Summary
Deze studie introduceert een unieke 3D-kwantificeringsmethode voor de verdeling van levervetfractie (LFF) met behulp van Dixon Magnetic Resonance Imaging (Dixon MRI). LFF-kaarten, afgeleid van in-fase- en waterfasebeelden, zijn geïntegreerd met 3D-levercontouren om LFF-patronen te onderscheiden tussen normale en steatotische levers, waardoor een nauwkeurige beoordeling van het levervetgehalte mogelijk is.
Abstract
Deze studie presenteert een 3D-kwantificeringsmethodologie voor de verdeling van levervetfractie (LFF) door gebruik te maken van Dixon MRI-beeldanalyse. Het centrale doel is om een zeer nauwkeurige en niet-invasieve manier te bieden om het levervetgehalte te evalueren. Het proces omvat het verkrijgen van beelden in de in- en waterfase van een Dixon-sequentie. LFF-kaarten worden vervolgens voxel voor voxel nauwkeurig berekend door de lipidefasebeelden te delen door de infasebeelden. Tegelijkertijd worden 3D-levercontouren geëxtraheerd uit de In-phase beelden. Deze cruciale componenten zijn naadloos geïntegreerd om een uitgebreid 3D-LFF-distributiemodel te construeren. Deze techniek is niet beperkt tot gezonde levers, maar strekt zich uit tot leversteatose. De verkregen resultaten tonen de opmerkelijke effectiviteit van deze aanpak aan bij zowel het visualiseren als het kwantificeren van het levervetgehalte. Het onderscheidt duidelijk patronen die onderscheid maken tussen normale en steatotische levers. Door gebruik te maken van Dixon MRI om de 3D-structuur van de lever te extraheren, biedt deze methode nauwkeurige LFF-beoordelingen die het hele orgaan bestrijken, waardoor het veelbelovend is voor de diagnose van leversteatose met opmerkelijke effectiviteit.
Introduction
Niet-alcoholische leververvetting (NAFLD) omvat een spectrum van pathologische aandoeningen, variërend van de abnormale accumulatie van triglyceriden in levercellen (leversteatose) tot de ontwikkeling van ontsteking en schade aan levercellen, bekend als niet-alcoholische steatohepatitis (NASH). In sommige gevallen kan NAFLD zich ontwikkelen tot ernstigere stadia, waaronder fibrose, cirrose, leverziekte in het eindstadium of zelfs hepatocellulair carcinoom (HCC)1. Gepubliceerde gegevens van de Wereldgezondheidsorganisatie en de Global Burden of Disease suggereren dat wereldwijd ongeveer 1,235.7 miljoen mensen worden getroffen door NAFLD in alle leeftijdsgroepen2. NAFLD geldt momenteel als een van de meest prominente oorzaken van levergerelateerde ziekten wereldwijd en zal naar verwachting de komende decennia de belangrijkste oorzaak van leverziekte in het eindstadiumworden3.
De nauwkeurige beoordeling van de omvang van leversteatose is van groot belang voor een nauwkeurige diagnose, de juiste selectie van behandelingen en effectieve monitoring van ziekteprogressie. De gouden standaard voor het beoordelen van het levervetgehalte blijft leverbiopsie. Vanwege het invasieve karakter, de kans op pijn, bloedingen en andere postoperatieve complicaties is het echter geen praktische optie voor frequente vervolgonderzoeken 4,5,6. Bijgevolg is er een dringende behoefte aan niet-invasieve beeldvormingstechnieken die de afzetting van levervet betrouwbaar kunnen kwantificeren. Magnetic Resonance Imaging (MRI) is veelbelovend op dit gebied vanwege het ontbreken van ioniserende straling en het vermogen om het vetgehalte gevoelig te detecteren door middel van chemische verschuivingseffecten 7,8.
Recente studies hebben MRI-technieken geschetst voor het kwantificeren van levervet, gebaseerd op chemische verschuivingsgradiënt-echomethoden zoals Dixon-beeldvorming 9,10. Desalniettemin zijn de meeste van deze technieken gebaseerd op de analyse van tweedimensionale interessegebieden. De uitgebreide evaluatie van de driedimensionale verdeling van de levervetfractie (LFF) is beperkt gebleven. In de huidige studie wordt een unieke 3D LFF-kwantificeringsbenadering geïntroduceerd, waarbij Dixon MRI wordt gecombineerd met structurele beeldvorming van de lever. Het resulterende 3D LFF-model maakt een nauwkeurige visualisatie en meting van de verdeling van het vetgehalte over het gehele volume van de lever mogelijk. Deze techniek toont een aanzienlijk klinisch nut voor de nauwkeurige diagnose van leversteatose.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
De studie werd goedgekeurd en de patiënt werd gerekruteerd van de afdeling Infectieziekten van het Dongzhimen Hospital, Beijing University of Chinese Medicine, in Beijing, China. De patiënt onderging een routinematige Dixon MRI-scan van de buik na het geven van geïnformeerde toestemming. In dit onderzoek wordt een 3D-distributiemodelleringsbenadering gebruikt om de levervetfractie (LFF) te reconstrueren bij een standaardpatiënt met medisch gediagnosticeerde leversteatose. Bovendien biedt de studie een kwantitatieve beoordeling waarin de lever van de patiënt wordt vergeleken met een gezonde lever. De softwaretools die in dit onderzoek zijn gebruikt, staan vermeld in de Materiaaltabel.
1. Voorbereiding en gegevensverzameling
OPMERKING: De variantie in parameters blijft onaangetast door de onderzoeksaanpak. In dit onderzoek werden echte DICOM-gegevens verkregen uit klinische beeldvorming. De gegevens werden verkregen met behulp van een MRI-apparaat met een veldsterkte van 1,5 Tesla. De dataset bestaat uit vier verschillende fasen die zijn afgeleid van de Dixon-sequentie, met name In-phase, Out-of-phase, Water en Fat.
- Controleer de Dixon-sequentie voor de bovenbuik.
- Kopieer alle DICOM-gegevens naar een aangepaste werkmap.
OPMERKING: De werkmap is hetzelfde in zowel het besturingssysteem als MATLAB. - Ga naar de directory met de gegevens in de huidige werkdirectory van MATLAB (zoals weergegeven in figuur 1).
- Controleer of de DIXON-gegevens een horizontale resolutie van 520 pixels bij 704 pixels weergeven, met een pixelafstand van 0,5682 mm en een plakdikte van 5 mm.
- Kopieer alle DICOM-gegevens naar een aangepaste werkmap.
- Bekijk snel afbeeldingen van Dixon.
- Wijzig de map om toegang te krijgen tot mappen voor verschillende fasen, waaronder In-fase, Out-fase, Water en Vet-fase, elk opgeslagen in verschillende mappen voor Dixon-beeldvorming.
- Gebruik de Slice_View-functie om de afbeeldingen voor elke fase te visualiseren.
- Zie figuur 2 om een afbeelding te bekijken van de interactieve grafische gebruikersinterface (GUI) van de MRI-Dixon-sequentie. Gebruik de schuifbalk aan de onderkant van de GUI om efficiënt door de verschillende sequenties te navigeren.
- Gebruik de MRI-Dixon In-phase sequentie om beschrijvingen van leverweefselgrenzen te verbeteren.
OPMERKING: In afbeelding 2 vindt u pictogrammen in de rechterbovenhoek van de GUI. Deze pictogrammen bieden functies zoals uitzoomen, inzoomen, terugkeren naar de globale weergave en het markeren van de coördinaten van de geselecteerde pixel. Maak gebruik van de zoomfunctie om lokale laesiekenmerken nauwkeurig te onderzoeken. - Gebruik de functie Pixelcoördinaten markeren om de afstand tussen twee punten te berekenen, wat helpt bij het meten van knobbelgroottes.
- De eerste kleurenbalk maakt gebruik van de jet-kleurkaart, die een kleurverschuiving van blauw naar rood aangeeft, wat respectievelijk lage naar hoge waarden betekent. Om over te schakelen naar de standaard grijze kleurenkaart en de hele GUI opnieuw in te stellen, klikt u met de rechtermuisknop op de kleurenbalk en selecteert u de optie in het pop-upmenu.
- Als het standaard filtervenster niet geschikt is, past u het aan door met de linkermuisknop in het midden van de figuur omhoog en omlaag te slepen om het vensterniveau te wijzigen. Door naar links en rechts te slepen, wordt de breedte van het venster aangepast en wordt het precieze filterbereik weergegeven op de kleurenbalk.
OPMERKING: Latere operaties zullen gericht zijn op het gebruik van de DIXON In-phase-sequentie om het 3D-gebied van de lever weer te geven.
2. Het extraheren van het 3D-gebied van de lever
OPMERKING: Om de levervetfractie (LFF) te berekenen, fungeert elke voxel in het 3D-levergebied als een ruimtelijke drager, waarbij de vetfractiewaarde wordt verkregen uit MRI-Dixon-gegevens. Voordat LFF wordt berekend, is het cruciaal om het 3D-levergebied te extraheren. Hoewel deep learning-methoden dit efficiënter zouden kunnen bereiken, ligt de focus hier op het gebruik van volwassen softwaretools zoals MIMICS voor extractie van leverregio's.
- Open de MIMICS-software en kies Nieuw project. Zoek in het volgende dialoogvenster de map met de DIXON Out-phase-afbeeldingen. Ga verder door op VOLGENDE te klikken en druk vervolgens op Converteren om de sequentiebewerkingsmodus te openen.
- Genereer een leeg masker door op Nieuw te klikken in het dialoogvenster MASKER aan de rechterkant en kies voor de maximale drempel.
- Gebruik de tool Maskers bewerken onder het label "Segment" om het levergebied in alle horizontale weergaven af te bakenen.
- Maak een 3D ruimtelijke weergave van de lever door het eerder afgebeelde levermasker te kiezen en te klikken op Deel van masker berekenen. Het resulterende 3D-levergebied wordt gepresenteerd (zie figuur 3).
- Navigeer naar Bestand, selecteer vervolgens Exporteren en kies de optie DICOM . Selecteer in het pop-upvenster het levermasker, geef het bestandspad en de namen op en klik vervolgens op OK om het 3D-levergebied te exporteren naar de aangewezen DICOM-bestanden.
3. Vetfractiekaart genereren (FF-Map)
OPMERKING: De vetfractiekaart (FF-Map) heeft een waardebereik van 0-1. In deze studie wordt de FF van elke voxel berekend door de voxelwaarde van In-phase minus Water-only te delen door die van In-phase met behulp van Dixon MRI.
- Wijzig de map in de map met infase-images en selecteer de functie Volume_In om het infasevolume te genereren.
- Wijzig de map in de map met afbeeldingen met alleen water en selecteer de functie Volume_Water om het volume met alleen water te genereren.
- Selecteer de FF_Volume-functie met behulp van de twee volumes die in stap 3.1 en stap 3.2 zijn gegenereerd als invoer om het FF-volume van de abdominale MRI te verkrijgen, gevisualiseerd zoals weergegeven in figuur 4.
- De Fat Fraction (FF)-kaart die in figuur 4 wordt weergegeven, wordt weergegeven als een RGB-afbeelding met ware kleuren met een gegevensstructuur van 520 bij 704 bij 44 matrix. In deze weergave bestaat elke pixel uit drie waarden, die de rode, groene en blauwe kanalen vertegenwoordigen. Let op de kleurenbalk aan de linkerkant, die een visuele referentie biedt voor de vetfractiewaarden die zijn gekoppeld aan verschillende gekleurde pixels.
OPMERKING: De GUI die in afbeelding 4 wordt getoond, maakt het mogelijk om de lever van de patiënt nader te observeren via de zoomtool in de rechterbovenhoek en de exacte FF-waarden te verkrijgen met behulp van de tastertool. Door de schuifbalk aan de onderkant te verslepen, kunnen gebruikers de FF-kaarten van alle scanposities in het horizontale vlak bekijken.
4. 3D-volume van de verdeling van de levervetfractie
OPMERKING: Figuur 4 toont de LFF-kaart berekend op basis van de Dixon MRI-beelden van de bovenbuik. In combinatie met het 3D-levergebied in figuur 3 kan het 3D-LFF-volume van de gehele lever afzonderlijk worden berekend.
- Gebruik de LFF_Volume-functie en voorzie deze van het 3D-levergebied (zoals weergegeven in afbeelding 3) en de leverstijfheidskaart (weergegeven in afbeelding 4) als invoerparameters. Dit zal resulteren in het creëren van de 3D-volumeweergave van de levervetfractie, zoals geïllustreerd in figuur 5.
- Om de stijfheidskaart voor elke leverlaag te bekijken, gebruikt u gewoon de schuifbalk onder de GUI die wordt weergegeven in afbeelding 5.
OPMERKING: In deze weergave wordt alleen leverweefsel nauwkeurig weergegeven. - Let op de pictogrammen in de rechterbovenhoek van de GUI (zoals weergegeven in afbeelding 5). Deze pictogrammen bieden functionaliteiten voor uitzoomen, inzoomen, terugkeren naar de globale weergave en het markeren van de coördinaten van de geselecteerde pixel.
OPMERKING: De standaard kleurenbalk maakt gebruik van de "jet"-kleurenkaart, waarbij kleuren overgaan van blauw naar rood om verschillende waarden (gemeten in eenheden van kPa) van laag naar hoog weer te geven. - Voer de LFF_Distribution-functie uit met behulp van de identieke invoerparameters als "LFF_Volume" om de ruimtelijke verdeling van de 3D-levervetfractie (3D-LFF) te produceren, zoals weergegeven in afbeelding 6.
5. 3D-LFF kwantitatieve analyse
OPMERKING: Normale levervoxels: LFF < 5%; Milde leververvetting: 5%-10%; Matige leververvetting: 10%-20%; Ernstige leververvetting: LFF ≥ 20%11,12,13,14,15. Een belangrijk kwantitatief aandachtspunt van deze studie is het bepalen van het aandeel voxels in verschillende LFF-stadia in de lever van de patiënt. Figuur 6 toont de ongelijke ruimtelijke verdeling van de levervetfractie bij de patiënt. Het ontbreken van duidelijke klinische symptomen wordt voornamelijk toegeschreven aan een aanzienlijk deel van het normale leverweefsel. Daarom is een nauwkeurige kwantificering van verschillen tussen patiënten en gezonde personen absoluut noodzakelijk. Dit vertegenwoordigt hierin een essentieel kwantitatief concept.
- Bereken de 3D-LFF-verdeling voor een gezonde lever door stap 1-4 te herhalen.
OPMERKING: De ingebouwde MATLAB-staaffunctie maakt het mogelijk om de 3D-LFF-verdelingen voor gezonde en vette levers te vergelijken (Afbeelding 7).
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Dit onderzoek maakt gebruik van werkelijke patiëntdatasets die zijn verkregen met behulp van een in de handel verkrijgbare MRI-scanner om de 3D-methode voor het kwantificeren van levervetfracties te valideren (Figuur 1). Het MRI-protocol omvatte Dixon's vierfasige beeldvorming 9,10: In-fase, Out-of-phase, Water-only en Fat-only (Figuur 2). De vetfractie (FF) van elke voxel wordt berekend door het in-fase minus water-only voxelsignaal te delen door het in-fase voxelsignaal met behulp van Dixon MRI. Dit numerieke model maakt een nauwkeurige berekening van het vetpercentage in elke voxel mogelijk.
Hoewel deep learning-methoden de 3D-leveranatomie kunnen extraheren, hebben ze inherente algoritmische fouten. Om een nauwkeurige kwantificering te garanderen, werden geavanceerde softwaretools zoals MIMICS gebruikt om een nauwkeurige 3D-levercontour te extraheren in combinatie met deskundige begeleiding (Figuur 3).
Door de 3D-levercontour samen te voegen met de 2D FF-kaart in figuur 4 ontstaat een geïntegreerd 3D-FF-distributiemodel in figuur 5. Dit overwint de beperking van 2D FF-kaarten en biedt visualisatie van vetafzetting in het gehele levervolume. Artsen kunnen nu nauwkeurig het vetgehalte in de 3D-leverruimte lokaliseren in plaats van een vage indruk.
Zoals figuur 6 laat zien, onthult de 3D-FF-verdeling vetfractiewaarden op verschillende leverposities. Door dit te vergelijken met standaard FF-drempels, kan het percentage voxels dat in verschillende stadia van leversteatose valt, worden gekwantificeerd. Dit maakt een nauwkeurige meting van het aandeel lever bij verschillende steatoseniveaus mogelijk.
Vergelijking tussen een normale en leververvetting (Figuur 7) valideert het vermogen van de techniek om verschillende 3D-LFF-distributiepatronen te onderscheiden. De voorgestelde workflow toont klinische waarde aan in de 3D-visualisatie, kwantificering en diagnose van leversteatose op basis van de Dixon MRI-gegevens van de patiënt.
Figuur 1: MRI-Dixon sequentie mappen. Een lijst met mapnamen die overeenkomen met de Dixon MRI-scansequenties die in het onderzoek zijn gebruikt. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 2: Dixon MRI slice browser. Grafische gebruikersinterface (GUI) met segmenten van elke fasesequentie van Dixon MRI. Dixon MRI is waardevol voor het verbeteren van de beeldkwaliteit en interpreteerbaarheid, vooral wanneer nauwkeurige vet- en waterscheiding essentieel is. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 3: 3D-extractie van het levergebied. Visualisatie van de driedimensionale ruimtelijke omvang van de lever op basis van In-Phase beelden verkregen tijdens de MRI-scan. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 4: Kaart van de levervetfractie. Een visuele weergave van de levervetfractie (LFF) in elke voxel, met behulp van verschillende kleuren om variaties in vetgehalte aan te geven. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 5: Plakjes levervetfractie. Plakjes met hoge resolutie die de levervetfractiekaart weergeven, die een gedetailleerd beeld geven van de LFF-verdeling over de hele lever. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 6: 3D-LFF-verdeling van de hele lever. Een figuur die de numerieke kansverdeling van de levervetfractie (LFF) over de gehele lever weergeeft, gepresenteerd in een driedimensionaal formaat. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 7: Vergelijking van de 3D-LFF-verdeling. Vergelijking van de 3D-LFF-verdeling tussen een gezonde lever en een typische leververvetting, waarbij verschillen in vetgehalte en -verdeling worden benadrukt. Klik hier om een grotere versie van deze figuur te bekijken.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Dit onderzoek presenteert een innovatieve 3D-kwantificeringstechniek voor het analyseren van de verdeling van levervetfractie (LFF) met behulp van Dixon MRI 9,10. Door LFF-kaarten, die worden gegenereerd op basis van in-fase- en waterfasebeelden, te integreren met 3D-levercontouren, maakt deze methode onderscheid tussen LFF-patronen in normale en steatotische levers6. Bijgevolg vergemakkelijkt het een nauwkeurige evaluatie van het levervetgehalte.
Stap 3 vertegenwoordigt een essentiële fase in het berekenen van de FF-kaart om het vetgehalte in elke voxel te kwantificeren. Stap 4 integreert de FF-gegevens met de 3D-levercontour om een geïntegreerd 3D-LFF-distributiemodel te construeren. Stap 5 valideert de werkzaamheid van de 3D-LFF-benadering voor nauwkeurige kwantificering van leversteatose13.
Wat toekomstige aanpassingen betreft, zou machine vision de efficiëntie van 3D-leversegmentatie kunnen verbeteren. Het samenstellen van een atlas van 3D-LFF-distributies voor gezonde levers en verschillende steatosegraden zou de klinische diagnose en typering kunnen vergemakkelijken.
Een beperking is dat hoewel de methode vroege steatose kwantitatief kan stadiëren, het niet de mechanismen opheldert die ten grondslag liggen aan ziekteprogressie. Variaties in apparatuur en protocollen kunnen leiden tot inconsistente resultaten. Het standaardiseren van de computationele workflow blijft een voortdurende uitdaging.
Deze techniek introduceert en implementeert het concept van 3D-LFF-distributie, waardoor clinici uitgebreide inzichten krijgen in vetafzettingspatronen en de ernst van de ziekte in het hele leverorgaan. Dit is van groot belang voor nauwkeurige diagnose, behandelingsbeslissingen en monitoring van de therapeutische werkzaamheid. De aanpak is ook van belang voor gezondheidsscreening en preventie bij de algemene bevolking.
De methode vertoont een enorm potentieel in meerdere onderzoeksdomeinen, waaronder: (1) grootschalige validatie van de techniek in heterogene cohorten; (2) onderzoek naar 3D-LFF-variaties tussen verschillende steatose-etiologieën; (3) correlatie van 3D-LFF-distributie met klinische parameters en risicofactoren; (4) het toepassen van 3D-LFF-patronen om diagnostische, prognostische en behandelingsresponsmodellen te bouwen; (5) het vergelijken van 3D-kwantificering met tweedimensionale beeldvormingsbeoordelingen. Er bestaan tal van onderzoeksmogelijkheden om deze methodologie te vertalen naar klinische bruikbaarheid.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
De softwaretool voor het kwantificeren van leversteatose, vermeld in de materiaaltabel van deze studie als HepaticSteatosis V1.0, is een product van Beijing Intelligent Entropy Science & Technology Co., Ltd. De intellectuele eigendomsrechten van deze softwaretool behoren toe aan het bedrijf.
Acknowledgments
Deze publicatie kreeg steun van het vijfde nationale programma voor de identificatie van uitmuntende klinische talenten in de traditionele Chinese geneeskunde, georganiseerd door de National Administration of Traditional Chinese Medicine. De officiële netwerklink is'http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html.
Materials
| Name | Company | Catalog Number | Comments |
| MATLAB | MathWorks | 2022B | Computing and visualization |
| Mimics | Materialise | Mimics Research V20 | Model format transformation |
| Tools for 3D_LFF | Intelligent Entropy | HepaticSteatosis V1.0 | Beijing Intelligent Entropy Science & Technology Co Ltd. Modeling for CT/MRI fusion |
References
- Pouwels, S., et al. Non-alcoholic fatty liver disease (NAFLD): a review of pathophysiology, clinical management and effects of weight loss. BMC Endocr Disord. 22 (1), 63 (2022).
- Younossi, Z. M., et al. The global burden of liver disease. Clin Gastroenterol Hepatol. 21 (8), 1978-1991 (2023).
- Younossi, Z., et al. Global burden of NAFLD and NASH. Trends, predictions, risk factors and prevention. Nat Rev Gastroenterol Hepatol. 15 (1), 11-20 (2018).
- Boyum, J. H., et al. Incidence and risk factors for adverse events related to image-guided liver biopsy. Mayo Clin Proc. 91 (3), 329-335 (2016).
- Khalifa, A., Rockey, D. C. The utility of liver biopsy in 2020. Curr Opin Gastroenterol. 36 (3), 184-191 (2020).
- Sumida, Y., Nakajima, A., Itoh, Y. Limitations of liver biopsy and non-invasive diagnostic tests for the diagnosis of nonalcoholic fatty liver disease/nonalcoholic steatohepatitis. World J Gastroenterol. 20 (2), 475-485 (2014).
- Ajmera, V., Loomba, R. Imaging biomarkers of NAFLD, NASH, and fibrosis. Mol Metab. 50, 101167 (2021).
- Castera, L., Friedrich-Rust, M., Loomba, R. Noninvasive assessment of liver disease in patients with nonalcoholic fatty liver disease. Gastroenterology. 156 (5), 1264-1281 (2019).
- Jiang, Y., et al. Application of multi-echo Dixon and MRS in quantifying hepatic fat content and staging liver fibrosis. Sci Rep. 13 (1), 12555 (2023).
- Yang, Y., et al. The accuracy and clinical relevance of the multi-echo dixon technique for evaluating changes to hepatic steatosis in patients with non-alcoholic fatty liver disease treated with formulated food. Magn Reson Med Sci. 22 (2), 263-271 (2023).
- Peng, H., et al. Fat-water separation based on Transition REgion Extraction (TREE). Magn Reason Med. 82 (1), 436-448 (2019).
- Hines, C. D. G., et al. T(1) independent, T(2)(*) corrected chemical shift based fat-water separation with multi-peak fat spectral modeling is an accurate and precise measure of hepatic steatosis. Magn Reason Imaging. 33 (1), 873-881 (2011).
- Tang, A., et al. Nonalcoholic fatty liver disease: MR imaging of liver proton density fat fraction to assess hepatic steatosis. Radiology. 267 (2), 422-431 (2013).
- Caussy, C., Reeder, S. B., Sirlin, C. B., Loomba, R. Noninvasive, quantitative assessment of liver fat by MRI-PDFF as an endpoint in NASH Trials. Hepatology. 68 (2), 763-772 (2018).
- Reeder, S. B., Cruite, I., Hamilton, G., Sirlin, C. B. Quantitative assessment of liver fat with magnetic resonance imaging and spectroscopy. Magn Reson Imaging. 34 (4), 729-749 (2011).
