Medicine

Hela kroppen och regionala kvantifiering av aktiva mänskliga brun fettvävnad använda ¹⁸F-FDG PET/CT

Published: April 1, 2019 doi: 10.3791/58469

Katherine Kim¹, Shan Huang², Laura A. Fletcher¹, Alana E. O'Mara¹, Ilan Tal³, Robert J. Brychta¹, Aaron M. Cypess¹, Kong Y. Chen¹, Brooks P. Leitner¹

¹Diabetes, Endocrinology, and Obesity Branch, National Institute of Diabetes and Digestive and Kidney Diseases, National Institutes of Health, ²National Cancer Institute, National Institutes of Health, ³Division of Nuclear Medicine and Molecular Imaging, Department of Radiology, Beth Israel Deaconess Medical Center, Harvard Medical School

Summary

Använda fri, öppen källkod, har vi utvecklat en analytisk metod för att kvantifiera totala och regionala brun fettvävnad (BAT) volym och metabolisk aktivitet av BAT med ¹⁸F-FDG PET/CT.

Abstract

Endoterma djur aktiveras brun fettvävnad (BAT) för att producera värme för att försvara kroppstemperatur svar på kalla. Bats förmåga att förbruka energi har gjort det ett potentiellt mål för nya behandlingar för att lindra fetma och associerade metabola störningar hos människor. Om denna vävnad har varit väl studerat i små djur, fortfarande Bats termogena kapacitet hos människor till stor del okända på grund av svårigheterna med att mäta dess volym, aktivitet och distribution. Att identifiera och kvantifiera aktiv mänsklig BAT utförs vanligen med ¹⁸F-Fluorodeoxyglucose (¹⁸F-FDG) positron emissions tomografi och datortomografi (PET/CT) scanning efter kalla-exponering eller farmakologiska aktivering. Här beskriver vi en detaljerad bild-analys-metod för att kvantifiera hela kroppen mänskliga BAT från ¹⁸F-FDG PET/CT File använder en programvara med öppen källkod. Vi visar ritningen av användaren angivna regioner av intresse att identifiera metaboliskt aktiva fettvävnaden samtidigt undvika gemensamma icke-BAT vävnader, åtgärd BAT volym och aktivitet, och att ytterligare karakterisera dess anatomiska utbredning. Även om detta strikt tillvägagångssätt är tidskrävande, tror vi att det i slutändan ger en grund för att utveckla framtida automatiserade BAT kvantifiering algoritmer.

Introduction

Den ökande förekomsten av fetma i världen¹ har föranledde en utredning i romanen therapeutics att förebygga och lindra fetma och dess komplikationer. Fetma beror delvis på Överskottsenergi lagras i vit fettväv (WAT) i form av triglycerider². Brun fettvävnad (BAT) skiljer sig från WAT främst på grund av dess högre mitokondriell innehåll, mindre och multilocular lipid droppar, skilda anatomiska distribution, större sympatiska innervation och värme genererar förmåga. Även om BAT trodde att existera endast i små däggdjur och nyfödda barn, bekräftades förekomst av funktionella BAT i vuxna människor 2009³^,⁴^,⁵. Mänskliga BAT termogena kapacitet är ännu inte känt, men omfattande studie i små djur har visat att icke-shivering thermogenesis kan utgöra upp till 60% av deras metabolism under kalla-exponering⁶. Som ett resultat, är mänskliga BAT nu utforskas som mål för behandling och förebyggande av fetma och relaterade sjukdomar⁷. Flera kliniska studier har visat att BAT thermogenesis korrelerar med ökad glukos upptag och energi utgifter vid aktivering av mild kallt exponering⁸^,⁹^,¹⁰. Ännu, Bats bidrag till kalla-inducerad thermogenesis förblir kontroversiella¹¹^,¹²^,¹³^,¹⁴, med mycket debatt centrerad kring hur man kvantifiera mänskliga BAT¹⁵. För att bättre förstå om BAT thermogenesis kan utnyttjas för att motverka fetma, är det viktigt att ha en exakt mätning av dess volym och metabolisk aktivitet.

Att erhålla exakta mätningar av BAT är utmanande på grund av Bats unika anatomiska distribution hos människor. BAT distribueras inom de vita fett depåerna i hals, thorax och buk i webbplatser som är otillgängliga för okomplicerad biopsier¹⁴. Obduktioner har använts för att karakterisera BAT anatomiskt¹⁶, men är omöjligt för de flesta forskningslaboratorier som gör stora studier och kan inte ge längsgående eller funktionell information. Eftersom BAT har en liknande densitet till WAT och kan uppstå i smala fascian lager eller i små fickor varvat med WAT¹⁶, är det svårt att identifiera med hjälp av en enda, konventionella bildteknik. Denna heterogenitet gör också automatisk kvantifiering av BAT svårare än kvantifiering av homogena strukturer såsom de lever¹⁷.

För att övervinna dessa utmaningar, är BAT volym och aktivitet vanligen kvantifierade av koppling datortomografi (CT) och positronemissionstomografi (PET). Det radioaktivt glukos analoga ¹⁸F-Fluourodeoxyglucose (¹⁸F-FDG) är den mest använda tracer att studera BAT metabolisk aktivitet¹⁸. Fettvävnad kan skiljas från andra vävnader och air baserat på densitet information som tillhandahålls av CT bilden i Hounsfield enheter (HU). SÄLLSKAPSDJUR bilderna visar mängden ¹⁸F-FDG tas i en volym av vävnad i enheter av standardiserade upptag värden (SUV). Aktiva BAT kan separeras från vävnad med obetydlig tracer upptag, inklusive WAT och inaktiva BAT, genom samtidig registrering av PET-bilder med motsvarande datortomografi och välja en lämplig SUV-tröskel.

Genom detta papper, vi strävar efter att ge en stegvis strategi med en instruktions video som kan användas av kliniska forskare för att kvantifiera mänskliga BAT med ¹⁸F-FDG PET/CT-scanning. Denna bild analys teknik används helst efter ämne (n) har utsätts för kyla eller behandlats med farmakologiska BAT stimulantia. Specifikt, visar vi att användare om hur man konstruera regioner av intresse (ROIs) samtidigt minimera falska positiva med en fri, öppen källkod bildbehandling programvara (ImageJ) med en särskild plug-in (petctviewer.org). Resultatet av detta tillvägagångssätt kan användas för att studera BAT volym, aktivitet (glukosupptag) och anatomiska distribution i individuella studieplanen ämnen.

Protocol

Alla PET/CT-bilder som visas i detta manuskript erhölls från deltagarna i National Institutes of Health protokoll nr 12-DK-0097 (ClinicalTrials.gov identifier NCT01568671). Alla deltagare som skriftligt informerat samtycke och alla experiment godkändes av den institutionella Review Board av nationella institutet för Diabetes och mag- och njursjukdomar.

1. Installation av

Hämta ImageJ från imagej.net eller Använd länken i petctviewer.org för att hämta Fiji.
Obs: Den 64-bitars versionen av ImageJ krävs för uppsättningar med över 1000 bilder.
Data överför och applicera den PET/CT Viewer Plug-in till ImageJ efter installationsinstruktionerna på petctviewer.org. Se denna webbplats för en omfattande guide till PET/CT Viewer och kontrollera för regelbundna uppdateringar till programvaran och länken till allmänna instruktioner (http://sourceforge.net/p/bifijiplugins/wiki/Brown%20fat%20Volume/).

2. Ladda PET/CT-bilder

Ladda upp de följande tre högarna med bilder i den PET/CT Viewer Plug-in: dämpning korrigerade PET (CPet), icke-dämpning korrigerade PET (UPet) och dämpning korrigerade CT (CT). Ladda upp bilder med en av två metoder (figur 1).
1. Metod 1: Dra-och-släpp
  1. Dra-och-släpp från Utforskaren CT, CPet och UPet filesets.
  2. Klicka ”ja” på de tre uppmaningarna som visas (öppen alla X bilder i ”mapp” som stack), lämnar kryssrutorna inom anvisningarna oskyddad.
  3. När alla tre bild uppsättningar är laddad, går till verktygsfältet ImageJ, Välj ”plug-ins” och bläddra ner nedrullningsbara menyn för att välja ”Pet-ct viewer”.
2. Metod 2: Läs studier från CD eller plats på hårddisken:
  1. Tilldela ett platsnamn i datauppsättningen ”Setup” på fliken tilldela en ”DICOM väg” genom att klicka på ”Bläddra” och navigera till en hög nivå lagringsmapp som innehåller alla bild-apparater.
    Obs: DICOM (Digital Imaging and Communications in Medicine) är ett filformat som vanligen används för medicinska bilder och ”DICOM path” refererar till en uppsättning mappar som innehåller alla raw DICOM-bilder.
  2. Gå tillbaka till fliken ”Läs” där enskilda skanningar (från ett ämne och ett datum) kommer att bli valbar för bildbehandling.
  3. Välj ämnet, tryck på ”Läs” och ImageJ kommer att automatiskt ladda upp alla tre associerade uppsättningar och starta visningsprogrammet för PET/CT.
Läsa in en tidigare gjorda uppsättning ROIs tillbaka i visningsprogrammet för PET/CT genom att klicka på knappen ”Ladda” på ”brunt fett, ROIs” editor.
Obs: ImageJ kommer endast att tillåta en ROI .csv-fil som skapats från den aktuella uppsättningen av CT, CPET och UPET bilder laddas.

3. Navigera PET/CT betraktaren Plug-in

Vänta för PET/CT viewer visas efter lastning som ett nytt fönster med tre separata vyer av PET/CT bilder, presenteras antingen individuellt eller smält.
1. Klicka på knappen ”MIP” längst kvar av visningsprogrammet PET/CT för att ersätta en av de andra två Fönstren med en smält PET/CT-vy. Men om den här knappen klickas bara en gång, MIP kommer inte längre vara tillgängliga.
  Obs: Den MIP eller maximal intensitet projektion är en tvådimensionell, full kroppsuppfattning visar endast pixlar med högsta intensitet i varje axiella skiva.
2. Klicka på knappen ”MIP” igen för att föra tillbaka MIP; visningar av smält PET/CT, CT och MIP bör nu vara tillgängliga.
Växla MIP bildens läge med den ”>>”, ”F” och ”S” knappar överst i PET-CT betraktaren.
Ändra orienteringen för den PET och CT smält PET/CT-bilder till axiell, koronalt eller sagittalt plan med tre knapparna till vänster om förstoringsglaset.
Klicka på förstoringsglaset i verktygsfältet överst i PET-CT betraktaren att växla funktionen av musens rullningshjul.
1. Zooma in på alla vyer (utom vid MIP) genom att bläddra med förstoringsglaset valt.
2. Navigera genom skivor på alla vyer (utom vid MIP) genom rullning vid förstoringsglaset inte är markerad.
  Obs: Klicka på MIP kommer också ändra PET och CT skivor till det anatomiska läget i nivå med markören.
Välj ”Redigera” uppe till vänster i verktygsfältet och välj ”brunt fett, ROIs” från menyn som visas. En ny dialogruta visas. Kontrollera att följande alternativ är markerat innan du börjar kvantifiering:
1. Markera kryssrutorna ”användning SUV” och ”använda CT”.
2. Välj en av tre voxel inklusionskriterierna (”någon”, ”genomsnitt” eller ”alla”).
  Obs: ”Någon” användes i Leitner et al. 2017¹⁹. För en detaljerad förklaring av andra alternativ, se petctviewer.org.
3. Välj ”interiör” att tillämpa BAT upptäckt algoritm för att undersöka voxlar inuti (i stället för utanför) området i ROI.
Ingång SUV gränser för BAT i den första raden i fri text fält av den här dialogrutan.
1. Mata in en SUV lägre gräns normaliserade till individens mätt eller förutspådda lean body mass och en övre gräns som är tillräcklig för att rymma hög aktivitet nivåer¹⁹^,²⁰.
  Obs: BAT maximal stadsjeepar så högt ~ 75 g/mL har rapporterats i tidigare studier¹⁷; 100 g/mL är alltså en rimlig övre gräns.
Ange intervallet BAT täthet i den andra raden för fri text fält.
Obs: En-300 HU lägre och -10 HU övre gräns användes i Leitner et al. 2017¹⁹ och -190 intervallet till-10 HU rekommenderades också tidigare²¹.
Markera kryssrutan finns under ”Vol * menar” så att alla voxlar anses vara BAT kommer att markeras i blått medan ”brunt fett, ROI” fönstret är öppet.
Obs: SUVmax visas i rött och justerbar numret bredvid kryssrutan avgör tjockleken på höjdpunkten.
Rita ROIs
1. Klicka på ”Rita” i ”brunt fett, ROI” dialogrutan. Alla klick görs inom PET/CT visningsfönstret förblir punkter som utgör ROIs.
  1. Klicka någonstans i en av de tre vyerna att börja Rita en ROI.
    Obs: Minst tre punkter krävs att bilda en ROI. Dubbelklicka på efter den första eller andra punkten att automatiskt ta bort punkter och lämna ROI ritläge.
  2. Stäng och lagra ROI genom att dubbelklicka när du har definierat fler än två punkter.
Sammanställa ROIs att erhålla totalvolymen BAT
1. Rita ROIs i axiell planet att erhålla totalvolymen BAT.
  Obs: Det är enklast att ha högst en ROI per axiella slice. Inklusive mer än en ROI per segment kan leda till oavsiktlig överlappning. Voxlar identifierats som BAT i överlappande regioner skulle då räknas mer än en gång mot totalvolymen BAT.
2. Ange start- och slutdatum ”skiva gräns” till samma segment, så att ROI kommer endast att gälla nuvarande axiella slice (t.ex. start skiva = 90 och slutar skiva = 90).
3. Cirkel en depå av BAT (t.ex. i regionen vänster supraklavikulära) utan att slutföra ROI. Fortsätta ROI genom att utvidga en Schemalinje över kroppen till avlägsna segmentet av BAT. Bifoga den andra BAT-depån och dubbel klick på den tidigare identifierade punkten i början av regionen 2^nd . Justera ROI punkter som behövs för att ytterligare minska risken för falsklarm.
4. Etiketten ROI utifrån anatomiska nivån för framtida referens med textrutan längst till vänster i dialogrutan.
Ta bort oönskade ROIs
1. Ta bort en oönskad ROI direkt efter slutförandet.
  1. Dubbelklicka någonstans inom PET/CT betraktaren att slutföra oönskade ROI.
  2. Klicka på knappen med återvinning bin-ikonen i dialogrutan ”brunt fett, ROI”.
  3. Klicka på ”Ja” när du tillfrågas om huruvida användaren vill ta bort den aktuella ROI.
2. Ta bort en tidigare skapade ROI.
  1. Välj önskad ROI med upp- eller nedpilarna bredvid ROI.
  2. Klicka på knappen återvinning.
    Obs: När ROI har tagits bort, de tal i samband med varje större än den borttagna ROI ROI med detta växla ned i ordning (t.ex. om ROI #2 raderas, ROI #3 blir #2 och ROI #4 blir #3 och så vidare). Märkt ROIs göra denna process enklare.
Spara ROIs
1. Klicka på knappen ”Spara” och ange ett filnamn för att spara ifyllda ROIs i en CSV-fil.
  Obs: Det rekommenderas att ROIs sparas i intervall om 10 skivor så att framsteg inte är förlorat. CSV-filerna kan öppnas i en text editor eller kalkylblad och innehåller alla relevanta uppgifter om identifierade BAT i varje ROI inklusive volym, aktivitet, SUVmean, etc. ändra värden i ett kalkylprogram kan förändra formatet och göra det oläslig i ImageJ.

4. kvantifiering av hela kroppen BAT

Använda dessa allmänna riktlinjer för att identifiera BAT i alla regioner av kroppen.
1. Undvik delar av angränsande vävnad med hög densitet eller aktivitet kontraster, som minut samtidig registreringsproblem får införa falska positiva.
  Obs: Tänk på att BAT depåer är ofta symmetrisk, en egenskap som kommer att hjälpa i visuell BAT identifiering.
Använda unika anatomiska landmärken såsom vertebrala form, andra benstrukturer och förekomsten av organ för att identifiera det aktuella anatomiska området. Undvika region-specifika strukturer kända för att producera falskt positiva resultat.
1. Identifiera BAT i regionen livmoderhalscancer (kotorna C3-C7).
  1. Navigera till den axiella vyn på den tredje halskotan (C3).
    Obs: C1-C2 regioner kan också innehålla BAT, men BAT upptäckt är sannolikt att blandas ihop högt upptag av FDG i hjärna och skelettmuskler.
  2. Börja ROI på den laterala sidan av fettvävnad depån, undvika halsen muskler runt spindelkrabba processen av kotan, och en gräns bara posteriort underkanten på underkäken.
  3. Utesluta sköldkörteln, som kan ha liknande densitet och aktivitetsnivå som BAT (figur 2A och 2B).
2. Identifiera BAT i regionen dorsocervikal (kotorna C5-C7).
  1. Inkludera denna lilla, subkutan depå av BAT.
    Obs: Det verkar symmetriskt inom underhudsfettet av ryggen nära C5-C7, figur 2B.
  2. Noggrant inkludera subkutan fettvävnad där metabolisk aktivitet uppstår bara.
3. Identifiera BAT i regionen supraklavikulära (Kotor C7-T3; Anterior ryggraden, posteriort Mediastinum)
  1. Börja dra ROI ena sidan mest ytliga, nära den mycket aktiva BAT-regionen.
    Obs: BAT kan förlänga till området runt chef för humerus.
  2. Undvik området direkt ovanför luftstrupen, som innehåller sköldkörteln, och bifoga ROI så att falska positiva nära nackmusklerna och lungorna är undantagna.
4. Identifiera BAT i regionen axillär (Kotor T3-T7).
  1. Hitta axillär BAT som en progression från regionen supraklavikulära.
  2. Välj BAT nära där armen börjar att separera från bålen, men undvika revbenen och lungorna.
    Obs: Dessa fett depåer övergår så småningom till subkutan WAT på raden midaxillary.
5. Identifiera BAT i regionen mediastinum (Kotor T1-T7; Anterior):
  Obs: BAT kan ackumuleras runt helheten av bröstbenet för vissa individer.
  1. Välj BAT där bröstbenet börjar visas i början av T2 nära regionen främre-mest i individens brösthålan och fortsätta ROIs inferiorly fram till slutet av den xiphoid processen.
6. Identifiera BAT i regionen paraspinal (Kotor T1-T12), genom att rita ROIs runt BAT kring kroppen, inte spindelkrabba processen, av kotan.
  1. Börja inklusive paraspinal BAT från utseendemässigt av det första revbenet på den nedre kanten av C7.
  2. Inkludera inte områden mellan revbenen, där muskulaturen är lokaliserade.
7. Identifiera BAT i bukhålan (underlägsen T12).
  1. Undvika urinledarna, som har en liknande densitet BAT och mycket hög aktivitet. (Figur 2D).
  2. Spåra aktiva fett direkt omger njurarna, tills metabolisk aktivitet är inte längre närvarande.
  3. Justera buk ROIs inom denna region för att utesluta urinledarna om den SUVmax voxel visas inom eller nära den mediala delen av njurarna.

5. kvalitetssäkring

Granska Minimiimportpriset för någon uppenbart falska positiva efter ROIs har dragits på alla axiella skivor mätt från C3 kotorna till runt L3-4.
Se till att den röda SUVmax voxel i en region som innehåller BAT, i stället för strukturer såsom urinledarna, som visar liknande värden för densitet för BAT och mycket höga SUV-värden.
Spara sista .csv filen när vissa som alla BAT har identifierats och alla falskt positiva resultat har uteslutits.

6. segmentera BAT till enskilda depåer

Obs: Följande avsnitt koncentreras endast kvantifiera regionala depåer av BAT¹⁷. Stegen är inte nödvändigt att få hela kroppen BAT volym och aktivitet.

Generera en BAT mask i redigeraren ”brunt fett, ROI” (figur 1).
Obs: Masken definieras som en regenererad PET bild som innehåller bara SUV värden för voxlar bekräftas som BAT inom ROIs skapas under de föregående stegen i detta protokoll. Den SUV för alla andra voxlar värdet till 0.
1. Hålla PET/CT Viewer öppen med alla identifierade BAT eller återuppta PET/CT Viewer från ”Plug-Ins” rullgardinsmenyn och ladda ROIs sparad ovan.
  1. Öppna de tre uppsättningarna av motivets scan.
  2. Öppna ”brunt fett, ROI” dialogrutan.
2. Välj fliken ”mask” och trycker på ”göra maskerade sällskapsdjur”.
3. Vänta en extra ruta att dyka upp, med den filnamn som början med ”DUP_...”
4. Stäng den PET/CT Viewer, men lämna de enskilda rutorna (med CT och PET skanningar) öppna och öppna sedan en ny PET/CT Viewer-fönstret igen.
5. Välj följande tre kryssrutor i dialogrutan som visas: CT set, UPET set, och den senaste CPET ange (dvs. CPET ställa närmast botten av listan) - Detta är den fil som innehåller masken genereras tidigare.
6. Ändra vyn av PET/CT bilderna till sagittal och börja Rita alla ROIs för regionen-wide analys börjar på samma sagittal segment.
  Obs: MIP bildorientering ändras inte. Den mest centrala slice (dvs. längs mitten av ryggraden) är också en bra startplats.
7. Förändring slice begränsar sortiment från skiva 1 till sista slice i genomsökningen analyseras.
8. Avmarkera tröskeln densitet (HU) och ändra den nedre gränsen för PET (SUV) tröskeln till 0,01 SUV att utesluta någon icke-BAT voxlar, som nu har en SUV värdet 0. Markera rutan ovanför knappen ”Rita nästa”.
  1. Etiketten regioner genom att skriva önskad etiketten (e.g. ”cervikal”, ”supraklavikulära”, etc.) i textfältet längst ned till vänster i dialogrutan ”brunt fett, ROI”.
Rita och etikett cervikal ROI (figur 3a) med början överst i C3 och sträcker sig ROI till C7, rita en linje under kroppen av C7 innan du stänger ROI.
Rita och etikett supraklavikulära ROI (figur 3b).
1. Börja på C7, men inte inkludera kroppen av ryggkotorna samtidigt utvidga ROI till T3, sedan förlänga den vänstra kantlinjen i ROI till toppen av manubrium av bröstbenet.
2. Linje på ROI högra kantlinje med den främre kanten av kroppen av de ryggkotor som ingår i denna region.
Rita och namnge axillär ROI (figur 3 c).
1. Börja vid T3, men inte inkludera kroppen av ryggkotor samtidigt utvidga ROI till T7, sedan förlänga den vänstra kantlinjen i ROI ifrån kroppen av bröstbenet.
2. Linjen den högra kanten av ROI med den främre kanten av kroppen av de ryggkotor som ingår i denna region.
Rita och namnge mediastinum ROI (figur 3d) av omfattar hela bröstbenet inom en enda ROI.
Rita och namnge Paraspinal ROI (figur 3e) börjar vid T1, inklusive alla ryggkotor (tills T12) inom ROI.
1. Linjen den vänstra kantlinjen i ROI med den främre kanten av kroppen av ryggkotorna.
  Utöka den högra kanten av ROI så att alla BAT i regionen ingår.
Rita och namnge buk ROI (figur 3f) med början överst i L1 och inkluderar eventuella BAT som inte redovisades i någon av de andra tidigare regionerna inom buken ROI.
Rita och etikett dorsocervikal ROI (figur 3 g).
1. Inkludera regionen i dorsala underhudsfett nära livmoderhalscancer och topp av regionen paraspinal; Detta är där försökspersonens kropp har gjort kontakt med skanning sängen.
Kryssrutan ”Visa alla” att Visa ROIs för alla regioner att rada upp alla ROIs att förhindra överlappande eller underskattning.
1. Ställning omkretsen av intilliggande ROIs spola med varandra, så att ingen BAT ingår i två regioner, och som ingen BAT saknas från alla regioner.
2. Iaktta MIP från både front- och utsikten att kontrollera om alla segment som ingår i avgränsade regioner. Kontrollera de slice gränserna om det finns områden som inte är markerade i blått (steg 6.2.2).
Spara de slutliga uppgifterna till en ny CSV-fil. Den här filen kommer att innehålla regionala summor eller medelvärden för alla BAT parametrar från varje identifierad depot.

Representative Results

BAT kvantifieras genom en serie av inlägg bild-förvärv bearbetningssteg som visas i figur 1. PET och CT tröskelvärden används för att identifiera voxlar som är metaboliskt aktiva och har tätheten av fettvävnad. Vissa voxlar som uppfyller dessa kriterier kan dock förekomma i anatomiska platser inte kan innehålla BAT. För att undvika dessa falska positiva, PET, CT, och anatomiska information måste alla beaktas när ritning ROIs (figur 2). Flera gemensamma regioner att inkludera och undvika när kvantifiera hela kroppen BAT i kall-stimulerad ämnen redovisas i figur 2, som metaboliskt aktiva cervikal BAT vs spottkörtlar, stämband och sköldkörteln (figur 2A och 2B); supraklavikulära BAT vs frossa muskel nära gränserna av luft och solid vävnad (t.ex. muskulaturen) (figur 2 c); och buken BAT vs calyces av njurarna som de klart märkt glukos (figur 2D). Efter ROIS för varje axiella slice sammanställs, BAT depåer kan segmenteras i sagittalplanet att undersöka intra- / mellan individuella skillnader i regionala BAT aktivering (figur 3).

Figur 1. Schematiska flödet av bilden processtegen. Först, PET-bilder och motsvarande CT bilder överförs till PET/CT plug-in (A). Efter axiella ROIs dras på varje PET/CT skiva (B), identifieras varje voxel både PET och CT kriterierna i blå (C). En mask genereras från dessa BAT-identifierade voxlar (D), som ersätter den ursprungliga korrigerade PET-undersökning (E), och depåer segmenteras i vyn sagittal (F). Klicka här för att se en större version av denna siffra.

Figur 2. Axiell BAT Region-av-intressera urval och gemensamma områden för att undvika i flera BAT depåer. Axiell skivor från en smält PET/CT-bild (kolumnerna 1 och 2) och en maximal intensitet projektionsbild (MIP, kolumn 3) med gröna linjer att beteckna slice höjd från en genomsökning som förvärvats efter kalla-stimulering. Grön ROIs är drawnaround områden med fettvävnad densitet, hög FDG upptag och anatomiska platser kan innehålla aktiva BAT i kolumnerna 1 och 2. Anatomiska områden osannolikt att innehålla BAT markeras i rött i kolumn 2. Voxlar uppfyller kriterierna BAT PET och CT bekräftas av ImageJ och blåmarkerad. Exemplen är tagna från (A) främre massundersökning depån, (B) livmoderhalscancer depot på nivån av sköldkörteln, (C) Supraklavikulära/Axillärt depot i närheten frossa skelettmuskulatur (dvs Interkostaler) och (D) buk depot på nivån av uretersna av njurarna. Klicka här för att se en större version av denna siffra.

Figur 3. Regionala segmentering av sju BAT depåer i vyn Sagittal. Efter generationen av en ”BAT mask” bild som innehåller endast PET voxlar tidigare identifierat som aktiva BAT, följande regioner kan separeras med ROIs dras i sagittalplanet: (A) livmoderhalscancer (C3-C7), (B) Supraklavikulära (C7-T3, exklusive Kotor), (C ) Axillärt (T3-T7, exklusive Kotor), (D) Mediastinal (främre mediastinum), (E) Paraspinal (T1-T12, från den främre kanten av kotorna för att spindelkrabba processer), (F) buksmärta (T12-L3, retroperitoneal) och (G) Dorsocervikal (fett depå distinkta och posterior till paraspinal depån; nära massundersökning regionen). Den sammansatta bilden med alla regioner visas i (H). Klicka här för att se en större version av denna siffra.

Discussion

Sedan bekräftelse av funktionella BAT i vuxna människor, har det varit stort intresse i att förstå rollen som BAT i människans fysiologi. Men eftersom denna termogena vävnad finns ofta i smala fascian plan, interspersed inom vitt fett, och kring andra organ, det svårt för att kvantifiera. I 2016 publicerades en samförståndsdokumentet av en internationell BAT expertpanel med rekommendationer för att rapportera relevanta deltagare egenskaper, kriterier för angående beredning och ett protokoll för att förvärva PET/CT bilder²¹. Panelen också identifierat behovet av mer konsekvens i behandlingen av PET/CT för BAT kvantifiering, att notera att metoder att identifiera BAT har varierat mycket och i de flesta fall föreskrivs bara begränsad detalj av BAT kvantifiering förfarandet. Följaktligen, medan rapporter inom studien reproducerbarhet är hög²²^,²³^,²⁴, väsentligt annorlunda BAT volym och aktivitet har rapporterats av grupper med olika kvantifiering metoder, även när deltagarna är av liknande ålder, kön och BMI²⁵^,²⁶. Dessa inkonsekvenser försvårar jämföra resultaten, och har lett till en tvist över mängden BAT i vuxen människa¹⁵.

En inneboende begränsning av PET/CT bildbehandling är införandet av voxlar som uppfyller kriterier för både PET och CT men i anatomiska platser som motsvarar strukturer än BAT. Perfekt samtidig registrering av PET och CT bilder är nästan omöjligt på grund av skillnader i upplösning och ämnet rörelse under genomsökningar. Strukturer som gränsar till luft eller ben och regioner av hög tracer upptag identifieras som en följd ofta felaktigt som aktiva BAT. Om du vill begränsa införandet av falska positiva voxlar, bör man tillämpa PET och CT kriterier endast inom de ROIs som användare konstruera. Men nuvarande metoder att kvantifiera BAT med användardefinierade ROIs eller automatiserade analyser skiljer sig mängden användare engagemang och kunskap som de kräver. Vi har visat att använda en enda, tvådimensionell användardefinierade koronala ROI tillämpas på hela bunten med bilder kan vara mer benägna att inklusive falska positiva områden¹⁹. Flera grupper har utvecklat automatiserade metoder för att kvantifiera BAT som klarar av att snabbt bearbetning av stora datamängder utan mycket användarindata. Men dessa metoder misslyckas antingen inkludera alla potentiella BAT-innehållande regioner, särskilt i lägre kroppen²⁷eller ådra sig relativt höga andelen falskt positiva²⁸ och falskt negativ²⁶. Eftersom volymen av mänskliga BAT är generellt låg (< 600 mL, eller < 2% av totala kroppsmassa), små medelabsolutfel i kvantifiering kan leda till stora relativa skillnader.

Det stränga tillvägagångssätt som beskrivs av denna studie av ritning ROIs på varje axiella PET-CT-skiva tillåter detektion av BAT i smala fascian lager samtidigt som den ger mer förtroende att falsklarm har uteslutits. Detta ger en detaljerad kvantifiering i varje enskilda, snarare än en binär bedömning av Bats närvaro eller frånvaro²⁹. Det kan därför lämpligare för kontrollerade experiment i små urvalsstorlekar som avser att studera BAT fysiologi och/eller effekter interventioner. Dessutom kan möjligheten att definiera regionspecifika BAT depåer ge mer insikt i Bats funktionella relevans och utvecklingsmässiga ursprung. Vi anser att dessa kvantitativa åtgärder är viktiga inte bara för jämförelse över fältet, men också till bättre uppskattning Bats bidrag till energiomsättning och värmereglering i vuxna människor.

Flera anatomiska funktioner av BAT hjälper användare med vår metod begränsa införandet av falska positiva voxlar. BAT är normalt återfinns i kontinuerlig och symmetriska fascian lager. Således, medan ritning och förfina en ROI, undersöka de överlägsna och underlägsna axiella skivorna för kontinuitet och symmetri av utvalda fettvävnaden kan hjälpa användarna maximera inkludering av fettvävnad samtidigt minimera införandet av skelettmuskulaturen, ben och andra uppenbara icke-BAT strukturer. Aktiva BAT är också sällan närvarande i subkutan fett depåer, så vi rekommenderar användare att undvika dessa områden när konstruera ROIs. Som noterades i protokollet, distribueras BAT i flera olika anatomiska regioner, inklusive de cervikala, dorsocervikal, supraklavikulära, axillär, mediastinum, paraspinal och buken depåer. Dessa depåer är fördelade så att en axiell skiva maj innehåller mer än BAT från flera depåer. En axiell slice i bröstkorg regionen kan exempelvis innehålla BAT från mediastinum depot (proximala och främre), paraspinal depot (proximala och bakre, längs ryggraden) och axillär depot (laterala och nära mitten av-antero-posterior linje). Kunskap om dessa depåer kan hjälpa användare att skapa ROIs i olika regioner av kroppen, eftersom de förekommer i pre beskrivs platser är till stor del sammanhängande, som beskrivs i våra protokoll. Dock ytterligare åtgärder för att generera en BAT mask och sagittal ROIs krävs att separera den tidigare identifierade BAT voxlar i de olika regionala depåerna om eftersom vi uppmuntrar användare att dra endast en ROI per segment för att undvika ROI överlappning, information av BAT distribution önskas, dvs separera mediastinum, paraspinal och axillär BAT upptäckt i samma axiella ROI i depåer utifrån sagital läge (figur 3).

PET/CT viewer programvaran kan också användas för att kvantifiera aktiviteten av vävnader än BAT, exempelvis frossa skelettmuskulatur, vilket också stora spelar en roll kall inducerad thermogenesis¹⁹, eller olika områden i hjärnan eller lever som har varit föreslås som referens vävnader för PET/CT analys²¹. Dessa vävnader måste dock tätheter och anatomiska distributioner som skiljer sig från BAT och utanför fokus för vårt nuvarande protokoll. Vi direkt läsare i samförstånd dokumentet för detalj på dessa ämnen²¹. Slutligen, vi rekommenderar alla användare att kontinuerligt uppdatera ImageJ och besöka petctviewer.org för plugin-uppdateringar och programvara stöd.

Om vi anser att denna rigorösa metod är mer precisa än automatiserade metoder²⁶^,²⁸ och metoder som använder en förenklad, enda ROI för att uppskatta totala BAT volym⁹^,³⁰, är det inte utan begränsningar. Det finns ingen idealisk metod att icke-invasivt kvantifiera BAT i människor och ¹⁸F-FDG representerar endast glukosupptag, vilket inte är detsamma som glukos metabolism¹¹. Men även om andra radioaktiva spårämnen har varit begagnade³¹^,³²^,³³, är ¹⁸F-FDG den mest framträdande tracer som används för att studera mänskliga BAT. Därför kommer att utvecklar standardiserade metoder för att analysera ¹⁸F-FDG PET/CT-bilder fortsätta att vara effektfulla i studien av BAT humanfysiologi under överskådlig framtid.

Metoden föreslår vi, att skapa en ROI på varje BAT-innehållande axiella skiva samtidigt undvika gemensamma problemområden, är arbetsintensivt och kräver att användaren har viss kunskap om underliggande anatomi. Det är också möjligt att stränga ROI markeringen får införa falska negativa, eftersom vissa BAT-innehållande depåer kan undvikas. Ritning ROIs på varje axiella bit av den sammanslagna PET/CT-bilden möjliggör noggrann diskriminering mellan fettvävnad och angränsande metaboliskt aktiva vävnader och/eller regioner påverkas av spill över och delvis volym effekter³⁴. Dock kan den tid det tar för att slutföra analysen av en enda skanning variera från tre till åtta timmar, med möjligheten att förkorta tidsramen med övning och erfarenhet. Olika maskininlärning metoder kan kunna minska arbetskraft och kompetens som krävs för att utföra denna uppgift. Dock kommer att att skapa en mer automatiserad metod som kan upptäcka BAT och är robust till falska positiva skapad av nuvarande tänkbar begränsningar kräva en stor datamängd med individer av varierad kroppssammansättning och BAT distribution. Vi hoppas att denna metod kan användas för att producera en detaljerad BAT-atlas som kan fungera som en mall för mer sofistikerade stordata metoder.

Sammanfattningsvis visade vi en stegvisa bild analys metod för att kvantifiera mänskliga brun fettvävnad volym, aktivitet och distribution via kalla-inducerad FDG PET/CT-scanning. De kritiska steg inkluderar 1) kontinuerligt och sekventiellt analysera axiella ROIs och 2) att bedöma relevanta BAT depåer av deras anatomiska läge samtidigt undvika andra metaboliskt aktiva vävnader. Denna rigorösa kvantifiering strategi kan användas av utredarna i fältet att studera BAT fysiologi och fungera som referens standard för utveckling av automatiserad mänskliga BAT kvantitering strategier i framtiden.

Disclosures

Författarna har något att avslöja.

Acknowledgments

Vi vill tacka alla de studie frivilliga, omvårdnad och kliniska personal och dietister av NIH klinisk centrerar för deras deltagande i våra kalla exponeringsstudier och vård under slutenvården stannar. Vi vill också tacka Dr Bill Dieckmann för alla hans hjälp med köp och distribution av PET-CT bilderna för våra studier. Detta arbete stöds av intramurala forskningsprogram av nationella institutet för Diabetes och mag och njure sjukdomar bidrag Z01 DK071014 (till K.Y.C.) och DK075116-02 (till A.M.C.).

Materials

Name	Company	Catalog Number	Comments
ImageJ/Fiji Software	ImageJ	https://imagej.net/Fiji/Downloads	Open Source Software

DOWNLOAD MATERIALS LIST

References

Bovet, P., Chiolero, A., Gedeon, J. Health effects of overweight and obesity in 195 countries. The New England Journal of Medicine. 377 (15), 1495-1496 (2017).
Maughan, R. Carbohydrate metabolism. Surgery (Oxford). 27 (1), 6-10 (2009).
Cypess, A. M., et al. Identification and importance of brown adipose tissue in adult humans. The New England Journal of Medicine. 360 (15), 1509-1517 (2009).
van Marken Lichtenbelt, W. D., et al. Cold-activated brown adipose tissue in healthy men. The New England Journal of Medicine. 360 (15), 1500-1508 (2009).
Virtanen, K. A., et al. Functional brown adipose tissue in healthy adults. The New England Journal of Medicine. 360 (15), 1518-1525 (2009).
Abreu-Vieira, G., Xiao, C., Gavrilova, O., Reitman, M. L. Integration of body temperature into the analysis of energy expenditure in the mouse. Molecular Metabolism. 4 (6), 461-470 (2015).
Cypess, A. M., Kahn, C. R. Brown fat as a therapy for obesity and diabetes. Current Opinion in Endocrinology, Diabetes, and Obesity. 17 (2), 143-149 (2010).
Orava, J., et al. Different metabolic responses of human brown adipose tissue to activation by cold and insulin. Cell Metabolism. 14 (2), 272-279 (2011).
Chen, K. Y., et al. Brown fat activation mediates cold-induced thermogenesis in adult humans in response to a mild decrease in ambient temperature. The Journal of Clinical Endocrinology and Metabolism. 98 (7), E1218-E1223 (2013).
Ouellet, V., et al. Brown adipose tissue oxidative metabolism contributes to energy expenditure during acute cold exposure in humans. The Journal of Clinical Investigation. 122 (2), 545-552 (2012).
Blondin, D. P., et al. Contributions of white and brown adipose tissues and skeletal muscles to acute cold-induced metabolic responses in healthy men. The Journal of Physiology. 593 (3), 701-714 (2015).
Ruiz, J. R., Martinez-Tellez, B., Sanchez-Delgado, G., Aguilera, C. M., Gil, A. Regulation of energy balance by brown adipose tissue: at least three potential roles for physical activity. British Journal of Sports Medicine. 49 (15), 972-973 (2015).
Bakker, L. E. H., et al. Brown adipose tissue volume in healthy lean south Asian adults compared with white Caucasians: a prospective, case-controlled observational study. The Lancet Diabetes & Endocrinology. 2 (3), 210-217 (2014).
Lee, P., et al. Temperature-acclimated brown adipose tissue modulates insulin sensitivity in humans. Diabetes. 63 (11), 3686-3698 (2014).
Jensen, M. D. Brown adipose tissue - not as hot as we thought. The Journal of Physiology. 593 (3), 489-490 (2015).
Heaton, J. M. The distribution of brown adipose tissue in the human. Journal of Anatomy. 112 (Pt 1), 35-39 (1972).
Chauvie, S., Bertone, E., Bergesio, F., Terulla, A., Botto, D., Cerello, P. Automatic liver detection and standardised uptake value evaluation in whole-body Positron Emission Tomography/Computed Tomography scans. Computer Methods and Programs in Biomedicine. , 47-52 (2018).
Chondronikola, M., Beeman, S. C., Wahl, R. L. Non-invasive methods for the assessment of brown adipose tissue in humans. The Journal of Physiology. 596 (3), 363-378 (2018).
Leitner, B. P., et al. Mapping of human brown adipose tissue in lean and obese young men. Proceedings of the National Academy of Sciences of the United States of America. 114 (32), 8649-8654 (2017).
Martinez-Tellez, B., et al. The impact of using BARCIST 1.0 criteria on quantification of BAT volume and activity in three independent cohorts of adults. Scientific Reports. 8 (1), 8567 (2018).
Chen, K. Y., et al. Brown Adipose Reporting Criteria in Imaging STudies (BARCIST 1.0): recommendations for standardized FDG-PET/CT experiments in humans. Cell Metabolism. 24 (2), 210-222 (2016).
Rasmussen, J. M., et al. Brown adipose tissue quantification in human neonates using water-fat separated MRI. PloS One. 8 (10), e77907 (2013).
Becker, A. S., et al. In-depth analysis of interreader agreement and accuracy in categorical assessment of brown adipose tissue in (18)FDG-PET/CT. European Journal of Radiology. 91 (18), 41-46 (2017).
Lee, Y. -H., Hsiao, H. -F., Yang, H. -T., Huang, S. -Y., Chan, W. P. Reproducibility and repeatability of computer tomography-based measurement of abdominal subcutaneous and visceral adipose tissues. Scientific Reports. 7, 40389 (2017).
Lundström, E., Strand, R., Johansson, L., Bergsten, P., Ahlström, H., Kullberg, J. Magnetic resonance imaging cooling-reheating protocol indicates decreased fat fraction via lipid consumption in suspected brown adipose tissue. PLOS One. 10 (4), e0126705 (2015).
Gifford, A., Towse, T. F., Walker, R. C., Avison, M. J., Welch, E. B. Human brown adipose tissue depots automatically segmented by positron emission tomography/computed tomography and registered magnetic resonance images. Journal of Visualized Experiments. (96), (2015).
Jones, T. A., et al. Brown fat depots in adult humans remain static in their locations on PET/CT despite changes in seasonality. Physiological Reports. 5 (11), (2017).
Ruth, M. R., Wellman, T., Mercier, G., Szabo, T., Apovian, C. M. An automated algorithm to identify and quantify brown adipose tissue in human 18F-FDG-PET/CT scans. Obesity (Silver Spring, Md). 21 (8), 1554-1560 (2013).
Hibi, M., et al. Brown adipose tissue is involved in diet-induced thermogenesis and whole-body fat utilization in healthy humans. International Journal of Obesity. 40 (2005), 1655-1661 (2005).
Hanssen, M. J. W., et al. Short-term cold acclimation recruits brown adipose tissue in obese humans. Diabetes. 65 (5), 1179-1189 (2016).
Muzik, O., Mangner, T. J., Leonard, W. R., Kumar, A., Janisse, J., Granneman, J. G. 15O PET measurement of blood flow and oxygen consumption in cold-activated human brown fat. Journal of Nuclear Medicine: Official Publication, Society of Nuclear Medicine. 54 (4), 523-531 (2013).
Blondin, D. P., et al. Inhibition of intracellular triglyceride lipolysis suppresses cold-induced brown adipose tissue metabolism and increases shivering in humans. Cell Metabolism. 25 (2), 438-447 (2017).
Admiraal, W. M., Holleman, F., Bahler, L., Soeters, M. R., Hoekstra, J. B., Verberne, H. J. Combining 123I-metaiodobenzylguanidine SPECT/CT and 18F-FDG PET/CT for the assessment of brown adipose tissue activity in humans during cold exposure. Journal of Nuclear Medicine: Official Publication, Society of Nuclear Medicine. 54 (2), 208-212 (2013).
Soret, M., Bacharach, S. L., Buvat, I. Partial-volume effect in PET tumor imaging. Journal of Nuclear Medicine: Official Publication, Society of Nuclear Medicine. 48 (6), 932-945 (2007).

Medicine

Hela kroppen och regionala kvantifiering av aktiva mänskliga brun fettvävnad använda ¹⁸F-FDG PET/CT

Summary

Abstract

Introduction

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

Materials

References

Tags

Cite this Article

Summary

Abstract

Introduction

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

Materials

References

Tags

Cite this Article

Get cutting-edge science videos from JoVE sent straight to your inbox every month.