Summary
この研究では、Dixon Magnetic Resonance Imaging (Dixon MRI) を使用した肝脂肪分率 (LFF) 分布の独自の 3D 定量化方法を紹介します。同相画像と水相画像から得られたLFFマップは、3D肝臓の輪郭と統合され、正常な肝臓と脂肪性の肝臓のLFFパターンを区別し、肝臓脂肪含有量の正確な評価を可能にします。
Abstract
本研究では、Dixon MRI画像解析を用いた肝脂肪分率(LFF)分布の3D定量化手法を提示する。主な目的は、肝臓の脂肪含有量を評価するための非常に正確で非侵襲的な手段を提供することです。このプロセスには、ディクソンシーケンスからの同相および水相画像の取得が含まれます。LFFマップは、脂質相の画像を同相の画像で割ることにより、ボクセルごとに細心の注意を払って計算されます。同時に、3D肝臓の輪郭が同相画像から抽出されます。これらの重要なコンポーネントがシームレスに統合され、包括的な3D-LFF分散モデルが構築されます。この技術は健康な肝臓に限定されず、脂肪肝に苦しむ人々にも及びます。得られた結果は、肝脂肪含有量の視覚化と定量化の両方において、このアプローチの顕著な有効性を示しています。正常な肝臓と脂肪性の肝臓を区別するパターンを明確に識別します。Dixon MRIを用いて肝臓の3次元構造を抽出することで、臓器全体にわたる精密なLFF評価が可能で、脂肪肝の診断に期待が持てる大きな期待が寄せられています。
Introduction
非アルコール性脂肪性肝疾患(NAFLD)は、肝細胞におけるトリグリセリドの異常な蓄積(脂肪肝)から、非アルコール性脂肪性肝炎(NASH)として知られる肝細胞の炎症および損傷の発症に至るまで、さまざまな病理学的状態を網羅しています。場合によっては、NAFLDは線維症、肝硬変、末期肝疾患、さらには肝細胞がん(HCC)など、より重篤な病期に進行することがあります1。世界保健機関(WHO)と世界疾病負荷(Global Burden of Disease)が公表したデータによると、全世界で約12億3,570万人がすべての年齢層でNAFLDに罹患しています2。NAFLDは現在、世界的に肝臓関連疾患の最も顕著な原因の1つとしてランク付けされており、今後数十年で末期肝疾患の主要な原因になると予想されています3。
脂肪肝の程度を正確に評価することは、正確な診断、適切な治療法の選択、および効果的な疾患進行のモニタリングにとって非常に重要です。肝脂肪含有量を評価するためのゴールドスタンダードは、引き続き肝生検です。しかし、その侵襲性、痛み、出血、その他の術後合併症の可能性があるため、頻繁なフォローアップ検査の実用的な選択肢ではありません4,5,6。その結果、肝脂肪沈着を確実に定量化できる非侵襲的イメージング技術が急務となっています。磁気共鳴画像法(MRI)は、電離放射線がなく、化学シフト効果によって脂肪含有量を高感度に検出できるため、この分野で有望視されています7,8。
最近の研究では、Dixonイメージング9,10のような化学シフト勾配エコー法に基づいて、肝脂肪を定量化するためのMRI技術が概説されています。それにもかかわらず、これらの手法の大部分は、2次元の関心領域の分析に依存しています。肝脂肪分率(LFF)の3次元分布の包括的な評価は、依然として制限されています。本研究では、Dixon MRIと肝構造イメージングを組み合わせた独自の3D LFF定量化アプローチを紹介します。得られた3D LFFモデルにより、肝臓の全容積にわたる脂肪含有量の分布を正確に視覚化および測定できます。この技術は、脂肪肝の正確な診断にかなりの臨床的有用性を示しています。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
この研究は承認され、患者は中国の北京にある北京中医薬大学東直門病院の感染症科から募集されました。患者は、インフォームドコンセントを提供した後、定期的な腹部ディクソンMRIスキャンを受けました。この調査では、3D分布モデリングアプローチを採用して、医学的に診断された脂肪肝症の標準的な患者の肝脂肪分画(LFF)を再構築します。さらに、この研究では、患者の肝臓と健康な肝臓を比較する定量的評価を提供します。本研究で使用したソフトウェアツールは、 材料表に記載されています。
1. 準備とデータ収集
注:パラメータの分散は、研究アプローチの影響を受けません。この調査では、臨床画像から本物のDICOMデータを取得しました。データは、電界強度1.5テスラのMRI装置を使用して取得されました。このデータセットは、ディクソン配列から派生した4つの異なる相、具体的には同相、異相、水、脂肪で構成されています。
- 上腹部のディクソン配列を確認します。
- すべてのDICOMデータをカスタマイズされた作業ディレクトリにコピーします。
注: 作業ディレクトリは、オペレーティング システムと MATLAB の両方で同じです。 - MATLAB の現在の作業ディレクトリ内のデータを格納しているディレクトリに移動します ( 図 1 を参照)。
- DIXON データが 520 ピクセル x 704 ピクセルの水平解像度、ピクセル間隔 0.5682 mm、スライスの厚さ 5 mm であることを確認します。
- すべてのDICOMデータをカスタマイズされた作業ディレクトリにコピーします。
- ディクソンの画像をすばやく確認します。
- ディレクトリを変更して、In-phase、Out-phase、Water、Fat の各フェーズのフォルダにアクセスし、それぞれが Dixon イメージング用に個別のフォルダに保存されます。
- Slice_View機能を利用して、各フェーズの画像を視覚化します。
- MRI-Dixonシーケンスのインタラクティブなグラフィカルユーザーインターフェース(GUI)の画像は 、図2 を参照してください。GUIの下部にあるスクロールバーを使用して、さまざまなシーケンスを効率的にナビゲートします。
- MRI-Dixon In-phase シーケンスを使用して、肝臓組織境界の記述を強化します。
メモ: 図2では、GUIの右上隅にアイコンがあります。これらのアイコンは、ズームアウト、ズームイン、グローバルビューへの復帰、選択したピクセルの座標のマークなどの機能を提供します。ズーム機能を利用して、局所的な病変の特徴を詳しく調べます。 - [ピクセル座標をマーク] 機能を使用して 2 点間の距離を計算し、結節サイズの測定に役立てます。
- 初期カラーバーは、青から赤へのカラーシフトを意味し、それぞれ低い値から高い値を示すジェットカラーマップを使用します。標準のグレーカラーマップに切り替えてGUI全体をリセットするには、 カラーバー を右クリックし、ポップアップメニューからオプションを選択します。
- デフォルトのフィルターウィンドウが適切でない場合は、マウスの左ボタンを使用して図の中央を上下にドラッグして調整し、ウィンドウレベルを変更します。左右にドラッグするとウィンドウの幅が調整され、正確なフィルタリング範囲がカラーバーに表示されます。
注:その後の操作では、肝臓の3D領域を表すためにDIXON同相シーケンスを利用することに焦点を当てます。
2. 肝臓の3D領域の抽出
注: 肝脂肪分率 (LFF) を計算するために、3D 肝臓領域内の各ボクセルは空間キャリアとして機能し、MRI-Dixon データから取得した脂肪分率値を使用します。LFFを計算する前に、3D肝臓領域を抽出することが重要です。深層学習の手法はこれをより効率的に実現できますが、ここでは、肝領域抽出にMIMICSのような成熟したソフトウェアツールを使用することに焦点を当てています。
- MIMICSソフトウェアを開き、「 新規プロジェクト」を選択します。次のダイアログボックスで、DIXON Out-phase画像が格納されているフォルダを探します。 NEXTをクリックして続行し、[ 変換 ]をクリックしてシーケンス編集モードに入ります。
- 右側にある [MASK] ダイアログボックス内の [New] をクリックして空のマスクを生成し、最大しきい値を選択します。
- 「セグメント」ラベルの下にある マスクの編集 ツールを使用して、すべての水平ビューで肝臓領域を描写します。
- 肝臓の 3D 空間表現を作成するには、前に示した肝臓マスクを選択し、[ マスクからパーツを計算] をクリックします。結果として得られる3D肝臓領域が表示されます( 図3を参照)。
- [ ファイル] に移動し、[ エクスポート] を選択して、[ DICOM ] オプションを選択します。ポップアップダイアログボックスで、 肝臓マスクを選択し、ファイルパスと名前を指定してから、[ OK ]をクリックして、3D肝臓領域を指定されたDICOMファイルにエクスポートします。
3. 脂肪分率マップ(FF-Map)の生成
注:脂肪分率マップ(FF-Map)の値の範囲は0〜1です。この研究では、各ボクセルのFFは、Dixon MRIを使用して、In-phaseからWater-onlyを引いたボクセル値をIn-phaseのボクセル値で割ることによって計算されます。
- ディレクトリをIn-phase imagesのフォルダに変更し、 Volume_In 機能を選択してIn-phase Volumeを生成します。
- ディレクトリを水のみの画像のフォルダに変更し、 Volume_Water 機能を選択して水のみのボリュームを生成します。
- ステップ 3.1 とステップ 3.2 で生成された 2 つのボリュームを入力として使用して FF_Volume 関数を選択し、 図 4 に示すように視覚化された腹部 MRI の FF ボリュームを取得します。
- 図 4 に示す脂肪分率 (FF) マップは、520 x 704 x 44 のマトリックスのデータ構造を持つ RGB トゥルーカラー画像として表示されます。この表現では、各ピクセルは赤、緑、青のチャネルを表す 3 つの値で構成されます。左側のカラーバーは、異なる色のピクセルに関連付けられた脂肪分率の値を視覚的に参照できます。
注: 図4 に示すGUIでは、右上隅のズームツールを使用して患者の肝臓を詳細に観察し、プロービングツールを使用して正確なFF値を取得できます。下部のスクロールバーをドラッグすることで、水平面上のすべてのスキャン位置のFFマップを観察できます。
肝脂肪分率分布の4. 3D体積
注: 図4 は、上腹部のディクソンMRI画像に基づいて計算されたLFFマップを示しています。 図3の3D肝領域と組み合わせると、肝臓全体の3D-LFF容積を個別に計算できます。
- LFF_Volume関数を利用し、3D肝臓領域(図3を参照)と肝臓硬さマップ(図4を参照)を入力パラメータとして提供します。これにより、図 5 に示すように、肝脂肪分画の 3D-Volume 表現が作成されます。
- 各肝臓層の剛性マップを調べるには、 図5に示すGUIの下にあるスクロールバーを使用するだけです。
注:このビューでは、肝臓組織のみが正確に描かれています。 - GUI の右上隅にあるアイコンに注目してください( 図 5 を参照)。これらのアイコンは、ズームアウト、ズームイン、グローバルビューへの復帰、および選択したピクセルの座標のマーク付けを行う機能を提供します。
注:デフォルトのカラーバーは、色が青から赤に遷移し、低から高までのさまざまな値(kPa単位で測定)を表す「ジェット」カラーマップを使用します。 - 図 6 に示すように、同じ入力パラメーターを "LFF_Volume" として使用して関数 LFF_Distribution を実行し、3D 肝脂肪率 (3D-LFF) の空間分布を生成します。
5. 3D-LFF定量分析
注:正常な肝臓ボクセル:LFF<5%;軽度の脂肪肝ボクセル:5%-10%;中等度の脂肪肝ボクセル:10%-20%;重度の脂肪肝ボクセル:LFF≥20%11,12,13,14,15。この研究の主な定量的焦点は、患者の肝臓のさまざまなLFF段階でのボクセルの割合を決定することです。図6は、患者の肝脂肪分率の不均一な空間分布を示しています。明確な臨床症状の欠如は、主に正常な肝組織のかなりの割合に起因しています。.したがって、患者と健康な個人の違いを正確に定量化することが不可欠です。これは、本明細書における重要な定量的概念を表しています。
- 手順1〜4を繰り返して、健康な肝臓の3D-LFF分布を計算します。
注:組み込みのMATLABバー関数により、健康な肝臓と脂肪肝臓の3D-LFF分布を比較できます(図7)。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
この調査では、市販のMRIスキャナーを使用して取得した実際の患者データセットを利用して、3D肝脂肪分画定量方法を検証します(図1)。MRIプロトコルには、Dixonの4相画像9,10(同相、逆位相、水のみ、脂肪のみ)が含まれていました(図2)。各ボクセルの脂肪分率 (FF) は、Dixon MRI を使用して、同相から水のみのボクセル信号を引いたものを同相ボクセル信号で除算することによって計算されます。この数値モデルにより、各ボクセルの脂肪含有量のパーセンテージを正確に計算できます。
ディープラーニング手法は3D肝臓の解剖学的構造を抽出できますが、アルゴリズム上のエラーが内在しています。正確な定量を確実にするために、MIMICSなどの成熟したソフトウェアツールを使用して、専門家のガイダンスと組み合わせた正確な3D肝臓輪郭を抽出しました(図3)。
3D肝臓の輪郭を 図4 の2次元FFマップと融合させると、 図5の統合型3D-FF分布モデルが生成されます。これにより、2D FFマップの限界が克服され、肝臓全体の脂肪沈着を可視化することができます。医師は、曖昧な印象ではなく、3Dの肝臓空間で脂肪含有量を正確に特定できるようになりました。
図6が示すように、3D-FF分布は、異なる肝臓位置での脂肪分率値を明らかにします。これを標準的なFF閾値と比較することにより、脂肪肝のさまざまな段階に分類されるボクセルの割合を定量化できます。これにより、さまざまな脂肪レベルでの肝臓の割合を正確に測定できます。
正常肝と脂肪肝の比較(図7)により、異なる3D-LFF分布パターンを識別する技術の能力が検証されます。提案されたワークフローは、患者のDixon MRIデータに基づく脂肪肝の3D視覚化、定量化、および診断における臨床的価値を示しています。
図1:MRI-Dixonシーケンスフォルダ。 研究で使用されたDixon MRIスキャンシーケンスに対応するフォルダ名のリスト。 この図の拡大版をご覧になるには、ここをクリックしてください。
図2:Dixon MRIスライスブラウザ。 Dixon MRIの各フェーズシーケンスのスライスを表示するグラフィカルユーザーインターフェース(GUI)。ディクソンMRIは、特に脂肪と水分の正確な分離が不可欠な場合に、画質と解釈可能性を向上させるために有用です。 この図の拡大版をご覧になるには、ここをクリックしてください。
図3:3D肝領域抽出。 MRIスキャン中に取得された同相画像に基づく肝臓の3次元空間範囲の視覚化。 この図の拡大版をご覧になるには、ここをクリックしてください。
図4:肝脂肪分率マップ。 各ボクセルの肝脂肪分率 (LFF) を、脂肪含有量の変動を示すために異なる色を使用して視覚的に表現したもの。 この図の拡大版をご覧になるには、ここをクリックしてください。
図5:肝脂肪分画スライス。 肝臓の脂肪分率マップを表示する高解像度スライスで、肝臓全体のLFF分布を詳細に表示します。 この図の拡大版をご覧になるには、ここをクリックしてください。
図6:肝臓全体の3D-LFF分布。 肝臓全体の肝脂肪分率(LFF)の数値確率分布を3次元で表した図。 この図の拡大版をご覧になるには、ここをクリックしてください。
図7:3D-LFF分布の比較。 健康な肝臓と典型的な脂肪肝の3D-LFF分布を比較し、脂肪含有量と分布の違いを強調しています。 この図の拡大版をご覧になるには、ここをクリックしてください。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
この研究は、Dixon MRI 9,10を使用して肝脂肪分率(LFF)の分布を分析するための革新的な3D定量化技術を提示します。同相画像と水相画像から生成されるLFFマップを3D肝臓の輪郭と統合することにより、正常肝臓と脂肪性肝臓のLFFパターンを区別する6。その結果、肝臓の脂肪含有量の正確な評価が容易になります。
ステップ 3 は、各ボクセルの脂肪含有量を定量化するための FF マップを計算する上で重要な段階を表します。ステップ4では、FFデータを3D肝臓輪郭と統合して、統合3D-LFF分布モデルを構築します。ステップ5では、脂肪肝の正確な定量化のための3D-LFFアプローチの有効性を検証します13。
将来の変更に関しては、マシンビジョンは3D肝臓セグメンテーションの効率を高める可能性があります。健康な肝臓と異なる脂肪症の悪性度に関する3D-LFF分布のアトラスをコンパイルすることで、臨床診断とタイピングを容易にすることができます。
1つの制限は、この方法は早期脂肪症を定量的に病期分類できますが、疾患の進行の根底にあるメカニズムを解明していないことです。機器やプロトコルにばらつきがあると、結果に一貫性がなくなる可能性があります。計算ワークフローの標準化は、依然として継続的な課題です。
この技術は、3D-LFF分布の概念を導入して実装し、臨床医に肝臓全体の脂肪沈着パターンと疾患の重症度に関する包括的な洞察を提供します。これは、正確な診断、治療の決定、および治療効果のモニタリングにとって非常に重要です。このアプローチは、一般の人々の健康診断と予防にも重要です。
この方法は、(1)異種コホートにわたる技術の大規模な検証。(2)異なる脂肪症の病因間の3D-LFF変異の調査。(3)3D-LFF分布と臨床パラメータおよび危険因子との相関。(4)3D-LFFパターンを適用して、診断、予後、および治療反応モデルを構築します。(5)3D定量化と2次元画像評価の比較。この方法論を臨床的有用性に変換するための研究手段は数多く存在します。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
この研究の 材料表 に肝ステアトーシスV1.0としてリストされている脂肪肝定量化のためのソフトウェアツールは、Beijing Intelligent Entropy Science & Technology Co., Ltd.の製品です。本ソフトウェアツールの知的財産権は当社に帰属します。
Acknowledgments
この出版物は、国家中医薬総局が主催する第5回伝統中医薬の優れた臨床的才能の発掘のための国家プログラムの支援を受けました。公式ネットワークリンクは「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).