Summary
Målet med denne studien var å utvikle en ny tredimensjonal digital modell for tidlig diagnostisering av leverfibrose, som inkluderer stivheten til hver voxel i pasientens lever og dermed kan brukes til å beregne fordelingsforholdet mellom pasientens lever ved forskjellige fibrosestadier.
Abstract
Leverfibrose er et tidlig stadium av levercirrhose, og det finnes ingen bedre ikke-invasive og praktiske metoder for påvisning og evaluering av sykdommen. Til tross for den gode fremgangen som er gjort med leverstivhetskartet (LSM) basert på magnetisk resonanselastografi (MRE), er det fortsatt noen begrensninger som må overvinnes, inkludert manuell fokusbestemmelse, manuelt utvalg av interesseområder (ROI) og diskontinuerlige LSM-data uten strukturell informasjon, noe som gjør det umulig å evaluere leveren som helhet. I denne studien foreslår vi en ny tredimensjonal (3D) digital modell for tidlig diagnose av leverfibrose basert på MRE.
MRE er en ikke-invasiv bildebehandlingsteknikk som benytter magnetisk resonansavbildning (MRI) for å måle leverstivheten på skanningsstedet gjennom interaksjon mellom menneske og datamaskin. Studier har indikert en signifikant positiv korrelasjon mellom LSM oppnådd gjennom MRE og graden av leverfibrose. For kliniske formål er det imidlertid nødvendig med en omfattende og presis kvantifisering av graden av leverfibrose. For å løse dette ble konseptet med leverstivhetsfordeling (LSD) foreslått i denne studien, som refererer til 3D-stivhetsvolumet til hver levervoxel oppnådd ved justering av 3D-levervevsbilder og MRE-indikatorer. Dette gir et mer effektivt klinisk verktøy for diagnostisering og behandling av leverfibrose.
Introduction
Leverfibrose refererer til dannelsen av overdreven arrvev i leveren, vanligvis som følge av leverskade eller sykdom 1,2,3,4. Det oppstår ofte som følge av kronisk leverskade og er ofte forbundet med leversykdommer, som kronisk viral hepatitt, ikke-alkoholholdig fettleversykdom og alkoholisk leversykdom. Hvis venstre ubehandlet, kan leverfibrose utvikle seg til skrumplever, en potensielt livstruende tilstand forbundet med betydelig sykelighet og dødelighet.
Aktiv forskning på dette området tar sikte på å belyse de cellulære og molekylære mekanismene som ligger til grunn for patogenesen av leverfibrose, samt å utvikle nye diagnostiske og terapeutiske strategier for å forbedre pasientens utfall. Et annet mål er ikke-invasiv påvisning av leverfibrosestadiet, som er et kritisk aspekt som direkte korrelerer med sykdomsdiagnose, behandlingsvalg og prognoseevaluering. Til tross for viktigheten av nøyaktig diagnose og overvåking av leverfibrose, er tradisjonelle diagnostiske metoder, som leverbiopsi, invasive og forbundet med betydelige risikoer. I motsetning til dette er magnetisk resonans elastografi 5,6 (MRE) en lovende ikke-invasiv bildebehandlingsteknikk som har vist potensial i diagnostisering og overvåking av leverfibrose ved å kvantifisere leverstivhet.
I de senere år har det vært betydelig forskning fokusert på å evaluere nøyaktigheten og påliteligheten av MRE i diagnosen leverfibrose, samt dens potensielle fordeler i forhold til tradisjonelle diagnostiske metoder. Leverstivhetsmålingen av MRE har fått godkjenning av United States Food and Drug Administration (FDA) for klinisk diagnose, og omfattende komparativ analyse med patologiske resultater er utført i klinisk praksis. Resultatene har vist at stivhetskartene generert av MRE viser en sterk positiv korrelasjon med ulike stadier av leverfibrose 7,8,9,10,11,12. Likevel har arbeidet med nøyaktig evaluering og sporing av utviklingen av leverfibrose hos pasienter gjennom kvantitativ analyse av leverstivhetsfordeling (LSD) ved å matche leverstrukturbilder med MRE ikke gjort mye fremgang.
I denne studien introduseres analyseteknikken for medisinsk bildegruppe13,14,15 for å oppnå nøyaktig justering av leverstrukturbildene med stivhetskartet generert av MRE i 3D-rom, noe som muliggjør beregning av leverstivhetsverdier for hver voxel av hele leveren. Basert på den 3D-digitale modellen av LSD, kan den nøyaktige fordelingen av pasientspesifikk leverfibrosestaging beregnes og evalueres. Dette legger et solid grunnlag for den presise kvantitative diagnosen leverfibrose i tidlig fase.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Denne studien benyttet 3D-digital LSD-modellering for å rekonstruere leveren til en typisk pasient med klinisk bekreftet leverfibrose. Pasienten ble rekruttert fra en velkjent institusjon for behandling av leversykdommer, "You An Hospital" i Beijing, Kina, og gjennomgikk rutinemessig øvre abdominal magnetisk resonansavbildning (MR) og MRE-avbildning etter å ha gitt samtykke. Pasienten ble valgt som casestudie for denne forskningsmetoden på grunn av bekreftelse av leverfibrosestaging gjennom patologisk undersøkelse og fravær av åpenbare kliniske symptomer, noe som understreker anvendeligheten og klinisk verdi av denne undersøkelsen ved diagnostisering av pasienter med leverfibrose i tidlig stadium. Dette papiret gir også en kvantitativ sammenligning mellom leveren til denne pasienten og en sunn lever. Programvareverktøyene som brukes i denne studien er oppført i materialfortegnelsen.
1. Datainnsamling og klargjøring
MERK: Parameterforskjellen er ikke følsom for forskningsmetoden.
- Strategier for MR-skanning
MERK: Denne studien benyttet faktiske DICOM-data hentet fra klinisk bildebehandling ved hjelp av en magnetisk resonansavbildning (MRI) -enhet produsert av GE. Innholdet i dataene inkluderer IDEAL (Iterativ dekomponering av vann og fett med ekkoasymmetri og minste kvadraters estimering), vann-fett separasjonsavbildning og magnetisk resonans elastografi (MRE) avbildning.- Forsikre deg om at IDEAL-dataene har en horisontal oppløsning på 256 piksler med 256 piksler, med en pikselavstand på 1,5625 mm og en skivetykkelse på 10 mm.
MERK: Skanningsstrategien kan optimaliseres ytterligere, men metodikken som brukes i denne studien, gjelder for medisinsk bildebehandling med høyere presisjon.
- Forsikre deg om at IDEAL-dataene har en horisontal oppløsning på 256 piksler med 256 piksler, med en pikselavstand på 1,5625 mm og en skivetykkelse på 10 mm.
- Gi nytt navn til mappen for hver sekvens.
MERK: Siden DICOM-dataene som eksporteres fra utstyret ikke eksplisitt gir sekvensnavn, er det nødvendig å legge til eksplisitte navn for hver sekvens for å lette etterfølgende analyse og behandling under forbehandlingsfasen.- Kopier alle DICOM-data til en tilpasset arbeidskatalog.
- Naviger til katalogen som inneholder dataene i MATLABs arbeidskatalog.
- Utfør Description_Name-funksjonen for å legge til beskrivende navn i mappene for hver sekvens.
- Se figur 1 for en sammenligning før og etter navneendring. Legg til et beskrivelsesnavn i hver bildesekvensmappe for å gjøre det enklere å identifisere de nødvendige bildesekvensene for ulike analytiske formål.
- Sjekk raskt bilder av IDEAL.
- Endre katalogen over mappene til forskjellige faser, inkludert fasene, utfasene, vann- og fettfasene, som ble lagret i separate mapper for avbildning ved hjelp av IDEAL.
- Utfør Slice_View-funksjonen for å vise innvirkningssekvensene for hver fase.
- Se figur 2 for et bilde av det interaktive grafiske brukergrensesnittet (GUI) for MR-IDEAL-sekvensen. Bruk rullefeltet nederst på GUI-en for å bla raskt gjennom de forskjellige sekvensene.
- Bruk MR-IDEAL utfasesekvens som MR-sekvens for klarere beskrivelser av levervevsgrenser.
MERK: I de følgende operasjonene vil fokuset være på å bruke IDEALs utfasesekvens for å avgrense 3D-regionen i leveren.
2. Pakk ut 3D-regionen i leveren
MERK: De individuelle voxels i 3D-regionen av leveren tjener som romlige bærere for LSD, med stivhetsverdien til hver voxel avledet fra MRE. Ekstrahering av 3D-regionen i levervevet er et nødvendig skritt før fusjon. Mens dyp læring kan brukes til å utføre denne oppgaven mer effektivt, er det ikke fokus for denne studien. Derfor brukes modne programvareverktøy (f.eks. MIMICS) fortsatt her for å trekke ut 3D-regionen av levervevet.
- Hvis du vil starte MIMICS-programvaren, velger du Nytt prosjekt og navigerer til mappen som inneholder IDEAL-utfasebildene i den påfølgende dialogboksen. Fortsett ved å klikke på NESTE | Konverter-knappen , og dermed få innpass i sekvensredigeringstilstanden.
- For å opprette en tom maske, klikk på Ny-knappen i MASK-dialogboksen på høyre side og velg maksimal terskel.
- Hvis du vil avgrense leverområdet i alle horisontale visninger, bruker du verktøyet Rediger masker under segmentetiketten .
- For å generere den 3D-romlige delen av leveren, velg levermasken som er avgrenset og klikk på Beregn del fra maske-knappen . Den ekstraherte 3D-regionen i leveren er vist i figur 3.
- Klikk på Fil | Eksport | velg Dicom-kommandoen . I popup-dialogboksen velger du levermasken, angir filbanen og filens navn, og klikker på OK knappen for å fullføre eksporten av 3D-regionen i leveren til de angitte DICOM-filene.
3. Kartsekvensen for leverstivhet
MERK: MRE-stivhetsområdet hos pasienter med tidlig fibrose er vanligvis under 8 kpa. For å se dette, bør sekvensbildet merket 'SE27_ST8K_(Pa)' velges.
- Endre katalogen til mappen 'SE27_ST8K_(Pa)', som inneholder kartsekvensen for leverstivhet.
- For å bla gjennom hvert stivhetskart, utfør MRE_show-funksjonen i Matlabs arbeidsområde, med funksjonens argument som filnavnet som ligger i den angitte banen.
- Leverstivhetskartet vist i figur 4 er et RGB-bilde i ekte farger, med en datastruktur på 512 piksler x 512 piksler med 3 matrise, der hvert pikselpunkt har tre verdier som representerer de tre primærfargene, RBG. Vær oppmerksom på fargelinjen til venstre som viser de tilsvarende stivhetsverdiene for bildepunkter i forskjellige farger. Beregn den nøyaktige stivheten til hver piksel ved å bruke deres respektive korrelasjoner.
- Den supplerende informasjonen i figur 4 inkluderer data som sekvensbeskrivelse, skanneposisjon, tid, pasientinformasjon og bildeparametere. Bruk disse dataene, spesielt bildeparametrene, til å etablere det romlige forholdet mellom MRE- og IDEAL-sekvenser.
4.3D-Volum av distribusjon av leverstivhet
MERK: Hver voxel i 3D-leverstivhetsvolumet representerer stivhetsverdien til en tilsvarende voxel i 3D-leverregionen, som er avledet fra stivhetsverdien til hver piksel i figur 4. Ved å justere 3D-leverregionen i figur 3 med stivhetskartet i figur 4, kan stivhetsverdien til hver voxel ekstraheres, noe som resulterer i generering av 3D-leverstivhetsvolumet.
- Påkall LSD_Slice funksjonen med 3D-leverregionen vist i figur 3 og leverstivhetskartet i figur 4 som inngangsparametere for å oppnå 3D-volumet av leverstivhetsfordeling, som vist i figur 5.
- Se stivhetskartet over hvert lag av leveren ved å dra rullefeltet under GUI-en vist i figur 5.
MERK: I motsetning til figur 4 er det imidlertid bare levervev som beholdes nøyaktig her. - Legg merke til ikonene øverst til høyre i GUI-en (figur 5), for eksempel zoome inn, zoome ut, gå tilbake til den globale visningen og markere koordinatene til den valgte pikselen.
MERK: Standard fargelinje er fargekartet til "jet", som betyr at de tilsvarende verdiene (enhet kpa) fra blå til rød er lav til høy. - Utfør LSD_Volume funksjonen med samme inngang som LSD_Slice for å oppnå den romlige fordelingen av 3D-leveren LSD, som vist i figur 6. Vis 3D-volumet til LSD fra et hvilket som helst perspektiv ved å holde nede venstre museknapp og dra skjermen (figur 6).
5. LSD kvantitativ analyse
MERK: Et viktig kvantitativt analysefokus i denne studien er å gi andelen av forskjellige stadier av LSD-voxels i pasientens lever. Figur 6 viser at fordelingen av leverfibrose hos pasienter er ujevn på ulike romlige steder. Årsaken til at kliniske symptomer ennå ikke er åpenbare, skyldes hovedsakelig at en betydelig andel av levervevet er i et normalt stadium. Derfor er det nødvendig å kvantifisere nøyaktig forskjellen mellom pasienter og friske individer. Dette er et viktig kvantitativt konsept i denne studien.
- Bestem de numeriske områdene av stivhetsverdier for forskjellige stadier av leverfibrose, som vist i figur 7.
- Beregn fordelingen av hele levervoxels i ulike fibrosestadier (figur 8) ved å påkalle Hepatic_Fibrosis funksjonen med inngangsparameteren til 3D-volumet av LSD vist i figur 6.
- Bruk de samme trinnene for å beregne og sammenligne resultatene av en helt frisk lever med den typiske leverfibrosepasienten beskrevet ovenfor (figur 9).
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Ved å bruke informasjonen i det Description_Name feltet i DICOM-filer, kan den opprinnelige MR-mappen få nytt navn for å lette rask lokalisering av den nødvendige bildesekvensen under analyseprosessen i bildegruppen. MR-IDEAL utfasesekvens er den typen MR-sekvens som brukes for å gi klarere beskrivelser av levervevsgrenser. Dette skyldes at MR-IDEAL out-of-fase-sekvensen bedre kan skille magnetiseringsstyrken og vinkelen til forskjellige vev gjennom spesifikke bildebehandlingsteknikker.
MR-IDEAL utfasesekvensen fungerer ved å bruke gradientekkosekvenser (GRE) for å generere bilder og utnytte utfasekontroll under bildeopptak. Dette reduserer magnetfeltets inhomogenitet mellom vev under avbildning, og forbedrer dermed oppløsningen og kontrasten til bilder for vevstrukturer. I tillegg kan MR-IDEAL utfasesekvensen også undertrykke fettsignalet, og dermed redusere fettinterferensen i avbildning og gi en bedre visning av tilstøtende vevstrukturer. Oppsummert kan MR-IDEAL utfasesekvensen forbedre bildeoppløsningen og kontrasten ved å bruke teknikker som magnetfeltkontroll og fettsignalundertrykkelse, noe som resulterer i klarere vevsgrenser.
Selv om dype læringsverktøy kan brukes til å trekke ut 3D-anatomisk struktur i leveren, har denne metoden en viss grad av maskinlæringsfeil. Fokus for denne studien er den nøyaktige kvantifiseringen av leverfibrose; Derfor ble MIMICS-verktøyet brukt til ekstraksjon av 3D-levervevsregionen, kombinert med eksperterfaring for å trekke ut en relativt nøyaktig 3D-region av levervev.
MRE-stivhetskartet kan vise skjærstivheten til forskjellige romlige posisjoner innenfor hver horisontal skanning i øvre del av magen. Denne studien fokuserte på de tidlige stadiene av leverfibrose; derfor var det numeriske området 0-8 kPa. Figur 4 er standardversjonen av MRE-leverstivhetskartet på GE-apparatet, som inkluderer stivhetskartet, men det er vanskelig å skille leverens anatomiske struktur. Kjerneinnovasjonen i denne studien er den nøyaktige kvantifiseringen oppnådd ved å justere MRE-leverstivhetskartet med leverens anatomiske struktur vist i figur 3.
Figur 5 gir et nøyaktig stivhetskart for leveren, noe som gjør det mulig for leger og pasienter å ha en nøyaktig forståelse av plasseringen og størrelsen på tidlige lesjoner i leverfibrose, i stedet for en vag forstand. Dette baner vei for videre numerisk kvantifiseringsanalyse.
Figur 6 er oppnådd ved å rekonstruere stivhetskartet over hvert leverskannet lag langs den horisontale aksen i 3D-rom; Figur 6 er 3D-versjonen av figur 5. I 3D-rom kan graden og plasseringen av pasientens leverfibrose identifiseres tydeligere.
Resultatene av å sammenligne, analysere og studere patologiske undersøkelsesresultater med MRE-stivhet finnes andre steder9. For ytterligere å kvantifisere den numeriske fordelingen av leverfibrosestadium hos pasienter, viser figur 7 spennvidden av stivhetsintervaller for ulike stadier brukt i denne studien basert på tidligere forskningsresultater.
I henhold til det numeriske området for stivhet for ulike stadier av leverfibrose som er avbildet i figur 7, er det mulig å beregne den spesifikke andelen 3D-voxels i leveren i forskjellige stadier for pasienten. Denne beregningen er basert på dataene fra 3D LSD som vist i figur 6. I figur 8 presenteres derfor de kvantitative resultatene av pasientens leverfibrose, som angir hvor stor andel av pasientens lever som faller inn under ulike stadier av leverfibrose.
Basert på resultatene vist i figur 8 ble dataene for en frisk lever beregnet som en sammenligning for å illustrere den kvantitative effekten av metoden undersøkt i denne studien, som vist i figur 9. Den nøyaktige kvantifiseringsforskjellen mellom de to kan visualiseres. Basert på dette forskningsparadigmet, i etterfølgende studier, vil denne gruppen gjennomføre videre undersøkelser av LSD av en sunn lever og den kvantitative klassifiseringen av tidlig stadium leverfibrose.
Figur 1 Beskrivelsesnavn på hver MR-sekvens. Her vises mappenavnene til MR-skanningssekvensene. Klikk her for å se en større versjon av denne figuren.
Figur 2: Det grafiske brukergrensesnittet for skivene i hver IDEAL-fasesekvens. Et eksempel på å bla gjennom MR-IDEAL. MR-IDEAL er et kraftig verktøy som forbedrer kvaliteten og tolkbarheten av MR-bilder, spesielt i tilfeller der fett- og vannseparasjon er kritisk. Klikk her for å se en større versjon av denne figuren.
Figur 3: Den ekstraherte 3D-regionen i leveren. Viser 3D-romlig utstrekning av leveren basert på strukturelle bilder av leveren. Klikk her for å se en større versjon av denne figuren.
Figur 4: Kart over leverstivhet. Standardversjonen av MRE-Liver Stiffness Map. Klikk her for å se en større versjon av denne figuren.
Figur 5: Skiver med leverstivhetsfordeling. Et nøyaktig stivhetskart som tilhører leveren. Klikk her for å se en større versjon av denne figuren.
Figur 6: 3D-volum av leverstivhetsfordeling. Dette er 3D-versjonen av figur 5. Klikk her for å se en større versjon av denne figuren.
Figur 7: Ulike stadier av leverfibrose. Liste over rekkevidden av stivhetsintervaller for ulike stadier brukt i denne studien basert på tidligere forskningsresultater. Klikk her for å se en større versjon av denne figuren.
Figur 8: Leverstivhetsfordeling i de ulike stadiene. Kvantitative resultater av pasientens leverfibrose indikerer andelen av pasientens lever som faller under forskjellige stadier av leverfibrose. Forkortelse: LSD = leverstivhetsfordeling. Klikk her for å se en større versjon av denne figuren.
Figur 9: Sammenligning av fordeling av leverstivhet. En detaljert kvantitativ sammenligning mellom en sunn lever og en pasient med leverfibrose i tidlig stadium. Forkortelse: LSD = leverstivhetsfordeling. Klikk her for å se en større versjon av denne figuren.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
I klinisk praksis er det utfordrende å nøyaktig kvantifisere og spore tilstanden til pasienter med leverfibrose i tidlig stadium. Sammenligningen vist i figur 9 gjenspeiler fullt ut graden av leverfibrose hos pasienten sammenlignet med en frisk lever; Selvfølgelig kan dette tallet også være en sammenligning mellom to forskjellige perioder for pasienten, brukt til evaluering av behandlingseffekt. Denne presise kvantifiseringsmetoden er det viktigste kritiske trinnet i denne studien. Videre kan beregningsmetoden for 3D-volumet av LSD vist i figur 5 og figur 6 nøyaktig lokalisere den romlige plasseringen og størrelsen på fibrotiske lesjoner i pasientens lever, noe som gir et solid kvantitativt grunnlag for nøyaktig diagnose av leverfibrose i tidlig stadium. Det kan også gi vitenskapelig støtte for nøyaktig guidet leverpunktering ved hjelp av den 3D-digitale modellen.
Denne studien foreslår begrepet 3D LSD og dens presise kvantifisering i forskjellige stadier av leverfibrose. Resultatene viser at denne metoden effektivt kan kvantitativt vurdere sykdomsprogresjonen hos pasienter med tidlig leverfibrose. Mulige ytterligere forbedringer og utvikling inkluderer forbedring av skannenøyaktigheten til MRE-skanninger, spesielt det horisontale skanneintervallet; forbedre bildebehandlingsnøyaktigheten av strukturelle bilder av levermagnetisk resonans; introdusere dyp læringsteknologi for å bistå i rask utvinning av leverens 3D-region; akkumulere flere LSD-data for friske lever for å etablere en grunnlinje for diagnostiske sammenligninger; og akkumulere flere pasientdata for hvert stadium av leverfibrose for å utvikle mer nøyaktige klassifikasjonsstandarder.
Selv om metoden som foreslås i denne studien kvantitativt kan stadium tidlig leverfibrose basert på 3D LSD, adresserer den ikke de underliggende mekanismene i sykdomsutviklingen2. Ulike utstyrs- og skannestrategier kan føre til inkonsekvente resultater. Å utvikle en mer standardisert og universell beregningsprotokoll er fortsatt utfordrende.
Sammenlignet med tradisjonelle invasive diagnostiske metoder for leverfibrose, har arbeidet som presenteres i denne artikkelen følgende fremtredende fordeler. For det første er både rutinemessig øvre abdominal MR og MRE ikke-invasive. For det andre kan 3D LSD nøyaktig karakterisere størrelsen og plasseringen av lesjoner i leverfibrose i 3D-rom. For det tredje kan de kvantitative resultatene gi klinikere en klar forståelse av andelen levervoxels på forskjellige stadier av leverfibrose. Endelig oppnådde denne studien nøyaktig justering av levervevsstruktur med MRE-stivhetskartet, slik at klinikere kan indeksere stivhetsverdier fra strukturelle bilder eller omvendt, for å indeksere den romlige plasseringen av levervev fra lesjoner i stivhetskartet. Denne tilnærmingen er svært verdifull for nøyaktig kvantifisering av tidlig leverfibrose.
MR-IDEAL-teknikken fungerer ved å ta MR-bilder ved flere ekkotider, noe som muliggjør separasjon av vann- og fettsignaler ved å utnytte deres forskjellige resonansfrekvenser. Denne separasjonen oppnås gjennom en iterativ dekomponeringsprosess som beregner de relative proporsjonene av vann og fett i hver piksel i bildet. De resulterende bildene kan gi klinikere verdifull informasjon om fordelingen og mengden kroppsfett, noe som kan være nyttig ved diagnostisering og overvåking av tilstander som fedme, diabetes og leversykdom.
Den kvantitative metoden foreslått i denne studien er ikke bare anvendelig for den kvantitative diagnosen tidlig leverfibrose, men også for diagnostisering av levercirrhose i mellom- og senstadium. Det kan også brukes som en grupperings- og screeningsteknikk for å utelukke pasienter med leverfibrose eller levercirrhose, samt et prognostisk verktøy for ulike typer levercirrhose. 3D LSD kan også brukes som navigasjonsverktøy for presis leverpunktering eller kirurgi.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Programvaren verktøyet for hepatisk fibrose kvantifisering oppført i materialfortegnelsen i denne studien, HepaticFibrosis V1.0, er et programvareverktøy fra Beijing Intelligent Entropy Science & Technology Co Ltd. De immaterielle rettighetene til dette programvareverktøyet tilhører selskapet.
Acknowledgments
Denne publikasjonen ble støttet av den femte nasjonale tradisjonell kinesisk medisin klinisk gode talenter forskningsprogram organisert av National Administration of tradisjonell kinesisk medisin. Den offisielle nettverkskoblingen er 'http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html. '
Materials
| Name | Company | Catalog Number | Comments |
| MATLAB | MathWorks | 2022B | Computing and visualization |
| Mimics | Materialise | Mimics Research V20 | Model format transformation |
| Tools for 3D_LSD | Intelligent Entropy | HepaticFibrosis V1.0 | Beijing Intelligent Entropy Science & Technology Co Ltd. Modeling for CT/MRI fusion |
References
- Henderson, N. C., Rieder, F., Wynn, T. A. Fibrosis: from mechanisms to medicines. Nature. 587 (7835), 555-566 (2020).
- Parola, M., Pinzani, M. Liver fibrosis: Pathophysiology, pathogenetic targets and clinical issues. Molecular Aspects of Medicine. 65, 37-55 (2019).
- Ramachandran, P., et al. Resolving the fibrotic niche of human liver cirrhosis at single-cell level. Nature. 575 (7783), 512-518 (2019).
- Stefan, N., Häring, H. -U., Cusi, K. Non-alcoholic fatty liver disease: causes, diagnosis, cardiometabolic consequences, and treatment strategies. The Lancet. Diabetes & Endocrinology. 7 (4), 313-324 (2019).
- Castera, L., Friedrich-Rust, M., Loomba, R. Noninvasive assessment of liver disease in patients with nonalcoholic fatty liver disease. Gastroenterology. 156 (5), 1264.e4-1281.e4 (2019).
- Godoy-Matos, A. F., Silva Júnior, W. S., Valerio, C. M. NAFLD as a continuum: from obesity to metabolic syndrome and diabetes. Diabetology & Metabolic Syndrome. 12 (1), 1-20 (2020).
- Venkatesh, S. K., Xu, S., Tai, D., Yu, H., Wee, A. Correlation of MR elastography with morphometric quantification of liver fibrosis (Fibro-C-Index) in chronic hepatitis B. Magnetic Resonance in Medicine. 72 (4), 1123-1129 (2014).
- Yin, M., et al. Assessment of hepatic fibrosis with magnetic resonance elastography. Clinical Gastroenterology and Hepatology. 5 (10), 1207-1213 (2007).
- Venkatesh, S. K., Wang, G., Lim, S. G., Wee, A. Magnetic resonance elastography for the detection and staging of liver fibrosis in chronic hepatitis B. European Radiology. 24, 70-78 (2014).
- Ichikawa, S., et al. Magnetic resonance elastography for staging liver fibrosis in chronic hepatitis C. Magnetic Resonance in Medical Sciences. 11 (4), 291-297 (2012).
- Chen, J., et al. Early detection of nonalcoholic steatohepatitis in patients with nonalcoholic fatty liver disease by using MR elastography. Radiology. 259 (3), 749-756 (2011).
- Singh, S., et al. Diagnostic performance of magnetic resonance elastography in staging liver fibrosis: a systematic review and meta-analysis of individual participant data. Clinical Gastroenterology and Hepatology. 13 (3), 440.e6-451.e6 (2015).
- Ferro, M., et al. Radiomics in prostate cancer: an up-to-date review. Therapeutic Advances in Urology. 14, 17562872221109020 (2022).
- Nam, D., Chapiro, J., Paradis, V., Seraphin, T. P., Kather, J. N. Artificial intelligence in liver diseases: Improving diagnostics, prognostics and response prediction. JHEP Reports. 4 (4), 100443 (2022).
- Wu, Y. -J., Wu, F. -Z., Yang, S. -C., Tang, E. -K., Liang, C. -H. Radiomics in early lung cancer diagnosis: from diagnosis to clinical decision support and education. Diagnostics. 12 (5), 1064 (2022).
