Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Medicine
Click here for the English version

Medicine

Segmentering och linjär mätning för kroppssammansättningsanalys med slice-O-Matic och Horos

Published: March 21, 2021 doi: 10.3791/61674
Automatic Translation
1, 1, 1, 1, 1, 1, 1, 2, 3, 4, 5, 1, 1
1Department of Urology, Emory University School of Medicine, 2Northeast Ohio Medical University, 3Department of Urology, University of Alabama at Birmingham, 4Department of Medical Oncology, Winship Cancer Institute of Emory University, 5Department of Urology, University of Washington

Summary

Segmentering och linjära mätningar kvantifierar skelettmuskulaturmassa och fettvävnader med hjälp av datortomografi och/eller magnetisk resonanstomografi. Här beskriver vi användningen av Slice-O-Matic-programvara och Horos bildvisare för snabb och korrekt analys av kroppssammansättning. Dessa metoder kan ge viktig information för prognos och riskstratifiering.

Abstract

Kroppssammansättning är förknippad med risk för sjukdomsprogression och behandlingskomplikationer i olika tillstånd. Kvantifiering av skelettmuskulaturmassa och fettvävnader på datortomografi (CT) och/eller magnetisk resonanstomografi (MRT) kan därför ligga till grund för utvärdering av kirurgirisk och sjukdomsprognos. Denna artikel beskriver två kvantifieringsmetoder som ursprungligen beskrivs av Mourtzakis et al. och Avrutin et al.: vävnad segmentering och linjär mätning av skelettmuskulaturen. Patienternas tvärsnittsbild vid mittpunkten av den tredje ländkotan erhölls för båda mätningarna. För segmentering importerades bilderna till Slice-O-Matic och färgas för skelettmuskulatur, intramuskulär fettvävnad, visceral fettvävnad och subkutan fettvävnad. Sedan beräknades ytområden av varje vävnadstyp med hjälp av taggytans funktion. För linjära mätningar mäts höjden och bredden på bilaterala psoas och paraspinala muskler på nivån för den tredje ländkotan och beräkningen med dessa fyra värden ger den uppskattade skelettmuskelmassan. Segmenteringsanalys ger kvantitativ, omfattande information om patienternas kroppssammansättning, som sedan kan korreleras med sjukdomsprogression. Processen är dock mer tidskrävande och kräver specialiserad utbildning. Linjära mätningar är ett effektivt och klinikvänligt verktyg för snabb preoperativ utvärdering. Linjära mätningar ger dock inte information om fettvävnadssammansättning. Dessa metoder har dock omfattande tillämpningar i en mängd olika sjukdomar för att förutsäga kirurgiska resultat, risk för sjukdomsprogression och informera behandlingsalternativ för patienter.

Introduction

Bedömning av sarkopeni och kroppssammansättning är för närvarande av stort kliniskt intresse. Även om specifika definitioner av sarkopeni varierar beroende på inställning och sammanhang, omfattar alla definitioner betydande förlust av skelettmuskelmassa eller muskelstyrka, som är nära korrelerade1,2,3. Kroppssammansättningsanalys innehåller mätningar av skelettmuskelmassa och fettvävnadsfördelning, vilket ger mer omfattande information om patienternas allmänna lämplighet1,3,4. På samma sätt har disproportionellt distribuerad fettvävnad, särskilt visceral fettvävnad, visat sig vara relaterad till olika sjukdomar, inklusive hjärtsjukdomar, typ II-diabetes och cancer5.

Kliniskt har sarkopeni och dess bedömning av linjära mätningar upprepade gånger visat sig vara en stark prognostisk faktor för cancerspecifik överlevnad över maligniteter och onkologiska resultat efter kirurgi, strålbehandling och kemoterapi1,2,4,6,7,8. I synnerhet visar tidigare forskning att patienter med sarkopeni har minskat cancerspecifik överlevnad och total överlevnad1,2,9,10. Därför är noggrann och snabb klinisk bedömning av sarkopeni progression viktigt för att avgöra behandlingsval. Konventionell helkroppskomposition profilering kräver analys på en tredimensionell (3D) nivå med hjälp av bildteknik, inklusive datortomografi (CT), magnetic resonance imaging (MRI), Bone Densitometry (DEXA) och Bioelectrical Impedance Analysis (BIA), som är tidskrävande, kostsamma och kräver omfattande utbildning5,11. En annan nackdel är bristen på information om fettfördelning, särskilt för luftförskjutning plethysmography (ADP) och DEXA12. Bedömning och bestämning av sarkopeni och kroppssammansättning med användning av konventionella tvärsnittsavbildningsmetoder såsom CT eller MRT, som används som en del av klinisk praxis för standardvård, har därför stort kliniskt värde5.

En vanlig segmenteringsprogramvara i den kliniska forskningsmiljön är Slice-O-Matic-programmet som utvecklats av TomoVision. Med hjälp av Mourtzakis et al.13 segmenteringsproceduren gör programmet det möjligt för forskare eller kliniker att halvautomatiskt märka olika vävnadstyper som skelettmuskel (SM), intramuskulär fettvävnad (IMAT), visceral fettvävnad (moms) och subkutan fettvävnad (SAT) med hjälp av densitetsbaserade trösklar, vilket möjliggör mätning av de övergripande tvärsnittsområdena i varje vävnad. Dessa mätningar används sedan för att uppskatta totala kroppen skelettmuskulatur massa och adiposity, ofta efter normalisering av en patients höjd kvadratiska, för att identifiera sarkopeni och sarkopenisk fetma efter befolkningsbaserade trösklar.

En nyutvecklad metod av Avrutin et al.14 med linjära mätningar av skelettmuskulaturen utvecklad har visat potentialen att vara lika tillförlitlig vid uppskattning av total muskelmassa med MRI och CT bilder av L3 tvärsnitt14,15. Psoas och paraspinala muskelgrupper utgör mycket av muskelytan i L3-regionen och har hög funktionalitet, vilket tyder på att de kan vara hög trohet prediktorer för övergripande muskelstyrka, och därmed de främsta kandidaterna till linjärmätning 14,15. För att beräkna den muskulösa ytan erhålls horisontella och vertikala mätningar av psoas och paraspinala muskelgrupper med hjälp av ett linjalverktyg för att rita 90° korsande raka linjer. De horisontella och vertikala mätningarna av varje muskelgrupp multipliceras för att uppskatta ytan på varje muskelgrupp, som sedan används för att beräkna ett linjärt muskelindex när det divideras med patientens höjd. Med minimal träning kan hela processen ta mindre än 1 minut.

Med tanke på de potentiella konsekvenserna av kroppssammansättningsmätningar på patientvården finns det ett akut behov av att skapa tillgängliga utbildningsmaterial. I den här artikeln ger vi en detaljerad beskrivning av två metoder som utvecklats av Avrutin et al.14 och Mourtzakis et al.13 för att kvantifiera skelettmuskelmassa respektive kroppssammansättning för leverantörer och kliniska forskare.

Protocol

Följande studie och protokoll granskades och godkändes av Emory Universitys institutionsgranskningsnämnd.

1. L3 CT-segmentering

  1. Få bilden av den axiella CT Digital Imaging and Communications in Medicine (DICOM).
    1. Identifiera L3-ryggkotan i bildvisaren.
      1. Om möjligt väljer du två vågräta fönstervyer och väljer koronal- eller sagitalvy till vänster som referens och axiell vy till höger.
      2. Klicka på Korslänk för att länka vänster och höger fönster.
      3. Bläddra ner bilderna från hjärnskålen till kaudal riktning. Identifiera L1 ryggkota, som är den första ryggkotan utan revbensfäste.
      4. Räkna från L1 till L3 och använd koronal- eller sagittalvyn för att identifiera delen av mitten av L3. Detta identifieras som den punkt där båda tvärgående processer kan visualiseras maximalt och lika.
      5. Markera L3-segmentet. På fliken Examen väljer du Skicka examen och sparar bilden som en DICOM-fil.
        OBS: Steg 1 är ett förbehandlingssteg och listas här för att visa hur man får en L3-bild. Om forskaren redan har en L3-bild kan de gå till steg 2. Om bildvisaren inte aktiverar korsreferering kan forskaren hoppa över 1.1.1 till 1.1.2. Om avbildningen inte inkluderar bröstregionen, identifiera L5, som är främre till sakrummet, och räkna från L5 till L3, med tanke på att närvaron av en sjätte ländkota är en normal variant.
  2. Öppna DICOM-bilden med Slice-O-Matic Software.
  3. Dra DICOM-filen till var som helst i fönstret Segment-O-Matic.
  4. Välj lägen | Region växer för att påbörja segmentering.
    1. Om versionen av Slice-O-Matic har Alberta Protocol-alternativ högst upp i listan lägen med alternativ, kan man också välja steg 3: Segmentering för att påbörja segmentering. Om du använder steg 3: Segmenteringslutför du steg 5 och fortsätter sedan till steg 11.
  5. Välj Verktyg | Tagglås. Detta gör det möjligt för användaren att "låsa" taggade färger för att säkerställa att de inte av misstag färgas över eller raderas senare.
  6. Skelettmuskelidentifiering: Klicka på 1 (Röd) under området Regionodling till vänster på skärmen.
    1. Klicka på knappen Av genom Nedre gräns för att aktivera den. Klicka på pilarna med mushjulet för att ställa in Inaktiverad på Nedre gräns. Dra skjutreglaget på nedre gräns för att ställa in Hounsfield Unit (HU) tröskelvärde så nära -29 som möjligt och använd sedan mushjulet för att ange HU-tröskelvärde exakt till -2913.
    2. Klicka på knappen Av vid Övre gräns för att aktivera den. Klicka på pilarna med mushjulet för att ställa in nedre gräns till övre gräns. Dra skjutreglaget på övre gränsen för att ange HU-tröskelvärdet så nära 150 som möjligt och använd sedan mushjulet för att ange HU-tröskelvärdet exakt till 15013.
  7. Identifiering av intramuskulär fettvävnad (IMAT): Klicka på 2 (Grön) under området Regionodling till vänster på skärmen.
    1. Klicka på knappen Av genom Nedre gräns för att aktivera den. Klicka på pilarna med mushjulet för att ställa in Inaktiverad på Nedre gräns. Dra skjutreglaget på Nedre gräns för att ange HU-tröskelvärdet så nära -190 som möjligt och använd sedan mushjulet för att ange HU-tröskelvärdet exakt till -19013.
    2. Klicka på knappen Av vid Övre gräns för att aktivera den. Klicka på pilarna med mushjulet för att ställa in nedre gräns till övre gräns. Dra skjutreglaget på övre gränsen för att ange HU-tröskelvärdet så nära -30 som möjligt och använd sedan mushjulet för att ange HU-tröskelvärde exakt till -3013.
  8. Identifiering av visceral fettvävnad (moms): Klicka på 5 (gul) under området Regionodling till vänster på skärmen.
    1. Klicka på knappen Av genom Nedre gräns för att aktivera den. Klicka på pilarna med mushjulet för att ställa in Inaktiverad på Nedre gräns. Dra skjutreglaget på Nedre gräns för att ange HU-tröskelvärdet så nära -150 som möjligt och använd sedan mushjulet för att ange HU-tröskelvärde exakt till -15013.
    2. Klicka på knappen Av vid Övre gräns för att aktivera den. Klicka på pilarna med mushjulet för att ställa in nedre gräns till övre gräns. Dra skjutreglaget på övre gräns för att ange HU-tröskelvärdet så nära -50 som möjligt och använd sedan mushjulet för att ange HU-tröskelvärdet exakt till -5013.
  9. Subkutan fettvävnad (SAT) Identifiering: Klicka på 7 (Cyan) under området Regionodling till vänster på skärmen.
    1. Klicka på knappen Av genom Nedre gräns för att aktivera den. Klicka på pilarna med mushjulet för att ställa in Inaktiverad på Nedre gräns. Dra skjutreglaget på Nedre gräns för att ange HU-tröskelvärdet så nära -190 som möjligt och använd sedan mushjulet för att ange HU-tröskelvärdet exakt till -19013.
    2. Klicka på knappen Av vid Övre gräns för att aktivera den. Klicka på pilarna med mushjulet för att ställa in nedre gräns till övre gräns. Dra skjutreglaget på övre gränsen för att ange HU-tröskelvärdet så nära -30 som möjligt och använd sedan mushjulet för att ange HU-tröskelvärde exakt till -3013.
  10. Använd knapparna + och - på tangentbordet för att zooma in och ut ur CT-bilden. Justera zoomen vid behov under segmenteringen för att tydligt och exakt märka vävnader.
  11. Börja segmentera genom att välja 1 för skelettmuskelvävnad (SM).
    1. Ställ in penselalternativet på Paint.
    2. Använd penselverktygen som finns direkt under Region Growing för att anpassa dig till önskad storlek på borsten och börja måla över psoas, paraspinala muskelgrupper, sneda och rectus muskelgrupper.
      OBS: Om vätskor eller organ utanför muskelfascian är taggad i rött som muskler, se till att rensa taggningen med hjälp av ingen färgval.
  12. När alla muskler har taggats väljer du 1 i TAG Lock-menyn längst ner till vänster på skärmen. Detta säkerställer att inga muskler av misstag ommärkts eller raderas när segmenteringen fortsätter.
  13. Välj 2 under Region Odling och färg över alla fettvävnader (IMAT) i muskelfascian. Var noga med att använda none färgval om något fett eller strukturer utanför muskelfascian felaktigt taggas som IMAT.
    OBS: Muskelfascians kanter verkar vanligtvis lättare än det viscerala eller subkutana fettet som omger det. Var noga med att märka allt fett i muskelfascians ljusare kanter som IMAT och inte moms eller SAT. Om linea alba inte är märkt som muskel, bör hela linea alba analyseras som IMAT.
  14. När all IMAT har taggats väljer du 2 på TAG Lock-menyn längst ned till vänster på skärmen.
  15. Välj 5 på menyn Regionodling för att tagga momsvävnaden.
    1. När du taggar moms kan det vara enklare att använda Grow 2D i stället för Paint när du taggar moms.
    2. Om du använder Grow 2Danvänder du det minsta penselalternativet. Om du använder Grow 2D, se till att se tillbaka på all taggad moms och se till att ingen intralumenal vävnad inuti tarmarna eller organen felaktigt taggas, eftersom det fettet vanligtvis kommer från antingen smältande mat eller andra strukturer som inte är moms.
    3. Om du använder Paint, var noga med att inte måla inuti organens eller tarmens lumen.
  16. När all moms har taggats väljer du 5 på TAG Lock-menyn längst ned till vänster på skärmen.
  17. Välj 7 på menyn Regionodling för att tagga SAT-vävnad.
    1. När du taggar SAT, beroende på bilden, är det vanligtvis lättare att använda Grow 2D istället för Paint.
    2. Om du använder Grow 2Danvänder du det minsta penselalternativet.
    3. Om du använder Grow 2D, se till att gå tillbaka över bildens kanter med inget-verktyget valt för att vara säker på att ingen vävnad i muskelfascian är taggad som SAT och för att vara säker på att ingen hud är taggad som SAT.
      OBS: Huden är vanligtvis ljusare än SAT och är vanligtvis cirka 2-3 pixlar tjock, men var medveten om att hudens utseende och tjocklek kan variera från bild till bild.
    4. Om du använder Paint, var noga med att vara försiktig runt kanterna, särskilt runt huden för att säkerställa att ingen vävnad är felaktigt märkt.
  18. När du är klar med taggning av vävnader går du till Verktyg | Tagga yta/volym. Detta visar ytan och volymen på var och en av de märkta vävnaderna, vanligtvis är intresset för ytan.
    1. Klicka på Visa i fönster för att öppna fönstret Taggyta/-volym helt. Detta visar också HU-värden.
    2. Registrera tröskelvärdena för yta och HU.
      OBS: Om fönstret Taggyta/-volym inte visas längst ned till vänster på skärmen kan det bero på att det inte finns tillräckligt med utrymme för att visa det. Se i så fall till att fönstret Segment-O-Matic är maximerat och välj sedan Verktyg | Tagglås för att ta bort fönstret Tagglås. Detta bör ge tillräckligt med utrymme för att visa fönstret Taggyta/-volym.
  19. När du är klar går du till | Spara TAGG-filer. Detta sparar en TAG-fil där DICOM-filen finns.

2. L3 MRI-segmentering

  1. Få den axiella MRT-bilden (T2-viktade sekvenser) DICOM-bild
    1. Identifiera L3-ryggkotan i bildvisaren.
      1. Om möjligt väljer du två vågräta fönstervyer och väljer koronal- eller sagitalvy till vänster som referens och axiell vy till höger.
      2. Klicka på Korslänk för att länka vänster och höger fönster.
      3. Bläddra ner bilderna från hjärnskålen till kaudal riktning. Identifiera L1 ryggkota, som är den första ryggkotan utan revbensfäste.
      4. Räkna från L1 till L3 och använd koronal- eller sagittalvyn för att identifiera delen av mitten av L3. Detta identifieras som den punkt där båda tvärgående processer kan visualiseras maximalt och lika.
      5. Markera L3-segmentet. På fliken Examen väljer du Skicka examen och sparar bilden som en DICOM-fil.
        OBS: Steg 1 är ett förbehandlingssteg och listas här för att visa hur man får en L3-bild. Om forskaren redan har en L3-bild kan de gå till steg 2. Om bildvisaren inte aktiverar korsreferering kan forskaren hoppa över 1.1.1 till 1.1.2. Om avbildningen inte inkluderar bröstregionen, identifiera L5, som är främre till sakrummet, och räkna från L5 till L3, med tanke på att närvaron av en sjätte ländkota är en normal variant.
  2. Öppna DICOM-bilden med Slice-O-Matic-programvaran.
  3. Dra DICOM-filen till var som helst i fönstret Segment-O-Matic.
  4. Välj lägen | Region växer för att påbörja segmentering.
    OBS: På grund av dålig differentiering av fettvävnader i MR-bilder är endast SM segmenterat.
    1. Paraspinala muskler Segmentering: Klicka på 1 (Röd) under regionodlingsområdet till vänster på skärmen.
      1. I förhandsgranskningslägetskulle histogrammen i bilden visa flera toppar, med den första toppen som representerar luft, och de efterföljande andra, tredje och fjärde topparna som representerar muskler, ben respektive fett.
      2. Klicka på knappen Av genom Nedre gräns för att aktivera den.
      3. Klicka på pilarna med mushjulet för att ställa in Inaktiverad på Nedre gräns.
      4. Dra skjutreglaget på Nedre gräns för att ange Tröskelvärdet för Hounsfield Unit (HU) till 0.
      5. Klicka på knappen Av vid Övre gräns för att aktivera den.
      6. Klicka på pilarna med mushjulet för att ställa in nedre gräns till övre gräns.
      7. Dra skjutreglaget på Övre gränsen för att ange HU så att det inkluderar paraspinala muskeln.
      8. Börja segmentera paraspinala muskler genom att välja 1 för skelettmuskulaturvävnad (SM). Ställ in penselalternativet på Paint. Använd penselverktygen som finns direkt under Region Growing för att anpassa dig till önskad storlek på borsten och börja måla över paraspinala muskelgrupper.
        OBS: Om något är märkt i rött som muskel på vätskor eller organ utanför muskelfascian, se till att rensa taggningen med hjälp av ingen färgval.
    2. Segmentering av återstående muskelgrupper: Flytta musen främre till linea alba. I förhandsgranskningsläget justerar du den övre gränsen så att den inkluderar linea alba. Denna övre gräns för intensiteten antas sedan för alla återstående muskelgrupper.
      1. Börja segmentera genom att välja 1 för skelettmuskelvävnad (SM). Ställ in penselalternativet på Paint. Använd penselverktygen som finns direkt under Region Growing för att anpassa dig till önskad storlek på borsten och börja måla över paraspinala muskelgrupper.
        OBS: Om något är märkt i rött som muskel på vätskor eller organ utanför muskelfascian, se till att rensa taggningen med hjälp av ingen färgval.
  5. När du är klar med taggning av vävnader går du till Verktyg | Tagga yta/volym. Detta visar ytan och volymen på var och en av de märkta vävnaderna, vanligtvis är intresset för ytan.
  6. Klicka på Visa i fönster för att öppna fönstret Taggyta/-volym helt. Detta visar också HU-värden.
  7. Registrera tröskelvärdena för yta och HU.
    OBS: Om fönstret Taggyta/-volym inte visas längst ned till vänster på skärmen kan det bero på att det inte finns tillräckligt med utrymme för att visa det. Se i så fall till att fönstret Segment-O-Matic är maximerat och välj sedan Verktyg | Tagglås för att ta bort fönstret Tagglås. Detta bör ge tillräckligt med utrymme för att visa fönstret Taggyta/-volym.
  8. När du är klar går du till | Spara TAGG-filer. Detta sparar en TAG-fil där DICOM-filen finns.

3. Linjär mätning för CT och MRT

  1. Hämta den axiella CT- eller MRI DICOM-bilden.
    1. Identifiera L3-ryggkotan i bildvisaren.
      1. Om möjligt väljer du två vågräta fönstervyer och väljer koronal- eller sagitalvy till vänster som referens och axiell vy till höger.
      2. Klicka på Korslänk för att länka vänster och höger fönster.
      3. Bläddra ner bilderna från hjärnskålen till kaudal riktning. Identifiera L1 ryggkota, som är den första ryggkotan utan revbensfäste.
      4. Räkna från L1 till L3 och använd koronal- eller sagittalvyn för att identifiera den del av mitten av L3, som identifieras av den punkt där båda tvärgående processer är lika identifierade.
        OBS: Steg 1 är ett förbehandlingssteg och listas här för att visa hur man får en L3-bild. Om forskaren redan har en L3-bild kan de gå till steg 2. Om bildvisaren inte aktiverar korsreferering kan forskaren hoppa över 1.1.1 till 1.1.2. Om avbildningen inte innehåller bröstregionen, identifiera L5, som är främre till sakrum, och räkna från L5 till L3.
  2. Importera bilden till en medicinsk bildvisare och öppna den.
    1. För Horos: öppna appen och klicka på Importera.
    2. Navigera till där DICOM-bilden finns, välj den och klicka på Öppna. Filen och bilden ska visas under listan Patientnamn.
    3. Dubbelklicka på Patientnamnoch dubbelklicka sedan på bilden för att påbörja linjär segmentering.
  3. Identifiera psoas muskler och paraspinal muskler.
  4. Välj linjalverktyget och mät de horisontella (180°) och vertikala (90°) diametern på de fyra muskler som nämns ovan.
    OBS: Linjerna måste vara vågräta och lodräta mot bilden, inte diagonala. De horisontella och vertikala linjer som ritas bör skapa en rektangulär ruta som omfattar hela varje muskel. Mät inte bara muskelens längsta avstånd. Om du använder ett bildvisare som möjliggör ett ritverktyg kan verktyget användas i stället för det enkla linjalverktyget. Detta förutsatt att ritverktyget för lådan visar åtminstone rutans höjd och längd.
  5. Spela in alla åtta måtten (höger psoasbredd, höger psoaslängd, vänster psoasbredd, vänster psoaslängd, höger paraspinal bredd, höger paraspinal längd, vänster paraspinal bredd, vänster paraspinal längd) för vidare analys.
    1. Beräkna den enskilda muskelytan genom att multiplicera muskelns horisontella och vertikala värde.
    2. Få den totala muskelytan psoas muskler och paraspinal muskler genom att lägga till vänster muskel till rätt muskel, respektive.
    3. Beräkna det linjära muskelindexet genom att dividera den kombinerade ytan (mm2)med patienthöjden i kvadrat (m2).

Representative Results

Segmenteringsproceduren L3 resulterar i en taggad CT- eller MR-bild med skelettmuskelvävnad (SM) märkt i rött, IMAT i grönt, moms i gult och SAT i cyan (Figur 1). De återstående otaggade vävnaderna kommer att finnas kvar i sina ursprungliga vita, grå och bakre nyanser som motsvarar varje pixels respektive Hounsfield-enhetsvärden (HU). Majoriteten av de ouppföljda vävnaderna som finns kvar i vitt kommer att vara ben, majoriteten av vävnaderna som finns kvar i grått kommer att vara icke-skelettmuskel- och organvävnad och fettvävnader i tarmens lumen, och majoriteten av bilden som förblir i svart kommer att vara luft. En korrekt segmenterad bild kommer inte att ha någon röd eller grön taggning utanför skelettmuskeln fascia, och ingen gul eller cyan taggning inom skelettmuskeln fascia. Dessutom bör gul märkning inte invadera lumen i tarmarna eller organ som njure eller lever, och cyanmärkning bör inte förekomma längs de ljusare ytterkanterna som motsvarar huden. När bildsegmenteringen är klar ska ytorna och de genomsnittliga HU-värdena för vävnad registreras, tillsammans med patientens höjd (tabell 1). Från dessa data kan man beräkna skelettmuskelindexet och fortsätta med någon annan analys som är relevant för den specifika forskningen eller kliniska frågor. Observera att för de flesta MR-bilder kan endast skelettmuskeln märkas ordentligt och därefter analyseras (tabell 2). Vid linjära mätningar beräknas ett index genom att man delar ytan över höjdens kvadrat (tabell 3).

Vanliga frågor som forskare kan stöta på under segmenteringsproceduren är bilder som utelämnar viktig information. Bilder kan till exempel ha stora delar avskurna eller avskurna (bild 2). Specifikt, bilder som har SAT och/eller skelettmuskelvävnad utskuren ur ramen kommer drastiskt att sänka noggrannheten i ytan beräkningar av drabbade vävnader. Huruvida detta gör en bild olämplig för analys beror på det kliniska eller forskningssammanhanget och måste beslutas av forskargruppen från fall till fall. En annan fallgrop är att forskare oavsiktligt kan inkludera ryggmärg och benmärg i skelettmuskulaturen. För att undvika denna fråga bör forskare vara välutbildade och vara försiktiga under segmenteringen. Andra vanliga artefakter i CT- eller MRI-bilder inkluderar tekniska problem som orsakas av patientplacering eller rörelse i skannern, fettsträngning och ärrvävnader runt skelettmuskelfascian och andra märkligt formade artefakter (figur 3). Tekniska problem som orsakas av patientrörelser eller felaktig placering kommer vanligtvis att verka lättare, med högre HU-värden än omgivande vävnad. Denna typ av tekniska problem visas vanligtvis i SAT och kan också sänka noggrannheten i ytområdesberäkningen. Det kliniska eller forskningssammanhanget kommer att avgöra toleransnivån för sådana frågor. Fett strandning och ärrvävnad artefakter resulterar vanligtvis inte i stora mängder fel i vävnad yta beräkningar. De kan dock leda till felidentifiering av fasciallinjen. Skelettmuskel- och IMAT-ytor kan vara mycket felaktiga i fall där fettsträngar eller ärrvävnad misstas som muskelfascialinjen. Andra små fläckar och artefakter i CT- och MR-bilder påverkar vanligtvis inte den övergripande bildkvaliteten utom i sällsynta fall. Beroende på det kliniska eller forskningssammanhanget kan dessa artefakter behöva bedömas av en radiologiexpert för att verifiera bildkvaliteten. Det sista vanliga problemet i CT- och MR-bilder är missbildningar i muskelfascialinjen (figur 4). Dessa pauser kommer vanligtvis inte att påverka bildkvaliteten, men bilder som innehåller stora pauser eller andra missbildningar i muskelfascia bör bedömas av en radiolog för att avgöra om deformitetsursprunget kommer att påverka det kliniska eller forskningssammanhangets analys.

L3 linjära mätförfarandet som utvecklats av Avruvin et al. har färre vanliga fel än L3-segmenteringsförfarandet14,15. De viktigaste frågorna i linjära åtgärder handlar om att identifiera muskelgrupperna av intresse, de två psoas och paraspinala muskelgrupperna (figur 5). I de flesta fall kommer psoas-kanterna att skiljas från närliggande organ, men i händelse av att kanten är svår att urskilja, kommer byte av HU-filter eller ljusstyrka vanligtvis att lösa de flesta problemen. Dessutom kommer kanterna på paraspinala muskelgrupper ofta att vara åtskilda från andra närliggande vävnader, men man bör notera att om ingen klar muskel når den nedre fascialinjen, bör linjen inte ingå i att bestämma den nedre kanten av den paraspinala muskelgruppen. Slutligen bör quadratus lumborum uteslutas vid bestämning av kanten på psoas- eller paraspinmuskelgrupperna(figur 5E).

Figure 1
Bild 1: Korrekt L3-segmentering i Slice-O-Matic. (A) Den oförändrade axiella CT-bilden vid L3-ryggkotor. B)Den helt märkta axial CT med rött motsvarande skelettmuskel (SM), grön till intramuskulär fettvävnad (IMAT), gul till vesisk fettvävnad (moms) och cyan till subkutan fettvävnad (SAT). Klicka här om du vill visa en större version av den här figuren.

Figure 2
Bild 2:Klipp av L3 CT-bilden. En opasgged CT-bild i Slice-O-Matic med betydande mängder SAT samt betydande mängder skelettmuskelvävnad avskuren. Klicka här för att se en större version av denna siffra.

Figure 3
Bild 3: Vanliga artefakter. (A) Den ouppföljda CT-bilden har olika artefakter markerade i den röda rutan, blå oval respektive grön ruta. Den röda rutan visar tekniska problem med en datortomografi, potentiellt från malalignment eller rörelse under skanningen. Den blå ovalen belyser en vanlig artefakt som troligen härrör från ärrvävnader. Den gröna fyrkanten belyser fläckar som kan ha flera potentiella orsaker. (B) Den taggade datortomografin med utseenden av samma respektive artefakter markerade i den röda rutan, den blå ovala och gröna rutan. Klicka här om du vill visa en större version av den här figuren.

Figure 4
Bild 4:Stort avbrott i muskelfascian. (A) Den ouppföljda L3 CT-bilden belyser ett stort avbrott i skelettmuskelfascian i den lila lådan. (B) Den taggade L3 CT-bilden belyser det taggade utseendet på den stora pausen i skelettmuskelfascian i den lila lådan. Klicka här om du vill visa en större version av den här figuren.

Figure 5
Bild 5: L3 linjära mätningar. (A) Den ursprungliga L3 CT-bilden före analys i Horos bildvisare. B)Den traditionella linjära mätmetoden innehåller en vertikal linje och en horisontell linje som dras för varje muskel. Dessa linjer mäts med ett linjalverktyg och multipliceras för att hitta varje muskelgrupps yta. Observera att den traditionella linjära mätmetoden alltid bör ha linjer som skär vid 90°. Denna bild av den traditionella linjära mätmetoden är visuell demonstration endast sedan den skapades i Horos och är inte garanterad att ha 90° korsningar. C)(D)(E)Box-metoden för L3-linjära mätningar. (C) (D) Den blå och lila rutan omfattar höger respektive vänster psoas, och den gula och gröna rutan omfattar höger respektive vänster paraspinal muskel. ( E) De ljuslila och orange rutorna framhäver quadratus lumborum, som inte bör beaktas vid bestämning av psoas och paraspinala muskelgruppers kanter. Klicka här om du vill visa en större version av den här figuren.

Figure 6
Figur 6: Jämförelse av linjära mått och L3 tvärsnittsmuskelområde, n = 65. De kombinerade psoas och paraspinal områdena är i enlighet med den totala skelettmuskeln i L3 tvärsnittet. Klicka här om du vill visa en större version av den här figuren.

CT-SEGMENTERING
muskel Intramuskulär fettvävnad Visceral fettvävnad Subkutan fettvävnad
Suface-området (cm2) 134.4 8.402 72.43 271
Hounsfield enhet (medelvärde) 33.61 2.1 18.11 67.76
Patienthöjd i kvadrat (m2) 2.69 Skelettmuskulaturindex (Muskelområde/Höjd2, cm2/ m2) 49.97

Tabell 1: CT-segmentering

MRI-SEGMENATION
muskel
Suface-området (cm2) 241.8
Hounsfield enhet (medelvärde) 35.85
Patienthöjd (m2) 3.39
Skelettmuskulaturindex 71.42
(Muskelområde/Höjd2,cm2/m2)

Tabell 2: MR-segmentering

LINJÄRA ÅTGÄRDER
Höger Psoas höjd (cm) Höger Psoas bredd (cm) Vänster Psoas höjd (cm) Vänster Psoas bredd (cm) Höger paraspinal höjd (cm) Höger paraspinal bredd (cm) Vänster paraspinal höjd (cm) Vänster paraspinal bredd (cm)
3.934 2.927 3.743 2.788 4.916 6.264 4.403 7.045
Total Psoas-yta (cm2) 21.950 Total paraspinal yta (cm2) 61.813
Total muskelyta (cm2) 83.76
Patienthöjd i kvadrat (m2) 2.496 Linjärt mätindex (cm2/m2) 33.55

Tabell 3: Linjära åtgärder

Discussion

Psoas muskel, paraspinala muskelgrupper och sneda muskler korrelerar nära med den totala muskelmassan5. I synnerhet är ytan inom en CT eller MRI tvärsnitt av dessa muskelgrupper vid mittpunkten av den tredje ländkotan (L3) mycket korrelerad med övergripande muskelmassa, vilket gör denna bild idealisk för forskare eller kliniker att använda vid bedömning av sarkopeni1,2,13. Segmentering och linjära mätningar har visat stort värde i att bedöma kroppssammansättning och identifiera dåliga prognostiska tillstånd såsom sarkopeni och sarkopenisk fetma hos patienter16,17. Forskning har visat att muskelmassa mätningar är förknippade med överlevnad och risker för stora komplikationer efter stora operationer eller behandlingsplaner såsom kemoterapi och kemoterapeutisktoxicitet 16,17,18. Därför skulle vi kunna visa att det kan vara fördelaktigt för kliniker att ha kroppssammansättningsdata innan de ger råd till patienter om behandlingsalternativ.

För närvarande finns det flera metoder för att bedöma kroppssammansättning. Flera metoder, såsom densitometri12 och luftförskjutning plethysmography (ADP)19, använder luftvikt respektive förskjutning för att uppskatta procentuell kroppsfett och kroppstäthet. Även om dessa metoder kan vara användbara, kan de inte bestämma fettvävnadsfördelningen5,19. Andra kroppssammansättningsanalystekniker, såsom BIA, baserar sin analys på de olika elektriska egenskaperna hos fettmassa och fettfri massa12. Men återigen misslyckas denna teknik med att på ett adekvat sätt bedöma fettfördelningar, och det kräver också mer information som etnicitet, ålder och kön för mer exakta mätningar19. Omvänt har bedömningar som DEXA visat sig vara användbara vid bedömning av kroppssammansättning, men har en tendens att överskatta muskelmassa med ökande adipositet12. Flera protokoll har också använt metoden Region-of-Interest (ROI) för att erhålla muskelmassa och fettvävnadsdata inom DICOM-visningsprogramvaran, som har visat sig ha god korrelation med BIA kroppssammansättningsanalys för sarkopenibedömning och näringsbedömning20,21.

Segmenteringsproceduren som utvecklats av Mourtzakis et al. har en fördel jämfört med alternativa bedömningar av kroppssammansättning eftersom det kan göras på de flesta CT- eller MRI-bilder och exakt bestämmer fettvävnadsfördelningar och muskelområde13. Dessutom har axiell L3-segmentering fördelen av noggrannhet oavsett patientens fetmastatus13. I likhet med de ovan nämnda alternativen har den linjära måttteknik som utvecklats av Avrutin et al.14 inte förmågan att bedöma fettfördelningen. Nyligen har forskare visat skillnader i kroppssegmentering, särskilt i metoder som mäter psoas muskler ensam22. Psoas muskelmassa ensam är inte mycket representativ för ländryggen muskel mängd eller systematisk muskel slösa, och kanske inte är mycket korrelerad med kliniska resultat22. Detta problem kan vara mer oroande i linjär mätning, eftersom psoas muskel är den stora muskelgruppen i bedömning. Vår skisserade teknik innehåller dock bilaterala psoas och paraspinal muskel uppskattningar för att mäta en mer exakt, medan fortfarande snabb och bekväm bedömning av tvärsnitts muskelmassa. Framtida studier som validerar överensstämmelsen mellan CT/MRI linjära mät- och segmenteringsmetoder och deras korrelation till kliniska resultat är motiverade.

Både L3 segmentering och linjär mätning förfaranden var ursprungligen utformade för att snabbt och noggrant bedöma kroppsomfattande muskelinnehåll. Genom att segmentera endast på L3-ryggkotorna sparar protokollet tid samtidigt som de ger forskarna eller klinikerna tillräckligt med information för att bestämma patientens muskelmassa och adipositetsstatus. Men även om L3-segmentering tar mycket mindre tid än helkroppssegmentering, kan det fortfarande vara tidskrävande och dyrt att använda Slice-O-Matic-programvaran. Omvänt har linjära mätningar potential att vara lika exakta som L3-segmenteringen vid bedömning av muskelstatus och sarkopeni hos kritiskt sjuka patienter14,15. Vi har visat ett sådant samband i T3 njurcellscancer kohort, där skelettmuskeln mätt med linjära mätningar är nära korrelerad med värdet mätt med segmentering (Figur 6). Viktigt är att metoden är extremt snabb och bildframställningsprogramvaran är gratis. Den mest anmärkningsvärda begränsningen av det linjära mätförfarandet är dock dess brist på förmåga att bedöma fettvävnadsinnehållet, vilket begränsar klinikerna till sammanhang där allmän bedömning av muskelinnehåll är tillräcklig.

Det finns tre kritiska steg i både segmentering och linjära mätprocedurer. För det första bör kliniker och forskare identifiera mitten av L3-ryggkotorna för att uppnå konsistens. Mitten av L3-ryggkotorna kommer att vara den skiva där märgen av de tvärgående processerna är mest framträdande. Den axiella L3 ryggkotorna skivan identifieras lättare med hjälp av en korslänkad sagittal eller koronal vy. Forskare eller kliniker kan först hitta L1 ryggkotor eller korsben som referenspunkt, med tanke på att närvaron av sex ländkotor istället för fem är en normal variant. Nästa avgörande steg är att identifiera muskler. Vid linjära mätningar bör quadratus lumborum inte inkluderas när vertikala och horisontella mätningar görs. För det tredje bör forskare också vara mycket uppmärksamma när de märker moms i segmenteringsprotokollet, eftersom kolonhalten ibland kan märkas som visceral fettvävnad23. När ett sådant fel uppstår bör forskare radera dessa områden innan de går vidare till nästa steg.

En vanlig fråga inom segmentering är dålig CT- eller MR-bildkvalitet (se Representativa resultat för exempel). I vissa fall gör den dåliga kvaliteten inte bilden värdelös, men i andra fall kan bilden behöva uteslutas från analys. En annan, möjligen oundviklig, begränsning av segmenteringen av en enda bild inkluderar den slumpmässiga variationen av fast organposition från bild till bild.

Andra vanliga frågor för både L3-segmenteringsanalys och linjär mätanalys är ofta relaterade till variation mellan och intra-rater. Som skulle vara fallet med de flesta protokoll kan en viss variation mellan observatörer och mellan en enskild individs separata rättegångar förväntas. För att ta hänsyn till och minimera variationen mellan hastigheter med flera personer som utför analys kan teamet av forskare eller kliniker testa för alla statistiskt signifikanta variationer i ytmätningar och genomsnittlig HU från samma bild. Notera särskilt HU-variation eftersom detta kommer att indikera om forskare eller kliniker som har mycket liknande ytor för samma bild verkligen taggar vävnaderna ungefär samma. För att testa för signifikant intrahastighetsvariation för en individ kan forskare eller kliniker ta en liten delmängd av bilder och segmentera varje bild tills alla repliker för varje bild är inom en smal, statistiskt obetydlig marginal.

Vi erkänner att båda protokollen som presenteras här har begränsningar i kroppssammansättningsanalys eftersom endast en enda skiva används. Som föreslagits av Shen et al., 3D-analysen kan ge mer exakt information för buken visceral fett, och en skiva analys för moms är på olika nivåer för män och kvinnor24. De protokoll som diskuteras här är dock fortfarande värdefulla eftersom de ger snabba bedömningar av muskler samt fettvävnad, som kan användas för sarkopeni screening på kliniker.

Dessutom har det funnits många automatiserade kroppssammansättningsanalysprotokoll med hjälp av 3D-maskininlärningsalgoritmer, särskilt neurala nettobaserade klassificeringsalgoritmer25. Vi medger att dessa kan vara de potentiella framtida alternativen till traditionell 2D-segmentering. Dessa metoder kräver dock att stora datamängder av CT- och MR-bilder utvecklas, testas och implementeras i kliniska inställningar och forskningsmiljöer. Dessutom kräver dessa metoder ofta 2D-segmenteringsanalys för att upprätta en baslinjereferens mot vilken maskininlärningsalgoritmerna ska valideras mot. Protokollen som demonstreras här kan därför vara användbara när stora data uppsättningar eller 3D-avbildningar inte är tillgängliga, och dessa protokoll kan tillämpas för att hjälpa till att utveckla och validera maskin inlärnings algoritmer när de är tillämpliga. Vi tror därför att kliniker och forskare kan dra nytta av denna utbildningsvideo och anta dessa snabba och tillförlitliga metoder som preliminär screening innan automatiserad analys är tillgänglig och för att underlätta genomförandet av denna avancerade teknik.

Förmågan att snabbt analysera fettvävnadsfördelning och skelettmuskelmassa har en stor bredd av kliniska intressen som sträcker sig från cancerbehandling och forskning till hjärtsjukdom5. Jämfört med andra vanliga metoder, Mourtzakis et al. L3 segmentering förfarande i Slice-O-Matic kan noggrant och snabbt bedöma fettvävnad distribution och bestämma sarkopeni status5,12,13,19. Dessutom, i sammanhang där information om skelettmuskelmassa är tillräcklig, är L3 linjär mätning förfarande ett tillförlitligt och mycket snabbt verktyg för att förutsäga framgång i cancerbehandlingar som kirurgi, strålbehandling, och kemoterapi1,2,4,6,7,8. Syftet med denna utbildningsvideo och manuskript är att tydligt avgränsa protokollet för segmentering och linjära mätningar för framtida användning så att kliniker lättare kan bedöma kroppssammansättningen i klinikens miljö.

Disclosures

Författarna har inget att avslöja.

Acknowledgments

Författarna vill uppmärksamma stödet från familjen John Robinson & Churchills stiftelser.

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.

DOWNLOAD MATERIALS LIST

References

  1. 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).
  2. 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).
  3. Santilli, V., Bernetti, A., Mangone, M., Paoloni, M. Clinical definition of sarcopenia. Clinical Cases in Mineral and Bone Metabolism. 11 (3), 117-180 (2014).
  4. 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).
  5. 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).
  6. 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).
  7. 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).
  8. 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).
  9. Vashi, P. G., et al. Sarcopenia supersedes subjective global assessment as a predictor of survival in colorectal cancer. PLoS One. 14 (6), 0218761 (2019).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. 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).
  15. 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).
  16. Peng, P., et al. Impact of sarcopenia on outcomes following resection of pancreatic adenocarcinoma. Journal of Gastrointestinal Surgery. 16 (8), 1478-1486 (2012).
  17. 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).
  18. 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).
  19. 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).
  20. Zopfs, D., et al. Single-slice CT measurements allow for accurate assessment of sarcopenia and body composition. European Radiology. 30 (3), 1701-1708 (2020).
  21. 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).
  22. Baracos, V. E. Psoas as a sentinel muscle for sarcopenia: a flawed premise. Journal of Cachexia, Sarcopenia and Muscle. 8 (4), 527-528 (2017).
  23. 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).
  24. 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).
  25. Weston, A. D., et al. Automated abdominal segmentation of CT scans for body composition analysis using deep learning. Radiology. 290 (3), 669-679 (2019).

Tags

Denna månad i JoVE utgåva 169 kroppssammansättning segmentering linjär mätning riskbedömning sarkopeni CT-avbildning MR-avbildning
Segmentering och linjär mätning för kroppssammansättningsanalys med slice-O-Matic och Horos
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Steele, S., Lin, F., Le, T. L.,… More

Steele, S., Lin, F., Le, T. L., Medline, A., Higgins, M., Sandberg, A., Evans, S., Hong, G., Williams, M. A., Bilen, M. A., Psutka, S., Ogan, K., Master, V. A. Segmentation and Linear Measurement for Body Composition Analysis using Slice-O-Matic and Horos. J. Vis. Exp. (169), e61674, doi:10.3791/61674 (2021).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

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

Waiting X
Simple Hit Counter