Summary
In dieser Studie wird eine einzigartige 3D-Quantifizierungsmethode für die Verteilung der Leberfettfraktion (LFF) unter Verwendung der Dixon-Magnetresonanztomographie (Dixon-MRT) vorgestellt. LFF-Karten, die aus In-Phase- und Wasserphasenbildern abgeleitet werden, werden in 3D-Leberkonturen integriert, um LFF-Muster zwischen normaler und steatotischer Leber zu unterscheiden und eine präzise Beurteilung des Leberfettgehalts zu ermöglichen.
Abstract
In dieser Studie wird eine 3D-Quantifizierungsmethodik für die Verteilung der Leberfettfraktion (LFF) unter Verwendung der Dixon-MRT-Bildanalyse vorgestellt. Zentrales Ziel ist es, eine hochgenaue und nicht-invasive Methode zur Bestimmung des Leberfettgehalts anzubieten. Das Verfahren beinhaltet die Aufnahme von In-Phase- und Wasserphasenbildern aus einer Dixon-Sequenz. LFF-Karten werden dann akribisch Voxel für Voxel berechnet, indem die Lipidphasenbilder durch die In-Phase-Bilder dividiert werden. Gleichzeitig werden 3D-Leberkonturen aus den In-Phase-Bildern extrahiert. Diese wichtigen Komponenten sind nahtlos integriert, um ein umfassendes 3D-LFF-Verteilungsmodell zu erstellen. Diese Technik ist nicht auf gesunde Lebern beschränkt, sondern erstreckt sich auch auf diejenigen, die von Lebersteatose betroffen sind. Die erzielten Ergebnisse zeigen die bemerkenswerte Wirksamkeit dieses Ansatzes sowohl bei der Visualisierung als auch bei der Quantifizierung des Leberfettgehalts. Es erkennt deutlich Muster, die zwischen normaler und steatotischer Leber unterscheiden. Durch die Nutzung der Dixon-MRT zur Extraktion der 3D-Struktur der Leber bietet diese Methode präzise LFF-Beurteilungen, die sich über das gesamte Organ erstrecken, und ist damit vielversprechend für die Diagnose von Lebersteatose mit bemerkenswerter Effektivität.
Introduction
Die nicht-alkoholische Fettlebererkrankung (NAFLD) umfasst ein Spektrum von pathologischen Zuständen, die von der abnormen Anhäufung von Triglyceriden in Leberzellen (hepatische Steatose) bis hin zur Entwicklung von Entzündungen und Schäden an Leberzellen, der sogenannten nicht-alkoholischen Steatohepatitis (NASH), reichen. In einigen Fällen kann sich die NAFLD zu schwereren Stadien entwickeln, darunter Fibrose, Zirrhose, Lebererkrankungen im Endstadium oder sogar hepatozelluläres Karzinom (HCC)1. Veröffentlichte Daten der Weltgesundheitsorganisation und der Global Burden of Disease deuten darauf hin, dass weltweit etwa 1.235,7 Millionen Menschen in allen Altersgruppen von NAFLD betroffen sind2. NAFLD gilt derzeit weltweit als eine der wichtigsten Ursachen für Lebererkrankungen und wird voraussichtlich in den kommenden Jahrzehnten zur Hauptursache für Lebererkrankungen im Endstadium werden3.
Die genaue Beurteilung des Ausmaßes der Lebersteatose ist von wesentlicher Bedeutung für eine präzise Diagnose, eine geeignete Behandlungsauswahl und eine effektive Überwachung des Krankheitsverlaufs. Der Goldstandard zur Beurteilung des Leberfettgehalts ist nach wie vor die Leberbiopsie. Aufgrund seines invasiven Charakters, des Potenzials für Schmerzen, Blutungen und andere postoperative Komplikationen ist es jedoch keine praktikable Option für häufige Nachuntersuchungen 4,5,6. Folglich besteht ein dringender Bedarf an nicht-invasiven bildgebenden Verfahren, die die Fettablagerung in der Leber zuverlässig quantifizieren können. Die Magnetresonanztomographie (MRT) ist in diesem Bereich vielversprechend, da sie keine ionisierende Strahlung aufweist und den Fettgehalt durch chemische Verschiebungseffekte empfindlich nachweisen kann 7,8.
Neuere Studien haben MRT-Techniken zur Quantifizierung von Leberfett beschrieben, die auf chemischen Shift-Gradient-Echo-Methoden wie der Dixon-Bildgebungbasieren 9,10. Nichtsdestotrotz beruhen die meisten dieser Techniken auf der Analyse zweidimensionaler Interessenregionen. Eine umfassende Auswertung der dreidimensionalen Verteilung der Leberfettfraktion (LFF) ist bisher nur begrenzt möglich. In der vorliegenden Studie wird ein einzigartiger 3D-LFF-Quantifizierungsansatz vorgestellt, der die Dixon-MRT mit der strukturellen Bildgebung der Leber kombiniert. Das resultierende 3D-LFF-Modell ermöglicht eine präzise Visualisierung und Messung der Verteilung des Fettgehalts über das gesamte Volumen der Leber. Diese Technik zeigt einen erheblichen klinischen Nutzen für die genaue Diagnose der hepatischen Steatose.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Die Studie wurde genehmigt und der Patient wurde aus der Abteilung für Infektionskrankheiten am Dongzhimen-Krankenhaus der Pekinger Universität für Chinesische Medizin in Peking, China, rekrutiert. Der Patient unterzog sich einer routinemäßigen abdominalen Dixon-MRT-Untersuchung, nachdem er seine Einwilligung nach Aufklärung gegeben hatte. In dieser Untersuchung wird ein 3D-Verteilungsmodellierungsansatz verwendet, um die Leberfettfraktion (LFF) bei einem Standardpatienten mit medizinisch diagnostizierter Lebersteatose zu rekonstruieren. Darüber hinaus liefert die Studie eine quantitative Bewertung, bei der die Leber des Patienten mit einer gesunden Leber verglichen wird. Die Software-Tools, die in dieser Forschung verwendet werden, sind in der Materialtabelle aufgeführt.
1. Aufbereitung und Datenerhebung
HINWEIS: Die Varianz der Parameter bleibt vom Forschungsansatz unberührt. In dieser Untersuchung wurden echte DICOM-Daten aus der klinischen Bildgebung gewonnen. Die Daten wurden mit einem MRT-Gerät mit einer Feldstärke von 1,5 Tesla aufgenommen. Der Datensatz besteht aus vier verschiedenen Phasen, die von der Dixon-Sequenz abgeleitet sind, nämlich In-Phase, Out-of-Phase, Wasser und Fett.
- Überprüfe die Dixon-Sequenz für den Oberbauch.
- Kopieren Sie alle DICOM-Daten in ein benutzerdefiniertes Arbeitsverzeichnis.
HINWEIS: Das Arbeitsverzeichnis ist sowohl im Betriebssystem als auch in MATLAB identisch. - Wechseln Sie zu dem Verzeichnis, in dem sich die Daten im aktuellen Arbeitsverzeichnis von MATLAB befinden (wie in Abbildung 1 dargestellt).
- Vergewissern Sie sich, dass die DIXON-Daten eine horizontale Auflösung von 520 x 704 Pixeln mit einem Pixelabstand von 0,5682 mm und einer Schichtdicke von 5 mm aufweisen.
- Kopieren Sie alle DICOM-Daten in ein benutzerdefiniertes Arbeitsverzeichnis.
- Schauen Sie sich schnell die Bilder von Dixon an.
- Ändern Sie das Verzeichnis, um auf Ordner für verschiedene Phasen zuzugreifen, darunter In-Phase-, Out-Phase-, Wasser- und Fettphasen, die jeweils in unterschiedlichen Ordnern für die Dixon-Bildgebung gespeichert sind.
- Verwenden Sie die Slice_View-Funktion , um die Bilder für jede Phase zu visualisieren.
- In Abbildung 2 sehen Sie ein Bild der interaktiven grafischen Benutzeroberfläche (GUI) der MRT-Dixon-Sequenz. Verwenden Sie die Bildlaufleiste am unteren Rand der GUI, um effizient durch die verschiedenen Sequenzen zu navigieren.
- Verwenden Sie die MRT-Dixon In-Phase-Sequenz, um die Beschreibung der Lebergewebegrenzen zu verbessern.
HINWEIS: In Abbildung 2 finden Sie Symbole in der oberen rechten Ecke der GUI. Diese Symbole bieten Funktionen wie Verkleinern, Vergrößern, Zurückkehren zur globalen Ansicht und Markieren der Koordinaten des ausgewählten Pixels. Nutzen Sie die Zoom-Funktion, um lokale Läsionsmerkmale genau zu untersuchen. - Verwenden Sie die Funktion Pixelkoordinaten markieren, um den Abstand zwischen zwei Punkten zu berechnen und so die Messung von Knötchengrößen zu erleichtern.
- Der anfängliche Farbbalken verwendet die Jet-Colormap, die eine Farbverschiebung von Blau zu Rot bedeutet, was niedrige bzw. hohe Werte bedeutet. Um zur standardmäßigen grauen Farbtabelle zu wechseln und die gesamte GUI zurückzusetzen, klicken Sie mit der rechten Maustaste auf die Farbleiste und wählen Sie die Option aus dem Popup-Menü.
- Wenn das Standardfilterfenster nicht geeignet ist, passen Sie es an, indem Sie es mit der linken Maustaste in der Mitte der Abbildung nach oben und unten ziehen, um die Fensterebene zu ändern. Durch Ziehen nach links und rechts wird die Fensterbreite angepasst, und der genaue Filterbereich wird in der Farbleiste angezeigt.
HINWEIS: Nachfolgende Operationen konzentrieren sich auf die Verwendung der DIXON-In-Phase-Sequenz zur Darstellung der 3D-Region der Leber.
2. Extraktion der 3D-Region der Leber
HINWEIS: Um die Leberfettfraktion (LFF) zu berechnen, fungiert jedes Voxel innerhalb der 3D-Leberregion als räumlicher Träger, wobei sein Fettanteilswert aus MRT-Dixon-Daten gewonnen wird. Vor der Berechnung der LFF ist es wichtig, die 3D-Leberregion zu extrahieren. Obwohl Deep-Learning-Methoden dies effizienter erreichen könnten, liegt der Fokus hier auf dem Einsatz ausgereifter Software-Tools wie MIMICS für die Extraktion von Leberregionen.
- Öffnen Sie die MIMICS-Software und wählen Sie Neues Projekt. Suchen Sie im folgenden Dialogfeld den Ordner, in dem sich die DIXON-Out-Phase-Bilder befinden. Fahren Sie fort, indem Sie auf WEITER klicken und dann auf Konvertieren klicken, um in den Sequenzbearbeitungsmodus zu gelangen.
- Generieren Sie eine leere Maske, indem Sie im Dialogfeld MASKE auf der rechten Seite auf Neu klicken und sich für den maximalen Schwellenwert entscheiden.
- Verwenden Sie das Werkzeug "Masken bearbeiten " unter der Beschriftung "Segment", um den Leberbereich in allen horizontalen Ansichten abzugrenzen.
- Erstellen Sie eine räumliche 3D-Darstellung der Leber, indem Sie die zuvor abgebildete Lebermaske auswählen und auf Teil aus Maske berechnen klicken. Die resultierende 3D-Leberregion wird dargestellt (siehe Abbildung 3).
- Navigieren Sie zu Datei, wählen Sie Exportieren und dann die DICOM-Option aus. Wählen Sie im Popup-Dialogfeld die Lebermaske aus, geben Sie den Dateipfad und die Dateinamen an und klicken Sie dann auf OK , um die 3D-Leberregion in die angegebenen DICOM-Dateien zu exportieren.
3. Erstellung der Fettfraktionskarte (FF-Map)
HINWEIS: Die Fettfraktionskarte (FF-Map) hat einen Wertebereich von 0-1. In dieser Studie wird die FF jedes Voxels berechnet, indem der Voxelwert von In-Phase minus Water-only durch den Wert von In-Phase unter Verwendung von Dixon-MRT dividiert wird.
- Wechseln Sie in den Ordner der phasenweisen Bilder und wählen Sie die Funktion Volume_In aus, um das phasengenaue Volume zu generieren.
- Wechseln Sie in den Ordner "Nur-Wasser-Bilder" und wählen Sie die Volume_Water-Funktion aus, um das Nur-Wasser-Volume zu generieren.
- Wählen Sie die FF_Volume-Funktion aus, indem Sie die beiden in Schritt 3.1 und Schritt 3.2 generierten Volumina als Eingaben verwenden, um das FF-Volumen der abdominalen MRT zu erhalten, wie in Abbildung 4 dargestellt.
- Die in Abbildung 4 gezeigte Fettfraktionskarte (FF) wird als RGB-Echtfarbenbild mit einer Datenstruktur von 520 x 704 x 44 Matrix dargestellt. In dieser Darstellung besteht jedes Pixel aus drei Werten, die die Kanäle Rot, Grün und Blau darstellen. Beachten Sie den Farbbalken auf der linken Seite, der eine visuelle Referenz für die Fettanteilswerte bietet, die mit verschiedenfarbigen Pixeln verbunden sind.
HINWEIS: Die in Abbildung 4 gezeigte grafische Benutzeroberfläche ermöglicht eine genauere Beobachtung der Leber des Patienten durch das Zoom-Werkzeug in der oberen rechten Ecke und die Ermittlung der genauen FF-Werte mit dem Sondierungswerkzeug. Durch Ziehen des Bildlaufbalkens am unteren Rand können Benutzer die FF-Karten aller Scanpositionen in der horizontalen Ebene betrachten.
4. 3D-Volumen-Verteilung der Leberfettfraktion
HINWEIS: Abbildung 4 zeigt die LFF-Karte, die auf der Grundlage der Dixon-MRT-Bilder des Oberbauchs berechnet wurde. In Kombination mit der 3D-Leberregion in Abbildung 3 kann das 3D-LFF-Volumen der gesamten Leber separat berechnet werden.
- Verwenden Sie die LFF_Volume-Funktion und stellen Sie ihr die 3D-Leberregion (wie in Abbildung 3 dargestellt) und die Lebersteifigkeitskarte (in Abbildung 4 dargestellt) als Eingabeparameter zur Verfügung. Dies führt zur Erstellung der 3D-Volumendarstellung der Leberfettfraktion, wie in Abbildung 5 dargestellt.
- Um die Steifigkeitskarte für jede Leberschicht zu untersuchen, verwenden Sie einfach die Bildlaufleiste unter der in Abbildung 5 dargestellten GUI.
HINWEIS: In dieser Ansicht wird nur das Lebergewebe genau dargestellt. - Achten Sie auf die Symbole in der oberen rechten Ecke der GUI (siehe Abbildung 5). Diese Symbole bieten Funktionen zum Verkleinern, Vergrößern, Zurückkehren zur globalen Ansicht und Markieren der Koordinaten des ausgewählten Pixels.
HINWEIS: Die Standardfarbleiste verwendet die "Jet"-Farbkarte, bei der die Farben von Blau zu Rot übergehen, um unterschiedliche Werte (gemessen in kPa-Einheiten) von niedrig nach hoch darzustellen. - Führen Sie die LFF_Distribution Funktion mit den identischen Eingabeparametern wie "LFF_Volume" aus, um die räumliche Verteilung der 3D-Leberfettfraktion (3D-LFF) zu erzeugen, wie in Abbildung 6 dargestellt.
Quantitative Analyse 5. 3D-LFF
HINWEIS: Normale Lebervoxel: LFF < 5%; Leichte Fettleber-Voxel: 5%-10%; Moderate Fettleber-Voxel: 10%-20%; Schwere Fettleber-Voxel: LFF ≥ 20%11,12,13,14,15. Ein wesentlicher quantitativer Schwerpunkt dieser Studie ist die Bestimmung des Anteils von Voxeln in verschiedenen LFF-Stadien in der Leber des Patienten. Abbildung 6 zeigt die ungleichmäßige räumliche Verteilung der Leberfettfraktion beim Patienten. Das Fehlen ausgeprägter klinischer Symptome wird in erster Linie auf einen erheblichen Anteil an normalem Lebergewebe zurückgeführt. Daher ist eine genaue Quantifizierung der Unterschiede zwischen Patienten und gesunden Personen unerlässlich. Dies stellt hier ein wesentliches quantitatives Konzept dar.
- Berechnen Sie die 3D-LFF-Verteilung für eine gesunde Leber, indem Sie die Schritte 1-4 wiederholen.
HINWEIS: Die integrierte MATLAB-Balkenfunktion ermöglicht den Vergleich der 3D-LFF-Verteilungen für gesunde und Fettleber (Abbildung 7).
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Bei dieser Untersuchung werden tatsächliche Patientendatensätze verwendet, die mit einem kommerziell erhältlichen MRT-Scanner aufgenommen wurden, um die 3D-Methode zur Quantifizierung des Leberfettanteils zu validieren (Abbildung 1). Das MRT-Protokoll umfasste die vierphasige Bildgebungvon Dixon 9,10: In-phase, Out-of-phase, nur Wasser und nur Fett (Abbildung 2). Der Fettanteil (FF) jedes Voxels wird berechnet, indem das In-Phase-Minus-Wasser-Voxel-Signal durch das In-Phase-Voxel-Signal mittels Dixon-MRT dividiert wird. Dieses numerische Modell ermöglicht eine genaue Berechnung des Fettgehalts in jedem Voxel.
Obwohl Deep-Learning-Methoden die 3D-Anatomie der Leber extrahieren können, weisen sie inhärente algorithmische Fehler auf. Um eine präzise Quantifizierung zu gewährleisten, wurden ausgereifte Softwaretools wie MIMICS verwendet, um eine genaue 3D-Leberkontur in Kombination mit fachkundiger Anleitung zu extrahieren (Abbildung 3).
Durch die Verschmelzung der 3D-Leberkontur mit der 2D-FF-Karte in Abbildung 4 wird ein integriertes 3D-FF-Verteilungsmodell in Abbildung 5 generiert. Dies überwindet die Einschränkungen von 2D-FF-Karten und ermöglicht die Visualisierung der Fettablagerung im gesamten Lebervolumen. Ärzte können jetzt den Fettgehalt im 3D-Leberraum genau lokalisieren, anstatt einen vagen Abdruck zu hinterlassen.
Wie Abbildung 6 zeigt, zeigt die 3D-FF-Verteilung Fettanteilswerte an verschiedenen Leberpositionen. Durch den Vergleich mit Standard-FF-Schwellenwerten kann der Prozentsatz der Voxel, die in verschiedene Stadien der Lebersteatose fallen, quantifiziert werden. Dies ermöglicht eine präzise Messung des Leberanteils bei verschiedenen Steatosestufen.
Der Vergleich zwischen einer normalen und einer Fettleber (Abbildung 7) bestätigt die Fähigkeit der Technik, verschiedene 3D-LFF-Verteilungsmuster zu erkennen. Der vorgeschlagene Arbeitsablauf demonstriert den klinischen Wert in der 3D-Visualisierung, Quantifizierung und Diagnose der Lebersteatose auf der Grundlage von Dixon-MRT-Daten des Patienten.
Abbildung 1: MRT-Dixon-Sequenzordner. Eine Liste von Ordnernamen, die den in der Studie verwendeten Dixon-MRT-Scansequenzen entsprechen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 2: Dixon-MRT-Schicht-Browser. Grafische Benutzeroberfläche (GUI), die Schichten aus jeder Phasensequenz der Dixon-MRT anzeigt. Die Dixon-MRT ist wertvoll für die Verbesserung der Bildqualität und Interpretierbarkeit, insbesondere wenn eine präzise Fett- und Wassertrennung unerlässlich ist. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 3: 3D-Extraktion der Leberregion. Visualisierung der dreidimensionalen räumlichen Ausdehnung der Leber auf der Grundlage von In-Phase-Bildern, die während der MRT-Untersuchung aufgenommen wurden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 4: Karte des Leberfettanteils. Eine visuelle Darstellung der Leberfettfraktion (LFF) in jedem Voxel, wobei unterschiedliche Farben verwendet werden, um Variationen des Fettgehalts anzuzeigen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 5: Scheiben der Leberfettfraktion. Hochauflösende Schichten, die die Karte des Leberfettanteils anzeigen und einen detaillierten Überblick über die LFF-Verteilung in der gesamten Leber bieten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 6: 3D-LFF-Verteilung der gesamten Leber. Eine Abbildung, die die numerische Wahrscheinlichkeitsverteilung des Leberfettanteils (LFF) über die gesamte Leber darstellt und in einem dreidimensionalen Format dargestellt wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 7: Vergleich der 3D-LFF-Verteilung. Vergleich der 3D-LFF-Verteilung zwischen einer gesunden Leber und einer typischen Fettleber, wobei Unterschiede im Fettgehalt und in der Fettverteilung hervorgehoben werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Diese Forschung stellt eine innovative 3D-Quantifizierungstechnik zur Analyse der Verteilung der Leberfettfraktion (LFF) mit Dixon MRT 9,10 vor. Durch die Integration von LFF-Karten, die aus In-Phase- und Wasserphasenbildern generiert werden, mit 3D-Leberkonturen unterscheidet diese Methode zwischen LFF-Mustern in normaler und steatotischer Leber6. Folglich ermöglicht es eine genaue Beurteilung des Leberfettgehalts.
Schritt 3 stellt einen wichtigen Schritt bei der Berechnung der FF-Karte dar, um den Fettgehalt in jedem Voxel zu quantifizieren. Schritt 4 integriert die FF-Daten mit der 3D-Leberkontur, um ein integriertes 3D-LFF-Verteilungsmodell zu erstellen. Schritt 5 validiert die Wirksamkeit des 3D-LFF-Ansatzes für die genaue Quantifizierung der hepatischen Steatose13.
Im Hinblick auf zukünftige Modifikationen könnte die industrielle Bildverarbeitung die Effizienz der 3D-Lebersegmentierung steigern. Die Erstellung eines Atlasses von 3D-LFF-Verteilungen für gesunde Lebern und verschiedene Steatosegrade könnte die klinische Diagnose und Typisierung erleichtern.
Eine Einschränkung besteht darin, dass die Methode zwar eine frühe Steatose quantitativ einstufen kann, aber nicht die Mechanismen aufklärt, die dem Fortschreiten der Krankheit zugrunde liegen. Variationen in der Ausrüstung und den Protokollen können zu inkonsistenten Ergebnissen führen. Die Standardisierung des Berechnungs-Workflows bleibt eine ständige Herausforderung.
Diese Technik führt das Konzept der 3D-LFF-Verteilung ein und implementiert es, um Ärzten umfassende Einblicke in die Fettablagerungsmuster und den Schweregrad der Erkrankung im gesamten Leberorgan zu geben. Dies ist von großer Bedeutung für die präzise Diagnose, Behandlungsentscheidungen und die Überwachung der therapeutischen Wirksamkeit. Der Ansatz ist auch für die Gesundheitsvorsorge und -prävention in der Allgemeinbevölkerung von Bedeutung.
Die Methode weist ein enormes Potenzial in mehreren Forschungsbereichen auf, darunter: (1) groß angelegte Validierung der Technik über heterogene Kohorten hinweg; (2) Untersuchung von 3D-LFF-Variationen zwischen verschiedenen Steatose-Ätiologien; (3) Korrelation der 3D-LFF-Verteilung mit klinischen Parametern und Risikofaktoren; (4) Anwendung von 3D-LFF-Mustern zur Erstellung von Diagnose-, Prognose- und Behandlungsansprechmodellen; (5) Vergleich der 3D-Quantifizierung mit der zweidimensionalen Bildgebung. Es gibt zahlreiche Forschungsmöglichkeiten, um diese Methodik in den klinischen Nutzen umzusetzen.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Das Software-Tool zur Quantifizierung der Lebersteatose, das in der Materialtabelle dieser Studie als HepaticSteatosis V1.0 aufgeführt ist, ist ein Produkt von Beijing Intelligent Entropy Science & Technology Co., Ltd. Die geistigen Eigentumsrechte an diesem Software-Tool gehören dem Unternehmen.
Acknowledgments
Diese Veröffentlichung wurde durch das fünfte nationale Programm zur Identifizierung herausragender klinischer Talente in der Traditionellen Chinesischen Medizin unterstützt, das von der Nationalen Verwaltung für Traditionelle Chinesische Medizin organisiert wird. Der offizielle Netzwerklink lautet"http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html.
Materials
| Name | Company | Catalog Number | Comments |
| MATLAB | MathWorks | 2022B | Computing and visualization |
| Mimics | Materialise | Mimics Research V20 | Model format transformation |
| Tools for 3D_LFF | Intelligent Entropy | HepaticSteatosis V1.0 | Beijing Intelligent Entropy Science & Technology Co Ltd. Modeling for CT/MRI fusion |
References
- Pouwels, S., et al. Non-alcoholic fatty liver disease (NAFLD): a review of pathophysiology, clinical management and effects of weight loss. BMC Endocr Disord. 22 (1), 63 (2022).
- Younossi, Z. M., et al. The global burden of liver disease. Clin Gastroenterol Hepatol. 21 (8), 1978-1991 (2023).
- Younossi, Z., et al. Global burden of NAFLD and NASH. Trends, predictions, risk factors and prevention. Nat Rev Gastroenterol Hepatol. 15 (1), 11-20 (2018).
- Boyum, J. H., et al. Incidence and risk factors for adverse events related to image-guided liver biopsy. Mayo Clin Proc. 91 (3), 329-335 (2016).
- Khalifa, A., Rockey, D. C. The utility of liver biopsy in 2020. Curr Opin Gastroenterol. 36 (3), 184-191 (2020).
- Sumida, Y., Nakajima, A., Itoh, Y. Limitations of liver biopsy and non-invasive diagnostic tests for the diagnosis of nonalcoholic fatty liver disease/nonalcoholic steatohepatitis. World J Gastroenterol. 20 (2), 475-485 (2014).
- Ajmera, V., Loomba, R. Imaging biomarkers of NAFLD, NASH, and fibrosis. Mol Metab. 50, 101167 (2021).
- Castera, L., Friedrich-Rust, M., Loomba, R. Noninvasive assessment of liver disease in patients with nonalcoholic fatty liver disease. Gastroenterology. 156 (5), 1264-1281 (2019).
- Jiang, Y., et al. Application of multi-echo Dixon and MRS in quantifying hepatic fat content and staging liver fibrosis. Sci Rep. 13 (1), 12555 (2023).
- Yang, Y., et al. The accuracy and clinical relevance of the multi-echo dixon technique for evaluating changes to hepatic steatosis in patients with non-alcoholic fatty liver disease treated with formulated food. Magn Reson Med Sci. 22 (2), 263-271 (2023).
- Peng, H., et al. Fat-water separation based on Transition REgion Extraction (TREE). Magn Reason Med. 82 (1), 436-448 (2019).
- Hines, C. D. G., et al. T(1) independent, T(2)(*) corrected chemical shift based fat-water separation with multi-peak fat spectral modeling is an accurate and precise measure of hepatic steatosis. Magn Reason Imaging. 33 (1), 873-881 (2011).
- Tang, A., et al. Nonalcoholic fatty liver disease: MR imaging of liver proton density fat fraction to assess hepatic steatosis. Radiology. 267 (2), 422-431 (2013).
- Caussy, C., Reeder, S. B., Sirlin, C. B., Loomba, R. Noninvasive, quantitative assessment of liver fat by MRI-PDFF as an endpoint in NASH Trials. Hepatology. 68 (2), 763-772 (2018).
- Reeder, S. B., Cruite, I., Hamilton, G., Sirlin, C. B. Quantitative assessment of liver fat with magnetic resonance imaging and spectroscopy. Magn Reson Imaging. 34 (4), 729-749 (2011).
