Summary
이 연구는 Dixon MRI(Dixon Magnetic Resonance Imaging)를 사용하여 간 지방 분율(LFF) 분포에 대한 고유한 3D 정량화 방법을 소개합니다. 동상 및 수상 이미지에서 파생된 LFF 맵은 3D 간 윤곽과 통합되어 정상 간과 지방계 간 간의 LFF 패턴을 구별하여 간 지방 함량을 정확하게 평가할 수 있습니다.
Abstract
이 연구는 Dixon MRI 이미지 분석을 활용하여 간 지방 분율(LFF)의 분포에 대한 3D 정량화 방법론을 제시합니다. 중심 목표는 간 지방 함량을 평가하는 매우 정확하고 비침습적인 수단을 제공하는 것입니다. 이 프로세스에는 Dixon 시퀀스에서 동상 및 수상 이미지를 획득하는 작업이 포함됩니다. 그런 다음 LFF 맵은 지질상 이미지를 동상 이미지로 나누어 복셀별로 꼼꼼하게 계산됩니다. 동시에 3D 간 윤곽이 동상 이미지에서 추출됩니다. 이러한 중요한 구성 요소는 포괄적인 3D-LFF 배포 모델을 구성하기 위해 완벽하게 통합됩니다. 이 기술은 건강한 간에만 국한되지 않고 간 지방증으로 고통받는 사람들에게까지 확장됩니다. 얻어진 결과는 간 지방 함량을 시각화하고 정량화하는 데 이 접근법의 놀라운 효과를 보여줍니다. 정상 간과 지방간 간을 구별하는 패턴을 뚜렷하게 구분합니다. Dixon MRI를 활용하여 간의 3D 구조를 추출함으로써 이 방법은 장기 전체에 걸친 정확한 LFF 평가를 제공하여 놀라운 효과로 간 지방증 진단에 큰 가능성을 제공합니다.
Introduction
비알코올성 지방간 질환(NAFLD)은 간세포에 트리글리세라이드가 비정상적으로 축적되는 것(간 지방증)부터 비알코올성 지방간염(NASH)으로 알려진 간세포의 염증 및 손상에 이르기까지 다양한 병리학적 상태를 포괄합니다. 경우에 따라 NAFLD는 섬유증, 간경변, 말기 간 질환 또는 간세포 암종(HCC)을 포함한 더 심각한 단계로 진행될 수 있습니다1. 세계보건기구(WHO)와 세계질병부담기구(Global Burden of Disease)에서 발표한 자료에 따르면 전 세계적으로 약 12억 3,570만 명이 모든 연령대에서 NAFLD의 영향을 받고 있습니다2. NAFLD는 현재 전 세계적으로 간 관련 질환의 가장 두드러진 원인 중 하나로 꼽히고 있으며 향후 수십 년 동안 말기 간 질환의 주요 원인이 될 것으로 예상됩니다3.
간 지방증의 정도에 대한 정확한 평가는 정확한 진단, 적절한 치료법 선택 및 효과적인 질병 진행 모니터링에 매우 중요합니다. 간 지방 함량을 평가하기 위한 황금 표준은 여전히 간 생검입니다. 그러나 침습적 특성, 통증, 출혈 및 기타 수술 후 합병증의 가능성으로 인해 빈번한 후속 검사에는 실용적인 옵션이 아닙니다 4,5,6. 결과적으로, 간 지방 침착을 신뢰할 수 있게 정량화할 수 있는 비침습적 이미징 기술에 대한 필요성이 시급합니다. 자기공명영상(MRI)은 이온화 방사선이 없고 화학적 이동 효과를 통해 지방 함량을 민감하게 감지할 수 있는 능력으로 인해 이 분야에서 유망한 것으로 보인다 7,8.
최근 연구에서는 Dixon 이미징 9,10과 같은 화학적 이동 구배 에코 방법을 기반으로 간 지방을 정량화하기 위한 MRI 기술을 설명했습니다. 그럼에도 불구하고 이러한 기술의 대부분은 2차원 관심 영역의 분석에 의존합니다. 간 지방 분율(LFF)의 3차원 분포에 대한 포괄적인 평가는 여전히 제한적입니다. 본 연구에서는 Dixon MRI와 간 구조 영상을 결합한 고유한 3D LFF 정량화 접근법을 도입했습니다. 그 결과 3D LFF 모델을 통해 간 전체 부피에 걸쳐 지방 함량 분포를 정밀하게 시각화하고 측정할 수 있습니다. 이 기술은 간 지방증의 정확한 진단을 위한 상당한 임상적 유용성을 보여줍니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
이 연구는 승인되었고, 환자는 중국 베이징에 있는 베이징 중의과대학 둥즈먼 병원의 전염병과에서 모집되었습니다. 환자는 정보에 입각한 동의를 제공한 후 정기 복부 Dixon MRI 스캔을 받았습니다. 이 조사에서는 의학적으로 진단된 간 지방증이 있는 표준 환자의 간 지방 분율(LFF)을 재구성하기 위해 3D 분포 모델링 접근 방식을 사용합니다. 또한 이 연구는 환자의 간을 건강한 간과 비교하는 정량적 평가를 제공합니다. 이 연구에 사용된 소프트웨어 도구는 재료 표에 나열되어 있습니다.
1. 준비 및 데이터 수집
참고: 매개변수의 분산은 연구 접근 방식의 영향을 받지 않습니다. 이 조사에서는 임상 영상에서 실제 DICOM 데이터를 얻었습니다. 데이터는 전계 강도가 1.5 Tesla인 MRI 장치를 사용하여 획득했습니다. 데이터 세트는 Dixon 시퀀스에서 파생된 4개의 개별 단계, 특히 동상, 위상차, 물 및 지방으로 구성됩니다.
- 상복부에 대한 Dixon 시퀀스를 확인하십시오.
- 모든 DICOM 데이터를 사용자 지정된 작업 디렉터리에 복사합니다.
참고: 작업 디렉터리는 운영 체제와 MATLAB 모두에서 동일합니다. - MATLAB의 현재 작업 디렉터리에 있는 데이터가 들어 있는 디렉터리로 이동합니다( 그림 1 참조).
- DIXON 데이터가 520픽셀 x 704픽셀의 가로 해상도, 픽셀 간격 0.5682mm, 슬라이스 두께 5mm를 표시하는지 확인합니다.
- 모든 DICOM 데이터를 사용자 지정된 작업 디렉터리에 복사합니다.
- 딕슨의 이미지를 빠르게 확인할 수 있습니다.
- Dixon 이미징을 위해 각각 고유한 폴더에 저장된 In-phase, Out-phase, Water 및 Fat phase를 포함하는 여러 단계에 대한 폴더에 액세스하도록 디렉토리를 변경합니다.
- Slice_View 함수를 활용하여 각 위상에 대한 이미지를 시각화합니다.
- MRI-Dixon 시퀀스의 대화형 그래픽 사용자 인터페이스(GUI) 이미지를 보려면 그림 2 를 참조하십시오. GUI 하단에 있는 스크롤 막대를 사용하여 다양한 시퀀스를 효율적으로 탐색합니다.
- MRI-Dixon In-phase 염기서열을 사용하여 간 조직 경계에 대한 설명을 향상시킵니다.
참고: 그림 2에서 GUI의 오른쪽 상단 모서리에 있는 아이콘을 찾을 수 있습니다. 이러한 아이콘은 축소, 확대, 전역 보기로 돌아가기, 선택한 픽셀의 좌표 표시와 같은 기능을 제공합니다. 확대/축소 기능을 사용하여 국소 병변 특징을 면밀히 검사합니다. - 픽셀 좌표 표시 기능을 사용하여 두 점 사이의 거리를 계산하여 결절 크기를 측정하는 데 도움이 됩니다.
- 초기 컬러바는 파란색에서 빨간색으로의 색 이동을 의미하는 jet 컬러맵을 사용하며, 이는 각각 낮은 값에서 높은 값으로 이동함을 나타냅니다. 표준 회색 컬러맵으로 전환하고 전체 GUI를 재설정하려면 색상 막대 를 마우스 오른쪽 버튼으로 클릭하고 팝업 메뉴에서 옵션을 선택합니다.
- 디폴트 필터 창이 적합하지 않은 경우, Figure 가운데를 마우스 왼쪽 버튼으로 위아래로 끌어 창 레벨을 수정하여 필터 창을 조정합니다. 왼쪽과 오른쪽으로 드래그하면 창 너비가 조정되고 정확한 필터링 범위가 색상 막대에 표시됩니다.
참고: 후속 수술은 DIXON In-phase 시퀀스를 활용하여 간의 3D 영역을 나타내는 데 중점을 둡니다.
2. 간의 3D 영역 추출
참고: LFF(Liver Fat Fraction)를 계산하기 위해 3D 간 영역 내의 각 복셀은 MRI-Dixon 데이터에서 얻은 지방 분율 값을 사용하여 공간 캐리어 역할을 합니다. LFF를 계산하기 전에 3D 간 영역을 추출하는 것이 중요합니다. 딥 러닝 방법이 이를 더 효율적으로 달성할 수 있지만, 여기서는 간 영역 추출을 위해 MIMICS와 같은 성숙한 소프트웨어 도구를 사용하는 데 중점을 둡니다.
- MIMICS 소프트웨어를 열고 새 프로젝트를 선택합니다. 후속 대화 상자에서 DIXON 단상 이미지가 들어 있는 폴더를 찾습니다. NEXT를 클릭하여 계속한 다음 변환 을 눌러 시퀀스 편집 모드로 들어갑니다.
- 오른쪽에 있는 MASK 대화 상자에서 새로 만들기를 클릭하여 빈 마스크를 생성하고 최대 임계값을 선택합니다.
- "Segment" 레이블 아래에 있는 Edit Masks 도구를 사용하여 모든 수평 보기에서 간 영역을 묘사합니다.
- 앞에서 설명한 간 마스크를 선택하고 마스크에서 파트 계산(Calculate Part from Mask)을 클릭하여 간의 3D 공간 표현을 생성합니다. 결과 3D 간 영역이 표시됩니다( 그림 3 참조).
- 파일로 이동한 다음 내보내기를 선택하고 DICOM 옵션을 선택합니다. 팝업 대화 상자에서 간 마스크를 선택하고 파일 경로와 이름을 지정한 다음 확인을 클릭하여 3D 간 영역을 지정된 DICOM 파일로 내보냅니다.
3. 지방 분율 맵 생성 (FF-Map)
참고: 뚱뚱한 분율 맵(FF-Map)의 값 범위는 0-1입니다. 본 연구에서는 Dixon MRI를 이용하여 In-phase에서 Water-only를 뺀 복셀 값을 In-phase의 복셀 값으로 나누어 각 복셀의 FF를 계산한다.
- 디렉토리를 동상 이미지 폴더로 변경하고 Volume_In 기능을 선택하여 동상 볼륨을 생성합니다.
- 디렉터리를 물 전용 이미지 폴더로 변경하고 Volume_Water 함수를 선택하여 물 전용 볼륨을 생성합니다.
- 3.1단계와 3.2단계에서 생성된 두 개의 부피를 입력으로 사용하여 FF_Volume 함수를 선택하여 그림 4와 같이 시각화된 복부 MRI의 FF-부피를 얻습니다.
- 그림 4에 표시된 FF(Fat Fraction) 맵은 데이터 구조가 520 x 704 x 44 행렬인 RGB 트루 컬러 이미지로 표시됩니다. 이 표현에서 각 픽셀은 빨강, 녹색 및 파랑 채널을 나타내는 세 개의 값으로 구성됩니다. 왼쪽에 있는 색상 막대는 다른 색상의 픽셀과 관련된 지방 분율 값에 대한 시각적 참조를 제공합니다.
참고: 그림 4 에 표시된 GUI를 사용하면 오른쪽 상단 모서리에 있는 확대/축소 도구를 통해 환자의 간을 자세히 관찰하고 프로빙 도구를 사용하여 정확한 FF 값을 얻을 수 있습니다. 하단의 스크롤 막대를 드래그하여 사용자는 수평면에 있는 모든 스캔 위치의 FF 맵을 관찰할 수 있습니다.
간 지방 분획 분포의 4. 3D 부피
참고: 그림 4 는 상복부의 Dixon MRI 이미지를 기반으로 계산된 LFF 맵을 보여줍니다. 그림 3의 3D 간 영역과 결합하면 전체 간의 3D-LFF 부피를 별도로 계산할 수 있습니다.
- LFF_Volume 기능을 활용하여 3D 간 영역(그림 3 참조)과 간 경직 맵(그림 4 참조)을 입력 매개변수로 제공합니다. 그 결과 그림 5와 같이 간 지방 분획의 3D 볼륨 표현이 생성됩니다.
- 각 간층에 대한 강성 맵을 검사하려면 그림 5에 표시된 GUI 아래에 있는 스크롤 막대를 사용하기만 하면 됩니다.
참고: 이 보기에서는 간 조직만 정확하게 묘사됩니다. - GUI의 오른쪽 상단 모서리에 있는 아이콘에 주의하십시오( 그림 5 참조). 이러한 아이콘은 축소, 확대, 전역 보기로 돌아가기 및 선택한 픽셀의 좌표 표시 기능을 제공합니다.
참고: 기본 색상 막대는 색상이 파란색에서 빨간색으로 전환되어 낮은 값에서 높은 값까지 다양한 값(kPa 단위로 측정)을 나타내는 "제트" 색상맵을 사용합니다. - 그림 6과 같이 동일한 입력 파라미터를 "LFF_Volume"로 사용하여 LFF_Distribution 함수를 실행하여 3D 간 지방 분율(3D-LFF)의 공간 분포를 생성합니다.
5. 3D-LFF 정량 분석
참고 : 정상적인 간 복셀 : LFF < 5 %; 온화한 지방간 복셀: 5%-10%; 온건한 지방간 복셀: 10%-20%; 중증 지방간 복셀: LFF ≥ 20%11,12,13,14,15. 이 연구의 주요 정량적 초점은 환자의 간에서 다양한 LFF 단계에서 복셀의 비율을 결정하는 것입니다. 그림 6은 환자의 간 지방 분획의 불균일한 공간 분포를 보여줍니다. 뚜렷한 임상 증상이 없는 것은 주로 정상 간 조직의 상당 부분에 기인합니다. 따라서 환자와 건강한 사람 간의 차이를 정확하게 정량화하는 것이 필수적입니다. 이것은 여기에서 중요한 정량적 개념을 나타냅니다.
- 1-4단계를 반복하여 건강한 간의 3D-LFF 분포를 계산합니다.
참고: 내장된 MATLAB bar 함수를 사용하면 건강한 간과 지방간에 대한 3D-LFF 분포를 비교할 수 있습니다(그림 7).
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
이 조사는 3D 간 지방 분획 정량화 방법론을 검증하기 위해 상용 MRI 스캐너를 사용하여 획득한 실제 환자 데이터 세트를 활용합니다(그림 1). MRI 프로토콜에는 Dixon의 4상 이미징 9,10: 동상간, 위상차, 물만, 지방만(그림 2)이 포함되었습니다. 각 복셀의 지방 분율(FF)은 Dixon MRI를 사용하여 동상 내 복셀 신호에서 물 전용 복셀 신호를 뺀 값을 동상 복셀 신호로 나누어 계산합니다. 이 수치 모델을 사용하면 각 복셀의 지방 함량 백분율을 정확하게 계산할 수 있습니다.
딥러닝 방법은 3D 간 해부학을 추출할 수 있지만 알고리즘 오류가 내재되어 있습니다. 정확한 정량화를 보장하기 위해 MIMICS와 같은 성숙한 소프트웨어 도구를 사용하여 전문가의 안내와 함께 정확한 3D 간 윤곽을 추출했습니다(그림 3).
그림 4의 3D 간 윤곽을 2D FF 맵과 융합하면 그림 5의 통합 3D-FF 분포 모델이 생성됩니다. 이는 2D FF 맵의 한계를 극복하고 전체 간 용적의 지방 침착을 시각화합니다. 이제 의사는 막연한 인상 대신 3D 간 공간에서 지방 함량을 정확하게 찾을 수 있습니다.
그림 6에서 볼 수 있듯이 3D-FF 분포는 다양한 간 위치에서의 지방 분율 값을 보여줍니다. 이를 표준 FF 역치와 비교하면 간 지방증의 여러 단계에 속하는 복셀의 비율을 정량화할 수 있습니다. 이를 통해 다양한 지방증 수준에서 간의 비율을 정확하게 측정할 수 있습니다.
정상 간과 지방간 간의 비교(그림 7)를 통해 다양한 3D-LFF 분포 패턴을 식별할 수 있는 이 기법의 능력을 검증할 수 있습니다. 제안된 워크플로우는 환자의 Dixon MRI 데이터를 기반으로 한 간지방증의 3D 시각화, 정량화 및 진단에서 임상적 가치를 입증합니다.
그림 1: MRI-Dixon 염기서열 폴더 연구에 사용된 Dixon MRI 스캔 시퀀스에 해당하는 폴더 이름 목록입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 2: Dixon MRI 슬라이스 브라우저. Dixon MRI의 각 위상 시퀀스에서 슬라이스를 표시하는 그래픽 사용자 인터페이스(GUI). Dixon MRI는 특히 지방과 수분을 정밀하게 분리해야 하는 경우 이미지 품질과 해석 가능성을 향상시키는 데 유용합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 3: 3D 간 영역 추출. MRI 스캔 중에 획득한 In-Phase 이미지를 기반으로 한 간의 3차원 공간 범위 시각화. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4: 간 지방 분율 지도. 각 복셀의 간 지방 분율(LFF)을 시각적으로 표현한 것으로, 지방 함량의 변화를 나타내기 위해 뚜렷한 색상을 사용합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 5: 간 지방 분획 조각. 간 지방 분율 맵을 표시하는 고해상도 슬라이스로 전체 간의 LFF 분포를 자세히 볼 수 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 6: 전체 간 3D-LFF 분포. 간 전체에 걸친 간 지방 분율(LFF)의 수치 확률 분포를 3차원 형식으로 표현한 그림입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 7: 3D-LFF 분포 비교. 건강한 간과 일반적인 지방간 간의 3D-LFF 분포 비교, 지방 함량 및 분포의 차이 강조. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
이 연구는 Dixon MRI 9,10을 사용하여 간 지방 분획(LFF)의 분포를 분석하기 위한 혁신적인 3D 정량화 기술을 제시합니다. 이 방법은 동위상 및 수단계 이미지에서 생성된 LFF 맵을 3D 간 윤곽과 통합함으로써 정상 간과 지방계 간의 LFF 패턴을 구별합니다6. 결과적으로, 그것은 간 지방 함량의 정확한 평가를 용이하게합니다.
3단계는 각 복셀의 지방 함량을 정량화하기 위해 FF 맵을 계산하는 중요한 단계를 나타냅니다. 4단계에서는 FF 데이터를 3D 간 윤곽과 통합하여 통합 3D-LFF 분포 모델을 구축합니다. 5단계에서는 간 지방증의 정확한 정량화를 위한 3D-LFF 접근법의 효능을 검증합니다13.
향후 수정과 관련하여 머신 비전은 3D 간 분할의 효율성을 향상시킬 수 있습니다. 건강한 간과 다양한 지방증 등급에 대한 3D-LFF 분포 아틀라스를 컴파일하면 임상 진단 및 타이핑을 용이하게 할 수 있습니다.
한 가지 한계는 이 방법이 초기 지방증을 정량적으로 병기할 수 있지만 질병 진행의 기저를 밝히는 것은 불가능하다는 것입니다. 장비 및 프로토콜의 차이로 인해 일관되지 않은 결과가 발생할 수 있습니다. 계산 워크플로를 표준화하는 것은 지속적인 과제로 남아 있습니다.
이 기술은 3D-LFF 분포의 개념을 도입하고 구현하여 임상의에게 전체 간 장기에 걸친 지방 침착 패턴과 질병 중증도에 대한 포괄적인 통찰력을 제공합니다. 이는 정확한 진단, 치료 결정 및 치료 효능 모니터링에 중요한 의미를 지닙니다. 이 접근법은 또한 일반 인구의 건강 검진 및 예방에 중요합니다.
이 방법은 다음을 포함한 여러 연구 영역에서 방대한 잠재력을 보여줍니다: (1) 이질적인 코호트에 걸친 기술의 대규모 검증; (2) 다양한 지방증 병인들 사이의 3D-LFF 변이 조사; (3) 3D-LFF 분포와 임상 매개변수 및 위험 요인의 상관관계; (4) 3D-LFF 패턴을 적용하여 진단, 예후 및 치료 반응 모델을 구축합니다. (5) 3D 정량화와 2차원 이미징 평가 비교. 이 방법론을 임상적 유용성으로 전환하기 위한 수많은 연구 방법이 존재합니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
이 연구의 재료 표 에 HepaticSteatosis V1.0으로 나열된 간 지방증 정량화를 위한 소프트웨어 도구는 Beijing Intelligent Entropy Science & Technology Co., Ltd.의 제품입니다. 이 소프트웨어 도구의 지적 재산권은 회사에 있습니다.
Acknowledgments
이 간행물은 중국 국립 전통 의학 관리국이 주관하는 중국 전통 의학의 뛰어난 임상 인재 발굴을 위한 제5차 국가 프로그램의 지원을 받았습니다. 공식 네트워크 링크는 '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).