Summary
Denna studie introducerar en unik 3D-kvantifieringsmetod för fördelning av leverfettfraktion (LFF) med hjälp av Dixon magnetisk resonanstomografi (Dixon MRI). LFF-kartor, härledda från bilder i fas- och vattenfas, är integrerade med 3D-leverkonturer för att skilja LFF-mönster mellan normala och steatotiska lever, vilket möjliggör exakt bedömning av leverfetthalten.
Abstract
Denna studie presenterar en 3D-kvantifieringsmetod för fördelningen av leverfettfraktion (LFF) genom användning av Dixon MRI-bildanalys. Det centrala målet är att erbjuda ett mycket exakt och icke-invasivt sätt att utvärdera leverfetthalten. Processen innebär insamling av infas- och vattenfasbilder från en Dixon-sekvens. LFF-kartor beräknas sedan noggrant voxel för voxel genom att dividera lipidfasbilderna med fasbilderna. Samtidigt extraheras 3D-leverkonturer från bilderna i fasen. Dessa viktiga komponenter är sömlöst integrerade för att konstruera en omfattande 3D-LFF-distributionsmodell. Denna teknik är inte begränsad till friska lever, utan sträcker sig till dem som drabbats av leversteatos. De erhållna resultaten visar den anmärkningsvärda effektiviteten av detta tillvägagångssätt för att både visualisera och kvantifiera leverfetthalten. Den urskiljer tydligt mönster som skiljer mellan normala och steatotiska lever. Genom att utnyttja Dixon MRI för att extrahera 3D-strukturen i levern, erbjuder denna metod exakta LFF-bedömningar som spänner över hela organet, vilket är mycket lovande för diagnos av leversteatos med anmärkningsvärd effektivitet.
Introduction
Icke-alkoholisk fettleversjukdom (NAFLD) omfattar ett spektrum av patologiska tillstånd, allt från onormal ackumulering av triglycerider i leverceller (leversteatos) till utveckling av inflammation och skador på leverceller, känd som icke-alkoholisk steatohepatit (NASH). I vissa fall kan NAFLD utvecklas till allvarligare stadier, inklusive fibros, cirros, leversjukdom i slutstadiet eller till och med hepatocellulärt karcinom (HCC)1. Publicerade data från Världshälsoorganisationen och Global Burden of Disease tyder på att cirka 1 235,7 miljoner individer världen över är drabbade av NAFLD i alla åldersgrupper2. NAFLD rankas för närvarande som en av de mest framträdande orsakerna till leverrelaterade sjukdomar globalt och förväntas bli den ledande orsaken till leversjukdom i slutstadiet under de kommande decennierna3.
En korrekt bedömning av leversteatosens omfattning är av stor betydelse för exakt diagnos, lämpligt behandlingsval och effektiv övervakning av sjukdomsprogression. Guldstandarden för att bedöma leverfetthalten fortsätter att vara leverbiopsi. Men på grund av dess invasiva natur, risken för smärta, blödning och andra postoperativa komplikationer är det inte ett praktiskt alternativ för frekventa uppföljningsundersökningar 4,5,6. Följaktligen finns det ett stort behov av icke-invasiva avbildningstekniker som på ett tillförlitligt sätt kan kvantifiera fettinlagring i levern. Magnetisk resonanstomografi (MRT) är lovande inom detta område på grund av dess brist på joniserande strålning och dess förmåga att känsligt upptäcka fettinnehåll genom kemiska skifteffekter 7,8.
Nyligen genomförda studier har beskrivit MRI-tekniker för att kvantifiera leverfett, baserat på kemiska skiftgradientekometoder som Dixon-avbildning 9,10. Icke desto mindre bygger majoriteten av dessa tekniker på analys av tvådimensionella regioner av intresse. Den omfattande utvärderingen av den tredimensionella fördelningen av leverfettfraktion (LFF) har förblivit begränsad. I den aktuella studien introduceras en unik 3D LFF-kvantifieringsmetod, som kombinerar Dixon MRI med strukturell avbildning av levern. Den resulterande 3D LFF-modellen möjliggör exakt visualisering och mätning av fördelningen av fettinnehåll genom hela levervolymen. Denna teknik visar betydande klinisk användbarhet för korrekt diagnos av leversteatos.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Studien godkändes och patienten rekryterades från avdelningen för infektionssjukdomar vid Dongzhimen Hospital, Beijing University of Chinese Medicine, i Peking, Kina. Patienten genomgick en rutinmässig Dixon MRT-undersökning av buken efter att ha gett informerat samtycke. I denna undersökning används en 3D-distributionsmodelleringsmetod för att rekonstruera leverfettfraktionen (LFF) hos en standardpatient med medicinskt diagnostiserad leversteatos. Vidare ger studien en kvantitativ bedömning som jämför patientens lever med en frisk lever. De programvaruverktyg som används i denna forskning listas i materialtabellen.
1. Förberedelse och datainsamling
OBS: Variansen i parametrar påverkas inte av forskningsmetoden. I denna undersökning erhölls äkta DICOM-data från klinisk avbildning. Uppgifterna samlades in med hjälp av en magnetkameraapparat med en fältstyrka på 1,5 Tesla. Datauppsättningen består av fyra distinkta faser härledda från Dixon-sekvensen, specifikt In-phase, Out-of-phase, Water och Fat.
- Kontrollera Dixon-sekvensen för övre delen av buken.
- Kopiera alla DICOM-data till en anpassad arbetskatalog.
OBS: Arbetskatalogen är densamma i både operativsystemet och MATLAB. - Gå till katalogen som innehåller data i MATLAB:s nuvarande arbetskatalog (som visas i figur 1).
- Kontrollera att DIXON-data visar en horisontell upplösning på 520 x 704 pixlar, med ett pixelavstånd på 0,5682 mm och en skivtjocklek på 5 mm.
- Kopiera alla DICOM-data till en anpassad arbetskatalog.
- Kontrollera snabbt bilder på Dixon.
- Ändra katalogen för att komma åt mappar för olika faser, som inkluderar fas-, utfas-, vatten- och fettfaser, var och en lagrad i distinkta mappar för Dixon-avbildning.
- Använd Slice_View-funktionen för att visualisera bilderna för varje fas.
- Se figur 2 för att se en bild av MRI-Dixon-sekvensens interaktiva grafiska användargränssnitt (GUI). Använd rullningslisten längst ner i GUI för att effektivt navigera genom de olika sekvenserna.
- Använd MRI-Dixon In-phase-sekvensen för att förbättra beskrivningarna av levervävnadsgränser.
OBS: I figur 2 kan man hitta ikoner i det övre högra hörnet av GUI. Dessa ikoner erbjuder funktioner som att zooma ut, zooma in, återgå till den globala vyn och markera koordinaterna för den valda pixeln. Använd zoomfunktionen för att noggrant undersöka lokala lesionsfunktioner. - Använd funktionen Markera pixelkoordinater för att beräkna avståndet mellan två punkter, vilket hjälper till att mäta knölstorlekar.
- Den inledande färgstapeln använder jetfärgkartan, som innebär en färgskiftning från blått till rött, vilket betyder låga respektive höga värden. För att växla till den vanliga grå färgkartan och återställa hela GUI, högerklicka på färgfältet och välj alternativet från popup-menyn.
- Om standardfilterfönstret inte är lämpligt, justera det genom att dra upp och ner i mitten av figuren med vänster musknapp för att ändra fönsternivån. Om du drar åt vänster och höger justeras fönsterbredden, och det exakta filtreringsområdet visas på färgfältet.
OBS: Efterföljande operationer kommer att fokusera på att använda DIXON In-phase-sekvensen för att representera 3D-regionen i levern.
2. Extrahera 3D-regionen i levern
OBS: För att beräkna leverfettfraktionen (LFF) fungerar varje voxel inom 3D-leverregionen som en rumslig bärare, med sitt fettfraktionsvärde erhållet från MRI-Dixon-data. Innan du beräknar LFF är det viktigt att extrahera 3D-leverregionen. Även om djupinlärningsmetoder skulle kunna uppnå detta mer effektivt, ligger fokus här på att använda mogna mjukvaruverktyg som MIMICS för extraktion av leverregioner.
- Öppna programvaran MIMICS och välj Nytt projekt. I den efterföljande dialogrutan letar du reda på mappen som innehåller DIXON Out-phase-bilderna. Fortsätt genom att klicka på NÄSTA och tryck sedan på Konvertera för att gå in i sekvensredigeringsläget.
- Generera en tom mask genom att klicka på Ny i dialogrutan MASK på höger sida och välj den maximala tröskeln.
- Använd verktyget Redigera masker som finns under etiketten "Segment" för att avgränsa leverområdet i alla horisontella vyer.
- Skapa en 3D-rumslig representation av levern genom att välja levermasken som visades tidigare och klicka på Beräkna del från mask. Den resulterande 3D-leverregionen kommer att presenteras (se figur 3).
- Gå till Arkiv, välj sedan Exportera och välj DICOM-alternativet . I popup-dialogrutan väljer du levermasken, anger filsökvägen och namnen och klickar sedan på OK för att exportera 3D-leverregionen till de angivna DICOM-filerna.
3. Generera fettfraktionskarta (FF-karta)
OBS: Fettfraktionskartan (FF-Map) har ett värdeintervall på 0-1. I denna studie beräknas FF för varje voxel genom att dividera voxelvärdet för In-phase minus Water-only med det för In-phase med Dixon MRI.
- Ändra katalogen till mappen med fasavbildningar och välj funktionen Volume_In för att generera volymen i fasen.
- Ändra katalogen till mappen med bilder med endast vatten och välj funktionen Volume_Water för att generera volymen med endast vatten.
- Välj FF_Volume-funktionen med hjälp av de två volymerna som genererades i steg 3.1 och steg 3.2 som indata för att erhålla FF-volymen för buk-MRT, visualiserad som visas i figur 4.
- Fettfraktionskartan (FF) som visas i figur 4 presenteras som en RGB-bild med en datastruktur på 520 x 704 x 44 matris. I den här representationen består varje pixel av tre värden som representerar de röda, gröna och blå kanalerna. Notera färgfältet på vänster sida, som ger en visuell referens för fettfraktionsvärdena som är associerade med olika färgade pixlar.
OBS: GUI som visas i figur 4 möjliggör närmare observation av patientens lever genom zoomverktyget i det övre högra hörnet och erhåller de exakta FF-värdena med hjälp av sondverktyget. Genom att dra rullningslisten längst ner kan användare observera FF-kartorna för alla skanningspositioner i horisontalplanet.
4. 3D-volym av leverfettfraktionsfördelning
OBS: Figur 4 visar LFF-kartan beräknad baserat på Dixon MRT-bilder av övre delen av buken. I kombination med 3D-leverregionen i figur 3 kan 3D-LFF-volymen för hela levern beräknas separat.
- Använd LFF_Volume-funktionen och förse den med 3D-leverregionen (som visas i figur 3) och leverstyvhetskartan (visas i figur 4) som ingångsparametrar. Detta kommer att resultera i skapandet av 3D-volymrepresentationen av leverfettfraktionen, som illustreras i figur 5.
- För att undersöka styvhetskartan för varje leverlager, använd helt enkelt rullningslisten som finns under GUI som visas i figur 5.
OBS: I denna vy är endast levervävnad korrekt avbildad. - Var uppmärksam på ikonerna i det övre högra hörnet av GUI (som visas i figur 5). Dessa ikoner innehåller funktioner för att zooma ut, zooma in, återgå till den globala vyn och markera koordinaterna för den valda pixeln.
OBS: Standardfärgfältet använder "jet"-färgkartan, där färger övergår från blått till rött för att representera varierande värden (mätt i kPa-enheter) från lågt till högt. - Kör LFF_Distribution-funktionen med identiska indataparametrar som "LFF_Volume" för att producera den rumsliga fördelningen av 3D-leverfettfraktionen (3D-LFF), som visas i figur 6.
5. 3D-LFF kvantitativ analys
OBS: Normala levervoxlar: LFF < 5%; Milda fettlevervoxlar: 5%-10%; Måttliga fettlevervoxlar: 10%-20%; Svår fettlevervoxlar: LFF ≥ 20%11,12,13,14,15. Ett viktigt kvantitativt fokus för denna studie är att bestämma andelen voxlar i olika LFF-stadier i patientens lever. Figur 6 visar den ojämna rumsliga fördelningen av leverfettfraktionen hos patienten. Avsaknaden av tydliga kliniska symtom beror främst på en betydande andel normal levervävnad. Därför är det absolut nödvändigt med en exakt kvantifiering av skillnaderna mellan patienter och friska individer. Detta utgör ett viktigt kvantitativt begrepp häri.
- Beräkna 3D-LFF-fördelningen för en frisk lever genom att upprepa steg 1-4.
OBS: Den inbyggda MATLAB-stapelfunktionen gör det möjligt att jämföra 3D-LFF-fördelningarna för friska och feta lever (figur 7).
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Denna undersökning använder faktiska patientdata som förvärvats med hjälp av en kommersiellt tillgänglig MR-skanner för att validera 3D-metoden för kvantifiering av leverfettfraktion (figur 1). MRT-protokollet inkluderade Dixons fyrfasavbildning 9,10: In-phase, Out-of-phase, Water-only och Fat-only (figur 2). Fettfraktionen (FF) för varje voxel beräknas genom att dividera Voxelsignalen i fas minus Endast vatten med den i fas voxelsignalen med Dixon MRI. Denna numeriska modell möjliggör noggrann beräkning av fetthalten i procent i varje voxel.
Även om djupinlärningsmetoder kan extrahera 3D-leveranatomi, har de inneboende algoritmiska fel. För att säkerställa exakt kvantifiering användes mogna programvaruverktyg som MIMICS för att extrahera en exakt 3D-leverkontur i kombination med expertvägledning (figur 3).
Genom att smälta samman 3D-leverkonturen med 2D FF-kartan i figur 4 skapas en integrerad 3D-FF-fördelningsmodell i figur 5. Detta övervinner begränsningen av 2D FF-kartor och ger visualisering av fettavlagring i hela levervolymen. Läkare kan nu exakt lokalisera fettinnehållet i 3D-leverutrymmet i stället för ett vagt avtryck.
Som figur 6 visar avslöjar 3D-FF-fördelningen fettfraktionsvärden vid olika leverpositioner. Genom att jämföra detta med standardtrösklar för FF kan andelen voxlar som faller i olika stadier av leversteatos kvantifieras. Detta möjliggör exakt mätning av andelen lever vid olika steatosnivåer.
Jämförelse mellan normal lever och fettlever (Figur 7) validerar teknikens förmåga att urskilja olika 3D-LFF-fördelningsmönster. Det föreslagna arbetsflödet visar kliniskt värde i 3D-visualisering, kvantifiering och diagnos av leversteatos baserat på patientens Dixon MRI-data.
Figur 1: MRI-Dixon-sekvensmappar. En lista med mappnamn som motsvarar de Dixon MRI-skanningssekvenser som användes i studien. Klicka här för att se en större version av denna figur.
Figur 2: Dixon MRI-skivläsare. Grafiskt användargränssnitt (GUI) som visar skivor från varje fassekvens av Dixon MRI. Dixon MR är värdefullt för att förbättra bildkvaliteten och tolkningsbarheten, särskilt när exakt fett- och vattenseparation är avgörande. Klicka här för att se en större version av denna figur.
Figur 3: 3D-extraktion av leverregionen. Visualisering av leverns tredimensionella rumsliga utbredning baserat på bilder tagna under MR-undersökningen. Klicka här för att se en större version av denna figur.
Figur 4: Karta över leverfettfraktionen. En visuell representation av leverfettfraktion (LFF) i varje voxel, med distinkta färger för att indikera variationer i fettinnehåll. Klicka här för att se en större version av denna figur.
Figur 5: Skivor av leverfettfraktion. Högupplösta skivor som visar leverns fettfraktionskarta, vilket ger en detaljerad bild av LFF-fördelningen i hela levern. Klicka här för att se en större version av denna figur.
Figur 6: 3D-LFF-fördelning för hela levern. En figur som visar den numeriska sannolikhetsfördelningen för leverfettfraktion (LFF) över hela levern, presenterad i ett tredimensionellt format. Klicka här för att se en större version av denna figur.
Figur 7: Jämförelse av 3D-LFF-fördelningen. Jämförelse av 3D-LFF-fördelningen mellan en frisk lever och en typisk fettlever, med betoning på skillnader i fetthalt och fördelning. Klicka här för att se en större version av denna figur.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Denna forskning presenterar en innovativ 3D-kvantifieringsteknik för att analysera fördelningen av leverfettfraktion (LFF) med hjälp av Dixon MRI 9,10. Genom att integrera LFF-kartor, som genereras från infas- och vattenfasbilder, med 3D-leverkonturer, skiljer denna metod mellan LFF-mönster i normala och steatotiska lever6. Följaktligen underlättar det en exakt utvärdering av leverfetthalten.
Steg 3 representerar ett viktigt steg i beräkningen av FF-kartan för att kvantifiera fetthalten i varje voxel. Steg 4 integrerar FF-data med 3D-leverkonturen för att konstruera en integrerad 3D-LFF-distributionsmodell. Steg 5 validerar effekten av 3D-LFF-metoden för noggrann kvantifiering av leversteatos13.
När det gäller framtida modifieringar kan maskinseende förbättra effektiviteten i 3D-leversegmentering. Att sammanställa en atlas över 3D-LFF-fördelningar för friska lever och olika steatosgrader skulle kunna underlätta klinisk diagnos och typning.
En begränsning är att även om metoden kvantitativt kan stadieleda tidig steatos, belyser den inte de mekanismer som ligger bakom sjukdomsförloppet. Variationer i utrustning och protokoll kan leda till inkonsekventa resultat. Att standardisera beräkningsarbetsflödet är fortfarande en ständig utmaning.
Denna teknik introducerar och implementerar konceptet 3D-LFF-distribution, vilket ger kliniker omfattande insikter om fettnedsättningsmönster och sjukdomens svårighetsgrad över hela leverorganet. Detta har stor betydelse för exakt diagnos, behandlingsbeslut och övervakning av terapeutisk effekt. Tillvägagångssättet har också betydelse för hälsoscreening och förebyggande åtgärder i den allmänna befolkningen.
Metoden uppvisar stor potential inom flera forskningsområden, inklusive: (1) storskalig validering av tekniken över heterogena kohorter; (2) undersökning av 3D-LFF-variationer mellan olika steatosteiologier; (3) Korrelation mellan 3D-LFF-fördelning och kliniska parametrar och riskfaktorer. (4) tillämpa 3D-LFF-mönster för att bygga diagnostiska, prognostiska och behandlingsresponsmodeller; (5) Jämförelse av 3D-kvantifiering med tvådimensionella avbildningsbedömningar. Det finns många forskningsvägar för att översätta denna metodik till klinisk nytta.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Mjukvaruverktyget för kvantifiering av leversteatos, listat i materialtabellen för denna studie som HepaticSteatosis V1.0, är en produkt från Beijing Intelligent Entropy Science & Technology Co., Ltd. De immateriella rättigheterna för detta programvaruverktyg tillhör företaget.
Acknowledgments
Denna publikation fick stöd från det femte nationella programmet för identifiering av framstående kliniska talanger inom traditionell kinesisk medicin, organiserat av National Administration of Traditional Chinese Medicine. Den officiella nätverkslänken är'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).
