Методическая статья

Трехмерная функциональная магнитно-резонансная томография легких с фазовым разрешением

DOI:

10.3791/66385

⸱

21 июня 2024 г.

 ,  ,  , 
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)

В этой статье

Краткое содержание

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

Трехмерное (3D) фазовое разрешение функционального легкого (PREFUL) - это метод функциональной магнитно-резонансной томографии (МРТ), который позволяет количественно оценить регионарную вентиляцию всего объема легких человека, используя дыхательное дыхание и получение без контрастного вещества в течение 8 минут. В этой статье мы представляем протокол МРТ для сбора и анализа данных визуализации 3D PREFUL.

Аннотация

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

Магнитно-резонансная томография легких (МРТ) предлагает различные методы без облучения, предназначенные для оценки регионарной вентиляции легких или ее суррогатов. Эти методы включают в себя прямые измерения, например, с помощью МРТ с гиперполяризованным газом и МРТ с фторсодержащими газами, а также косвенные измерения, проводимые с помощью МРТ с усилением кислородом и МРТ на основе разложения Фурье (МРТ) на основе протонов. В последнее время был достигнут значительный прогресс в области МРТ FD, который включал в себя улучшение пространственного/временного разрешения, совершенствование дизайна последовательностей и постобработки, а также разработку комплексного подхода к лечению всего легкого.

Двумерная (2D) функционально легочная с фазовым разрешением (PREFUL) МРТ выделяется как подход на основе FD, разработанный для всесторонней оценки динамики региональной вентиляции и перфузии, и все это в рамках одного МРТ. Недавно был достигнут новый прогресс в разработке 3D PREFUL для оценки динамической вентиляции всего легкого с помощью 8-минутного обследования с самостробируемой последовательностью.

Сбор данных 3D PREFUL включает в себя использование последовательности испорченного градиентного эха звезд с приращением золотого угла. После реконструкции сжатого сенсорного изображения примерно 40 фаз дыхания все восстановленные изображения с разрешением дыхания регистрируются на фиксированной фазе дыхания. В дальнейшем из зарегистрированных изображений извлекаются параметры вентиляции.

В когорте исследования, состоящей из здоровых добровольцев и пациентов с хронической обструктивной болезнью легких, параметры вентиляции 3D PREFUL продемонстрировали сильную корреляцию с измерениями, полученными с помощью тестов функции легких. Кроме того, повторяемость метода 3D PREFUL в процессе сканирования была признана приемлемой, что указывает на его надежность при повторных оценках одних и тех же людей.

Таким образом, МРТ с вентиляцией 3D PREFUL обеспечивает охват всего легкого и фиксирует динамику вентиляции с улучшенным пространственным разрешением по сравнению с 2D методом PREFUL. 3D PREFUL предлагает экономически эффективную альтернативу гиперполяризованной МРТ 129Xe, что делает его привлекательным вариантом для оценки легочной вентиляции для пациента.

Введение

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

Согласно данным Всемирной организации здравоохранения (ВОЗ), хронические респираторные заболевания являются третьей по значимости причиной смерти, создавая значительную нагрузку на здравоохранение1. Диагностика и мониторинг некоторых респираторных заболеваний включают легочные функциональные пробы, которые не имеют пространственной информации и могут быть невозможны у молодых пациентов. Многие другие методы ядерной медицины обеспечивают пространственные измерения вентиляции, такие как позитронно-эмиссионная томография (ПЭТ)2, однофотонная эмиссионная компьютерная томография (ОФЭКТ)3, или компьютерная томография4. Существенным недостатком этих методов является использование ионизирующего излучения для визуализации. Таким образом, эти измерения невозможны в чувствительных группах населения, таких как дети, или для повторных измерений в клинических исследованиях.

Методы магнитно-резонансной томографии вызвали интерес в последние два десятилетия, потому что они предлагают измерение функции легких без излучения. Прежде всего, методы МРТ с гиперполяризованной газом5 были использованы для оценки легочной вентиляции у здоровых людей и пациентов с легочными заболеваниями, при этом было достигнуто превосходное соотношение сигнал/шум (SNR) по сравнению с 19F6 или кислородно-усиленной МРТ7. К общим недостаткам методов газовой МРТ относятся потребность в дополнительном персонале, затраты на оборудование или необходимость сотрудничества пациента во время измерения дыхания. Чтобы устранить эти ограничения, были введены методы, основанные на разложении Фурье (FD) MRI8 для оценки легочной вентиляции и перфузии. В качестве альтернативы МРТ FD был разработан функционально-легочный с фазовым разрешением (PREFUL) MRI9, валидирован10,11,12, и протестирован в нескольких исследованиях, включая многоцентровые исследования13,14. Тем не менее, 2D-съемка приводит к длительному времени сбора данных для полного охвата легких и ограниченному пространственному разрешению. Элегантное решение предлагается самостоятельным 3D-приобретением, хотя и за счет перфузионной информации15,16,17. Один из этих методов, 3D PREFUL MRI17, был разработан не только для оценки статической вентиляции, но и динамики вентиляции во время 8-минутного МРТ-исследования, обеспечивая превосходное разрешение изображения по сравнению с 2D-методами.

После оригинальной публикации, описывающей метод17, повторяемость метода была оценена и сравнена с клинически хорошо зарекомендовавшими себя спирометрическими измерениями18, а совсем недавно была введена система ускоренной регистрации изображений, улучшающая повторяемость параметров вентиляции и сохраняющая качество изображений вентиляционных карт19. Этот удобный для пациента и легко масштабируемый метод, способный количественно картировать регионарную вентиляцию в легких человека, может внести значительный вклад в раннее обнаружение, диагностику респираторных заболеваний или последующий мониторинг эффектов терапии20. Эти изменения в регионарной функции легких, такие как улучшение объема вентиляции, могут стать биомаркерами для оценки влияния терапии и могут быть полезным инструментом в многоцентровых клинических исследованиях.

Целью статьи является предоставление всестороннего и наглядного объяснения технологии 3D PREFUL, с целью содействия более широкому распространению этой техники.

Протокол

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

Это исследование получило одобрение комитета по этике Ганноверской медицинской школы, гарантируя, что оно придерживается строгих этических стандартов на протяжении всего исследовательского процесса. Расследование строго следовало руководящим принципам, изложенным в Хельсинкской декларации, подчеркивая этичность проведения медицинских исследований. Кроме того, перед их участием в МРТ-исследовании было тщательно получено информированное согласие всех участников исследования (или их родителей или законных опекунов).

ПРИМЕЧАНИЕ: Критерии включения/исключения для исследований с использованием 3D PREFUL MRI варьируются и зависят от дизайна исследования. Как правило, критерии включения здоровых добровольцев в 3D PREFUL МРТ включают лиц, которые (а) не имеют каких-либо существенных заболеваний, которые могут повлиять на результаты исследования, (б) не принимают никаких лекарств, которые могут повлиять на результаты МРТ, (в) не имеют клаустрофобии, тревоги, металлических имплантатов или устройств, (г) соответствуют определенным возрастным и гендерным критериям, имеющим отношение к целям исследования, (д) не курили в анамнезе, (е) имеют нормальные результаты спирометрии (ОФВ1/ФЖЕЛ > 0,7, а ОФВ1 и ФЖЕЛ > 80% прогностической ценности). Критерии исключения для всех участников исследования, проходящих 3D PREFUL МРТ, могут включать: (a) беременность, (b) наличие любого состояния, которое может поставить под угрозу безопасность или достоверность 3D PREFUL MTI, (C) непереносимость контрастных веществ на основе гадолиния при включении динамической МРТ с контрастированием в протокол исследования.

1. Интервью перед МРТ

  1. Попросите врача собрать важную информацию об истории болезни субъекта.
  2. Объясните возможные противопоказания, риски и процедуру МРТ.
  3. Получите письменное, информированное согласие субъекта.
    ПРИМЕЧАНИЕ: Если результаты исследования функции легких недоступны, попросите пациента пройти исследование функции легких перед обследованием МРТ и убедитесь, что полученные результаты соответствуют критериям включения.

2. Подготовка рентгенолога к МР-обследованию

  1. Зарегистрируйте субъекта в консоли МРТ и выберите протокол МРТ исследования с помощью 3D PREFUL.
  2. Убедитесь, что на объекте, его карманах и одежде нет металлических элементов.
  3. Поместите листы на стол сканера так, чтобы гарантировать стерильную среду.
  4. Войдите в комнату МРТ вместе с испытуемым.

3. Подготовка предмета к экзамену MR

  1. Попросите пациента лечь на стол МРТ в положении лежа на спине (однако возможно положение лежа).
  2. Убедитесь, что катушка туловища обеспечивает достаточное покрытие грудной клетки, расположив верхний элемент катушки туловища рядом с подбородком объекта.
  3. Обеспечьте пациента наушниками (или берушами или и тем, и другим) для защиты слуха от громкого шума, вызванного МРТ.
  4. Снабдите объект кнопкой безопасности (или альтернативным предохранительным механизмом), чтобы к нему можно было легко получить доступ и сжать.
  5. Подложите подушечку под голову и ноги испытуемого, чтобы повысить комфорт во время МРТ-исследования.
  6. Поместите объект в МРТ-сканер, используя лазерную навигацию, чтобы убедиться, что отображаемая область занимает изоцентр канала ствола.

4. МРТ-исследование

  1. Локализатор
    1. Выполните последовательность локализации (с параметрами, аналогичными перечисленным в таблице 1A) для получения анатомических изображений с низким разрешением в трех плоскостях (с большим полем зрения), которые будут использоваться для планирования экзамена 3D PREFUL.
  2. 3D PREFUL визуализация
    1. Установите параметры сбора данных в соответствии с таблицей 1B для получения изображений.
    2. Установите количество радиальных проекций таким образом, чтобы сбор данных занимал примерно 8 минут.
    3. Скажите испытуемому, чтобы он дышал нормально (дыхание без приливов) на протяжении всего обследования.
    4. Убедитесь, что вся грудная клетка включена в поле зрения, и начните съемку.
  3. После завершения съемки извлеките объект из сканера.

5. Передача необработанных данных

  1. Как правило, полученные необработанные данные не сохраняются на платформе поставщика MR. Сохраните необработанные данные 3D PREFUL kspace, выполнив специфичные для производителя действия на консоли MR.

6. Анализ и постобработка данных

  1. Начните оценку полученных данных с помощью скрипта реконструкции изображения (Table of Materials) на указанной рабочей станции, например, в MATLAB, указав путь к исходным данным.
    ПРИМЕЧАНИЕ: На указанной рабочей станции уже должны быть установлены следующие пакеты:
    (a) Инструментарий Беркли по усовершенствованной реконструкции (BART)
    b) Усовершенствованные инструменты нормализации (АНТ)
  2. Реконструкция изображения
    1. Оцените градиентные задержки, зависящие от системы MR, используя калибровочные проекции с функцией estdelay, реализованной в Berkeley advanced reconstruction toolbox (BART)21,22.
    2. Примените сдвиг к каждой проекции в соответствии с рассчитанной задержкой градиента.
    3. Примените фильтрацию Хеннинга (с помощью функции Ханна в MATLAB) к данным, скорректированным по градиенту-задержке, используя периодическое окно в плоскости x-y и направлении z.
    4. Реконструкция изображений с низким разрешением для биннинга дыхания
      1. Выберите одну-восемь/одну четвертую часть данных k-пространства, центрированных вокруг среднего индекса размерности считывания/раздела.
        ПРИМЕЧАНИЕ: В зависимости от размера объекта, этот шаг приводит к размеру матрицы 32 x 32 x (12-20).
      2. Изменение формы матриц данных k-пространства и соответствующих траекторий, чтобы включить в них дополнительное временное измерение, при этом каждая временная точка должна содержать 14 радиальных проекций.
        ПРИМЕЧАНИЕ: Каждая последующая временная точка включает в себя 13 радиальных проекций от предыдущей временной точки плюс одну новую последовательную радиальную проекцию.
      3. Используйте команду параллельного формирования изображений и сжатого зондирования (pics), реализованную в BART, для реконструкции изображений.
        ПРИМЕЧАНИЕ: Примените норму L2 (λ = 0,1) и полную вариацию (λ = 0,0001) регуляризацию в пространственной области и полную вариацию (λ = 0,01) в временной области.
    5. Извлечение сигнала респираторного шлюзования
      1. Сегментируйте паренхиму легких на каждом реконструированном 3D-изображении с низким разрешением, используя метод Оцу thresholding23, и рассчитайте объем паренхимы легких для каждой временной точки.
      2. Примените фильтр нижних частот с частотой среза 0,7 Гц к временному ряду извлеченного объема и рассчитайте частоту дыхания.
      3. Исключите из временного ряда экстремальные выбросы (временные точки выше95-го процентиля и ниже10-го процентиля).
        ПРИМЕЧАНИЕ: Упорядочивание временных рядов по их амплитуде и фазе позволяет реконструировать один дыхательный цикл.
    6. Выполните быстрое преобразование Фурье (БПФ, функция БПФ в MATLAB) на отфильтрованных данных по Ханнингу вдоль направления среза, чтобы обеспечить послойную реконструкцию изображения.
    7. Измените матрицу данных k-пространства на основе извлеченных временных рядов таким образом, чтобы каждый дыхательный бункер содержал минимум 100 спиц.
    8. Используйте 20% проекций из соседних бункеров, чтобы улучшить класс SNR24,25 каждого респираторного контейнера.
    9. Измените матрицу траекторий k-пространства в соответствии с размером данных k-пространства.
    10. Выполните команду pics для восстановления изображения для каждого фрагмента.
      ПРИМЕЧАНИЕ: Примените норму L2 (λ = 0,1) и полную вариацию (λ = 0,0001) регуляризацию в пространственной области и полную вариацию (λ = 0,01) в временной области.
    11. Сохраните переменные, в том числе восстановленные изображения одного полного дыхательного цикла, частоты дыхания и времени регистрации, в файле .mat.
  3. Регистрация изображений
    1. Инвертируйте интенсивность сигнала восстановленных изображений.
    2. Зарегистрируйте изображения в соответствии с выбранным состоянием дыхания, например, вдохом, с помощью нежесткой регистрации.
      ПРИМЕЧАНИЕ: Для повышения точности регистрации можно использовать групповой подход26. Процесс регистрации может быть выполнен как на процессоре, так и на графическом процессоре с использованием таких инструментов, как Advanced Normalization Tools (ANTs)27 или пакет регистрации Forsberg28.
  4. Сегментация паренхимы легких
    1. Сегментируйте легочную паренхиму конечного инспираторного 3D-изображения с помощью сверточной нейронной сети, например, nnUnet architecture29.
    2. Исключите легочные сосуды с помощью алгоритма распознавания сосудов, например, описанного Wernz et al.30.
      ПРИМЕЧАНИЕ: Этап распознавания легочного сосуда не является обязательным, если у вас нет доступа к такому алгоритму. В некоторых случаях может потребоваться ручная повторная сегментация.
  5. фильтрация
    1. Примените регрессию ядра Надараи-Уотсона (с σ = 0,3) к зарегистрированным и инвертированным изображениям, чтобы интерполировать 16 фаз на равномерно распределенную временную сетку.
    2. Устраните изменения сигнала, не связанные с дыханием, применив фильтр нижних частот с частотой 0,7 Гц к интерполированным данным во временной области.
    3. Уменьшите шум низкочастотных отфильтрованных изображений с помощью фильтрации по изображениям31, при этом усредненное по времени зарегистрированное изображение служит направляющим изображением. Установите следующие параметры: Размер окна = [5, 5, 5], лямбда = 0.001.
  6. Анализ вентиляции
    1. Рассчитайте карты региональной вентиляции (RVent) в миллилитрах/миллилитрах (мл/мл) для каждой фазы дыхания N, используя следующую формулу32:
      figure-protocol-1 [1]
      Примечание: SInsp представляет собой целевое изображение для регистрации изображения, соответствующее конечному уровню вдоха. SExp относится к изображению конца выдоха, в то время как SN представляет N-е дыхательное состояние.
    2. Рассчитайте карту дефектов вентиляции (VDRVent) карты RVent8-й фазы, которая представляет собой максимальную вентиляцию.
      ПРИМЕЧАНИЕ: Для расчета VD воксели ниже порога90-го процентиля, умноженного на коэффициент 0,4, считаются дефектами33.
    3. Рассчитайте карту метрики корреляции поток-объем-петля (FVL-CM).
      1. Вычислить расход как первую производную от RVent.
        ПРИМЕЧАНИЕ: Объем измеряется непосредственно с помощью RVent.
      2. Установите эталонный FVL для каждого среза, вычисленный из работоспособной области, определяемой значениями RVent между75-м и95-м процентилем.
      3. Определите сходство между FVL каждого вокселя паренхимы легких и референсным FVL с помощью перекрестной корреляции с нулевым лагом.
    4. Вычислите картуVD FVL-CM, где вокселы со значениями FVL-CM ниже 0.9 идентифицируются как вокселы с дефектом вентиляции34.
    5. Вычислите отображение времени вентиляции до пика (VTTP) в процентах (%) от дыхательного цикла.
      ПРИМЕЧАНИЕ: Теоретически интерполированный дыхательный цикл начинается/заканчивается на пике выдоха и симметричен относительно пика вдоха на 50% цикла вентиляции для здорового вокселя. Для вокселей с динамической расширенной/замедленной вентиляцией карта VTTP будет отображать значение ниже/выше 50%.
    6. Вычислите отклонение значения VTTP (VTTPDev) от пикового значения вдохновения на 50% следующим образом:
      figure-protocol-2 [2]
      ПРИМЕЧАНИЕ: Для работоспособного регионаVTTP Dev должен быть близок к 0%.
    7. статистика
      1. Статистически опишите параметры RVent, FVL-CM, VTTP иVTTP Dev для всех срезов, указав медиану, среднее, значения стандартного отклонения и межквартильные диапазоны.
      2. Рассчитайте процентные значения дефектов вентиляции, полученные на основе сгенерированных карт VD.
      3. Экспортируйте все рассчитанные параметры в файл таблицы (см. пример, приведенный в таблице 3).

Результаты

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

Простейший протокол визуализации 3D PREFUL включает в себя две последовательности. Один анатомический локализатор + одно измерение свободного дыхания с помощью 3D-набора звезд под золотым углом. Траектория скопления звезд показана на рисунке Рисунок 1. Эта траектория сочетает радиальную выборку (в плоскости) с линейной декартовой выборкой (в направлении z). Первоначально собираются образцы в направлении kz partition, за которыми следует вращение золотого угла для отбора проб в плоскости kx-k y. Схема получения данных под золотым углом способствует самостробированию с равномерным покрытием k-пространства, облегчая реконструкцию изображения с сильно недодискретизированными данными. Весь экзамен не превышает 10 минут. Более подробная информация о приобретении 3D PREFUL размещена в Таблице материалов.

figure-results-1
Рисунок 1: Траектория вращающейся стопки звезд золотого сечения. Обратите внимание на радиальную выборку, применяемую вдоль плоскостного измерения (kx-ky), и декартову выборку, применяемую вдоль направления среза (kz). Результатом такой схемы является цилиндрическое покрытие полученного k-пространства. В этом примере изображены три секции, включающие 32 радиальные проекции на секцию. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Список типичных параметров МРТ, используемых для визуализации 3D PREFUL на сканере 1,5 Тл, представлен в таблице 1B. Для 3Т-сканера предлагаются параметры последовательности, перечисленные в таблице 2.

После завершения сбора и передачи данных начинается часть реконструкции изображения. Этот шаг выполняется с помощью кода MATLAB, который принадлежит интеллектуальной собственности (ИС) компании (BioVisioneers GmbH) и не может быть передан в открытый доступ. Скрипт полностью автоматизирован после того, как указан путь к необработанным данным. Схематический обзор процедуры реконструкции показан на рисунке Рисунок 2.

figure-results-2
Рисунок 2: Схематический обзор метода 3D МРТ функционального легкого с фазовым разрешением (PREFUL). Сначала данные собираются с помощью 8-минутной МР-съемки со свободным дыханием и траекторией скопления звезд. После передачи данных с МР-сканера на вычислительную единицу реконструируются 3D-изображения с низким разрешением и временным разрешением примерно 100 мс. Легочная паренхима каждого изображения сегментируется, и вычисляется объем легких. Информация об объеме легких в дальнейшем используется в качестве сигнала стробирования. В зависимости от амплитуды и фазы стробируемого сигнала радиальные проекции сортируются по дыхательным бункерам, которые охватывают один дыхательный цикл. За частью биннинга следует динамическая реконструкция изображений с полным разрешением, которые впоследствии регистрируются до конечного инспираторного уровня. После нескольких этапов постобработки рассчитывается цикл регионарной вентиляции (RVent) и выполняется часть анализа изображения, включая извлечение параметров. Цикл RVent оценивается путем вычисления объемной петли потока (FVL) для каждого воксела. Карты вентиляции FVL-CM извлекаются путем оценки каждого вокселя FVL относительно здорового референсного FVL, при этом сходство оценивается с помощью метрики взаимной корреляции. Как для RVent, так и для FVL-CM были количественно определены глобальные значения общего процента дефектов вентиляции (VDP). Кроме того, динамика цикла RVent анализируется с помощью анализа времени до пика, в результате чего создается карта параметров вентиляции до пика (VTTP). Кроме того, отклонение ожидаемой пиковой вентиляции на 50% от цикла RVent количественно измеряется на карте VTTPDev. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

После процедуры восстановления изображения все изображения пространственно выравниваются до одного фиксированного состояния. Сама регистрация выполняется на процессоре с помощью Advanced Normalization Tools (ANTs27) или пакета регистрации Forsberg28. В то время как пакет ANTs остается золотым стандартом для задач регистрации изображений в МРТ и КТ, регистрация Форсберга обеспечивает в 10 раз более быструю процедуру регистрации до 9 минут с сопоставимыми результатами19. Пакет регистрации может быть выбран в зависимости от приоритетов пользователей и доступных вычислительных единиц. После завершения регистрации зарегистрированные морфологические изображения снова инвертируются таким образом, чтобы легкое выглядело темным на изображении в оттенках серого.

В На рисунке 3 изображен следующий этап конвейера, который включает сегментацию паренхимы легких. Во-первых, паренхима легких сегментируется от конечного инспираторного изображения с помощью сверточной нейронной сети с nnUnet architecture29. За сегментацией паренхимы легких следует распознавание сосудов class<="xref">30, которое исключается из окончательной маски сегментации.

figure-results-3
Рисунок 3: Примерные результаты сегментации на основе глубокого обучения для 32-летнего мужчины. В верхнем ряду представлены морфологические изображения восьми репрезентативных корональных срезов. Во втором и третьем рядах можно наблюдать соответствующую маску паренхимы легких и завершающую маску с исключением сосудов соответственно. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Пример неправильной сегментации паренхимы легких изображен в Рисунок 4. Важно визуально проверить сегментации, основанные на глубоком обучении, и если они будут признаны неудовлетворительными, следует рассмотреть возможность ручной коррекции для повышения точности окончательной маски паренхимы легких.

figure-results-4
Рисунок 4: Примерные результаты неправильной сегментации на основе глубокого обучения для 57-летнего мужчины. В верхнем ряду представлены морфологические изображения восьми репрезентативных корональных срезов. Во втором и третьем рядах можно наблюдать соответствующую маску паренхимы легких и завершающую маску с исключением сосудов соответственно. Как видно, некоторые фиброзные области ошибочно распознаются как сосуды или нелегочные структуры. Эти неточности были исправлены вручную, как показано в четвертом ряду. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

После нескольких этапов фильтрации, описанных в протоколе, суррогаты вентиляции calculated. 3D PREFUL MRI генерирует количественные карты для статической региональной вентиляции (RVent), метрики динамической корреляции потока и объема (FVL-CM) и два параметра на основе анализа времени вентиляции до пика (VTTP), как показано на рисунке Рисунок 5. На этом рисунке представлены восемь корональных срезов 32-летнего здорового мужчины. Обратите внимание на ожидаемое равномерное распределение всех параметров вентиляции.

figure-results-5
Рисунок 5: 3D PREFUL МРТ здорового добровольца (32-летний мужчина). Репрезентативные морфологические (верхний ряд) и 3D PREFUL MRI параметры вентиляции (второй-пятый ряды) для здорового добровольца (32-летний мужчина). Статическая регионарная вентиляция представлена регионарной вентиляцией (RVent), в то время как динамика вентиляции оценивается с помощью метрики корреляции поток-объемный контур (FVL-CM), времени до пика вентиляции (VTTP) и отклонения VTTP (VTTPDev) представляют собой параметры вентиляции, оценивающие динамику вентиляции. Как и ожидалось, для всех карт параметров вентиляции наблюдаются однородные значения вентиляции. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Чтобы упростить карты вентиляции, для RVent и FVL-CM создаются карты дефектов вентиляции (VD), что позволяет быстрее интерпретировать результаты. Примеры карт VD представлены в Рисунок 6. Для VDRVent и VDFVL-CM значения VDP составили 3,6% и 3,0% соответственно, находясь в пределах здорового нормального диапазона. В идеале, и в зависимости от возраста здоровых добровольцев, значение VDP не должно превышать 10%. Вышеупомянутые параметры (RVent, FVL-CM и их карты VD) были проверены в нескольких исследованиях11,12,35,36 и чувствительны при обнаружении заболеваний, а также при обнаружении эффектов, вызванных терапией20,34,37,38,39.

figure-results-6
Рисунок 6: Репрезентативные карты RVent и FVL-CM, включая их карты дефектов вентиляции. Изображены карты RVent (верхний ряд) и FVL-CM (второй ряд), включая их карты дефектов вентиляции (третий и четвертый ряд), полученные с помощью 3D PREFUL MRI для здорового добровольца (32-летний мужчина). На картах ВД здоровые регионы обозначены зеленым цветом, а области с дефицитом вентиляции отмечены красным. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Сообщалось о нескольких исследованиях МРТ легких при напряженности магнитного поля как 1,5 Тл, так и 3 Тл. Несмотря на то, что теоретическое преимущество 3T связано с повышенным отношением сигнал/шум (SNR), это преимущество может быть перевешено более выраженными эффектами магнитной восприимчивости при 3T. Точное влияние напряженности магнитного поля на качество изображения карт вентиляции 3D PREFUL в настоящее время неизвестно. Здесь мы представляем результаты выполнимости (Рисунок 7), полученные для здорового добровольца (35-летнего мужчины) с помощью МР-сканера 3 Тл. Обратите внимание на более неоднородный внешний вид параметров вентиляции при 3 Тл по сравнению с 1,5 Т (Рисунок 5).

figure-results-7
Рисунок 7: 3D PREFUL MRI здорового добровольца (35-летний мужчина). Репрезентативные морфологические (верхний ряд) и параметры вентиляции 3D PREFUL MRI (второй-пятый ряды) для здорового добровольца (35-летний мужчина) при 3Тл. Статическая регионарная вентиляция представлена регионарной вентиляцией (RVent), в то время как динамика вентиляции оценивается с помощью метрики корреляции поток-объемный контур (FVL-CM), времени до пика вентиляции (VTTP) и отклонения VTTP (VTTPDev) представляют собой параметры вентиляции, оценивающие динамику вентиляции. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Сравнение/проверка 3D PREFUL, полученного с помощью более прямых измерений, в настоящее время не опубликовано. Есть несколько исследований, сообщающих о положительной корреляции между значениями VDP и пространственным перекрытием дефектов вентиляции между методом 2D PREFUL и 129Xe11,12,14 и 19F MRI35. Недавнее сравнение измерений вентиляции с помощью 3D PREFUL и прямой вентиляции с использованием МРТ 19F у пациентов с хронической обструктивной болезнью легких (ХОБЛ), астмой и здоровых добровольцев выявило корреляцию от умеренной до сильной на глобальном уровне40. Представлен пример сравнения (Рисунок 8) для пациента с диагнозом хроническая обструктивная болезнь легких (54-летняя женщина, ОФВ1 = 42% прогнозируемого значения), который был обследован с помощью 3D PREFUL и МРТ 19F.

figure-results-8
Рисунок 8: 3D PREFUL МРТ 54-летней пациентки с ХОБЛ. Представлены морфологические изображения (верхний ряд), параметры вентиляции и соответствующие карты дефектов вентиляции 54-летней женщины с ХОБЛ (ОФВ1 = 42 % пред., ФЖЕЛ = 102 % пред.), полученные с помощью 3D PREFUL МРТ (2-й и 3-й ряд) и 19Ф МРТ (4-й и 5-й ряд), а также сравнение карт дефектов вентиляции по обоим методам (последний ряд). В целом, по всем срезам коэффициент Соренсена-Дайса составил 25,5% в дефектных областях и 80,6% в здоровых регионах, в результате чего общее пространственное перекрытие составило 69,2%. Примечательно, что существует визуальная корреляция между совпадающими зонами вентиляции в здоровых и дефектных регионах (изображены темно-зеленым цветом). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

3D PREFUL MRI можно использовать для измерения региональных реакций на терапию20. В качестве примера, Рисунок 9 показывает сравнение трех срезов из легкого субъекта с муковисцидозом (43-летняя женщина) на исходном уровне (слева, ОФВ-1 = прогнозируемое значение 94%) и после терапии CFTR-модулятором (справа, ОФВ1 = прогнозируемое значение 112%). Поскольку оба измерения пространственно совпадают, 3D PREFUL позволяет анализировать региональную реакцию на лечение, как показано в нижней части Рисунок 9. Обратите внимание на повышенные значения метрики корреляции поток-объем-петля, а также на уменьшение дефектов вентиляции после терапии.

figure-results-9
Рисунок 9: 3D PREFUL измерения 43-летней пациентки с муковисцидозом (МВ). Примерные карты маркеров вентиляции исходного уровня (слева) и после лечения (справа) 3D PREFUL измерений 43-летней пациентки с муковисцидозом. VDPFVL-CM снизилась с 18,0% (исходный уровень) до 3,6% (после обработки). ОФРЭ1 % пред. исходный уровень: 94%, ОФВ1 % пред. последующая обработка: 112%. Исходный уровень ЛКИ: 10,48, последующая обработка ЛКИ: 9,39. Соответствующие карты ответов на лечение изображены внизу. Обратите внимание на зеленые зоны, указывающие на разрешение вентиляции после терапии. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Таблица 1: Список типичных параметров МРТ, используемых для локализации и сбора данных 3D PREFUL на сканере 1,5 Тл. (A) Localizer и (B) 3D PREFUL. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Таблица 2: Предлагаемые параметры МРТ для сбора данных 3D PREFUL на 3T-сканере. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Таблица 3: Примерный статистический отчет по параметрам 3D PREFUL для здорового добровольца (35-летнего мужчины) Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Обсуждение

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

Одним из самых критических подводных камней является само приобретение. Необходимо позаботиться о том, чтобы параметры последовательности МРТ были установлены правильно. Важно отметить, что время эха, время повторения, количество срезов, размер матрицы и пропускная способность пикселей являются ключевыми параметрами. Отклонения от рекомендуемых настроек могут привести к недостаточному временному разрешению или длительной сборке. Кроме того, передача данных важна для того, чтобы данные были полностью доставлены на выбранный компьютер или сервер для оценки. Оценка данных происходит полностью автоматически после того, как задан путь к полученным данным. Постобработка начинается с реконструкции изображения, где ретроспективное биннинг играет решающую роль. Рекомендуется проверять сигнал биннинга, чтобы обеспечить четкое изображение характера дыхания. После проверки сигнала биннинга никаких дополнительных действий не требуется, так как алгоритм сам обрабатывает плохие паттерны дыхания, исключая выбросы (точки данных выше95-го процентиля и ниже10-го процентиля). После реконструкции изображения происходит процесс регистрации изображения. Этот шаг должен быть проверен следующим образом: на зарегистрированных изображениях не должно быть дыхания и сердечной периферии. В частности, положения диафрагмы и сердца должны быть «заморожены». Следующий шаг включает в себя сегментацию паренхимы легких и сосудов на основе глубокого обучения. Этот процесс сегментации занимает очень много времени для всего 3D-объема легких; следовательно, использование инструментов на основе искусственного интеллекта выгодно. Однако в определенных ситуациях, таких как возникновение периферических консолидаций, эти алгоритмы могут не давать точных результатов. Следовательно, маска сегментации должна быть тщательно проверена и при необходимости скорректирована вручную. Все эти шаги имеют решающее значение для оценки параметров вентиляции и могут привести к неточным расчетам.

С момента первоначальной публикации17 было сделано несколько разработок в технике 3D PREFUL. Алгоритм сортировки полученных радиальных проекций был полностью автоматизирован и усовершенствован таким образом, что все легкое сегментируется с использованием порогового метода Оцу и используется в качестве сигнала навигатора для объединения данных в дыхательные фазы. Кроме того, ручная паренхима легких и сегментация сосудов были заменены полностью автоматическими алгоритмами на основе глубокого обучения, чтобы сократить трудоемкие процедуры. Кроме того, время обработки части регистрации изображения может быть сокращено до 10 минут, если реализован инструментарий регистрации Форсберга19. Наряду с предыдущими разработками, реализованный код позволяет совместно регистрировать изображения двух временных точек (последующие измерения) и оценивать воксельное прогрессирование заболевания или изменения вентиляции, вызванные терапией20. Текущая версия скрипта Matlab не требует какого-либо взаимодействия с пользователем и в будущем может быть реализована в конвейере для автоматизированной обработки данных с определенными флагами.

Основным недостатком 3D PREFUL является то, что невозможно провести локальное измерение кровотока, так как эффект притока не может быть зафиксирован при использовании неселективного жесткого радиочастотного импульса для возбуждения. Во-вторых, в настоящее время вся постобработка (включая передачу данных, реконструкцию изображения, регистрацию снимка и анализ вентиляции) занимает 2 часа для каждого субъекта. В-третьих, в настоящее время было продемонстрировано только предварительное сравнение параметров вентиляции, полученных с помощью 3D PREFUL, с более валидированными методами40. В-четвертых, оценка полученных данных выполняется на высокопроизводительном компьютере; Таким образом, результаты не доступны непосредственно врачу на консоли. В-пятых, отсутствуют технико-экономические обоснования 3D PREFUL для различных полей и различных поставщиков сканеров.

3D МРТ функционального легкого с фазовым разрешением (PREFUL) позволяет количественно картировать регионарную динамику вентиляции всего легкого человека при свободном дыхании17. Существует несколько экономически эффективных альтернатив 3D PREFUL, таких как спирометрия или методы многократного промывания дыхания; Тем не менее, оба они не имеют пространственной информации и требуют дыхательных маневров, поэтому они невозможны для маленьких детей или новорожденных. Альтернативные методы визуализации подвергают пациентов воздействию ионизирующего излучения, такие как методы ядерной медицины КТ, или не являются широко доступными (гиперполяризованная газовая визуализация 129Xe или 19F с помощью МРТ). 3D PREFUL обеспечивает оценку динамики вентиляции, может быть выполнен с помощью стандартного клинического сканера и не требует контрастных веществ, что делает его привлекательным для перевода в условия клинических исследований. Тот факт, что 3D PREFUL не требует использования радиации или контрастных веществ и обеспечивает удобное для пациента получение информации о свободном дыхании, делает его хорошо подходящим для повторных или лонгитюдных исследований, которые количественно оценивают регионарные ответы на терапию. Во-вторых, оценка вентиляции легких с помощью 3D PREFUL может быть особенно ценной для детей младшего возраста, где следует избегать радиационного облучения.

Способность 3D PREFUL генерировать изображения функциональной вентиляции легких человека открывает возможности для ранней диагностики. В частности, возможность создания воспроизводимых и количественных карт региональной вентиляции позволяет проводить лонгитюдные исследования, например, прогрессирование заболевания или мониторинг эффектов терапии. Кроме того, региональная информация о динамике вентиляции может обеспечить большую чувствительность к ранним изменениям, связанным с заболеванием легких, которые не обнаруживаются с помощью тестов функции легких.

Раскрытие информации

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

Филип Климеш, Андреас Воскресенцев и Йенс Фогель-Клауссен являются акционерами BioVisioneers GmbH, компании, заинтересованной в методах магнитно-резонансной томографии легких.

Благодарности

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

Эта работа была профинансирована Немецким центром исследований легких (DZL). Авторы извлекли пользу из ряда полезных дискуссий с коллегами, в частности, с Марселем Гутберле, Агило Керном, Леа Берендт, Арндом Обетом, Юлианом Гландорфом, Тиллем Кайрейтом, Тауфиком Мохером Алсади, Гезой Пёлером, Максимилианом Зубке, Робином Мюллером, Мариусом Вернцем, Кристианом Кризосто, Миланом Шпетом, Джульеном Шеллером и Соней Людигер. Авторы выражают признательность Роберту Гримму (Robert Grimm) (Siemens Healthineers) за написание последовательности МРТ-визуализации, а также выражают благодарность Франку Шредеру и Свену Тиле из отделения радиологии Высшей медицинской школы Ганновера за выдающуюся техническую помощь в проведении МРТ-исследований.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
ANTsИсследовательское сообщество по анализу медицинских изображений с открытым исходным кодомНабор инструментов для регистрации изображений
https://www.siemens-healthineers.com/en-us/magnetic-resonance-imaging/options-and-upgrades/coilsНе менее 6-канальной катушки корпуса; Philips [https://www.usa.philips.com/healthcare/solutions/magnetic-resonance/coils-overview ]
ForsbergНабор инструментов для регистрации изображенийhttps://github.com/fordanic/image-registrationНабор инструментов для регистрации изображений
Код для реконструкции изображенийBioVisioneers GmbHwww.biovisioneers.comПрограммное обеспечение для реконструкции и анализа МРТ
MatlabMathworksПрограммное обеспечение
МРТSiemens / 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]; последовательность 1,5 Тл / 3 Тл
Siemens / Philips / GEMRI, 3D градиентная эхопоследовательность с траекторией стопки звезд и приращением золотого угла; 1. Последовательность Siemens Grip-Vibe - https://t.ly/P31kM, 2. Philips Multi Vane XD Sequence https://t.ly/wMWZZ , 3. GE Lava-Star, Диско-Стар - https://t.ly/vimm2
BART Визуализация с открытым исходным кодом https://www.opensourceimaging.org/project/berkeley-advanced-reconstruction-toolbox-bart/ Набор инструментов для реконструкции изображений Body coil Siemens / Philips / GE  последовательность

Ссылки

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

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

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

Похожие статьи