细分和线性测量使用计算断层扫描和/或磁共振成像图像量化骨骼肌肉质量和脂肪组织。在这里,我们概述了使用切片-O-Matic软件和霍罗斯图像查看器快速和准确的身体组成分析。这些方法可以为预测和风险分层提供重要信息。
身体组成与各种疾病进展和治疗并发症的风险有关。因此,计算断层扫描 (CT) 和/或磁共振成像 (MRI) 上骨骼肌质量和脂肪组织的量化可能为手术风险评估和疾病预后提供信息。本文描述了最初由穆尔扎基斯等人和阿夫鲁廷等人描述的两种量化方法:组织分割和骨骼肌肉的线性测量。患者在第三个腰椎中点的横截面图像用于两种测量。对于分割,图像被导入切片-O-Matic和彩色骨骼肌肉,肌肉脂肪组织,内脏脂肪组织和皮下脂肪组织。然后,使用标记表面积函数计算每个组织类型的表面积。对于线性测量,测量第三腰椎水平的双面肌和副脊椎肌肉的高度和宽度,并使用这四个值进行计算,得出估计的骨骼肌肉质量。细分分析提供了有关患者身体成分的定量、全面的信息,然后可以与疾病进展相关。但是,这个过程更耗时,需要专门培训。线性测量是一种高效且适合临床的快速术前评估工具。但是,线性测量不提供脂肪组织组成的信息。尽管如此,这些方法在各种疾病中具有广泛的应用,可以预测手术结果、疾病进展的风险并为患者提供治疗方案。
目前,对肉瘤和身体组成评估具有极大的临床意义。虽然肉瘤的具体定义因背景和背景而异,但所有定义都包括骨骼肌肉质量或肌肉力量的重大损失,这些都与1、2、3密切相关。身体组成分析结合了骨骼肌肉质量和脂肪组织分布的测量,提供了更全面的信息,患者的一般健康1,3,4。同样,分布不成比例的脂肪组织,特别是内脏脂肪组织,被发现与各种疾病有关,包括心脏病、II型糖尿病和癌症5。
临床上,通过线性测量,肉瘤及其通过线性测量的评估反复证明是手术、放疗和化疗1、2、4、6、7、8后癌症特异性存活的有力预后因素。特别是,先前的研究表明,结肠癌患者的癌症特异性存活率和整体存活率都有所下降。因此,准确快速的临床评估肉瘤进展是决定治疗选择的重要。传统的全身组成分析需要使用成像技术进行三维 (3D) 级分析,包括计算断层扫描 (CT)、磁共振成像 (MRI)、骨密度计量 (DEXA) 和生物电阻抗分析 (BIA),这些技术耗时、成本高昂,需要广泛的培训5、11。另一个缺点是缺乏关于脂肪分布的信息,特别是空气位移全智能(ADP)和DEXA12。因此,使用传统的横截面成像方式(如CT或MRI)评估和确定肉瘤和身体组成,作为护理标准临床实践的一部分,具有巨大的临床价值。
临床研究环境中常用的分割软件是 TomoVision 开发的切片-O-Matic 程序。该计划使用Mourtzakis等人的13 个分割程序,允许研究人员或临床医生半自动标记各种组织类型,如骨骼肌(SM)、肌肉内脂肪组织(IMAT)、内脏脂肪组织(VAT)和皮下脂肪组织(SAT),使用基于密度的阈值,允许测量每个组织的整体横截面区域。然后,这些测量用于估计全身骨骼肌肉质量和消化,通常在正常化后由患者的高度平方,以识别肉毒瘤和肉骨肥胖症的基于人群的阈值。
Avrutin等人最近开发的一种方法,使用线性测量骨骼肌肉开发已经表明,在估计总肌肉质量的潜力同样可靠,使用MRI和CT图像的L3横截面14,15。psoas 和准脊椎肌肉群构成 L3 区域的大部分肌肉表面积,具有较高的功能,表明它们可能是整体肌肉力量的高保真预测器,因此是线性测量14、15的主要候选者。为了计算肌肉表面积,使用尺子工具绘制 90° 相交的直线,可获得对 psoas 和准脊肌群的水平和垂直测量。每个肌肉群的水平和垂直测量成倍增加,以估计每个肌肉群的表面积,然后用于计算按患者身高除以的线性肌肉指数。通过最少的训练,整个过程可能需要不到 1 分钟的时间。
鉴于身体成分测量对患者护理的潜在影响,迫切需要创建无障碍培训材料。在本文中,我们详细描述了Avrutin等人14 和Mourtzakis等人为提供者和临床研究人员分别开发的两种方法,以 量化骨骼肌肉质量和身体组成。
psoas肌肉,副脊椎肌肉群和斜肌与整体肌肉质量5紧密相关。特别是,在第三个腰椎(L3)中点这些肌肉群的CT或MRI横截面的表面积与整体肌肉质量高度相关,使这个图像成为研究人员或临床医生在评估sarcopenia1,2,13时使用的理想区域。细分和线性测量在评估身体组成和识别不良预后条件,如16,17患者的肉瘤和肉骨肥胖方面已显示出极大的价值。研究表明,肌肉质量测量与生存和重大并发症的风险后,主要手术或治疗计划,如化疗和化疗毒性16,17,18。因此,我们认为,在就治疗方案向患者提供咨询之前,临床医生拥有身体组成数据可能是有益的。
目前,有几种方法来评估身体组成。几种方法,如密度计12和空气位移全智能(ADP)19,分别利用空气重量和位移来估计身体脂肪和身体密度的百分比。虽然这些方法是有用的,他们无法确定脂肪组织分布5,19。其他身体组成分析技术,如BIA,基于脂肪质量和无脂肪质量12的不同电特性进行分析。然而,这项技术再次未能充分评估脂肪分布,它也需要更多的信息,如种族,年龄和性别,以更准确的测量19。相反,像DEXA这样的评估在身体组成评估中被证明是有用的,但有一种倾向,即高估肌肉质量,增加消化不良12。一些协议还使用兴趣区域 (ROI) 方法在 DICOM 查看软件中获取肌肉质量和脂肪组织数据,该数据已证明与 BIA 身体组成分析有良好的相关性,用于沙眼评估和营养评估20,21。
Mourtzakis等人开发的分割程序比替代身体组成评估有优势,因为它可以在大多数CT或MRI图像上完成,并准确地确定脂肪组织分布和肌肉面积13。此外,轴向L3分割具有准确性的优势,无论患者肥胖状态13。与上述替代品类似,Avrutin等人开发的线性测量技术没有能力 评估脂肪分布。最近,研究人员已经证明在身体分割不同,特别是在测量psoas肌肉的方法单独22。单单Psoas肌肉质量并不十分代表腰肌数量或系统性肌肉的浪费,可能与临床结果22没有高度相关。这个问题可能更关心线性测量,因为psoas肌肉是评估中的主要肌肉群。然而,我们概述的技术包括双边psoas和准脊肌估计,以衡量一个更准确,同时仍然快速和方便的评估横截面肌肉质量。今后需要进行研究,以验证 CT/MRI 线性测量和分割方法之间的相关性及其与临床结果的相关性。
L3分割和线性测量程序最初都旨在快速准确地评估全身肌肉含量。仅通过在 L3 椎骨上分割,该协议节省了时间,同时仍然为研究人员或临床医生提供足够的信息,以确定患者的瘦肌肉质量和消化状态。但是,尽管 L3 分割所需的时间远少于全身分割,但使用 Slice-O-Matic 软件仍可能非常耗时且成本高昂。相反,线性测量有可能在评估14,15危重病人的肌肉状况和肉瘤的L3分割一样准确。我们已经在T3肾细胞癌群中证明了这种关系,通过线性测量测量的骨骼肌肉与分段测量的价值密切相关(图6)。重要的是,该方法非常快,成像软件是免费的。然而,线性测量程序最显著的限制是缺乏评估脂肪组织含量的能力,这限制了临床医生对肌肉含量的一般评估是否足够。
细分和线性测量过程有三个关键步骤。首先,临床医生和研究人员应识别L3椎骨的中间,以实现一致性。L3椎骨的中间将是横向过程骨髓最突出的切片。轴向 L3 椎骨切片更容易通过交叉链接的下垂或日冕视图进行识别。研究人员或临床医生可以首先找到L1椎骨或囊作为参考点,请记住,六个腰椎而不是五个脊椎的存在是一个正常的变种。下一个关键步骤是识别肌肉。在线性测量中,在进行垂直和水平测量时不应包括四重奏隆隆声。第三,研究人员在分割协议中标记增值税时也应密切关注,因为结肠含量有时可能被标记为内脏脂肪组织23。当出现这样的错误时,研究人员应该先清除这些区域,然后再进入下一步。
细分中的常见问题是 CT 或 MRI 图像质量差(请参阅 代表结果 示例)。在某些情况下,质量差不会使图像变得毫无用处,但在其他情况下,图像可能需要排除在分析之外。单个图像分割的另一个可能不可避免的限制包括实体器官位置从图像到图像的随机变化。
L3 细分分析和线性测量分析的其他常见问题通常与评分间和内部变异有关。与大多数协议一样,观察员与单个个体的单独审判之间可以预期有一定程度的差异。为了解释和尽量减少与多人进行分析的评分间变化,研究人员或临床医生团队可以测试来自同一图像的表面积测量和平均 HU 的任何统计显著变化。特别注意 HU 变异,因为这将表明具有非常相似的相同图像表面积的研究人员或临床医生是否确实标记了大致相同的组织。为了测试个体的显著评分内变化,研究人员或临床医生可以拍摄一小部分图像,并分割每个图像,直到每个图像的所有复制品都在一个狭窄的统计学上微不足道的范围内。
我们承认此处提出的两个协议在身体组成分析方面都有局限性,因为只使用一片。正如沈等人所言,3D分析可以为腹内脂肪提供更准确的信息,而24岁的男性和女性的增值税单切分析水平不同。然而,这里讨论的协议仍然很有价值,因为它们提供了肌肉和脂肪组织的快速评估,可用于在诊所的肉瘤筛查。
此外,还有许多使用3D机器学习算法的自动身体组成分析协议,特别是基于神经网的分类算法25。我们承认,这些可能是传统 2D 细分的潜在未来替代方案。但是,这些方法需要在临床和研究环境中开发、测试和实施大量 CT 和 MRI 图像数据集。此外,这些方法通常需要 2D 细分分析才能建立基线参考,从而验证机器学习算法。因此,当没有大数据集或 3D 图像时,此处显示的协议可能很有用,并且这些协议可用于在适用时帮助开发和验证机器学习算法。因此,我们相信临床医生和研究人员可以从这一培训视频中受益,并在提供自动分析之前采用这些快速可靠的方法作为初步筛选,以便于实施这一先进技术。
快速分析脂肪组织分布和骨骼肌质量的能力具有广泛的临床兴趣,从癌症治疗和研究到心脏病5。与其他常用的方法相比,穆尔扎基斯等人。片O-Matic中的L3分割过程可以准确快速地评估脂肪组织分布,确定肉毒症状态5、12、13、19。此外,在骨骼肌肉质量信息充足的情况下,L3线性测量程序是一个可靠和非常快速的工具,以帮助预测癌症治疗的成功,如手术,放疗,化疗1,2,4,6,7,8。本培训视频和手稿的目的是明确划定细分和线性测量协议,供将来使用,以便临床医生能够更容易地评估诊所环境中的身体组成。
The authors have nothing to disclose.
作者要感谢约翰·罗宾逊和丘吉尔家族基金会的支持。
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. |