUL-acquisitie omvat het gebruik van een stack-of-stars spoiled-gradient-echo sequentie met een gouden hoekverhoging. Na de beeldreconstructie met behulp van gecomprimeerde sensoren van ongeveer 40 ademhalingsfasen, worden alle gereconstrueerde ademhalingsopgeloste beelden geregistreerd op een vaste ademhalingsfase. Vervolgens worden de ventilatieparameters uit de geregistreerde beelden geëxtraheerd.

In een studiecohort bestaande uit gezonde vrijwilligers en patiënten met chronische obstructieve longziekte, toonden de 3D PREFUL-ventilatieparameters sterke correlaties met metingen verkregen uit longfunctietests. Bovendien werd de herhaalbaarheid tussen scans van de 3D PREFUL-techniek als acceptabel beschouwd, wat duidt op de betrouwbaarheid ervan voor herhaalde beoordelingen van dezelfde individuen.

Kortom, 3D PREFUL-ventilatie-MRI biedt een dekking van de gehele long en legt ventilatiedynamiek vast met een verbeterde ruimtelijke resolutie in vergelijking met 2D PREFUL. De 3D PREFUL-techniek biedt een kosteneffectieve alternatief voor hypergepolariseerd 129Xe MRI, waardoor het een aantrekkelijke optie is voor patiëntvriendelijk evalueren van pulmonale ventilatie.

Inleiding

Volgens de Wereldgezondheidsorganisatie (WHO) zijn chronische aandoeningen van de luchtwegen de derde belangrijkste doodsoorzaak en leggen ze een aanzienlijke last op de gezondheidszorg1. De diagnose en monitoring van verschillende aandoeningen van de luchtwegen omvat pulmonale functionele tests, die geen ruimtelijke informatie bevatten en mogelijk niet haalbaar zijn bij jonge patiënten. Meerdere andere nucleaire geneeskunde modaliteiten leveren ruimtelijke maatregelen van ventilatie, zoals positronemissietomografie (PET)2, enkele-foton emissie gecomputeriseerde tomografie (SPECT)3, of computertomografie4. Een belangrijk nadeel van deze technieken is het gebruik van ioniserende straling voor beeldvorming. Daarom zijn deze metingen niet haalbaar bij gevoelige populaties zoals kinderen of voor herhaalde metingen in klinische studies.

Magnetische resonantie beeldvormingsmethoden hebben de laatste twee decennia interesse gewekt omdat ze stralingsvrije meting van longfunctie bieden. Bovenal zijn hyperpolarisatie gas MRI technieken5 gebruikt voor de beoordeling van longventilatie bij gezonde controles en patiënten met longziekten, met een superieur signaal-ruisverhouding (SNR) vergeleken met 19F6 of zuurstof-versterkte MRI7. De gemeenschappelijke nadelen van gas MRI technieken omvatten de vereiste voor extra personeel, hardwarekosten of de noodzaak van patiëntsamenwerking tijdens de ademstilstand meting. Om deze beperkingen aan te pakken, zijn methoden gebaseerd op Fourier Decompositie (FD) MRI8 geïntroduceerd voor het evalueren van longventilatie en perfusie. Als alternatief voor FD MRI werd een fase-opgeloste functionele long (PREFUL) MRI9 ontwikkeld, gevalideerd10,11,12 en getest in meerdere studies, inclusief multicentrische studies13,14. Niettemin resulteert de 2D-acquisitie in lange acquisitietijden voor volledige longdekking en beperkte ruimtelijke resolutie. Een elegante oplossing wordt aangeboden door zelf-gegate 3D-acquisities, zij het ten koste van de perfusie-informatie15,16,17. Een van deze technieken, 3D PREFUL MRI17, is ontwikkeld om niet alleen statische ventilatie te beoordelen, maar ook ventilatiedynamiek gedurende een 8 min MR-examen, wat een superieure beeldresolutie biedt vergeleken met 2D-methoden.

Na de originele publicatie die de methode beschreef17, is de herhaalbaarheid van de techniek beoordeeld en vergeleken met de klinisch goed gevestigde spirometrische metingen18, en meer recentelijk is een versneld beeldregistratieframework geïntroduceerd terwijl de herhaalbaarheid van ventilatieparameters werd verbeterd en de beeldkwaliteit van ventilatiekaarten werd behouden19. Deze patiëntvriendelijk en eenvoudig schaalbare techniek, in staat om regionaal ventilatie in de menselijke long kwantitatief in kaart te brengen, heeft het potentieel om een aanzienlijke bijdrage te leveren aan vroege detectie, diagnose van aandoeningen van de luchtwegen, of follow-up monitoring van therapie-effecten20. Deze behandelingsveranderingen in regionale longfunctie, zoals verbeterd ventilatievolume, hebben het potentieel om biomarkers te worden voor het beoordelen van de impact van therapieën en zouden een nuttig hulpmiddel kunnen zijn in multicentrische klinische studies.

Het artikel heeft tot doel een uitgebreide en visuele uitleg van de 3D PREFUL technologie te bieden, met als doel een bredere toepassing van deze techniek te bevorderen.

Protocol

Deze studie is goedgekeurd door de ethische commissie van de Hannover Medical School, waardoor is gewaarborgd dat er gedurende het hele onderzoeksproces strikt is voldaan aan de ethische normen. Het onderzoek is strikt uitgevoerd volgens de richtlijnen zoals beschreven in de Verklaring van Helsinki, waarbij de nadruk ligt op het ethisch handelen bij medisch onderzoek. Daarnaast is voorafgaand aan deelname aan het MRI-onderzoek zorgvuldig geïnformeerde toestemming verkregen van alle studiedeelnemers (of hun ouders of wettelijke vertegenwoordigers).

OPMERKING: De in- en uitsluitingscriteria voor studies met 3D PREFUL MRI variëren en zijn afhankelijk van het studieontwerp. Doorgaans omvatten de inclusiecriteria voor gezonde vrijwilligers bij een 3D PREFUL MRI-onderzoek personen die (a) vrij zijn van significante medische aandoeningen die de studieresultaten kunnen beïnvloeden, (b) geen medicijnen gebruiken die de MRI-resultaten kunnen verstoren, (c) geen last hebben van claustrofobie, angst of metalen implantaten of apparaten, (d) voldoen aan specifieke leeftijd- en geslachtscriteria die relevant zijn voor de studiedoelen, (e) geen geschiedenis van roken hebben, (f) normale resultaten vertonen bij spirometrie (FEV1/FVC > 0,7 en zowel FEV1 als FVC > 80% van de voorspelde waarde). De uitsluitingscriteria voor alle studiedeelnemers die een 3D PREFUL MRI-onderzoek ondergaan, kunnen omvatten: (a) zwangerschap, (b) elke aandoening die de veiligheid of validiteit van het 3D PREFUL MRI-onderzoek in gevaar kan brengen, (c) intolerantie voor gadoliniumhoudende contrastmiddelen wanneer dynamische contrast-enhanced MRI is opgenomen in een studieprotocol.

1. Interview voorafgaand aan de MRI

  1. Laat een arts belangrijke informatie verzamelen over de medische voorgeschiedenis van de proefpersoon.
  2. Leg de potentiële contra-indicaties, risico's en de MRI-procedure uit.
  3. Vraag schriftelijke, geïnformeerde toestemming van de proefpersoon.
    OPMERKING: Indien er geen resultaten van een longfunctieonderzoek beschikbaar zijn, verzoek de proefpersoon dan om een longfunctieonderzoek te ondergaan voorafgaand aan het MRI-onderzoek en verifieer of de verkregen resultaten voldoen aan de inclusiecriteria.

2. Voorbereiding van de radiograaf op het MR-onderzoek

  1. Registreer de proefpersoon in de MR-console en kies het MR-protocol van de studie met 3D PREFUL-acquisitie.
  2. Controleer of de proefpersoon, diens zakken en kleding vrij zijn van metalen voorwerpen.
  3. Plaats de lakens op de scantafel om een steriele omgeving te garanderen.
  4. Betreed de MR-ruimte samen met de proefpersoon.

3. Het voorbereiden van het subject voor het MR-onderzoek

  1. Laat de proefpersoon in rugligging op de MRI-tafel liggen (een buikligging is echter ook mogelijk).
  2. Zorg ervoor dat de torso-spoel voldoende dekking van de thorax biedt, waarbij het bovenste element van de torso-spoel nabij de kin van de proefpersoon wordt geplaatst.
  3. Voorzie de proefpersoon van een koptelefoon (alternatief oordoppen of beide) om het gehoor te beschermen tegen het harde, door de MRI veroorzaakte geluid.
  4. Voorzie de proefpersoon van een veiligheidsknop (of een alternatief veiligheidsmechanisme) zodat deze gemakkelijk bereikbaar is en ingedrukt kan worden.
  5. Plaats een kussen onder het hoofd en de benen van de proefpersoon om het comfort tijdens het MR-onderzoek te verhogen.
  6. Plaats de proefpersoon in de MR-scanner en gebruik de laserlichtnavigatie om er zeker van te zijn dat het te beelden gebied zich in het isocentrum van de bore bevindt.

4. MRI-onderzoek

  1. Localizer
    1. Voer een localizer-sequentie uit (met vergelijkbare parameters als vermeld in Tabel 1A) om anatomische beelden met een lage resolutie in drie vlakken (met een groot gezichtsveld) te verkrijgen, die worden gebruikt voor het plannen van het 3D PREFUL-onderzoek.
  2. 3D PREFUL-beeldvorming
    1. Stel de acquisitieparameters in volgens Tabel 1B voor de beeldacquisitie.
    2. Stel het aantal radiale projecties dienovereenkomstig in, zodat de acquisitie ongeveer 8 min duurt.
    3. Instrueer de proefpersoon om gedurende de gehele acquisitie normaal te ademen (getijdevrije ademhaling).
    4. Controleer of de gehele thorax in het gezichtsveld is opgenomen en start de acquisitie.
  3. Verwijder de proefpersoon uit de scanner nadat de beeldvorming is voltooid.

5. Overdracht van ruwe gegevens

  1. Normaal gesproken worden de verkregen ruwe gegevens niet opgegeslagen op het platform van de MR-leverancier. Sla de ruwe 3D PREFUL k-ruimtegegevens op via de leveranciersspecifieke stappen op de MR-console.

6. Data-analyse en nabewerking

  1. Begin met het evalueren van de verkregen gegevens met behulp van het script voor beeldreconstructie (Tabel met materialen) op het aangewezen werkstation, bijvoorbeeld in MATLAB, door het pad naar de ruwe gegevens in te stellen.
    OPMERKING: Op het aangewezen werkstation moeten de volgende pakketten reeds zijn geïnstalleerd:
    (a) The Berkeley Advanced Reconstruction Toolbox (BART)
    ​(b) Advanced Normalization Tools (ANTs)
  2. Beeldreconstructie
    1. Schat de MR-systeemafhankelijke gradiëntvertragingen in met behulp van de kalibratieprojecties met de estdelay functie geïmplementeerd in de Berkeley advanced reconstruction toolbox (BART)21,22.
    2. Pas een verschuiving toe op elke projectie op basis van de berekende gradiëntvertraging.
    3. Pas Hanning-filtering toe (met behulp van de hann functie in MATLAB) naar de gradiëntvertraginggecorrigeerde gegevens met behulp van een periodiek venster in het x-y-vlak en de z-richting.
    4. Beeldreconstructie met lage resolutie voor respiratoire binning
      1. Selecteer één-achtste/een kwart van de k-ruimtegegevens gecentreerd rond de middelste index van de readout-/partitiedimensie.
        OPMERKING: Afhankelijk van de grootte van het subject resulteert deze stap in een matrixgrootte van 32 x 32 x (12-20).
      2. Hervorm de matrices van de k-ruimtegegevens en de overeenkomstige trajecten om een extra tijdsdimensie toe te voegen, waarbij elk tijdspunt bestaat uit 14 radiale projecties.
        OPMERKING: Elk opeenvolgend tijdspunt bevat 13 radiale projecties van het vorige tijdspunt plus één nieuwe opeenvolgende radiale projectie.
      3. Maak gebruik van parallelle beeldvorming en compressed sensing (afbeeldingen) commando geïmplementeerd in BART voor beeldreconstructie.
        OPMERKING: Pas de L2-norm toe (λ = 0,1) en totale variatie (λ = 0,0001) regularisatie in het ruimtelijke domein en totale variatie (λ = 0,01) regularisatie in het tijdsdomein.
    5. Extractie van het respiratoire gating-signaal
      1. Segmenteer het longparenchym in elke gereconstrueerde 3D-afbeelding met lage resolutie met behulp van de drempelwaarde-methode van Otsu23en bereken het volume van het longparenchym voor elk tijdstip.
      2. Pas een laagdoorlaatfilter toe met een afsnijfrequentie van 0,7 Hz op de geëxtraheerde volumetijdreeksen en bereken de ademhalingsfrequentie.
      3. Sluit extreme uitschieters uit de tijdserie uit (tijdspunten boven de 95th percentiel en onder de 10th percentiel).
        OPMERKING: Door de tijdreeksen te ordenen op basis van hun amplitude en fase, kan een enkele ademhalingscyclus worden gereconstrueerd.
    6. Voer een snelle Fourier-transformatie uit (FFT, FFT (fast Fourier-transformatie) functie in MATLAB) op de hanning-gefilterde gegevens langs de plakrichting om een plak-voor-plak beeldreconstructie mogelijk te maken.
    7. Hervorm de k-ruimte datamatrix op basis van de geëxtraheerde tijdreeks, zodanig dat elke ademhalingsbin een minimum van 100 spokes bevat.
    8. Gebruik 20% van de projecties uit aangrenzende bins om de signaal-ruisverhouding (SNR) te verbeteren24,25 van elke respiratoire bin.
    9. Pas de vorm van de matrix met k-ruimtetrajecten aan zodat deze overeenkomt met de grootte van de k-ruimtedata.
    10. Voer de afbeeldingen commando voor beeldreconstructie voor elke slice.
      OPMERKING: Pas de L2-norm toe (λ = 0,1) en totale variatie (λ = 0,0001) regularisatie in het ruimtelijke domein en totale variatie (λ = 0,01) regularisatie in het tijdsdomein.
    11. Sla de variabelen, inclusief de gereconstrueerde beelden van één volledige ademhalingscyclus, de ademhalingsfrequentie en de acquisitietijden, op in een .mat-bestand.
  3. Beeldregistratie
    1. Keer de signaalintensiteiten van de gereconstrueerde beelden om.
    2. Registreer de beelden via niet-rigide registratie naar een geselecteerde respiratoire toestand, zoals inspiratie.
      OPMERKING: Om de nauwkeurigheid van de registratie te verbeteren, wordt een groepsgeoriënteerde benadering gebruikt26 kan worden ingezet. Het registratieproces kan worden uitgevoerd op zowel de CPU als de GPU met behulp van tools zoals Advanced Normalization Tools (ANTs)27 of het Forsberg-registratiepakket28.
  4. Segmentatie van het longparenchym
    1. Segmenteer het longparenchym van het 3D-beeld bij maximale inspiratie met behulp van een convolutioneel neuraal netwerk met bijvoorbeeld een nnUnet-architectuur29.
    2. Sluit longvaten uit met behulp van een vatherkenningsalgoritme, zoals dat beschreven door Wernz et al.30.
      OPMERKING: De stap voor de herkenning van longvaten is niet verplicht als u geen toegang heeft tot een dergelijk algoritme. In sommige gevallen kan handmatige hersegmentatie noodzakelijk zijn.
  5. Filtratie
    1. Pas Nadaraya-Watson-kernregressie toe (met σ (= 0,3) naar de geregistreerde en opnieuw geïnverteerde beelden om 16 fasen te interpoleren op een uniform verdeeld tijdgrid.
    2. Elimineer signaalvariaties die niet gerelateerd zijn aan de ademhaling door een laagdoorlaatfilter van 0,7 Hz toe te passen op de geïnterpoleerde gegevens in het tijddomein.
    3. Ontruis de laagdoorlaatgefilterde beelden met behulp van image-guided filtering31, waarbij het temporeel gemiddelde geregistreerde beeld als leidend beeld dient. Stel de volgende parameters in: Venstergrootte = [5, 5, 5], lambda = 0.001.
  6. Ventilatieanalyse
    1. Bereken de regionale ventilatiekaarten (RVent) in milliliter/milliliter (mL/mL) voor elke ademhalingsfase N met behulp van de volgende formule32:
      figure-protocol-1     [1]
      OPMERKING: SInsp vertegenwoordigt het doelbeeld voor beeldregistratie, overeenkomend met het niveau aan het einde van de inspiratie. SExp verwijst naar het beeld aan het einde van de uitademing, terwijl SN staat voor de N-de respiratoire toestand.
    2. Bereken het ventilatiedefect (VDRVent) kaart van de RVent kaart van 8th fase, die de maximale ventilatie vertegenwoordigt.
      ​OPMERKING: Om VD te berekenen, worden voxels onder de drempelwaarde van de 90th percentielwaarde, vermenigvuldigd met een factor 0,4, worden als defecten beschouwd33.
    3. Bereken de correlatiemap van de flow-volume-loop-metriek (FVL-CM).
      1. Bereken de flow als de eerste afgeleide van RVent.
        OPMERKING: Het volume wordt direct gemeten door RVent.
      2. Stel een referentie-FVL vast voor elke slice, berekend op basis van een gezond gebied gedefinieerd door RVent-waarden tussen 75th en 95th percentiel
      3. Bepaal de overeenkomst tussen de FVL van elke voxel van het longparenchym en de referentie-FVL middels cross-correlatie met zero-lag.
    4. Bereken VDFVL-CM kaart, waarbij voxels met FVL-CM-waarden onder 0,9 worden geïdentificeerd als voxels met een ventilatiedefect34.
    5. Bereken ventilatie tijd-tot-piek (VTTP) kaarten in percentage (%) van de ademhalingscyclus.
      OPMERKING: Theoretisch gezien begint/eindigt de geïnterpoleerde ademhalingscyclus bij de maximale expiratie en is deze symmetrisch rond de maximale inspiratie bij 50% van de ventilatiecyclus voor een gezonde voxel. Voor voxels met geavanceerde/vertraagde ventilatiedynamiek zal de VTTP-kaart een waarde onder/boven de 50% weergeven.
    6. Bereken de afwijking van de VTTP-waarde (VTTPOntwikkeling) vanaf de maximale inspiratie bij 50% als volgt:
      figure-protocol-2    [2]
      OPMERKING: Voor een gezond gebied is de VTTPOntwikkeling moet dicht bij 0% liggen.
    7. Statistiek
      1. Beschrijf statistisch de parameters RVent, FVL-CM, VTTP en VTTPOntwikkeling voor alle coupes, waarbij de mediaan, het gemiddelde, de standaarddeviatie en de interkwartielafstanden worden vermeld.
      2. Bereken de percentagewaarden van het ventilatiedefect afgeleid van de gegenereerde VD-kaarten.
      3. Exporteer alle berekende parameters naar een spreadsheetbestand (raadpleeg het voorbeeld in Tabel 3).

Resultaten

Het eenvoudigste 3D PREFUL-beeldvormingsprotocol bestaat uit twee sequenties. Eén anatomische localizer + één meting tijdens vrije ademhaling met behulp van een golden-angle 3D stack-of-stars acquisitie. Het stack-of-stars traject is weergegeven in Figuur 1Deze traject combineert radiale bemonstering (in het vlak) met lineaire cartesiaanse bemonstering (in de z-richting). Aanvankelijk worden monsters in de k-z de partitierichtingen worden verkregen, gevolgd door de rotatie met de gouden hoek om de k-ruimte te samplenHet spijt me, maar u heeft geen brontekst opgegeven om te vertalen. Voer a.u.b. de Engelse tekst in die u naar het Nederlands vertaald wilt hebben.-ky vlak. Het acquisitieschema met de gouden hoek bevordert self-gating met een uniforme dekking van de k-ruimte, wat beeldreconstructie met sterk ondergesamplede gegevens vergemakkelijkt. Het gehele onderzoek duurt niet langer dan 10 minuten. Verdere details van de 3D PREFUL-acquisitie zijn opgenomen in de Tabel met materialen.

figure-results-1
Figuur 1: Trajectorie van een geroteerde stapel sterren volgens de gulden snede. Let op de radiale bemonstering toegepast langs de in-plane dimensie (kx-ky) en de Cartesiaanse bemonstering toegepast langs de slice-richting (kz). Dit schema resulteert in een cilindrische dekking van de verworven k-ruimte. In dit voorbeeld worden drie partities afgebeeld, elk met 32 radiale projecties per partitie. Klik hier om een grotere versie van deze figuur te bekijken.

Een lijst met typische MRI-parameters die worden gebruikt voor 3D PREFUL-beeldvorming op een 1.5 T scanner wordt gepresenteerd in Tabel 1B. Voor de 3T scanner worden de sequentieparameters vermeld in Tabel 2 voorgesteld.

Nadat de gegevensverwerving en gegevensoverdracht zijn voltooid, begint het deel van de beeldreconstructie. Deze stap wordt uitgevoerd door een MATLAB-code die deel uitmaakt van het intellectueel eigendom (IP) van een bedrijf (BioVisioneers GmbH) en niet openbaar gedeeld kan worden. Het script is volledig geautomatiseerd zodra het pad naar de ruwe gegevens is opgegeven. Een schematisch overzicht van de reconstructieprocedure is afgebeeld in Figuur 2.

figure-results-2
Figuur 2: Schematisch overzicht van de 3D Phase Resolved Functional Lung (PREFUL) MRI-methode. Eerst worden de gegevens verzameld met een 8 minuten durende MR-acquisitie bij vrije ademhaling met een stack-of-stars traject. Nadat de gegevens van de MR-scanner naar een rekeneenheid zijn overgebracht, worden 3D-beelden met een lage resolutie en een temporele resolutie van ongeveer 100 ms gereconstrueerd. Het longparenchym van elk beeld wordt gesegmenteerd en het longvolume wordt berekend. De informatie over het longvolume wordt vervolgens gebruikt als gatingsignaal. Op basis van de amplitude en fase van het gatingsignaal worden de radiale projecties gesorteerd in respiratoire bins die één ademhalingscyclus beslaan. Het binning-gedeelte wordt gevolgd door de dynamische reconstructie van beelden met volledige resolutie, die vervolgens worden geregistreerd naar het niveau van de maximale inspiratie. Na verschillende postprocessing-stappen wordt de regionale ventilatiecyclus (RVent) berekend en wordt de beeldanalyse, inclusief parameterextractie, uitgevoerd. De RVent-cyclus wordt beoordeeld door de flow-volumelus (FVL) voor elke voxel te berekenen. De FVL-CM ventilatiekaarten worden geëxtraheerd door de FVL van elke voxel te beoordelen ten opzichte van een gezonde referentie-FVL, waarbij de gelijkenis wordt geëvalueerd met behulp van een cross-correlatiemetriek. Voor zowel RVent als FVL-CM worden de globale waarden van het totale ventilatiedefectpercentage (VDP) gekwantificeerd. Bovendien wordt de dynamiek van de RVent-cyclus geanalyseerd via time-to-peak analyse, wat resulteert in een ventilatie time-to-peak (VTTP) parametekaart. Daarnaast wordt de afwijking van de verwachte piekventilatie bij 50% van de RVent-cyclus gekwantificeerd in de VTTPDev kaart. Klik hier om een grotere versie van deze figuur te bekijken.

Na de procedure voor beeldreconstructie worden alle beelden ruimtelijk uitgelijnd naar één vaste toestand. De registratie zelf wordt op de CPU uitgevoerd met Advanced Normalization Tools (ANTs27) of het registratiepakket van Forsberg28. Hoewel het ANTs-pakket de gouden standaard blijft voor beeldregistratietaken bij MRI- en CT-beeldvorming, maakt de registratie van Forsberg een 10 keer snellere registratieprocedure mogelijk van maximaal 9 minuten met vergelijkbare resultaten19. Het registratiepakket kan worden gekozen afhankelijk van de prioriteiten van de gebruiker en de beschikbare computereenheden. Nadat de registratie is voltooid, worden de geregistreerde morfologische beelden opnieuw geïnverteerd, zodat de long donker verschijnt in het grijswaardenbeeld.

In Figuur 3 wordt de volgende stap van de pijplijn weergegeven, die bestaat uit de segmentatie van het longparenchym. Eerst wordt het longparenchym gesegmenteerd uit het beeld aan het einde van de inspiratie met behulp van een convolutioneel neuraal netwerk met nnUnet-architectuur29. De segmentatie van het longparenchym wordt gevolgd door vaatherkenning30, waarbij de vaten worden uitgesloten van het uiteindelijke segmentatiemasker.

figure-results-3
Figuur 3: Voorbeeldresultaten van deep learning-gebaseerde segmentatie voor een 32-jarige mannelijke proefpersoon. De bovenste rij toont morfologische beelden van acht representatieve coronale coupes. In de tweede en derde rij kunnen respectievelijk het bijbehorende masker van het longparenchym en het uiteindelijke masker met uitsluiting van vaten worden waargenomen. Klik hier om een grotere versie van deze figuur te bekijken.

Een voorbeeld van een onjuiste segmentatie van het longparenchym is afgebeeld in Figuur 4. Het is essentieel om de op deep learning gebaseerde segmentaties visueel te inspecteren; indien deze onbevredigend worden geacht, moeten handmatige correcties worden overwogen om de nauwkeurigheid van het uiteindelijke longparenchymmasker te verbeteren.

figure-results-4
Figuur 4: Voorbeeld van onjuiste deep learning-gebaseerde segmentatie bij een mannelijke proefpersoon van 57 jaar. De bovenste rij toont morfologische beelden van acht representatieve coronale coupes. In de tweede en derde rij zijn respectievelijk het bijbehorende masker van het longparenchym en het definitieve masker met uitsluiting van vaten te zien. Zoals duidelijk is, worden verschillende fibrotische regio's onterecht herkend als vaten of niet-pulmonale structuren. Deze onjuistheden zijn handmatig gecorrigeerd, zoals gedemonstreerd in de vierde rij. Klik hier om een grotere versie van deze figuur te bekijken.

Na verschillende filtratiestappen die in het protocol worden beschreven, worden surrogaten voor ventilatie berekend. 3D PREFUL MRI genereert kwantitatieve kaarten voor statische regionale ventilatie (RVent), dynamische flow-volumecorrelatiemetrieken (FVL-CM) en twee parameters gebaseerd op ventilatie tijd-tot-piek (VTTP) analyse, zoals geïllustreerd in Figuur 5. Deze figuur toont acht coronale coupes van een gezonde man van 32 jaar oud. Let op de verwachte homogene distributie van alle ventilatieparameters.

figure-results-5
Figuur 5: 3D PREFUL MRI van een gezonde vrijwilliger (man van 32 jaar oud). Representatieve morfologische (bovenste rij) en 3D PREFUL MRI ventilatieparameterkaarten (tweede tot vijfde rij) voor een gezonde vrijwilliger (man van 32 jaar oud). De statische regionale ventilatie wordt weergegeven door de regionale ventilatie (RVent), terwijl de ventilatiedynamiek wordt beoordeeld met de flow-volumeloop correlatiemetriek (FVL-CM); de ventilatietijd-tot-piek (VTTP) en de afwijking van VTTP (VTTPDev) zijn ventilatieparameters die de ventilatiedynamiek beoordelen. Zoals verwacht worden homogene ventilatiewaarden waargenomen voor alle ventilatieparameterkaarten. Klik hier om een grotere versie van deze figuur te bekijken.

Om de ventilatiekaarten te vereenvoudigen, worden ventilatiedefect-kaarten (VD-kaarten) afgeleid voor RVent en FVL-CM, wat een snellere interpretatie van de resultaten mogelijk maakt. De voorbeeld-VD-kaarten worden gepresenteerd in Figuur 6. Voor zowel VDRVent als VDFVL-CM bleken de VDP-waarden respectievelijk 3,6% en 3,0% te zijn, wat binnen het gezonde normale bereik valt. Idealiter, en afhankelijk van de leeftijd van de gezonde vrijwilligers, mag de VDP-waarde 10% niet overschrijden. De bovengenoemde parameters (RVent, FVL-CM en hun VD-kaarten) zijn in verschillende studies gevalideerd11,12,35,36 en zijn gevoelig voor de detectie van ziekten alsovel als voor de detectie van therapie-geïnduceerde effecten20,34,37,38,39.

figure-results-6
Figuur 6: Representatieve RVent- en FVL-CM-kaarten, inclusief de bijbehorende ventilatiedefectkaarten. De RVent- (bovenste rij) en FVL-CM-kaarten (tweede rij), inclusief de ventilatiedefectkaarten (derde en vierde rij) afgeleid via 3D PREFUL MRI voor een gezonde vrijwilliger (man van 32 jaar), worden hier weergegeven. In de VD-kaarten zijn gezonde regio's groen en zijn gebieden met een ventilatiedefect in rood gemarkeerd. Klik hier om een grotere versie van deze figuur te bekijken.

Verschillende pulmonale MRI-studies zijn gerapporteerd bij magnetische veldsterktes van zowel 1,5 T als 3 T. Hoewel 3 T een theoretisch voordeel biedt vanwege een hogere signaal-ruisverhouding (SNR), kan dit voordeel tenietgedaan worden door meer uitgesproken magnetische susceptibiliteitseffecten bij 3 T. De exacte invloed van magnetische veldsterktes op de beeldkwaliteit van 3D PREFUL-ventilatiekaarten is momenteel onbekend. Hier presenteren we haalbaarheidsresultaten (Figuur 7) verkregen voor een gezonde vrijwilliger (man van 35 jaar) met gebruik van een 3 T MR-scanner. Let op het meer heterogene uiterlijk van de ventilatieparameters bij 3 T in vergelijking met 1,5 T (Figuur 5).

figure-results-7
Figuur 7: 3D PREFUL MRI van een gezonde vrijwilliger (man van 35 jaar). Representatieve morfologische (bovenste rij) en 3D PREFUL MRI ventilatieparameterkaarten (tweede tot vijfde rij) voor een gezonde vrijwilliger (man van 35 jaar) bij 3T. De statische regionale ventilatie wordt weergegeven door de regionale ventilatie (RVent), terwijl de ventilatiedynamiek wordt beoordeeld met behulp van de flow-volume loop correlatiemetriek (FVL-CM), ventilatietijd-tot-piek (VTTP), en afwijking van VTTP (VTTPDev), welke ventilatieparameters zijn voor de beoordeling van de ventilatiedynamiek. Klik hier om een grotere versie van deze figuur te bekijken.

Een vergelijking/validatie van 3D PREFUL, afgeleid van directere metingen, is momenteel niet gepubliceerd. Er zijn verschillende studies die een positieve correlatie rapporteren tussen VDP-waarden en de ruimtelijke overlap van ventilatiedefecten tussen de 2D PREFUL-techniek en 129Xe11,12,14 en 19F MRI35. Een recente vergelijking tussen ventilatie afgeleid van 3D PREFUL en directe ventilatiemetingen met 19F MRI bij patiënten met chronische obstructieve longziekte (COPD), astma en gezonde vrijwilligers toonde een matige tot sterke correlatie op globaal niveau40. Er wordt een voorbeeldvergelijking gepresenteerd (Figuur 8) voor een patiënte met de diagnose chronische obstructieve longziekte (54-jarige vrouw, FEV1 = 42% van de voorspelde waarde), die werd onderzocht met behulp van 3D PREFUL en 19F wash-in MRI.

figure-results-8
Figuur 8: 3D PREFUL MRI van een 54-jarige vrouwelijke COPD-patiënt. Getoond worden morfologische beelden (bovenste rij), ventilatieparameters en de bijbehorende ventilatiedefectkaarten van een 54-jarige vrouwelijke COPD-patiënt (FEV1 = 42 % pred., FVC = 102% pred.) verkregen via 3D PREFUL MRI (2e en 3e rij) en 19F MRI (4e en 5e rij), samen met een vergelijking van de ventilatiedefectkaarten van beide methoden (onderste rij). In totaal, over alle coupes heen, was de Sørensen-Dice-coëfficiënt 25,5% in defecte gebieden en 80,6% in gezonde regio's, wat resulteerde in een totale ruimtelijke overlap van 69,2%. Opvallend is de visuele correlatie tussen overeenkomstige ventilatiegebieden in gezonde en defecte regio's (wegegeven in donkergroen). Klik hier om een grotere versie van deze figuur te bekijken.

3D PREFUL MRI kan worden gebruikt om regionale reacties op therapie te meten20. Als voorbeeld toont Figuur 9 een vergelijking van drie coupes van de long van een subject met cystische fibrose (43-jarige vrouw) bij baseline (links, FEV1 = 94% van de voorspelde waarde) en na CFTR-modulatortherapie (rechts, FEV1 = 112% van de voorspelde waarde). Omdat beide metingen ruimtelijk overeenkomen, maakt 3D PREFUL regionale analyse van de behandelingsrespons mogelijk, zoals geïllustreerd onderaan Figuur 9. Let op de verhoogde waarden van de flow-volume-loop correlatiemetriek alsook de afname van ventilatiedefecten na therapie.

figure-results-9
Figuur 9: 3D PREFUL-metingen van een 43-jarige vrouwelijke patiënt met cystische fibrose (CF). Voorbeeld van ventilatiemarkerkaarten van baseline (links) en na behandeling (rechts) 3D PREFUL-metingen van een 43-jarige vrouwelijke CF-patiënt. VDPFVL-CM nam af van 18,0% (baseline) naar 3,6% (na behandeling). FEV1 % pred. baseline: 94%, FEV1 % pred. na behandeling: 112%. LCI baseline: 10,48, LCI na behandeling: 9,39. De bijbehorende responskaarten op de behandeling zijn onderaan afgebeeld. Let op de groene gebieden die de herstelde ventilatie na de therapie aangeven. Klik hier om een grotere versie van deze figuur te bekijken.

Tabel 1: Lijst van typische MRI-parameters gebruikt voor de localizer en 3D PREFUL-acquisitie op een 1.5T scanner. (A) Localizer en (B) 3D PREFUL-acquisitie. Klik hier om deze tabel te downloaden.

Tabel 2: Voorgestelde MRI-parameters voor 3D PREFUL-acquisitie op een 3T-scanner. Klik hier om deze tabel te downloaden.

Tabel 3: Voorbeeld van een statistisch rapport van de 3D PREFUL-parameters voor een gezonde vrijwilliger (man van 35 jaar) Klik hier om deze tabel te downloaden.

Discussie

Een van de meest cruciale valkuilen is de acquisitie zelf. Er moet voorzichtig worden omgegaan om ervoor te zorgen dat de MR-sequentieparameters correct zijn ingesteld. Belangrijke parameters zijn de echotijd, herhalingstijd, aantal slices, matrixgrootte en pixelbandbreedte. Afwijkingen van de aanbevolen instellingen kunnen resulteren in onvoldoende tijdelijke resolutie of verlengde acquisities. Ook is gegevensoverdracht belangrijk om ervoor te zorgen dat de gegevens volledig worden geleverd aan de geselecteerde computer of server voor evaluatie. De gegevensevaluatie verloopt volledig automatisch zodra het pad naar de verworven gegevens is ingesteld. Postprocessing begint met beeldreconstructie, waarbij retrospectieve binning een cruciale rol speelt. Het is aan te bevelen om het binning-signaal te verifiëren om een duidelijke weergave van het ademhalingspatroon te garanderen. Na het inspecteren van het binning-signaal zijn er geen aanvullende stappen nodig, aangezien het algoritme zelf slechte ademhalingspatronen verwerkt door uitzonderingen (gegevenspunten boven de 95th percentile en onder de 10th percentile) uit te sluiten. Na beeldreconstructie vindt het proces van beeldregistratie plaats. Deze stap moet als volgt worden geverifieerd: de geregistreerde beelden moeten vrij zijn van ademhaling en hartbeweging. Specifiek moeten de posities van het middenrif en het hart 'bevroren' zijn. De volgende stap omvat deep-learning-gebaseerde segmentatie van longparenchym en bloedvaten. Dit segmentatieproces is erg tijdrovend voor het hele 3D-longvolume; daarom is het gebruik van AI-gebaseerde tools nuttig. In bepaalde situaties, zoals het optreden van perifere consolidaties, kunnen deze algoritmen echter geen nauwkeurige resultaten opleveren. Bijgevolg moet het segmentatiemasker grondig worden gecontroleerd en zo nodig handmatig worden gecorrigeerd. Al deze stappen zijn cruciaal voor het evalueren van de ventilatieparameters en kunnen leiden tot onnauwkeurige berekeningen.

Sinds de oorspronkelijke publicatie17 zijn er verschillende ontwikkelingen geweest in de 3D PREFUL-techniek. Het sorteeralgoritme van de verworven radiale projecties is volledig geautomatiseerd en verbeterd, zodat de hele long wordt gesegmenteerd met behulp van Otsu's thresholding-methode en wordt gebruikt als een navigatorsignaal voor het indelen van gegevens in ademhalingsfasen. Verder zijn de handmatige segmentatie van longparenchym en bloedvaten vervangen door volledig automatische deep-learning-gebaseerde algoritmen om tijdrovende procedures te verminderen. Bovendien kan de verwerkingstijd van het beeldregistratiedeel tot 10 minuten worden verminderd als de Forsberg-registratietoolbox wordt geïmplementeerd19. Samen met eerdere ontwikkelingen maakt de geïmplementeerde code het mogelijk om beelden van twee tijdstippen (follow-up metingen) te coregistreren en de voxelwijze progressie van de ziekte of therapie-geïnduceerde ventilatieveranderingen te evalueren20. De huidige versie van het Matlab-script vereist geen gebruikersinteractie en kan in de toekomst worden geïmplementeerd in een pijplijn voor de geautomatiseerde verwerking van gegevens met specifieke vlaggen.

Het belangrijkste nadeel van 3D PREFUL is dat geen lokale bloedstroommeting mogelijk is, omdat het instroomeffect niet kan worden vastgelegd bij gebruik van een niet-selectieve harde RF-puls voor excitatie. Ten tweede vereist de volledige postverwerking (inclusief gegevensoverdracht, beeldreconstructie, beeldregistratie en ventilatieanalyse) momenteel 2 uur voor elk onderwerp. Ten derde is momenteel slechts een voorlopige vergelijking van 3D PREFUL-afgeleide ventilatieparameters met meer gevalideerde technieken aangetoond40. Ten vierde wordt de evaluatie van verworven gegevens uitgevoerd op een high-performance computer; daarom zijn de resultaten niet direct beschikbaar voor de arts aan de console. Ten vijfde ontbreken haalbaarheidsstudies van 3D PREFUL op verschillende veldsterktes en verschillende scannerleveranciers.

3D Phase Resolved Functional Lung (PREFUL) MRI maakt kwantitatieve mapping van regionale ventilatiedynamiek van de gehele menselijke long tijdens vrij ademen mogelijk17. Er zijn verschillende kosteneffectieve alternatieven voor 3D PREFUL, zoals spirometrie of meervoudige ademwastechnieken; beide hebben echter geen ruimtelijke informatie en vereisen ademhalingshandelingen, en zijn daarom niet haalbaar voor jonge kinderen of neonaten. Alternatieve beeldvormingsmethoden brengen patiënten bloot aan ioniserende straling, zoals nucleaire geneeskundemethoden CT, of zijn niet algemeen beschikbaar (hypergepolariseerd 129Xe of 19F gasbeeldvorming met behulp van MRI). 3D PREFUL biedt een beoordeling van ventilatiedynamiek, kan worden uitgevoerd met behulp van een standaard klinische scanner en vereist geen contrastmiddelen, waardoor het aantrekkelijk is om te vertalen naar een klinische onderzoeksomgeving. Het feit dat 3D PREFUL geen gebruik van straling of contrastmiddelen vereist en een patiëntvriendelijk, vrij ademend acquisitie biedt, maakt het geschikt voor herhaalde of longitudinale studies die regionale reacties op therapie kwantitatief evalueren. Ten tweede kan de 3D PREFUL-beoordeling van longventilatie bijzonder waardevol zijn bij jonge kinderen, waarbij blootstelling aan straling moet worden vermeden.

Het vermogen van 3D PREFUL om functionele ventilatiebeelden van de menselijke long te genereren, biedt potentieel voor vroege diagnose. Specifiek maakt de mogelijkheid om herhaalbare en kwantitatieve regionale ventilatiekaarten te produceren longitudinale studies mogelijk, bijv. ziekteprogressie of monitoring van therapie-effecten. Bovendien kan de regionale informatie over ventilatiedynamiek een grotere gevoeligheid bieden voor vroege veranderingen gerelateerd aan longziekte die niet detecteerbaar zijn door longfunctietests.

Openbaarmakingen

Filip Klimeš, Andreas Voskrebenzev en Jens Vogel-Claussen zijn aandeelhouders van BioVisioneers GmbH, een bedrijf dat geïnteresseerd is in pulmonaire magnetische resonantie beeldvormingsmethoden.

Dankbetuigingen

Dit werk werd gefinancierd door het Duitse Centrum voor Longonderzoek (DZL). De auteurs profiteerden van een aantal nuttige gesprekken met collega's, met name met Marcel Gutberlet, Agilo Kern, Lea Behrendt, Arnd Obert, Julian Glandorf, Till Kaireit, Tawfik Moher Alsady, Gesa Pöhler, Maximilian Zubke, Robin Müller, Marius Wernz, Cristian Crisosto, Milan Speth, Julienne Scheller en Sonja Lüdiger. De auteurs danken Robert Grimm (Siemens Healthineers) voor het schrijven van de MR-beeldvormingssequentie en verder willen de auteurs ook Frank Schröder en Sven Thiele van de afdeling Radiologie (Hannover Medical School) bedanken voor uitstekende technische assistentie bij het uitvoeren van de MRI-onderzoeken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
ANTsOpen source medical image analysis research communityImage registratie toolbox
BARTOpen source imaginghttps://www.opensourceimaging.org/project/berkeley-advanced-reconstruction-toolbox-bart/Image reconstructie toolbox
Body coilSiemens / Philips / GE https://www.siemens-healthineers.com/en-us/magnetic-resonance-imaging/options-and-upgrades/coilsMinimaal 6-kanaals body coil; Philips [https://www.usa.philips.com/healthcare/solutions/magnetic-resonance/coils-overview ]
ForsbergImage registratie toolboxhttps://github.com/fordanic/image-registrationImage registratie toolbox
Image reconstructie codeBioVisioneers GmbHwww.biovisioneers.comSoftware voor de MR reconstructie en analyse
MatlabMathworksSoftware
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
SequenceSiemens / Philips / GEMRI sequence, 3D gradiënt echo sequence met stack-of-stars traject en gouden hoek increment; 1. Siemens Grasp-Vibe Sequence - https://t.ly/P31kM, 2. Philips Multi Vane XD Sequence https://t.ly/wMWZZ, 3. GE Lava-Star, Disco-Star - https://t.ly/vimm2

Referenties

  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).

Herprints en machtigingen

Trefwoorden

Functionele long MRIfaseresoluutie MRIdriedimensionale PREFULregionale ventilatieventilatiedefectkaartencompressed sensingdeep learning reconstructiesegmentatie van het longparenchymventilatiedynamieklongfunctietesten
Driedimensioneel fase-opgelost functioneel long magnetische resonantie beeldvorming
Neem contact met ons op
Aanbevelen aan bibliotheek

Privacy

Gebruiksvoorwaarden

Beleid

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.