É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.

Artigo de método

Uma Técnica de Quantificação 3D para Análise da Distribuição da Fração de Gordura no Fígado Usando a Ressonância Magnética de Dixon

2.8K visualizações

DOI:

10.3791/66121

20 de outubro de 2023

Neste artigo

Resumo

Este estudo introduz um método único de quantificação 3D para a distribuição da fração de gordura hepática (LFF) usando a Ressonância Magnética de Dixon (Dixon MRI). Os mapas de LFF, derivados de imagens em fase e em fase hídrica, são integrados com contornos hepáticos 3D para diferenciar os padrões de LFF entre fígados normais e esteatóticos, permitindo uma avaliação precisa do conteúdo de gordura hepática.

Resumo

Este estudo apresenta uma metodologia de quantificação 3D para a distribuição da fração de gordura hepática (LFF) através da análise de imagens de Dixon RM. O objetivo central é oferecer um meio altamente preciso e não invasivo de avaliar o conteúdo de gordura hepática. O processo envolve a aquisição de imagens em fase e em fase d'água a partir de uma sequência de Dixon. Os mapas LFF são então meticulosamente computados voxel por voxel, dividindo as imagens de fase lipídica pelas imagens em fase. Simultaneamente, os contornos hepáticos 3D são extraídos das imagens em fase. Esses componentes cruciais são perfeitamente integrados para construir um modelo de distribuição 3D-LFF abrangente. Esta técnica não se limita a fígados saudáveis, mas estende-se àqueles acometidos por esteatose hepática. Os resultados obtidos demonstram a notável eficácia desta abordagem na visualização e quantificação do conteúdo de gordura no fígado. Distingue padrões que diferenciam fígados normais e esteatóticos. Ao aproveitar a ressonância magnética de Dixon para extrair a estrutura 3D do fígado, este método oferece avaliações precisas da LFF abrangendo toda a extensão do órgão, sendo assim uma grande promessa para o diagnóstico de esteatose hepática com notável eficácia.

Introdução

A Doença Hepática Gordurosa Não Alcoólica (DHGNA) engloba um espectro de condições patológicas, que vão desde o acúmulo anormal de triglicerídeos nas células hepáticas (esteatose hepática) até o desenvolvimento de inflamação e danos às células hepáticas, conhecida como esteatohepatite não alcoólica (EHNA). Em alguns casos, a DHGNA pode evoluir para estágios mais graves, incluindo fibrose, cirrose, doença hepática terminal ou mesmo carcinoma hepatocelular (CHC)1. Dados publicados da Organização Mundial da Saúde e da Carga Global de Doenças sugerem que aproximadamente 1.235,7 milhões de indivíduos no mundo são afetados pela DHGNA em todas as faix....

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

O estudo foi aprovado e o paciente foi recrutado no Departamento de Doenças Infecciosas do Hospital Dongzhimen, da Universidade de Medicina Chinesa de Pequim, em Pequim, na China. A paciente foi submetida a uma ressonância magnética de Dixon abdominal de rotina após consentimento informado. Nesta investigação, uma abordagem de modelagem de distribuição 3D é empregada para reconstruir a fração de gordura hepática (LFF) em um paciente padrão com esteatose hepática diagnosticada clinicamente. Além disso, o estudo fornece uma avaliação quantitativa comparando o fígado do paciente com um fígado saudável. As ferramentas de software utilizadas nesta pesquisa estão listadas n....

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Esta investigação utiliza conjuntos de dados reais de pacientes adquiridos usando um scanner de RM disponível comercialmente para validar a metodologia 3D de quantificação da fração de gordura do fígado (Figura 1). O protocolo de RMincluiu imagens de Dixon em quatro fases9,10: em fase, fora de fase, somente água e somente gordura (Figura 2). A fração de gordura (FF) de cada voxel é calculada dividindo-se.......

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

Esta pesquisa apresenta uma técnica inovadora de quantificação 3D para análise da distribuição da fração de gordura hepática (FLP) por meio da RM de Dixon9,10. Ao integrar mapas de LFF, que são gerados a partir de imagens em fase e em fase hídrica, com contornos hepáticos 3D, esse método distingue os padrões de LFF em fígados normais e esteatóticos6. Consequentemente, facilita uma avaliação precisa do conteúdo de gordura no fígado.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

A ferramenta de software para quantificação de esteatose hepática, listada na Tabela de Materiais deste estudo como HepaticSteatosis V1.0, é um produto da Beijing Intelligent Entropy Science & Technology Co., Ltd. Os direitos de propriedade intelectual desta ferramenta de software pertencem à empresa.

Agradecimentos

Esta publicação recebeu apoio do quinto programa nacional para a identificação de talentos clínicos de destaque na medicina tradicional chinesa, organizado pela Administração Nacional de Medicina Tradicional Chinesa. O link oficial da rede é'http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html.

....

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
MATLABMathWorks 2022BComputação e visualização 
ImitaMaterializarImita Pesquisa V20Transformação do formato do modelo
Ferramentas para 3D_LFFEntropia InteligenteHepáticaEsteatose V1.0Pequim Entropia Inteligente Ciência & Technology Co Ltd.
Modelagem para fusão de TC/RM

Referências

  1. Pouwels, S., et al. Non-alcoholic fatty liver disease (NAFLD): a review of pathophysiology, clinical management and effects of weight loss. BMC Endocr Disord. 22 (1), 63(2022).
  2. Younossi, Z. M., et al. The global burden o....

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Etiquetas

Ressonância Magnética DixonQuantificação 3DEsteatose HepáticaAnálise de Imagens de RMSegmentação HepáticaDados DICOMVisualização 3DImagem por Deep Learning