Summary
Denne undersøgelse introducerer en unik 3D-kvantificeringsmetode til fordeling af leverfedtfraktion (LFF) ved hjælp af Dixon Magnetic Resonance Imaging (Dixon MRI). LFF-kort, der stammer fra billeder i fase og vandfase, er integreret med 3D-leverkonturer for at skelne LFF-mønstre mellem normale og steatotiske lever, hvilket muliggør præcis vurdering af leverfedtindhold.
Abstract
Denne undersøgelse præsenterer en 3D-kvantificeringsmetode til fordeling af leverfedtfraktion (LFF) gennem anvendelse af Dixon MR-billedanalyse. Det centrale mål er at tilbyde et meget præcist og ikke-invasivt middel til evaluering af leverfedtindhold. Processen involverer erhvervelse af In-fase og Water-fase billeder fra en Dixon sekvens. LFF-kort beregnes derefter omhyggeligt voxel for voxel ved at dividere lipidfasebillederne med billederne i fasen. Samtidig ekstraheres 3D-leverkonturer fra billederne i fasen. Disse vigtige komponenter integreres problemfrit for at konstruere en omfattende 3D-LFF-distributionsmodel. Denne teknik er ikke begrænset til sunde lever, men strækker sig til dem, der er ramt af hepatisk steatose. De opnåede resultater viser den bemærkelsesværdige effektivitet af denne tilgang til både visualisering og kvantificering af leverfedtindhold. Det skelner tydeligt mønstre, der skelner mellem normale og steatotiske lever. Ved at udnytte Dixon MR til at ekstrahere leverens 3D-struktur tilbyder denne metode præcise LFF-vurderinger, der spænder over hele organet, og giver derved et stort løfte om diagnosticering af hepatisk steatose med bemærkelsesværdig effektivitet.
Introduction
Ikke-alkoholisk fedtleversygdom (NAFLD) omfatter et spektrum af patologiske tilstande, lige fra unormal ophobning af triglycerider i leverceller (hepatisk steatose) til udvikling af betændelse og skade på leverceller, kendt som ikke-alkoholisk steatohepatitis (NASH). I nogle tilfælde kan NAFLD udvikle sig til mere alvorlige stadier, herunder fibrose, skrumpelever, leversygdom i slutstadiet eller endda hepatocellulært karcinom (HCC)1. Offentliggjorte data fra Verdenssundhedsorganisationen og Global Burden of Disease tyder på, at ca. 1.235.7 millioner individer over hele verden er ramt af NAFLD på tværs af alle aldersgrupper2. NAFLD rangerer i øjeblikket som en af de mest fremtrædende årsager til leverrelaterede sygdomme globalt og forventes at blive den førende årsag til leversygdom i slutstadiet i de kommende årtier3.
Den nøjagtige vurdering af omfanget af hepatisk steatose har stor betydning for præcis diagnose, passende behandlingsvalg og effektiv overvågning af sygdomsprogression. Guldstandarden til vurdering af leverfedtindhold er fortsat leverbiopsi. På grund af dets invasive karakter, potentialet for smerte, blødning og andre postoperative komplikationer er det imidlertid ikke en praktisk mulighed for hyppige opfølgningsundersøgelser 4,5,6. Derfor er der et presserende behov for ikke-invasive billeddannelsesteknikker, der pålideligt kan kvantificere leverfedtaflejring. Magnetisk resonansbilleddannelse (MRI) viser lovende på dette område på grund af dets mangel på ioniserende stråling og dets evne til følsomt at detektere fedtindhold gennem kemiske skifteffekter 7,8.
Nylige undersøgelser har skitseret MR-teknikker til kvantificering af leverfedt, baseret på kemiske skiftgradientekkometoder som Dixon-billeddannelse 9,10. Ikke desto mindre er størstedelen af disse teknikker afhængige af analysen af todimensionale regioner af interesse. Den omfattende evaluering af den tredimensionelle fordeling af leverfedtfraktion (LFF) har været begrænset. I denne undersøgelse introduceres en unik 3D LFF-kvantificeringsmetode, der kombinerer Dixon MR med leverstrukturel billeddannelse. Den resulterende 3D LFF-model giver mulighed for præcis visualisering og måling af fordelingen af fedtindhold gennem hele levervolumenet. Denne teknik demonstrerer betydelig klinisk anvendelighed til nøjagtig diagnose af hepatisk steatose.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Undersøgelsen blev godkendt, og patienten blev rekrutteret fra afdelingen for infektionssygdomme på Dongzhimen Hospital, Beijing University of Chinese Medicine, i Beijing, Kina. Patienten gennemgik en rutinemæssig abdominal Dixon MR-scanning efter at have givet informeret samtykke. I denne undersøgelse anvendes en 3D-fordelingsmodelleringsmetode til at rekonstruere leverfedtfraktionen (LFF) hos en standardpatient med medicinsk diagnosticeret hepatisk steatose. Desuden giver undersøgelsen en kvantitativ vurdering, der sammenligner patientens lever med en sund lever. De softwareværktøjer, der anvendes i denne forskning, er angivet i materialetabellen.
1. Forberedelse og dataindsamling
BEMÆRK: Variansen i parametre forbliver upåvirket af forskningsmetoden. I denne undersøgelse blev ægte DICOM-data opnået fra klinisk billeddannelse. Dataene blev erhvervet ved hjælp af et MR-apparat med en feltstyrke på 1,5 Tesla. Datasættet består af fire forskellige faser afledt af Dixon-sekvensen, specifikt In-phase, Out-of-phase, Water og Fat.
- Kontroller Dixon-sekvensen for den øvre del af maven.
- Kopier alle DICOM-data til en tilpasset arbejdsmappe.
BEMÆRK: Arbejdsmappen er den samme i både operativsystemet og MATLAB. - Gå til den mappe, der indeholder dataene i MATLABs aktuelle arbejdsmappe (som vist i figur 1).
- Bekræft, at DIXON-dataene viser en vandret opløsning på 520 x 704 pixel med en pixelafstand på 0,5682 mm og en udsnittykkelse på 5 mm.
- Kopier alle DICOM-data til en tilpasset arbejdsmappe.
- Kontroller hurtigt billeder af Dixon.
- Skift mappen for at få adgang til mapper til forskellige faser, som inkluderer In-phase, Out-phase, Water og Fat phases, der hver især er gemt i forskellige mapper til Dixon-billeddannelse.
- Brug Slice_View-funktionen til at visualisere billederne for hver fase.
- Se figur 2 for at se et billede af MRI-Dixon-sekvensens interaktive grafiske brugergrænseflade (GUI). Brug rullebjælken placeret i bunden af GUI'en til effektivt at navigere gennem de forskellige sekvenser.
- Anvend MRI-Dixon In-phase-sekvensen for at forbedre beskrivelser af levervævsgrænser.
BEMÆRK: I figur 2 kan man finde ikoner placeret i øverste højre hjørne af GUI. Disse ikoner tilbyder funktioner som at zoome ud, zoome ind, vende tilbage til den globale visning og markere koordinaterne for den valgte pixel. Brug zoomfunktionen til nøje at undersøge lokale læsionsfunktioner. - Brug funktionen Markér pixelkoordinater til at beregne afstanden mellem to punkter, hvilket hjælper med at måle knudestørrelser.
- Den oprindelige farvebjælke bruger jetfarvekortet, hvilket betyder et farveskift fra blå til rød, hvilket betyder henholdsvis lave til høje værdier. For at skifte til standard grå farvekort og nulstille hele GUI skal du højreklikke på Color Bar og vælge indstillingen i pop op-menuen.
- Hvis standardfiltervinduet ikke er egnet, skal du justere det ved at trække op og ned i midten af figuren ved hjælp af venstre museknap for at ændre vinduesniveauet. Hvis du trækker til venstre og højre, justeres vinduesbredden, og det præcise filtreringsområde vises på farvelinjen.
BEMÆRK: Efterfølgende operationer vil fokusere på at bruge DIXON In-phase-sekvensen til at repræsentere leverens 3D-region.
2. Ekstraktion af leverens 3D-region
BEMÆRK: For at beregne leverfedtfraktionen (LFF) fungerer hver voxel inden for 3D-leverregionen som en rumlig bærer med sin fedtfraktionsværdi opnået fra MRI-Dixon-data. Før beregning af LFF er det afgørende at ekstrahere 3D-leverregionen. Selvom deep learning-metoder kunne opnå dette mere effektivt, er fokus her på at bruge modne softwareværktøjer som MIMICS til leverregionsekstraktion.
- Åbn MIMICS-softwaren, og vælg Nyt projekt. I den efterfølgende dialogboks skal du finde den mappe, der indeholder DIXON-udfasebillederne. Fortsæt ved at klikke på NÆSTE, og tryk derefter på Konverter for at gå ind i sekvensredigeringstilstand.
- Generer en tom maske ved at klikke på Ny i MASK-dialogboksen i højre side, og vælg den maksimale tærskel.
- Brug værktøjet Rediger masker, der findes under etiketten "Segment", til at afgrænse leverområdet i alle vandrette visninger.
- Opret en 3D rumlig repræsentation af leveren ved at vælge levermasken afbildet tidligere og klikke på Beregn del fra maske. Den resulterende 3D-leverregion vil blive præsenteret (se figur 3).
- Naviger til Filer, vælg derefter Eksporter, og vælg DICOM-indstillingen . Vælg levermasken i pop op-dialogboksen, angiv filstien og navnene, og klik derefter på OK for at eksportere 3D-leverregionen til de udpegede DICOM-filer.
3. Generering af fedtfraktionskort (FF-kort)
BEMÆRK: Fedtfraktionskortet (FF-Map) har et værdiområde på 0-1. I denne undersøgelse beregnes FF for hver voxel ved at dividere voxelværdien af In-fase minus Water-only med In-phase using Dixon MRI.
- Skift mappen til mappen med billeder i fasen, og vælg funktionen Volume_In for at generere in-phase Volume.
- Skift mappen til mappen med billeder, der kun er vand, og vælg funktionen Volume_Water for at generere lydstyrken, der kun er vand.
- Vælg FF_Volume-funktionen ved hjælp af de to volumener, der genereres i trin 3.1 og trin 3.2 som input for at opnå FF-volumen af abdominal MR, visualiseret som vist i figur 4.
- FF-kortet (Fat Fraction) vist i figur 4 præsenteres som et RGB-billede i ægte farver med en datastruktur på 520 x 704 x 44 matrix. I denne repræsentation består hver pixel af tre værdier, der repræsenterer de røde, grønne og blå kanaler. Vær opmærksom på farvebjælken i venstre side, som giver en visuel reference til fedtfraktionsværdierne, der er knyttet til forskellige farvede pixels.
BEMÆRK: GUI'en vist i figur 4 tillader tættere observation af patientens lever gennem zoomværktøjet i øverste højre hjørne og opnåelse af de nøjagtige FF-værdier ved hjælp af sondeværktøjet. Ved at trække rullepanelet nederst kan brugerne observere FF-kortene for alle scanningspositioner i vandret plan.
4. 3D-volumen af leverfedtfraktionsfordeling
BEMÆRK: Figur 4 viser LFF-kortet beregnet ud fra Dixon MR-billederne af den øvre del af maven. Kombineret med 3D-leverregionen i figur 3 kan 3D-LFF-volumenet af hele leveren beregnes separat.
- Brug LFF_Volume-funktionen , og giv den 3D-leverregionen (som vist i figur 3) og leverstivhedskortet (vist i figur 4) som inputparametre. Dette vil resultere i oprettelsen af 3D-volumenrepræsentationen af leverfedtfraktionen, som illustreret i figur 5.
- For at undersøge stivhedskortet for hvert leverlag skal du blot bruge rullebjælken placeret under GUI'en, der vises i figur 5.
BEMÆRK: I denne opfattelse er kun levervæv nøjagtigt afbildet. - Vær opmærksom på ikonerne i øverste højre hjørne af GUI'en (som vist i figur 5). Disse ikoner indeholder funktioner til at zoome ud, zoome ind, vende tilbage til den globale visning og markere koordinaterne for den valgte pixel.
BEMÆRK: Standardfarvebjælken bruger "jet" farvekortet, hvor farver overgår fra blå til rød for at repræsentere forskellige værdier (målt i enheder af kPa) fra lav til høj. - Kør LFF_Distribution-funktionen ved hjælp af de samme inputparametre som "LFF_Volume" for at producere den rumlige fordeling af 3D-leverfedtfraktionen (3D-LFF), som vist i figur 6.
5. 3D-LFF kvantitativ analyse
BEMÆRK: Normale levervoxels: LFF < 5%; Milde fedtlever voxels: 5% -10%; Moderat fedtlever voxels: 10% -20%; Alvorlige fedtlever voxels: LFF ≥ 20%11,12,13,14,15. Et vigtigt kvantitativt fokus i denne undersøgelse er at bestemme andelen af voxels på forskellige LFF-stadier i patientens lever. Figur 6 viser den ujævne rumlige fordeling af leverfedtfraktionen hos patienten. Manglen på tydelige kliniske symptomer tilskrives primært en betydelig del af normalt levervæv. Derfor er præcis kvantificering af forskelle mellem patienter og raske individer afgørende. Dette repræsenterer et vigtigt kvantitativt begreb heri.
- Beregn 3D-LFF-fordelingen for en sund lever ved at gentage trin 1-4.
BEMÆRK: Den indbyggede MATLAB-stangfunktion gør det muligt at sammenligne 3D-LFF-fordelingen for sunde og fede lever (figur 7).
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Denne undersøgelse anvender faktiske patientdatasæt erhvervet ved hjælp af en kommercielt tilgængelig MR-scanner til at validere 3D-leverfedtfraktionskvantificeringsmetoden (figur 1). MR-protokollen omfattede Dixons firefasebilleddannelse 9,10: In-phase, Out-of-phase, Water-only og Fat-only (figur 2). Fedtfraktionen (FF) for hver voxel beregnes ved at dividere In-fase minus Water-only voxel-signalet med In-phase voxel-signalet ved hjælp af Dixon MRI. Denne numeriske model muliggør nøjagtig beregning af fedtprocenten i hver voxel.
Selvom deep learning-metoder kan udtrække 3D-leveranatomi, har de iboende algoritmiske fejl. For at sikre præcis kvantificering blev modne softwareværktøjer som MIMICS brugt til at udtrække en nøjagtig 3D-leverkontur kombineret med ekspertvejledning (figur 3).
Sammensmeltning af 3D-leverkonturen med 2D FF-kortet i figur 4 genererer en integreret 3D-FF-fordelingsmodel i figur 5. Dette overvinder begrænsningen af 2D FF-kort og giver visualisering af fedtaflejring i hele levervolumen. Læger kan nu nøjagtigt lokalisere fedtindhold i 3D-leverrum i stedet for et vagt indtryk.
Som figur 6 viser, afslører 3D-FF-fordelingen fedtfraktionsværdier ved forskellige leverpositioner. Ved at sammenligne dette med standard FF-tærskler kan procentdelen af voxel, der falder i forskellige stadier af hepatisk steatose, kvantificeres. Dette muliggør præcis måling af andelen af lever ved forskellige steatoseniveauer.
Sammenligning mellem en normal lever og fedtlever (figur 7) validerer teknikkens evne til at skelne forskellige 3D-LFF-fordelingsmønstre. Den foreslåede arbejdsgang demonstrerer klinisk værdi i 3D-visualisering, kvantificering og diagnose af hepatisk steatose baseret på patientens Dixon MR-data.
Figur 1: MRI-Dixon-sekvensmapper. En liste over mappenavne svarende til Dixon MR-scanningssekvenserne, der blev brugt i undersøgelsen. Klik her for at se en større version af denne figur.
Figur 2: Dixon MR skive browser. Grafisk brugergrænseflade (GUI), der viser udsnit fra hver fasesekvens af Dixon MR. Dixon MR er værdifuld til forbedring af billedkvalitet og fortolkningsevne, især når præcis fedt- og vandseparation er afgørende. Klik her for at se en større version af denne figur.
Figur 3: 3D leverregion ekstraktion. Visualisering af leverens tredimensionelle rumlige udstrækning baseret på In-Phase billeder erhvervet under MR-scanningen. Klik her for at se en større version af denne figur.
Figur 4: Kort over leverfedtfraktion. En visuel repræsentation af leverfedtfraktion (LFF) i hver voxel ved hjælp af forskellige farver for at indikere variationer i fedtindhold. Klik her for at se en større version af denne figur.
Figur 5: Skiver af leverfedtfraktion. Skiver i høj opløsning, der viser kortet over leverfedtfraktionen, hvilket giver et detaljeret overblik over LFF-fordelingen i hele leveren. Klik her for at se en større version af denne figur.
Figur 6: Hele lever 3D-LFF fordeling. En figur, der viser den numeriske sandsynlighedsfordeling af leverfedtfraktion (LFF) over hele leveren, præsenteret i et tredimensionelt format. Klik her for at se en større version af denne figur.
Figur 7: Sammenligning af 3D-LFF-fordeling. Sammenligning af 3D-LFF-fordelingen mellem en sund lever og en typisk fedtlever, der fremhæver forskelle i fedtindhold og fordeling. Klik her for at se en større version af denne figur.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Denne forskning præsenterer en innovativ 3D-kvantificeringsteknik til analyse af fordelingen af leverfedtfraktion (LFF) ved hjælp af Dixon MRI 9,10. Ved at integrere LFF-kort, der genereres fra billeder i fase og vandfase, med 3D-leverkonturer, skelner denne metode mellem LFF-mønstre i normale og steatotiske lever6. Derfor letter det en præcis evaluering af leverfedtindholdet.
Trin 3 repræsenterer et vigtigt trin i beregningen af FF-kortet for at kvantificere fedtindholdet i hver voxel. Trin 4 integrerer FF-dataene med 3D-leverkonturen for at konstruere en integreret 3D-LFF-distributionsmodel. Trin 5 validerer effektiviteten af 3D-LFF-tilgangen til nøjagtig kvantificering af hepatisk steatose13.
Med hensyn til fremtidige ændringer kan maskinsyn forbedre effektiviteten af 3D-leversegmentering. Udarbejdelse af et atlas over 3D-LFF-fordelinger for sunde lever og forskellige steatosekvaliteter kan lette klinisk diagnose og typning.
En begrænsning er, at mens metoden kvantitativt kan stadiere tidlig steatose, belyser den ikke mekanismerne bag sygdomsprogression. Variationer i udstyr og protokoller kan føre til inkonsekvente resultater. Standardisering af beregningsworkflowet er fortsat en løbende udfordring.
Denne teknik introducerer og implementerer konceptet 3D-LFF-distribution, hvilket giver klinikere omfattende indsigt i fedtaflejringsmønstre og sygdommens sværhedsgrad på tværs af hele leverorganet. Dette har stor betydning for præcis diagnose, behandlingsbeslutninger og overvågning af terapeutisk effekt. Tilgangen har også betydning for sundhedsscreening og forebyggelse i den almindelige befolkning.
Metoden udviser et stort potentiale inden for flere forskningsdomæner, herunder: (1) storskala validering af teknikken på tværs af heterogene kohorter; (2) undersøgelse af 3D-LFF-variationer blandt forskellige steatoseætiologier; 3) korrelation mellem 3D-LFF-fordeling og kliniske parametre og risikofaktorer (4) anvendelse af 3D-LFF-mønstre til at opbygge diagnostiske, prognostiske og behandlingsresponsmodeller; 5) sammenligning af 3D-kvantificering med todimensionale billeddannelsesvurderinger. Der findes talrige forskningsmuligheder for at oversætte denne metode til klinisk nytteværdi.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Softwareværktøjet til kvantificering af hepatisk steatose, der er opført i materialetabellen i denne undersøgelse som HepaticSteatosis V1.0, er et produkt af Beijing Intelligent Entropy Science & Technology Co., Ltd. De intellektuelle ejendomsrettigheder til dette softwareværktøj tilhører virksomheden.
Acknowledgments
Denne publikation modtog støtte fra det femte nationale program til identifikation af fremragende kliniske talenter inden for traditionel kinesisk medicin, organiseret af National Administration of Traditional Chinese Medicine. Det officielle netværkslink er'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).
