Методическая статья

Трехмерная функциональная магнитно-резонансная томография легких с фазовым разрешением

2.1K просмотров

⸱

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

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

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

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

Данное исследование было одобрено комитетом по этике Медицинского факультета Ганновера, что гарантирует соблюдение строгих этических стандартов на протяжении всего процесса исследования. В ходе работы строго соблюдались принципы, изложенные в Хельсинкской декларации, подчеркивающей этические нормы проведения медицинских исследований. Кроме того, от всех участников исследования (или их родителей, либо законных опекунов) было получено осознанное согласие перед их участием в МРТ-обследовании.

ПРИМЕЧАНИЕ: Критерии включения/исключения для исследований с использованием 3D PREFUL МРТ варьируются и зависят от дизайна исследования. Как правило, критерии включения для здоровых добровольцев при проведении 3D PREFUL МРТ подразумевают лиц, которые (а) не имеют значимых медицинских заболеваний, способных повлиять на результаты исследования, (б) не принимают лекарственные препараты, которые могут исказить результаты МРТ, (в) не страдают клаустрофобией или тревожностью, не имеют металлических имплантатов или устройств, (г) соответствуют определенным возрастным и гендерным критериям, соответствующим целям исследования, (д) не курят, (е) имеют нормальные показатели спирометрии (FEV1/FVC > 0,7, при этом и FEV1, и FVC > 80% от прогнозируемого значения). Критерии исключения для всех участников исследования, проходящих 3D PREFUL МРТ, могут включать: (а) беременность, (б) наличие любого состояния, которое может поставить под угрозу безопасность или достоверность исследования 3D PREFUL МРТ, (в) непереносимость контрастных веществ на основе гадолиния, если протокол исследования включает динамическую МРТ с контрасным усилением.

1. Предварительный опрос перед МРТ

  1. Попросите врача собрать важные сведения о медицинском анамнезе испытуемого.
  2. Разъясните возможные противопоказания, риски и ход процедуры МРТ.
  3. Получите от испытуемого письменное информированное согласие.
    ПРИМЕЧАНИЕ: Если результаты теста функции легких отсутствуют, попросите испытуемого пройти данный тест перед МРТ-исследованием и убедитесь, что полученные результаты соответствуют критериям включения.

2. Подготовка рентгенолога к МР-исследованию

  1. Зарегистрируйте субъекта в консоли МРТ и выберите протокол исследования с 3D PREFUL сбором данных.
  2. Убедитесь, что у субъекта, в его карманах и в одежде нет предметов, содержащих металл.
  3. Постелите простыни на стол сканера, чтобы обеспечить стерильность среды.
  4. Заведите субъекта в процедурный кабинет МРТ.

3. Подготовка субъекта к МР-исследованию

  1. Положите испытуемого на стол МРТ в положение на спине (допускается также положение на животе).
  2. Убедитесь, что катушка для туловища обеспечивает достаточное покрытие грудной клетки, расположив верхний элемент катушки рядом с подбородком испытуемого.
  3. Предоставьте испытуемому наушники (или беруши, либо и то, и другое) для защиты слуха от громкого шума, возникающего при МРТ.
  4. Дайте испытуемому тревожную кнопку (или другой механизм безопасности), чтобы он мог легко дотянуться до нее и нажать.
  5. Поместите подушку под голову и ноги испытуемого для повышения комфорта во время МР-исследования.
  6. Поместите испытуемого в МР-сканер, используя лазерную систему навигации, чтобы убедиться, что обследуемая область находится в изоцентре гентри.

4. МРТ-исследование

  1. Локализатор
    1. Выполните последовательность локализатора (с параметрами, аналогичными указанным в Таблице 1A), чтобы получить анатомические изображения низкого разрешения в трех плоскостях (с большим полем обзора), которые будут использоваться для планирования 3D-исследования PREFUL.
  2. 3D-визуализация PREFUL
    1. Установите параметры сбора данных в соответствии с Таблицей 1B для проведения визуализации.
    2. Соответственно установите количество радиальных проекций таким образом, чтобы время сбора данных составило примерно 8 мин.
    3. Попросите испытуемого дышать нормально (спокойное дыхание) на протяжении всего процесса сбора данных.
    4. Убедитесь, что вся область грудной клетки попадает в поле обзора, и запустите сбор данных.
  3. После завершения визуализации выведите испытуемого из сканера.

5. Перенос необработанных данных

  1. Как правило, полученные необработанные данные не сохраняются на платформе производителя МРТ. Сохраните необработанные данные k-пространства 3D PREFUL, следуя инструкциям производителя на консоли МРТ.

6. Анализ данных и постобработка

  1. Начните анализ полученных данных с помощью скрипта для реконструкции изображений (Таблица материалов) на назначенном рабочем месте, например, в MATLAB, путем указания пути к исходным данным.
    ПРИМЕЧАНИЕ: На выделенной рабочей станции должны быть заранее установлены следующие пакеты:
    (a) Инструментарий для расширенной реконструкции Беркли (Berkeley Advanced Reconstruction Toolbox, BART)
    ​(b) Инструменты расширенной нормализации (Advanced Normalization Tools, ANTs)
  2. Реконструкция изображений
    1. Оцените зависящие от МР-системы задержки градиентов, используя калибровочные проекции с помощью задержка оценки функция, реализованная в Berkeley Advanced Reconstruction Toolbox (BART)21,22.
    2. Примените сдвиг к каждой проекции в соответствии с рассчитанной градиентной задержкой.
    3. Примените фильтрацию Ханна (используя ханн функция в MATLAB) к данным, скорректированным с учетом градиентной задержки, с использованием периодического окна в плоскости x-y и по направлению z.
    4. Реконструкция изображений с низким разрешением для дыхательного биннинга
      1. Выберите одну восьмую или одну четвертую данных k-пространства, центрированных относительно среднего индекса измерения считывания/разбиения.
        ПРИМЕЧАНИЕ: В зависимости от размера объекта на данном этапе размер матрицы составит 32 x 32 x (12–20).
      2. Измените форму матриц данных k-пространства и соответствующих траекторий, чтобы включить дополнительное временное измерение, где каждая временная точка включает 14 радиальных проекций.
        ПРИМЕЧАНИЕ: каждая последующая временная точка включает 13 радиальных проекций из предыдущей временной точки плюс одну новую последующую радиальную проекцию.
      3. Используйте параллельную визуализацию и сжатое считывание (изображениякоманда, реализованная в BART для реконструкции изображений.
        ПРИМЕЧАНИЕ: Примените L2-норму (λ = 0,1) и общая вариация (λ = 0,01) регуляризация в пространственной области и общая вариация (λ = 0,01) регуляризация во временной области.
    5. Извлечение сигнала респираторного гейтинга
      1. Сегментируйте паренхиму легкого на каждом реконструированном 3D-изображении низкого разрешения, используя метод пороговой обработки Оцу.23и рассчитайте объем паренхимы легких для каждой временной точки.
      2. Примените фильтр нижних частот с частотой среза 0,7 Гц к полученным временным рядам объема и рассчитайте частоту дыхания.
      3. Исключите экстремальные выбросы из временного ряда (временные точки выше 95-гоth процентиль и ниже 10-гоth процентиль).
        ПРИМЕЧАНИЕ: Упорядочивание временных рядов по их амплитуде и фазе позволяет реконструировать один дыхательный цикл.
    6. выполните быстрое преобразование Фурье (БПФ, БПФ (быстрое преобразование Фурье) функция в MATLAB) к данным с фильтрацией по окну Ханнинга вдоль направления срезов для обеспечения возможности посрезовой реконструкции изображения.
    7. Измените форму матрицы данных k-пространства на основе извлеченных временных рядов таким образом, чтобы каждый дыхательный интервал содержал минимум 10 спиц.
    8. Используйте 20% проекций из соседних бинов для повышения отношения сигнал/шум (SNR)24,25 каждого респираторного интервала.
    9. Измените форму матрицы траекторий k-пространства так, чтобы она соответствовала размеру данных k-пространства.
    10. Выполните изображения команда для реконструкции изображения для каждого среза.
      ПРИМЕЧАНИЕ: Примените L2-норму (λ = 0,1) и общая вариация (λ = 0,01) регуляризация в пространственной области и общая вариация (λ = 0,01) регуляризация во временной области.
    11. Сохраните переменные, включая реконструированные изображения одного полного дыхательного цикла, частоту дыхания и время сбора данных, в файл формата .mat.
  3. Регистрация изображений
    1. Инвертируйте интенсивность сигнала реконструированных изображений.
    2. Выполните регистрацию изображений относительно выбранного состояния дыхания, например, вдоха, используя метод нежесткой регистрации.
      ПРИМЕЧАНИЕ: Для повышения точности регистрации используется групповой подход26 могут быть использованы. Процесс регистрации может быть выполнен как на центральном (CPU), так и на графическом процессоре (GPU) с помощью таких инструментов, как Advanced Normalization Tools (ANTs).27 или пакет регистрации Forsberg28.
  4. Сегментация паренхимы легких
    1. Выполните сегментацию паренхимы легких на 3D-изображении на конце вдоха с использованием сверточной нейронной сети, например, с архитектурой nnUnet.29.
    2. Исключите сосуды легких, используя алгоритм распознавания сосудов, например, описанный Wernz et al.30.
      ПРИМЕЧАНИЕ: Этап распознавания сосудов легких не является обязательным, если у вас нет доступа к соответствующему алгоритму. В некоторых случаях может потребоваться ручная пересегментация.
  5. Фильтрация
    1. Примените ядерную регрессию Надарая-Ватсона (с σ = 0,3) к зарегистрированным и инвертированным изображениям для интерполяции 16 фаз на равномерную временную сетку.
    2. Устраните вариации сигнала, не связанные с дыханием, применив фильтр нижних частот с частотой среза 0,7 Гц к интерполированным данным во временной области.
    3. Выполните шумоподавление изображений, прошедших низкочастотную фильтрацию, с помощью фильтрации с направлением по изображению.31, при этом в качестве направляющего изображения используется зарегистрированное изображение, усредненное по времени. Установите следующие параметры: Размер окна = [5, 5, 5], лямбда = 0.001.
  6. Анализ вентиляции
    1. Рассчитайте карты региональной вентиляции (RVent) в миллилитрах на миллилитр (мл/мл) для каждой фазы дыхания N по следующей формуле32:
      figure-protocol-1     [1]
      ПРИМЕЧАНИЕ: SВдохновение представляет собой целевое изображение для регистрации изображений, соответствующее уровню конца вдоха. SЭксперимент относится к изображению в конце выдоха, в то время как SN соответствует N-му респираторному состоянию.
    2. Вычислите вентиляционный дефект (VD)RVent) карта RVent, карта 8th фаза, представляющая собой максимальную вентиляцию.
      ​ПРИМЕЧАНИЕ: Для расчета VD воксели ниже порога 90th значение перцентиля, умноженное на коэффициент 0,4, считаются дефектами33.
    3. Рассчитайте карту метрики корреляции петли «поток-объем» (FVL-CM).
      1. Рассчитайте поток как первую производную от RVent.
        ПРИМЕЧАНИЕ: Объем измеряется непосредственно с помощью RVent.
      2. Установите эталонное значение FVL для каждого среза, рассчитанное по здоровой области, определенной значениями RVent в диапазоне от 75th и 95th процентиль
      3. Определите степень сходства между FVL каждого вокселя паренхимы легкого и эталонным FVL с помощью взаимной корреляции с нулевой задержкой.
    4. Вычислите VDFVL-CM карта, на которой воксели со значениями FVL-CM ниже 0,9 идентифицированы как воксели с дефектом вентиляции34.
    5. Рассчитайте карты времени достижения пика вентиляции (VTTP) в процентах (%) от дыхательного цикла.
      ПРИМЕЧАНИЕ: Теоретически интерполированный дыхательный цикл начинается и заканчивается в точке максимального выдоха и симметричен относительно точки максимального вдоха, приходящейся на 50% цикла вентиляции для здорового вокселя. Для вокселей с измененной (ускоренной или замедленной) динамикой вентиляции на карте VTTP будет отображено значение ниже или выше 50%.
    6. Вычислите отклонение значения VTTP (VTTPРазработка) от пика вдоха на уровне 50% следующим образом:
      figure-protocol-2    [2]
      ПРИМЕЧАНИЕ: Для здорового участка VTTPРазработка должно быть близко к 0%.
    7. Статистика
      1. Приведите статистическое описание параметров RVent, FVL-CM, VTTP и VTTPРазработка для всех срезов с указанием медианы, среднего значения, стандартного отклонения и межквартильного размаха.
      2. Рассчитайте значения процента вентиляционного дефекта на основе полученных карт VD.
      3. Экспортируйте все рассчитанные параметры в файл электронной таблицы (см. пример, приведенный в Таблица 3).

Результаты

Простейший протокол 3D-визуализации PREFUL включает две последовательности: один анатомический локатор и одно измерение при свободном дыхании с использованием 3D-сбора данных методом «стопки звезд» (stack-of-stars) с золотым углом. Траектория stack-of-stars показана на Рисунке 1. Эта траектория сочетает радиальную выборку (в плоскости) с линейной декартовой выборкой (в направлении z). Сначала осуществляется сбор данных в направлении раздела kz, после чего происходит поворот на золотой угол для выборки в плоскости kx-ky. Схема сбора данных с золотым углом способствует самосинхронизации при равномерном заполнении k-пространства, что облегчает реконструкцию изображений при сильном недовыборе данных. Общее время исследования не превышает 10 минут. Дополнительные сведения о 3D-сборе данных PREFUL приведены в Таблице материалов.

figure-results-1
Рисунок 1Траектория вращающегося стека звезд с золотым сечением. Обратите внимание, что в плоскости (kx-ky) применяется радиальная выборка, а вдоль направления среза (kz) — декартова выборка. Такая схема обеспечивает цилиндрический охват приобретаемого k-пространства. В данном примере показаны три раздела, каждый из которых включает 32 радиальные проекции. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Список типичных параметров МРТ, используемых для 3D-визуализации PREFUL на сканере 1.5 T, представлен в Таблице 1B. Для сканера 3T предлагаются параметры последовательности, перечисленные в Таблице 2.

После завершения сбора и передачи данных начинается этап реконструкции изображений. Этот шаг выполняется с помощью кода MATLAB, который является интеллектуальной собственностью компании (BioVisioneers GmbH) и не может быть опубликован в открытом доступе. Скрипт работает полностью автоматически после указания пути к исходным данным. Схематический обзор процедуры реконструкции представлен на Рисунке 2.

figure-results-2
Рисунок 2Схематический обзор метода 3D функциональной МРТ легких с фазовым разрешением (PREFUL). Сначала данные собираются в течение 8 минут при свободном дыхании с помощью МР-сканирования по траектории «stack-of-stars». После передачи данных с МР-сканера на вычислительный блок реконструируются трехмерные изображения низкого разрешения с временным разрешением примерно 10 мс. Для каждого изображения сегментируется паренхима легких и вычисляется объем легких. Информация об объеме легких далее используется в качестве синхросигнала (гейтинга). На основе амплитуды и фазы синхросигнала радиальные проекции распределяются по дыхательным корзинам (бинам), охватывающим один дыхательный цикл. После распределения по корзинам проводится динамическая реконструкция изображений полного разрешения, которые затем регистрируются относительно уровня конца вдоха. После нескольких этапов постобработки рассчитывается цикл региональной вентиляции (RVent) и выполняется анализ изображений, включая извлечение параметров. Цикл RVent оценивается путем расчета петли «поток-объем» (FVL) для каждого вокселя. Карты вентиляции FVL-CM извлекаются путем сопоставления FVL каждого вокселя с эталонным FVL здорового человека, при этом степень сходства оценивается с помощью метрики кросс-корреляции. Для RVent и FVL-CM количественно определяются глобальные значения общего процента дефекта вентиляции (VDP). Кроме того, динамика цикла RVent анализируется с помощью анализа времени достижения пика, в результате чего формируется карта параметров времени достижения пика вентиляции (VTTP). Дополнительно в VTTP количественно определяется отклонение ожидаемого пика вентиляции при 50% цикла RVent.Разработка карта Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

После процедуры реконструкции изображений все они пространственно выравниваются по одному фиксированному состоянию. Сама регистрация выполняется на CPU с использованием инструментов Advanced Normalization Tools (ANTs27) или пакета регистрации Forsberg28. В то время как пакет ANTs остается «золотым стандартом» для задач регистрации изображений при МРТ и КТ-визуализации, регистрация по методу Forsberg позволяет ускорить процедуру в 10 раз (до 9 минут) при сопоставимых результатах19. Выбор пакета регистрации может зависеть от приоритетов пользователя и доступных вычислительных мощностей. После завершения регистрации зарегистрированные морфологические изображения снова инвертируются так, чтобы легкие выглядели темными на градациях серого.

На Рисунке 3 представлен следующий этап конвейера обработки, который включает сегментацию паренхимы легких. Сначала паренхима легких сегментируется на изображении в конце вдоха с помощью сверточной нейронной сети с архитектурой nnUnet29. За сегментацией паренхимы легких следует распознавание сосудов30, которые затем исключаются из итоговой маски сегментации.

figure-results-3
Рисунок 3Примеры результатов сегментации на основе глубокого обучения для субъекта — мужчины 32 лет. В верхнем ряду представлены морфологические изображения восьми репрезентативных корональных срезов. Во втором и третьем рядах соответственно показаны соответствующая маска паренхимы легких и итоговая маска с исключением сосудов. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Пример некорректной сегментации паренхимы легких представлен на рисунке 4. Необходимо визуально проверять результаты сегментации, выполненной с помощью глубокого обучения, и, если они признаны неудовлетворительными, следует рассмотреть возможность ручной корректировки для повышения точности итоговой маски паренхимы легких.

figure-results-4
Рисунок 4Примеры ошибочных результатов сегментации на основе глубокого обучения для пациента мужского пола в возрасте 57 лет. В верхнем ряду представлены морфологические изображения восьми репрезентативных корональных срезов. Во втором и третьем рядах соответственно показаны соответствующая маска паренхимы легких итоговая маска с исключением сосудов. Очевидно, что несколько фиброзных участков ошибочно распознаны как сосуды или внелегочные структуры. Эти неточности были исправлены вручную, что продемонстрировано в четвертом ряду. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

После нескольких этапов фильтрации, описанных в протоколе, рассчитываются суррогатные показатели вентиляции. 3D PREFUL MRI генерирует количественные карты статической регионарной вентиляции (RVent), метрики динамической корреляции поток-объем (FVL-CM) и два параметра на основе анализа времени достижения пика вентиляции (VTTP), как показано на Рисунке 5. На этом рисунке представлены восемь корональных срезов здорового мужчины 32 лет. Обратите внимание на ожидаемое гомогенное распределение всех параметров вентиляции.

figure-results-5
Рисунок 53D PREFUL МРТ здорового добровольца (мужчина, 32 года). Репрезентативные карты морфологии (верхний ряд) и параметров вентиляции, полученных с помощью 3D PREFUL МРТ (второй–пятый ряды), для здорового добровольца (мужчина, 32 года). Статическая региональная вентиляция представлена региональной вентиляцией (RVent), а динамика вентиляции оценивается с помощью метрики корреляции петли «поток-объем» (FVL-CM), времени достижения пика вентиляции (VTTP) и отклонения VTTP (VTTPРазработка) представляют собой параметры вентиляции, позволяющие оценить динамику вентиляции. Как и ожидалось, на всех картах параметров вентиляции наблюдаются гомогенные значения. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Для упрощения карт вентиляции строятся карты дефектов вентиляции (VD) для RVent и FVL-CM, что позволяет быстрее интерпретировать результаты. Примеры карт VD представлены на Рисунок 6Для обоих VDRVent и ВДFVL-CMзначения VDP составили 3,6% и 3,0% соответственно, что соответствует норме для здоровых людей. В идеале, в зависимости от возраста здоровых добровольцев, значение VDP не должно превышать 10%. Вышеупомянутые параметры (RVent, FVL-CM и соответствующие им карты VD) были валидированы в нескольких исследованиях11,12,35,36 и обладают высокой чувствительностью как при диагностике заболеваний, так и при выявлении эффектов, индуцированных терапией20,34,37,38,39.

figure-results-6
Рисунок 6Репрезентативные карты RVent и FVL-CM, включая карты дефектов вентиляции. Представлены карты RVent (верхний ряд) и FVL-CM (второй ряд), а также производные от них карты дефектов вентиляции (третий и четвертый ряды), полученные с помощью 3D PREFUL МРТ для здорового добровольца (мужчины 32 лет). На картах дефектов вентиляции (VD) здоровые области отмечены зеленым цветом, а области с дефицитом вентиляции — красным. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Ряд исследований легких с помощью МРТ был проведен при напряженности магнитного поля как 1,5 T, так и 3 T. Несмотря на теоретическое преимущество 3 T за счет повышенного отношения сигнал/шум (SNR), это преимущество может быть нивелировано более выраженными эффектами магнитной восприимчивости при 3 T. Точное влияние напряженности магнитного поля на качество изображений 3D-карт вентиляции PREFUL в настоящее время неизвестно. Здесь мы представляем результаты оценки возможности применения метода (Рисунок 7), полученные для здорового добровольца (мужчина, 35 лет) с использованием МР-сканера 3 T. Обратите внимание на более неоднородный вид параметров вентиляции при 3 T по сравнению с 1,5 T (Рисунок 5).

figure-results-7
Рисунок 73D МРТ с предварительным наполнением (PREFUL) здорового добровольца (мужчина, 35 лет). Репрезентативные карты морфологических характеристик (верхний ряд) и параметров вентиляции по данным 3D PREFUL МРТ (второй–пятый ряды) для здорового добровольца (мужчина, 35 лет) при напряженности магнитного поля 3 Тл. Статическая регионарная вентиляция представлена регионарной вентиляцией (RVent), а динамика вентиляции оценивается с помощью метрики корреляции петли «поток-объем» (FVL-CM), времени достижения пика вентиляции (VTTP) и отклонения VTTP (VTTPРазработка) представляют собой параметры вентиляции, позволяющие оценить динамику вентиляции. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Сравнение/валидация 3D PREFUL, полученного с помощью более прямых измерений, в настоящее время не опубликовано. Существует несколько исследований, сообщающих о положительной корреляции между значениями VDP и пространственным перекрытием дефектов вентиляции между методом 2D PREFUL и МРТ на 129Xe1,12,14, а также МРТ на 19F35. Недавнее сравнение вентиляции, определенной с помощью 3D PREFUL, и прямых измерений вентиляции с использованием МРТ на 19F у пациентов с хронической обструктивной болезнью легких (ХОБЛ), астмой и у здоровых добровольцев выявило умеренную или сильную корреляцию на глобальном уровне40. Представлен пример сравнения (Рисунок 8) для пациента с диагнозом «хроническая обструктивная болезнь легких» (женщина 54 лет, ОФВ1 = 42% от прогнозируемого значения), обследование которого проводилось с помощью 3D PREFUL и МРТ на 19F в режиме вымывания.

figure-results-8
Рисунок 83D МРТ легких с функциональной нагрузкой (PREFUL) пациентки 54 лет с ХОБЛ. Морфологические изображения (верхний ряд), параметры вентиляции и соответствующие карты дефектов вентиляции пациентки 54 лет с ХОБЛ (ОФВ11 = 42 % от пред., ФЖЕЛ = 102% от пред.), полученные с помощью 3D PREFUL МРТ (2-й и 3-й ряды) и 19Представлены данные фМРТ (4-й и 5-й ряды), а также сравнение карт дефектов вентиляции, полученных обоими методами (последний ряд). В целом, на всех срезах SøКоэффициент Дайса составил 25,5% в дефектных областях и 80,6% в здоровых областях, что привело к общему пространственному перекрытию 69,2%. Примечательно, что наблюдается визуальная корреляция между совпадающими зонами вентиляции в здоровых и дефектных областях (обозначены темно-зеленым цветом). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

3D PREFUL МРТ может использоваться для измерения регионального ответа на терапию20. В качестве примера на Рисунке 9 показано сравнение трех срезов легких пациента с муковисцидозом (женщина 43 лет) на исходном этапе (слева, FEV1 = 94% от прогнозируемого значения) и после терапии модуляторами CFTR (справа, FEV1 = 12% от прогнозируемого значения). Поскольку оба измерения пространственно сопоставлены, 3D PREFUL позволяет проводить региональный анализ ответа на лечение, как показано в нижней части Рисунка 9. Обратите внимание на повышение значений метрики корреляции петли «поток-объем», а также на уменьшение дефектов вентиляции после терапии.

figure-results-9
Рисунок 93D-измерения ПРФУ (PREFUL) у 43-летней пациентки с муковисцидозом (МВ). Примеры карт маркеров вентиляции при исходных (слева) и послелечебных (справа) измерениях методом 3D PREFUL у 43-летней пациентки с муковисцидозом. VDPFVL-CM снизился с 18,0% (исходный уровень) до 3,6% (после лечения). ОФВ11 % от предсказанного базового уровня: 94%, ОФВ11 % пред. после лечения: 12%. ИСЛ (LCI) в начале исследования: 10,48, ИСЛ (LCI) после лечения: 9,39. Соответствующие карты терапевтического ответа представлены ниже. Обратите внимание на зеленые области, указывающие на восстановление вентиляции после терапии. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Таблица 1: Список типичных параметров МРТ, используемых для локализатора и 3D-аквизиции PREFUL на сканере 1,5 Тл. (A) локализатор и (B) Сбор данных 3D PREFUL. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

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

Таблица 3: Пример статистического отчета параметров 3D PREFUL для здорового добровольца (мужчина, 35 лет) Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Обсуждение

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

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

Благодарности

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

  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

Теги

PREFUL
Трехмерная функциональная магнитно-резонансная томография легких с фазовым разрешением
Свяжитесь с нами
Рекомендовать библиотеке

Конфиденциальность

Условия эксплуатации

Политика

Авторские права © 2026 MyJoVE Corporation. Все права защищены.