Summary
Segmentering og lineære målinger kvantificere skeletmuskulaturmasse og fedtvæv ved hjælp af computertomografi og/eller magnetisk resonansbilleddannelsesbilleder. Her skitserer vi brugen af Slice-O-Matic software og Horos billedfremviser for hurtig og præcis analyse af kropssammensætning. Disse metoder kan give vigtige oplysninger til prognose og risiko stratificering.
Abstract
Kropssammensætning er forbundet med risiko for sygdomsprogression og behandlingskomplikationer i en række forskellige tilstande. Derfor kan kvantificering af skeletmuskulaturmasse og fedtvæv på computertomografi (CT) og/eller magnetisk resonansbilleddannelse (MRI) danne grundlag for kirurgirisikovurdering og sygdomsprognose. Denne artikel beskriver to kvantificeringsmetoder, der oprindeligt blev beskrevet af Mourtzakis et al. og Avrutin et al.: vævssegmentering og lineær måling af skeletmuskulatur. Patienternes tværsnitsbillede midt i den tredje lændehvirvel blev opnået til begge målinger. Til segmentering blev billederne importeret til Slice-O-Matic og farvet til skeletmuskulatur, intramuskulært fedtvæv, visceralt fedtvæv og subkutant fedtvæv. Derefter blev overfladearealer af hver vævstype beregnet ved hjælp af tagoverfladens funktion. Ved lineære målinger måles højden og bredden af bilaterale psoas og paraspinalmuskler på niveau med den tredje lændehvirvel, og beregningen ved hjælp af disse fire værdier giver den anslåede skeletmuskulaturmasse. Segmenteringsanalyse giver kvantitativ, omfattende information om patienternes kropssammensætning, som derefter kan korreleres med sygdomsprogression. Processen er dog mere tidskrævende og kræver specialiseret træning. Lineære målinger er et effektivt og klinikvenligt værktøj til hurtig præoperativ evaluering. Lineære målinger giver dog ikke oplysninger om fedtvævssammensætning. Ikke desto mindre har disse metoder brede anvendelser i en række sygdomme til at forudsige kirurgiske resultater, risiko for sygdomsprogression og informere behandlingsmuligheder for patienter.
Introduction
Vurdering af sarcopenia og kropssammensætning er i øjeblikket af stor klinisk interesse. Selvom specifikke definitioner af sarcopenia varierer afhængigt af indstilling og kontekst, omfatter alle definitioner betydeligt tab af skeletmuskelmasse eller muskelstyrke, som er tæt korreleret1,2,3. Kropssammensætningsanalyse omfatter målinger af skeletmuskulaturmasse og fedtvævsfordeling, hvilket giver mere omfattende information om patienternes generelle egnethed1,3,4. Tilsvarende, uforholdsmæssigt fordelt fedtvæv, især visceral fedtvæv, har vist sig at være relateret til forskellige sygdomme, herunder hjertesygdomme, type II diabetes, og kræft5.
Klinisk, sarcopenia og dens vurdering af lineære målinger har gentagne gange vist sig at være en stærk prognostisk faktor for kræft-specifikke overlevelse på tværs af maligniteter og onkologiske resultater efter operation, strålebehandling, og kemoterapi1,2,4,6,7,8. Især tidligere forskning viser, at patienter med sarcopenia har nedsat kræft-specifikke overlevelse og samlede overlevelse1,2,9,10. Derfor er nøjagtig og hurtig klinisk vurdering af sarcopenia progression vigtig for at bestemme behandlingsvalget. Konventionel helkropssammensætningsprofilering kræver analyse på et tredimensionelt (3D)-niveau ved hjælp af billeddannelsesteknikker, herunder computertomografi (CT), MRI (Magnetic Resonance Imaging), Bone Densitometry (DEXA) og Bioelectrical Impedance Analysis (BIA), som er tidskrævende, dyre og kræver omfattende træning5,11. En anden ulempe er manglende information om fedtfordeling, især for luftforskydningen plethysmografi (ADP) og DEXA12. Derfor har vurdering og bestemmelse af sarcopenia og kropssammensætning ved brug af konventionelle tværsnitsbilledmetoder såsom CT eller MR, der anvendes som en del af klinisk praksis inden for standardpleje, stor klinisk værdi5.
En almindeligt anvendt segmenteringssoftware i indstillingen for klinisk forskning er Slice-O-Matic-programmet udviklet af TomoVision. Ved hjælp af Mourtzakis et al.13 segmentering procedure, programmet giver mulighed for forskere eller klinikere til semi-automatisk tag forskellige vævstyper såsom skeletmuskulatur (SM), intramuskulære fedtvæv (IMAT), visceral fedtvæv (moms), og subkutane fedtvæv (SAT) ved hjælp af tæthed-baserede tærskler, der tillader måling af de samlede tværsnitsarealer af hvert væv. Disse målinger bruges derefter til at estimere den samlede kropsmuskelmasse og adipositet, ofte efter normalisering af en patients højde kvadreret, for at identificere sarcopenia og sarcopen fedme ved befolkningsbaserede tærskler.
En nyligt udviklet metode af Avrutin et al.14 ved hjælp af lineære målinger af skeletmuskulatur udviklet har vist potentiale til at være lige så pålidelige i vurderingen af den samlede muskelmasse ved hjælp af MR og CT billeder af L3 tværsnit14,15. Psoas og paraspinal muskelgrupper udgør en stor del af muskeloverfladen i L3-regionen og har høj funktionalitet, hvilket tyder på, at de kan være high-fidelity prædiktorer for den samlede muskelstyrke, og dermed de vigtigste kandidater til lineær måling14,15. For at beregne det muskuløse overfladeareal opnås vandrette og lodrette målinger af psoas og paraspinalmuskelgrupper ved hjælp af et linealværktøj til at tegne 90° krydsende lige linjer. De vandrette og lodrette målinger af hver muskelgruppe multipliceres for at estimere overfladearealet for hver muskelgruppe, som derefter bruges til at beregne et lineært muskelindeks, når det divideres med patientens højde. Med minimal træning kan hele denne proces tage mindre end 1 minut.
I betragtning af de potentielle konsekvenser af målinger af kropssammensætningen for patientplejen er der et presserende behov for at skabe tilgængelige undervisningsmaterialer. I denne artikel giver vi en detaljeret beskrivelse af to metoder udviklet af Avrutin et al.14 og Mourtzakis et al.13 for at kvantificere henholdsvis skeletmuskulaturmasse og kropssammensætning for udbydere og kliniske forskere.
Protocol
Følgende undersøgelser og protokoller blev gennemgået og godkendt af Det Institutionelle Review Board of Emory University.
1. L3 Segmentering af CT
- Få det aksiale DICOM-billede (Digital Imaging and Communications in Medicine).
- Identificer L3-ryghvirvlen i billedfremviseren.
- Hvis det er muligt, skal du vælge to vandrette vinduesvisninger og vælge korona- eller sagittalvisning til venstre som reference og aksial visning til højre.
- Klik på Kryds link for at linke venstre og højre vinduer.
- Rul ned billederne fra kranie til kaudale retning. Identificer L1 hvirvel, som er den første hvirvel uden en ribben vedhæftet fil.
- Tæl fra L1 til L3, og brug kranonal- eller sagittalvisningen til at identificere udsnittet af midten af L3. Dette identificeres som det punkt, hvor begge tværgående processer er i stand til at blive maksimalt og lige visualiseret.
- Marker L3-udsnittet. Vælg Send eksamen under fanen Eksamen, og gem billedet som en DICOM-fil.
BEMÆRK: Trin 1 er et forbehandlingstrin og er angivet her for at demonstrere, hvordan man får et L3-billede. Hvis forskeren allerede har et L3-billede, kan de gå til trin 2. Hvis billedfremviseren ikke aktiverer krydshenvisninger, kan forskeren springe 1.1.1 til 1.1.2 over. Hvis billeddannelsen ikke omfatter thoraxregion, identificereR L5, som er forreste for korsbenet, og tæller fra L5 til L3, idet man skal huske på, at tilstedeværelsen af en sjette lændehvirvel er en normal variant.
- Identificer L3-ryghvirvlen i billedfremviseren.
- Åbn DICOM-billedet med Slice-O-Matic Software.
- Træk DICOM-filen til et vilkårligt sted i vinduet Udsnit-O-Matic.
- Vælg tilstande | Region vokser for at begynde segmentering.
- Hvis versionen af Slice-O-Matic har Alberta Protocol-indstillinger øverst på listen tilstande med indstillinger, kan man også vælge Trin 3: Segmentering for at starte segmentering. Hvis du bruger trin 3: Segmentering, skal du fuldføre trin 5 og derefter gå videre til trin 11.
- Vælg | Værktøjer Tag Lås. Dette vil gøre det muligt for brugeren at "låse" mærkede farver for at sikre, at de ikke er tilfældigt farvet over eller slettet senere.
- Skeletmuskulatur identifikation: Klik på 1 (rød) under regionen voksende område på venstre side af skærmen.
- Klik på knappen Fra ved Nedre grænse for at slå den til. Klik på pilene ved musehjulet for at indstille Deaktiveret til Nedre grænse. Træk skyderen på Nedre grænse for at indstille HU-tærsklen (Hounsfield Unit) så tæt på -29 som muligt, og brug derefter musehjulet til at indstille HU-tærsklen nøjagtigt til -2913.
- Klik på knappen Fra efter Øvre grænse for at slå den til. Klik på pilene ved musehjulet for at indstille Nedre grænse til Øvre Grænse. Træk skyderen på Øvre grænse for at indstille HU-tærsklen så tæt på 150 som muligt, og brug derefter musehjulet til at indstille HU-tærsklen nøjagtigt til 15013.
- Intramuskulært fedtvæv (IMAT) Identifikation: Klik på 2 (Grøn) under regionens vækstområde i venstre side af skærmen.
- Klik på knappen Fra ved Nedre grænse for at slå den til. Klik på pilene ved musehjulet for at indstille Deaktiveret til Nedre grænse. Træk skyderen på Nedre grænse for at indstille HU-tærsklen så tæt på -190 som muligt, og brug derefter musehjulet til at indstille HU-tærsklen nøjagtigt til -19013.
- Klik på knappen Fra efter Øvre grænse for at slå den til. Klik på pilene ved musehjulet for at indstille Nedre grænse til Øvre Grænse. Træk skyderen på Øvre grænse for at indstille HU-tærsklen så tæt på -30 som muligt, og brug derefter musehjulet til at indstille HU-tærsklen nøjagtigt til -3013.
- Visceral fedtvæv (MOMS) Identifikation: Klik på 5 (Gul) under regionen Voksende område på venstre side af skærmen.
- Klik på knappen Fra ved Nedre grænse for at slå den til. Klik på pilene ved musehjulet for at indstille Deaktiveret til Nedre grænse. Træk skyderen på Nedre grænse for at indstille HU-tærsklen så tæt på -150 som muligt, og brug derefter musehjulet til at indstille HU-tærsklen nøjagtigt til -15013.
- Klik på knappen Fra efter Øvre grænse for at slå den til. Klik på pilene ved musehjulet for at indstille Nedre grænse til Øvre Grænse. Træk skyderen på Øvre grænse for at indstille HU-tærsklen så tæt på -50 som muligt, og brug derefter musehjulet til at indstille HU-tærsklen nøjagtigt til -5013.
- Subkutane Fedt Tissue (SAT) Identifikation: Klik på 7 (Cyan) under regionen Voksende område på venstre side af skærmen.
- Klik på knappen Fra ved Nedre grænse for at slå den til. Klik på pilene ved musehjulet for at indstille Deaktiveret til Nedre grænse. Træk skyderen på Nedre grænse for at indstille HU-tærsklen så tæt på -190 som muligt, og brug derefter musehjulet til at indstille HU-tærsklen nøjagtigt til -19013.
- Klik på knappen Fra efter Øvre grænse for at slå den til. Klik på pilene ved musehjulet for at indstille Nedre grænse til Øvre Grænse. Træk skyderen på Øvre grænse for at indstille HU-tærsklen så tæt på -30 som muligt, og brug derefter musehjulet til at indstille HU-tærsklen nøjagtigt til -3013.
- Brug tasterne + og - på tastaturet til at zoome ind og ud af CT-billedet. Juster zoom efter behov under segmentering til klart og præcist tag væv.
- Begynd segmentering ved at vælge 1 for skeletmuskulaturvæv (SM).
- Angiv penselindstillingen til Paint.
- Brug pensel værktøjer findes direkte under Region Growing at tilpasse sig den ønskede størrelse af børsten og begynde at male over Psoas, Paraspinal Muscle grupper, skrå, og rectus muskelgrupper.
BEMÆRK: Hvis væsker eller organer uden for muskel fascia er mærket med rødt som muskler, skal du sørge for at rydde mærkningen ved hjælp af ingen farvevalg.
- Når alle musklerne er mærket, skal du vælge 1 i TAG Lock-menuen nederst til venstre på skærmen. Dette vil sikre, at ingen muskler ved et uheld re-tagged eller slettet som segmentering provenuet.
- Vælg 2 under Region Voksende og maling over alle fedtvæv (IMAT) i muskel fascia. Sørg for at bruge ingen farvevalg, hvis noget fedt eller strukturer uden for muskel fascia fejlagtigt mærkes som IMAT.
BEMÆRK: Kanterne af muskel fascia normalt synes lettere end den viscerale eller subkutane fedt omkring det. Sørg for at mærke alle fedt inden for de lysere kanter af muskel fascia som IMAT og ikke moms eller SAT. Hvis linea alba ikke er mærket som muskel, skal hele linea alba analyseres som IMAT. - Når alle IMAT er mærket, skal du vælge 2 i MENUEN TAG Lock nederst til venstre på skærmen.
- Vælg 5 i menuen Region voksende for at mærke momsvævet.
- Når du mærker moms, kan det, afhængigt af billedet, være nemmere at bruge Grow 2D i stedet for Paint.
- Hvis du bruger Grow 2D, skal du bruge den mindste penselindstilling. Hvis du bruger Grow 2D, skal du sørge for at se tilbage på al mærket moms og sørge for, at intet intralumenalt væv inde i tarme eller organer fejlagtigt mærkes, da dette fedt normalt kommer fra enten at fordøje mad eller andre strukturer, der ikke er moms.
- Hvis du bruger Paint sørg for ikke at male inde i lumen af organer eller tarmene.
- Når al moms er mærket, skal du vælge 5 i menuen TAG Lock nederst til venstre på skærmen.
- Vælg 7 i menuen Region Voksende for at mærke SAT-væv.
- Når du mærker SAT, afhængigt af billedet, er det normalt lettere at bruge Grow 2D i stedet for Paint.
- Hvis du bruger Grow 2D, skal du bruge den mindste penselindstilling.
- Hvis du bruger Grow 2D skal du sørge for at gå tilbage over kanterne af billedet med Ingen værktøj valgt for at være sikker på ingen væv i muskel fascia er mærket som SAT og for at være sikker på ingen hud er mærket som SAT.
BEMÆRK: Huden er normalt lysere i udseende end SAT og er normalt omkring 2-3 pixel tyk, men vær opmærksom på, at hudens udseende og tykkelse kan variere fra billede til billede. - Hvis du bruger Paint, skal du sørge for at passe rundt om kanterne, især omkring huden for at sikre, at intet væv er forkert mærket.
- Når du er færdig med at mærke væv, skal du gå til Værktøjer | Mærke Overflade/lydstyrke. Dette vil vise overfladearealet og volumenet af hvert af de mærkede væv, typisk er interessen i overfladeområdet.
- Klik på Vis i vindue for at åbne vinduet Mærkatoverflade/lydstyrke helt. Der vises også HU-værdier.
- Registrer overfladearealet og HU-tærskelværdierne.
BEMÆRK: Hvis vinduet Tag Surface/Volume ikke vises nederst til venstre på skærmen, kan det skyldes, at der ikke er plads nok til at vise det. I dette tilfælde skal du sørge for, at vinduet Udsnit-O-Matic er maksimeret, og derefter vælge Funktioner | Tag Lås for at fjerne vinduet Mærkatlås. Dette skulle give tilstrækkelig plads til at vise vinduet Tag Surface/Volume.
- Gå til Filer, når du er færdig, | Gem TAG-filer. Derpå gemmes en TAG-fil, hvor DICOM-filen er placeret.
2. L3 MRI Segmentering
- Hent det aksiale MRI-billede (T2-vægtede sekvenser)
- Identificer L3-ryghvirvlen i billedfremviseren.
- Hvis det er muligt, skal du vælge to vandrette vinduesvisninger og vælge korona- eller sagittalvisning til venstre som reference og aksial visning til højre.
- Klik på Kryds link for at linke venstre og højre vinduer.
- Rul ned billederne fra kranie til kaudale retning. Identificer L1 hvirvel, som er den første hvirvel uden en ribben vedhæftet fil.
- Tæl fra L1 til L3, og brug kranonal- eller sagittalvisningen til at identificere udsnittet af midten af L3. Dette identificeres som det punkt, hvor begge tværgående processer er i stand til at blive maksimalt og lige visualiseret.
- Marker L3-udsnittet. Vælg Send eksamen under fanen Eksamen, og gem billedet som en DICOM-fil.
BEMÆRK: Trin 1 er et forbehandlingstrin og er angivet her for at demonstrere, hvordan man får et L3-billede. Hvis forskeren allerede har et L3-billede, kan de gå til trin 2. Hvis billedfremviseren ikke aktiverer krydshenvisninger, kan forskeren springe 1.1.1 til 1.1.2 over. Hvis billeddannelsen ikke omfatter brystregionen, identificereR L5, som er forreste for korsbenet, og tæller fra L5 til L3, idet man skal huske på, at tilstedeværelsen af en sjette lændehvirvel er en normal variant.
- Identificer L3-ryghvirvlen i billedfremviseren.
- Åbn DICOM-billedet med Slice-O-Matic-software.
- Træk DICOM-filen til et vilkårligt sted i vinduet Udsnit-O-Matic.
- Vælg tilstande | Region vokser for at begynde segmentering.
BEMÆRK: På grund af dårlig differentiering af fedtvæv i MR-billeder er kun SM segmenteret.- Paraspinal muskler Segmentering: Klik på 1 (Rød) under regionen Voksende område på venstre side af skærmen.
- I eksempeltilstandenville histogrammer af billedet vise flere toppe, hvor den første top repræsenterer luft, og de efterfølgende anden, tredje og fjerde toppe, der repræsenterer henholdsvis muskel, knogler og fedt.
- Klik på knappen Fra ved Nedre grænse for at slå den til.
- Klik på pilene ved musehjulet for at indstille Deaktiveret til Nedre grænse.
- Træk skyderen på Nedre grænse for at angive HU-tærsklen (Hounsfield Unit) til 0.
- Klik på knappen Fra efter Øvre grænse for at slå den til.
- Klik på pilene ved musehjulet for at indstille Nedre grænse til Øvre Grænse.
- Træk skyderen på Øvre Grænse for at indstille HU til at omfatte paraspinalmusklen.
- Begynd segmentering paraspinal muskel ved at vælge 1 for skeletmuskulatur væv (SM). Angiv penselindstillingen til Paint. Brug penselværktøjerne, der findes direkte under Region Growing, til at tilpasse dig den ønskede størrelse af penslen og begynde at male over paraspinal muskelgrupperne.
BEMÆRK: Hvis noget er mærket med rødt som muskel på væsker eller organer uden for muskel fascia, skal du sørge for at rydde tagging ved hjælp af Ingen farvevalg.
- Segmentering af resterende muskelgrupper: Flyt musen forrestet til linea alba. Juster den øvre grænse i eksempeltilstanden, så den omfatter linea alba. Denne øvre grænse for intensiteten er derefter vedtaget for alle resterende muskelgrupper.
- Begynd segmentering ved at vælge 1 for skeletmuskulaturvæv (SM). Angiv penselindstillingen til Paint. Brug penselværktøjerne, der findes direkte under Region Growing, til at tilpasse dig den ønskede størrelse af penslen og begynde at male over paraspinal muskelgrupperne.
BEMÆRK: Hvis noget er mærket med rødt som muskel på væsker eller organer uden for muskel fascia, skal du sørge for at rydde tagging ved hjælp af Ingen farvevalg.
- Begynd segmentering ved at vælge 1 for skeletmuskulaturvæv (SM). Angiv penselindstillingen til Paint. Brug penselværktøjerne, der findes direkte under Region Growing, til at tilpasse dig den ønskede størrelse af penslen og begynde at male over paraspinal muskelgrupperne.
- Paraspinal muskler Segmentering: Klik på 1 (Rød) under regionen Voksende område på venstre side af skærmen.
- Når du er færdig med at mærke væv, skal du gå til Værktøjer | Mærke Overflade/lydstyrke. Dette vil vise overfladeareal og volumen af hver af de væv mærket, typisk interessen er i overfladearealet.
- Klik på Vis i vindue for at åbne vinduet Mærkatoverflade/lydstyrke helt. Der vises også HU-værdier.
- Registrer overfladearealet og HU-tærskelværdierne.
BEMÆRK: Hvis vinduet Tag Surface/Volume ikke vises nederst til venstre på skærmen, kan det skyldes, at der ikke er plads nok til at vise det. I dette tilfælde skal du sørge for, at vinduet Udsnit-O-Matic er maksimeret, og derefter vælge Funktioner | Tag Lås for at fjerne vinduet Mærkatlås. Dette skulle give tilstrækkelig plads til at vise vinduet Tag Surface/Volume. - Gå til Filer, når du er færdig, | Gem TAG-filer. Derpå gemmes en TAG-fil, hvor DICOM-filen er placeret.
3. Lineær måling for CT og MR
- Hent det aksiale CT- eller MRI DICOM-billede.
- Identificer L3-ryghvirvlen i billedfremviseren.
- Hvis det er muligt, skal du vælge to vandrette vinduesvisninger og vælge korona- eller sagittalvisning til venstre som reference og aksial visning til højre.
- Klik på Kryds link for at linke venstre og højre vinduer.
- Rul ned billederne fra kranie til kaudale retning. Identificer L1 hvirvel, som er den første hvirvel uden en ribben vedhæftet fil.
- Tæl fra L1 til L3 og brug korona- eller sagittalvisningen til at identificere skiven i midten af L3, som identificeret ved det punkt, hvor begge tværgående processer identificeres ligeligt.
BEMÆRK: Trin 1 er et forbehandlingstrin og er angivet her for at demonstrere, hvordan man får et L3-billede. Hvis forskeren allerede har et L3-billede, kan de gå til trin 2. Hvis billedfremviseren ikke aktiverer krydshenvisninger, kan forskeren springe 1.1.1 til 1.1.2 over. Hvis billeddannelsen ikke omfatter brystområdet, skal du identificere L5, som er forreste for korsbenet, og tælle fra L5 til L3.
- Identificer L3-ryghvirvlen i billedfremviseren.
- Importer billedet til en fremviser til medicinsk billedbehandling, og åbn det.
- For Horos: åbn appen, og klik på Importér.
- Naviger til det, hvor DICOM-billedet er placeret, marker det, og klik på Åbn. Filen og billedet vises under listen Patientnavn.
- Dobbeltklik på Patientnavn, og dobbeltklik derefter på billedet for at starte lineær segmentering.
- Identificere psoas muskler og paraspinal muskler.
- Vælg linealværktøjet, og mål de vandrette (180°) og lodrette (90°) diametre af de fire muskler, der er nævnt ovenfor.
BEMÆRK: Linjerne skal være vandrette og lodrette i retning af billedet, ikke diagonale. De vandrette og lodrette linjer, der tegnes, skal skabe en rektangulær boks, der omfatter hele hver muskel. Mål ikke blot musklens længste afstand. Hvis du bruger en billedfremviser, der giver mulighed for et bokstegningsværktøj, kan dette værktøj bruges i stedet for det enkle linealværktøj. Dette er forudsat, at bokstegningsværktøjet mindst viser boksens højde og længde. - Optag alle otte målinger (Højre Psoas Bredde, Højre Psoas Længde, Venstre Psoas Bredde, Venstre Psoas Længde, Højre Paraspinal Bredde, Højre Paraspinal Længde, Venstre Paraspinal Bredde, Venstre Paraspinal Længde) for yderligere analyse.
- Beregn det enkelte muskeloverfladeareal ved at multiplicere den vandrette og lodrette værdi af den pågældende muskel.
- Opnå den samlede muskel overfladeareal psoas muskler og paraspinal muskler ved at tilføje venstre muskel til højre muskel, hhv.
- Det lineære muskelindeks beregnes ved at dividere det kombinerede overfladeareal (mm2)med patienthøjde kvadreret (m2).
Representative Results
L3-segmenteringsproceduren resulterer i et mærket CT- eller MR-billede med skeletmuskulaturvæv (SM) mærket med rødt, IMAT i grønt, moms i gult og SAT i cyan (Figur 1). De resterende ukodede væv forbliver i deres oprindelige hvide, grå og rygfarver, der svarer til hver pixels respektive Hounsfield-enhedsværdier (HU). De fleste af de ukodede væv, der forbliver i hvidt, vil være knogle, de fleste væv, der forbliver i grå, vil være ikke-skeletmuskulatur, organvæv og fedtvæv i tarmens lumen, og størstedelen af det billede, der forbliver i sort, vil være luft. Et korrekt segmenteret billede vil ikke have nogen rød eller grøn tagging uden for skeletmuskulaturen fascia, og ingen gul eller cyan tagging i skeletmusklen fascia. Derudover bør gul tagging ikke invadere lumen af tarme eller organer som nyre eller lever, og cyan tagging bør ikke være til stede langs de lysere yderkanter, der svarer til huden. Når billedsegmenteringen er afsluttet, skal overfladearealerne og de gennemsnitlige HU-værdier for væv registreres sammen med patientens højde (tabel 1). Ud fra disse data kan man beregne skeletmuskelindekset og fortsætte med enhver anden analyse, der er relevant for den specifikke forskning eller kliniske spørgsmål. Bemærk, at for de fleste MR-billeder kan kun skeletmuskulaturer mærkes korrekt og efterfølgende analyseres (Tabel 2). I lineære målinger beregnes et indeks ved at dividere overfladearealet over højdens kvadrat (tabel 3).
Almindelige problemer, som forskere kan støde på under segmenteringsproceduren, omfatter billeder, der har udeladelse af nøgleoplysninger. Billeder kan f.eks. Specifikt, billeder, der har SAT og / eller skeletmuskelvæv skåret ud af rammen vil drastisk sænke nøjagtigheden af overfladeareal beregninger af berørte væv. Om dette gør et billede uegnet til analyse, afhænger af den kliniske kontekst eller forskningssammenhæng og skal afgøres af forskerholdet fra sag til sag. En anden faldgrube er, at forskere uforvarende kan omfatte rygmarv og knoglemarv i skeletmusklen. For at undgå dette problem bør forskerne være veluddannede og være forsigtige under segmentering. Andre almindelige artefakter i CT- eller MR-billeder omfatter tekniske problemer forårsaget af patientens placering eller bevægelse i scanneren, fedtstrengning og arvæv omkring skeletmuskulaturen fascia og andre underligt formede artefakter (Figur 3). Tekniske problemer forårsaget af patientens bevægelse eller forkert placering vil normalt forekomme lettere, med højere HU værdier end omkringliggende væv. Den slags tekniske problemer vises normalt i SAT og kan også sænke nøjagtigheden af overfladearealberegning. Den kliniske eller forskningsmæssige kontekst vil bestemme toleranceniveauet for sådanne spørgsmål. Fedt stranding og arvæv artefakter normalt ikke resulterer i store mængder af fejl i væv overfladeareal beregninger. De kan dog føre til fejlidentifikation af fasciallinjen. Skeletmuskulatur og IMAT overfladearealer kan være langt unøjagtige i tilfælde, hvor fedt tråde eller arvæv er forkert som muskel fascia linje. Andre små pletter og artefakter i CT- og MR-billeder påvirker normalt ikke den overordnede billedkvalitet undtagen i sjældne tilfælde. Afhængigt af den kliniske kontekst eller forskningskonteksten skal disse artefakter muligvis vurderes af en radiologiekspert for at verificere billedkvaliteten. Det sidste almindelige problem i CT- og MR-billeder er deformiteter i muskelfascialinjen (Figur 4). Disse pauser vil normalt ikke påvirke billedkvaliteten, men billeder, der indeholder store brud eller andre deformiteter i muskel fascia bør vurderes af en radiolog for at afgøre, om deformitet oprindelse vil påvirke den kliniske eller forskning sammenhæng analyse.
Den lineære L3-måleprocedure, der er udviklet af Avruvin etal.,har færre almindelige fejl end L3-segmenteringsproceduren14,15. De vigtigste spørgsmål i forbindelse med lineære foranstaltninger drejer sig om at identificere muskelgrupper af interesse, de to psoas og paraspinal muskelgrupper (Figur 5). I de fleste tilfælde psoas kanter vil være adskilt fra nærliggende organer, men i tilfælde af, at kanten er svært at skelne, ændre HU filtre eller lysstyrke normalt vil løse de fleste af de spørgsmål. Derudover vil kanterne af paraspinal muskelgrupper ofte være adskilt fra andre nærliggende væv, men man skal bemærke, at hvis ingen klar muskel når den nederste mest fascia linje, bør linjen ikke indgå i fastsættelsen af den nederste kant af paraspinal muskel gruppe. Endelig bør quadratus lumborum udelukkes ved bestemmelse af kanten af psoas eller paraspinal muskelgrupper(Figur 5E).
Figur 1: Korrekt L3-segmentering i Slice-O-Matic. (A) Det uændrede aksiale CT-billede ved L3-ryghvirvler. (B) Det fuldt mærkede aksiale CT med rødt svarende til skeletmuskulatur (SM), grønt til intramuskulært fedtvæv (IMAT), gult til vesisk fedtvæv (moms) og cyan til subkutant fedtvæv (SAT). Klik her for at se en større version af dette tal.
Figur 2:Afskær L3 CT-billede. En ukodet CT billede i Slice-O-Matic med betydelige mængder af SAT samt betydelige mængder af skeletmuskulatur væv afskåret. Klik her for at se en større version af dette tal.
Figur 3: Almindelige artefakter. (A) Det ukodede CT-billede har forskellige artefakter fremhævet i henholdsvis den røde boks, den blå ovale og den grønne boks. Den røde boks viser tekniske problemer med en CT-scanning, potentielt fra malalignment eller bevægelse under scanningen. Den blå ovale fremhæver en fælles artefakt sandsynligvis stammer fra arvæv. Den grønne firkant fremhæver pletter, der kan have flere potentielle årsager. (B) Den mærkede CT-scanning med udseende af de samme respektive artefakter fremhævet i den røde boks, blå oval og grøn boks. Klik her for at se en større version af dette tal.
Figur 4: Stor brud i muskel fascia. (A) Det umærkede L3 CT-billede fremhæver en stor pause i skeletmuskulaturen fascia i den lilla boks. (B) Det mærkede L3 CT-billede fremhæver det mærkede udseende af det store brud i skeletmuskulaturen fascia i den lilla boks. Klik her for at se en større version af dette tal.
Figur 5: L3 lineære målinger. (A) Det originale L3 CT-billede før analyse i Horos billedfremviser. (B) Den traditionelle lineære målemetode omfatter en lodret linje og en vandret streg trukket for hver muskel. Disse linjer måles med et linealværktøj og multipliceres for at finde hver muskelgruppes overfladeareal. Bemærk, at den traditionelle lineære målemetode altid skal have linjer, der skærer ved 90°. Dette billede af den traditionelle lineære målemetode er kun visuel demonstration, da den blev oprettet i Horos og ikke garanteres at have 90° kryds. (C) (D) (E) Box-metoden til L3 lineære målinger. (C) (D) Den blå og lilla boks omfatter henholdsvis højre og venstre psoas, og den gule og grønne boks omfatter henholdsvis højre og venstre paraspinal muskel. (E) De lyse lilla og orange bokse fremhæver quadratus lumborum, som ikke bør tages i betragtning ved bestemmelse af kanter af Psoas og paraspinal muskelgrupper. Klik her for at se en større version af dette tal.
Figur 6: Sammenligning af lineære foranstaltninger og L3 tværsnitsmuskelområde, n = 65. De kombinerede psoas og paraspinal områder er i overensstemmelse med den samlede skeletmuskulatur i L3 tværsnit. Klik her for at se en større version af dette tal.
| SEGMENTERING AF CT | ||||
| muskel | Intramuskulært fedtvæv | Visceral fedtvæv | Subkutant fedtvæv | |
| Suface-område (cm2) | 134.4 | 8.402 | 72.43 | 271 |
| Hounsfield-enhed (middelværdi) | 33.61 | 2.1 | 18.11 | 67.76 |
| Patienthøjde kvadreret (m2) | 2.69 | Skeletmuskelindeks (Muskelområde/Højde2,cm2/ m2) | 49.97 |
Tabel 1: Segmentering af CT
| HR. SEGMENATION | |
| muskel | |
| Suface-område (cm2) | 241.8 |
| Hounsfield-enhed (middelværdi) | 35.85 |
| Patienthøjde (m2) | 3.39 |
| Skeletmuskelindeks | 71.42 |
| (Muskelområde/Højde2, cm2/m2) |
Tabel 2: SEGMENTERING AF MRI
| LINEÆRE FORANSTALTNINGER | |||||||
| Højre Højde for Psoas (cm) | Højre Psoas bredde (cm) | Venstre Højde for Psoas (cm) | Venstre Psoas Bredde (cm) | Højre paraspinal højde (cm) | Højre paraspinal bredde (cm) | Venstre paraspinal højde (cm) | Venstre paraspinal bredde (cm) |
| 3.934 | 2.927 | 3.743 | 2.788 | 4.916 | 6.264 | 4.403 | 7.045 |
| Psoas-areal i alt (cm2) | 21.950 | Paraspinalt område i alt (cm2) | 61.813 | ||||
| Muskelareal i alt (cm2) | 83.76 | ||||||
| Patienthøjde kvadreret (m2) | 2.496 | Lineært måleindeks (cm2/m2) | 33.55 | ||||
Tabel 3: Lineære foranstaltninger
Discussion
Psoas muskel, paraspinal muskelgrupper, og skrå muskler tæt korrelerer med den samlede muskelmasse5. Især er overfladearealet inden for et CT- eller MR-tværsnit af disse muskelgrupper midt i den tredje lændehvirvel (L3) stærkt korreleret med den samlede muskelmasse, hvilket gør dette billede ideelt for forskere eller klinikere at bruge ved vurdering af sarcopenia1,2,13. Segmentering og lineære målinger har vist stor værdi i vurderingen af kropssammensætningen og identificering af dårlige prognostiske tilstande som sarcopenia og sarcopen fedme hos patienter16,17. Forskning har vist , at muskelmasse målinger er forbundet med overlevelse og risiko for større komplikationer efter større operationer eller behandling planer såsom kemoterapi og kemoterapeutisktoksicitet 16,17,18. Derfor vil vi postulere, at det kan være gavnligt for klinikere at have kropssammensætningsdata, før vi rådgiver patienter om behandlingsmuligheder.
I øjeblikket er der flere metoder til vurdering af kropssammensætning. Flere metoder, såsom tætometri12 og luftforskydning plethysmografi (ADP)19, udnytte luft vægt og forskydning, henholdsvis at anslå procent kropsfedt og kropstæthed. Mens disse metoder kan være nyttige, er de ikke i stand til at bestemme fedtvævsfordeling5,19. Andre analyseteknikker for kropssammensætning, såsom BIA, baserer deres analyse på de forskellige elektriske egenskaber ved fedtmasse og fedtfri masse12. Men endnu en gang denne teknik undlader at tilstrækkeligt vurdere fedt distributioner, og det kræver også flere oplysninger såsom etnicitet, alder og køn for mere præcise målinger19. Omvendt har vurderinger som DEXA vist sig at være nyttige i vurderingen af kropssammensætningen, men har en tendens til at overvurdere muskelmassen med stigende adipositet12. Flere protokoller har også brugt metoden Region-of-Interest (ROI) til at opnå muskelmasse og fedtvævsdata i DICOM-visningssoftwaren, som har vist sig at have god korrelation med BIA-kropssammensætningsanalyse til sarcopeniavurdering og ernæringsmæssig vurdering20,21.
Segmenteringsproceduren udviklet af Mourtzakis et al. har en fordel i forhold til alternative kropssammensætningsvurderinger, da det kan gøres på de fleste CT- eller MR-billeder og nøjagtigt bestemmer fedtvævsfordelinger og muskelområde13. Derudover har aksial L3 segmentering fordelen ved nøjagtighed uanset patientens fedmestatus13. I lighed med ovennævnte alternativer har den lineære foranstaltninger, der er udviklet af Avrutin et al.14, ikke evnen til at vurdere fedtfordelingen. For nylig har forskere vist uensartet i kropssegmentering, især i metoder, der måler psoas muskler alene22. Psoas muskelmasse alene er ikke meget repræsentativ for lændehvirvelsøjlen mængde eller systematisk muskelsvind, og kan ikke være stærkt korreleret med kliniske resultater22. Dette problem kan være mere bekymrende i lineær måling, som psoas muskel er den største muskel gruppe i vurderingen. Men vores skitserede teknik omfatter bilaterale psoas og paraspinal muskel skøn til at måle en mere præcis, mens stadig hurtig og bekvem vurdering af tværsnitsmuskel masse. Fremtidige undersøgelser, der validerer overensstemmelsen mellem CT/MR-lineære måle- og segmenteringsmetoder og deres korrelation med kliniske resultater, er berettigede.
Både L3 segmentering og lineære måleprocedurer blev oprindeligt designet til hurtigt og præcist at vurdere kropsdækkende muskelindhold. Ved segmentering på L3 ryghvirvler kun, protokollen sparer tid, mens du stadig giver forskere eller klinikere nok information til at bestemme patientens lean muskelmasse og adiposity status. Men selvom L3 segmentering tager langt mindre tid end helkropssegmentering, kan det stadig være tidskrævende og dyrt at bruge Slice-O-Matic-softwaren. Omvendt, lineære målinger har potentiale til at være lige så præcis som L3 segmentering i vurderingen af muskel status og sarcopenia hos kritisk syge patienter14,15. Vi har påvist et sådant forhold i T3-nyrecellekarcinomkohorten, hvor skeletmusklen målt ved lineære målinger er tæt forbundet med den værdi, der måles ved segmentering (figur 6). Det er vigtigt, at metoden er ekstremt hurtig, og billedbehandlingssoftwaren er gratis. Den mest bemærkelsesværdige begrænsning af den lineære måleprocedure er imidlertid dens manglende evne til at vurdere fedtvævsindhold, hvilket begrænser klinikerne til sammenhænge, hvor generel vurdering af muskelindhold er tilstrækkelig.
Der er tre kritiske trin i både segmentering og lineære måleprocedurer. For det første bør klinikere og forskere identificere midten af L3 ryghvirvlerne for at opnå konsistens. Midten af L3-hvirvlerne vil være skiven, hvor marven i de tværgående processer er mest fremtrædende. Den aksiale L3 ryghvirvler skive er lettere identificeres ved hjælp af en kryds-linked sagittal eller koronar opfattelse. Forskere eller klinikere kan først finde L1 ryghvirvler eller korsbenet som referencepunkt, idet man skal huske på, at tilstedeværelsen af seks lændehvirvler i stedet for fem er en normal variant. Det næste afgørende skridt er at identificere muskler. I lineære målinger bør quadratus lumborum ikke medtages, mens der foretages lodrette og vandrette målinger. For det tredje bør forskerne også være meget opmærksomme, når de mærker moms i segmenteringsprotokollen, da tyktarmsindholdet undertiden kan mærkes som visceralt fedtvæv23. Når en sådan fejl opstår, bør forskere slette disse områder, før de går videre til næste trin.
Et almindeligt problem i segmentering er dårlig billedkvalitet for CT eller MR (se Repræsentative resultater for eksempler). I nogle tilfælde gør den dårlige kvalitet ikke billedet ubrugeligt, men i andre tilfælde kan billedet være nødvendigt at udelukkes fra analyse. En anden, muligvis uundgåelig, begrænsning af segmentering af et enkelt billede omfatter tilfældig variation af fast organ position fra billede til billede.
Andre almindelige problemer for både L3-segmenteringsanalyse og lineær målingsanalyse er ofte relateret til variation mellem og intra rater. Som det ville være tilfældet med de fleste protokoller, kan der forventes en vis variation mellem observatører og mellem en enkelt persons separate forsøg. For at tage højde for og minimere inter-rater variation med flere mennesker, der udfører analyse, kan holdet af forskere eller klinikere teste for eventuelle statistisk signifikante variationer i overfladeareal målinger og gennemsnitlige HU fra samme billede. Vær særlig opmærksom på HU variation, da dette vil indikere, om forskere eller klinikere, der har meget lignende overfladearealer for det samme billede er faktisk tagging vævene omtrent det samme. For at teste for signifikant intra-rater variation for en person, forskere eller klinikere kan tage en lille delmængde af billeder og segment hvert billede, indtil alle reproduktioner for hvert billede er inden for en smal, statistisk ubetydelig margin.
Vi anerkender, at begge de protokoller, der præsenteres her, har begrænsninger i kropssammensætningsanalysen, da der kun anvendes en enkelt skive. Som foreslået af Shen et al., 3D-analysen kan give mere præcise oplysninger om abdominal visceral fedt, og enkelt-skive analyse for moms er på forskellige niveauer for mænd og kvinder24. De protokoller, der diskuteres her, er dog stadig værdifulde, da de giver hurtige vurderinger af muskler såvel som fedtvæv, som kan bruges til sarcopeniascreening i klinikker.
Desuden har der været mange automatiserede kropssammensætningsanalyseprotokoller ved hjælp af 3D-maskinlæringsalgoritmer, især neurale netbaserede klassifikationsalgoritmer25. Vi anerkender, at dette kan være de potentielle fremtidige alternativer til traditionel 2D-segmentering. Disse metoder kræver dog, at store datasæt af CT- og MR-billeder udvikles, testes og implementeres i kliniske og forskningsmæssige indstillinger. Desuden kræver disse metoder ofte 2D-segmenteringsanalyse for at etablere en basisreference, som maskinlæringsalgoritmerne skal valideres i forhold til. De protokoller, der demonstreres her, kan derfor være nyttige, når store datasæt eller 3D-billeder ikke er tilgængelige, og disse protokoller kan anvendes til at hjælpe med at udvikle og validere maskinlæringsalgoritmer, når de er relevante. Vi mener således, at klinikere og forskere kan drage fordel af denne træningsvideo og vedtage disse hurtige og pålidelige metoder som foreløbig screening, før automatiseret analyse er tilgængelig, og for at lette implementeringen af denne avancerede teknologi.
Evnen til hurtigt at analysere fedtvævsfordeling og skeletmuskelmasse har en bred bredde af kliniske interesser lige fra kræftbehandling og forskning til hjertesygdom5. Sammenlignet med andre almindeligt anvendte metoder, Mourtzakis et al. L3 segmentering procedure i Slice-O-Matic kan præcist og hurtigt vurdere fedtvæv distribution og bestemme sarcopenia status5,12,13,19. Derudover, i sammenhænge, hvor oplysninger om skeletmuskulaturmasse er tilstrækkelig, L3 lineær måling procedure er en pålidelig og meget hurtigt værktøj til at hjælpe med at forudsige succes i kræftbehandlinger såsom kirurgi, strålebehandling, og kemoterapi1,2,4,6,7,8. Formålet med denne træningsvideo og dette manuskript er klart at afgrænse protokollen for segmentering og lineære målinger til fremtidig brug, så klinikere lettere kan vurdere kropssammensætningen i klinikkens omgivelser.
Disclosures
Forfatterne har intet at afsløre.
Acknowledgments
Forfatterne vil gerne anerkende støtte fra John Robinson &Churchill familiens fonde.
Materials
| Name | Company | Catalog Number | Comments |
| Centricity PACS Radiology RA 1000 Workstation | GE Healthcare | Image viewer to obtain subject's MRI and CT images | |
| Slice-O-Matic 5.0 | TomoVision | Segmentation software used in this protocol. Other versions of this software may be used, but tools may be slightly different. | |
| Horos | Nimble Co LLC d/b/a Purview | Linear segmentation software used in this protol, but researchers can use any image viewer with a ruler tool. |
References
- Psutka, S. P., et al. Decreased skeletal muscle mass is associated with an increased risk of mortality after radical nephrectomy for localized renal cell cancer. The Journal of Urology. 195 (2), 270-276 (2016).
- Fukushima, H., Nakanishi, Y., Kataoka, M., Tobisu, K., Koga, F. Prognostic significance of sarcopenia in patients with metastatic renal cell carcinoma. The Journal of Urology. 195 (1), 26-32 (2016).
- Santilli, V., Bernetti, A., Mangone, M., Paoloni, M.
- Caan, B. J., et al. Association of muscle and adiposity measured by computed tomography with survival in patients with nonmetastatic breast cancer. JAMA Oncology. 4 (6), 798-804 (2018).
- Borga, M., et al. Advanced body composition assessment: from body mass index to body composition profiling. Journal of Investigative Medicine. 66 (5), 1-9 (2018).
- Cushen, S. J., et al. Body composition by computed tomography as a predictor of toxicity in patients with renal cell carcinoma treated with sunitinib. American Journal of Clinical Oncology. 40 (1), 47-52 (2017).
- Bernstein, A. P., et al. A comparison of perinephric fat surface area and Mayo Adhesive Probability score in predicting malignancy in T1 renal masses. Urologic Oncology. 36 (11), 417-499 (2018).
- Auclin, E., et al. Prediction of everolimus toxicity and prognostic value of skeletal muscle index in patients with metastatic renal cell carcinoma. Clinical Genitourinary Cancer. 15 (3), 350-355 (2017).
- Vashi, P. G., et al. Sarcopenia supersedes subjective global assessment as a predictor of survival in colorectal cancer. PLoS One. 14 (6), 0218761 (2019).
- Elliott, J. A., et al. Sarcopenia: prevalence, and impact on operative and oncologic outcomes in the multimodal management of locally advanced esophageal cancer. Annals of Surgery. 266 (5), 822-830 (2017).
- Kanellakis, S., et al. Development and validation of a bioelectrical impedance prediction equation estimating fat free mass in Greek - Caucasian adult population. Clinical Nutrition ESPEN. 36, 166-170 (2020).
- Bredella, M. A., et al. Comparison of DXA and CT in the assessment of body composition in premenopausal women with obesity and anorexia nervosa. Obesity (Silver Spring). 18 (11), 2227-2233 (2010).
- Mourtzakis, M., et al. A practical and precise approach to quantification of body composition in cancer patients using computed tomography images acquired during routine care. Applied Physiology, Nutrition, and Metabolism. 33 (5), 997-1006 (2008).
- Avrutin, E., et al. Clinically practical approach for screening of low muscularity using electronic linear measures on computed tomography images in critically ill patients. JPEN. Journal of Parenteral and Enteral Nutrition. 42 (5), 885-891 (2018).
- Cespedes Feliciano, E. M., Avrutin, E., Caan, B. J., Boroian, A., Mourtzakis, M. Screening for low muscularity in colorectal cancer patients: a valid, clinic-friendly approach that predicts mortality. Journal of Cachexia, Sarcopenia and Muscle. 9 (5), 898-908 (2018).
- Peng, P., et al. Impact of sarcopenia on outcomes following resection of pancreatic adenocarcinoma. Journal of Gastrointestinal Surgery. 16 (8), 1478-1486 (2012).
- Jones, K. I., Doleman, B., Scott, S., Lund, J. N., Williams, J. P. Simple psoas cross-sectional area measurement is a quick and easy method to assess sarcopenia and predicts major surgical complications. Colorectal Disease. 17 (1), 20-26 (2015).
- Prado, C. M., et al. Sarcopenia as a determinant of chemotherapy toxicity and time to tumor progression in metastatic breast cancer patients receiving capecitabine treatment. Clinical Cancer Research. 15 (8), 2920-2926 (2009).
- Fields, D. A., Goran, M. I., McCrory, M. A. Body-composition assessment via air-displacement plethysmography in adults and children: a review. The American Journal of Clinical Nutrition. 75, 453-467 (2002).
- Zopfs, D., et al. Single-slice CT measurements allow for accurate assessment of sarcopenia and body composition. European Radiology. 30 (3), 1701-1708 (2020).
- Schwenzer, N. F., et al. Quantitative analysis of adipose tissue in single transverse slices for estimation of volumes of relevant fat tissue compartment. Investigative Radiology. 45 (12), 788-794 (2010).
- Baracos, V. E. Psoas as a sentinel muscle for sarcopenia: a flawed premise. Journal of Cachexia, Sarcopenia and Muscle. 8 (4), 527-528 (2017).
- Potretzke, A. M., Schmitz, K. H., Jensen, M. D. Preventing overestimation of pixels in computed tomography assessment of visceral fat. Obesity Research. 12 (10), 1698-1701 (2004).
- Shen, W., et al. Total body skeletal muscle and adipose tissue volumes: estimation from a single abdominal cross-sectional image. Journal of Applied Physiology. 97 (6), 2333-2338 (2004).
- Weston, A. D., et al. Automated abdominal segmentation of CT scans for body composition analysis using deep learning. Radiology. 290 (3), 669-679 (2019).
