Summary

슬라이스-오-매틱 및 호로스를 사용하여 신체 조성 분석을 위한 세분화 및 선형 측정

Published: March 21, 2021
doi:

Summary

세분화 및 선형 측정은 계산된 단층 촬영 및/또는 자기 공명 이미징 이미지를 사용하여 골격 근육 질량 및 조직을 정량화합니다. 여기에서는 슬라이스-O-Matic 소프트웨어와 호로스 이미지 뷰어를 사용하여 신체 구성을 신속하고 정확하게 분석할 수 있습니다. 이러한 방법은 예후 및 위험 계층화에 중요한 정보를 제공할 수 있습니다.

Abstract

신체 구성은 다양한 조건에서 질병 진행 및 치료 합병증의 위험과 관련이 있습니다. 따라서, 스켈레탈 근육 질량의 정량화는 컴퓨터 단층 촬영에 대한 질량 및 조직 조직 (CT) 및 /또는 자기 공명 화상 진찰 (MRI) 수술 위험 평가 및 질병 예후를 알릴 수 있습니다. 이 문서는 원래 Mourtzakis 외와 Avrutin 외에 의해 설명 된 두 개의 정량화 방법을 설명합니다: 조직 세분화 및 골격 근육의 선형 측정. 제3요추 척추의 중간점에서 환자의 단면 이미지는 두 측정모두에 대해 수득되었다. 세분화를 위해, 심상은 슬라이스-O-Matic로 수입되고 골격 근, 근육 내 지방 조직, 내장 지방 조직 및 피하 지방 조직에 색을 지정했습니다. 이어서, 각 조직 유형의 표면영역은 태그 표면적 기능을 사용하여 계산되었다. 선형 측정을 위해, 제 3 요추 척추의 수준에서 양측 척추와 기생충 근육의 높이와 폭을 측정하고 이 네 값을 사용하여 계산은 추정 골격 근육 질량을 산출한다. 세분화 분석은 환자의 신체 구성에 대한 정량적, 포괄적 인 정보를 제공하며, 이는 질병 진행과 상관 관계가 될 수 있습니다. 그러나 이 과정은 시간이 많이 걸리며 전문적인 교육이 필요합니다. 선형 측정은 수술 전 평가를 위한 효율적이고 클리닉 친화적인 도구입니다. 그러나 선형 측정은 지방 조직 조성에 대한 정보를 제공하지 않습니다. 그럼에도 불구 하 고, 이러한 방법은 외과 결과 예측 하는 다양 한 질병에 광범위 한 응용 프로그램, 질병 진행의 위험 및 환자에 대 한 치료 옵션을 알릴.

Introduction

sarcopenia 및 신체 구성의 평가는 현재 큰 임상 관심. sarcopenia의 특정 정의는 설정 및 상황에 따라 다르지만, 모든 정의에는 골격 근육 질량 또는 근육 강도의 상당한 손실이 포함되며, 이는 밀접하게 상관 관계가 있는1,2,3. 신체 조성 분석은 골격 근 질량 및 지방 조직 분포의 측정을 통합하여 환자의 일반적인 적합성에 대한 보다 포괄적 인 정보를 제공합니다1,3,4. 유사하게, 불균형적으로 분포된 지방 조직, 특히 내장 지방 조직, 심장 질환, 타입 II 당뇨병 및 암5를포함한 다양한 질병과 관련이 있는 것으로 밝혀졌다.

임상적으로, sarcopenia 및 선형 측정에 의한 평가는 반복적으로 수술, 방사선 요법 및 화학요법1,2,4,6,7,8에따라 악성 및 종양학 결과에 걸쳐 암 특정 생존을 위한 강한 예후 인자로 나타났습니다. 특히, 이전 연구는 사르코니아 환자가 암 특이적 생존과 전반적인생존1,2,9,10을감소시킨 것으로 나타났습니다. 따라서, sarcopenia 진행의 정확하고 신속한 임상 평가는 처리 선거를 결정하는 데 중요합니다. 종래의 전신 조성 프로파일링은 컴퓨팅 단층 촬영(CT), 자기 공명 영상(MRI), 뼈 밀집(DEXA), 바이오전기 임피던스 분석(BIA) 등 이미징 기술을 사용하여 3차원(3D) 수준에서 분석이 필요하며, 이는 시간이 많이 소요되고 비용이 많이 들며 광범위한훈련5,11이필요하다. 또 다른 단점은 특히 공기 변위 plethysmography (ADP) 및 DEXA12에대한 지방 분포에 대한 정보의 부족이다. 따라서, 표준 치료 임상 사례의 일환으로 사용되는 CT 또는 MRI와 같은 종래의 단면 이미징 양식의 사용을 이용한 sarcopenia 및 신체 조성물의 평가 및 판정은 큰 임상 적 가치를 갖는다5.

임상 연구 환경에서 일반적으로 사용되는 세분화 소프트웨어 중 하나는 TomoVision에서 개발한 슬라이스-오-매틱 프로그램입니다. Mourtzakis외. 13 세분화 절차를 사용하여, 프로그램은 연구원 또는 임상의가 골격 근육 (SM), 근육 지방 조직 (IMAT), 내장 지방 조직 (VAT), 및 밀도 기반 임계 값을 사용하여 피하 지방 조직 (SAT)과 같은 다양한 조직 유형을 반 자동으로 태그 할 수 있습니다, 전체 조직의 단면의 측정을 허용. 이러한 측정은 인구의 기반 임계값에 의해 sarcopenia 및 sarcopenic 비만을 확인하기 위하여, 환자의 고도 제곱에 의해 정규화 후에, 수시로 총 바디 골격 근육 질량 및 adiposity를 추정하기 위하여 이용됩니다.

최근 개발된 방법 Avrutin외. 14골격근육의 선형 측정을 사용하여 개발된 L3 단면14,15의MRI 및 CT 영상을 사용하여 총 근육 량을 추정하는 데 동등하게 신뢰할 수 있는 잠재력을 보이고있다. 측두와 파라척추 근육 그룹은 L3 영역의 근육 표면적의 대부분을 포함하고 높은 기능을 가지고, 그들은 전체 근육 강도의 높은 충실도 예측 될 수 있음을 시사, 따라서 선형 측정의 주요 후보14,15. 근육 표면적을 계산하기 위해, 당구및 파라척추 근육 그룹의 수평 및 수직 측정은 직선교차 90 ° 그리는 통치자 도구를 사용하여 얻어진다. 각 근육 그룹의 수평 및 수직 측정은 각 근육 그룹의 표면적을 추정하기 위해 곱되며, 이는 환자의 높이로 나눌 때 선형 근육 지수를 계산하는 데 사용됩니다. 최소한의 교육을 통해 이 전체 프로세스는 1분 미만이 걸릴 수 있습니다.

환자 치료에 대한 신체 구성 측정의 잠재적 인 의미를 감안할 때 접근 가능한 교육 재료를 만들어야하는 긴급한 필요성이 있습니다. 본 기사에서는 아브루틴 외14 및 Mourtzakis외. 13에 의해 개발된 두 가지 방법에 대한 자세한 설명을 제공하여 골격 근 질량 및 신체 구성을 각각 정량화하여 공급자 및 임상 연구자를 위해 합니다.

Protocol

다음 연구 및 프로토콜검토 및 에모리 대학의 기관 검토 위원회에 의해 승인되었다. 1. L3 CT 세분화 의학 (DICOM) 이미지에서 축 CT 디지털 이미징 및 통신을 가져옵니다. 이미지 뷰어에서 L3 척추를 식별합니다. 가능하면 두 개의 가로 창 뷰를 선택하고 왼쪽의 관상 또는 좌활보기를 선택하여 참조하고 오른쪽의 축 보기를 선택합니다. 왼쪽 및 오른쪽 창을 연결하려면 교차 링크를 클릭합니다. 두개골에서 caudal 방향으로 이미지를 아래로 스크롤합니다. 갈비뼈 부착없이 첫 번째 척추인 L1 척추를 식별합니다. L1에서 L3까지 계산하고 관상 또는 처진 뷰를 사용하여 L3 의 중간 조각을 식별합니다. 이는 두 횡방향 프로세스가 최대화되고 동등하게 시각화될 수 있는 지점으로 식별됩니다. L3 슬라이스를 선택합니다. 시험 탭에서 시험 보내기를 선택하고 이미지를 DICOM 파일로 저장합니다.참고: 1단계는 사전 처리 단계이며 L3 이미지를 얻는 방법을 설명하기 위해 여기에 나열됩니다. 연구원이 이미 L3 이미지가 있는 경우 2단계로 이동합니다. 이미지 뷰어가 상호 참조를 활성화하지 않으면 연구원은 1.1.1에서 1.1.2로 건너뛸 수 있습니다. 이미징이 흉부 부위를 포함하지 않는 경우, Sacrum에 전방인 L5를 식별하고 L5에서 L3까지 계산하며, 여섯 번째 요추 척추의 존재가 정상 변형임을 명심하십시오. 슬라이스-O-매틱 소프트웨어로 DICOM 이미지를 엽니다. DICOM 파일을 슬라이스-O-Matic 창의 어느 곳으로도 드래그합니다. | 모드 선택 세분화를 시작하기 위해 성장하는 영역입니다. 슬라이스-O-Matic 버전에 옵션 모드 목록 상단에 알버타 프로토콜 옵션이 있는 경우 3단계: 세분화를 선택하여 세분화를 시작할 수도 있습니다. 3단계를 사용하는 경우: 세분화,5단계를 완료한 다음 11단계로 진행합니다. 도구 | 선택 태그 잠금. 이렇게 하면 사용자가 태그가 지정된 색상을 “잠그기”하여 실수로 색이 켜지거나 나중에 지워지지 않도록 할 수 있습니다. 골격 근육 식별: 화면 왼쪽의 지역 성장 영역 아래 1(빨간색)을 클릭합니다. 아래한도로 꺼져 있는 버튼을 클릭하여 켜기로설정합니다. 마우스 휠로 화살표를 클릭하여 제한을 낮추도록 설정합니다. 하한한계에서 슬라이더를 드래그하여 HOunsfield Unit(HU) 임계값을 가능한 한 -29에 가깝게 설정한 다음 마우스 휠을 사용하여 HU 임계값을 -2913로정확하게 설정합니다. 위한도로 꺼져 있는 버튼을 클릭하여 켜기로설정합니다. 마우스 휠로 화살표를 클릭하여 하한을 상한으로 설정합니다. 상한에서 슬라이더를 드래그하여 HU 임계값을 가능한 한 150에 가깝게 설정한 다음 마우스 휠을 사용하여 HU 임계값을 정확히 15013으로설정합니다. 근육 내 지방 조직 (IMAT) 식별 : 화면의 왼쪽에 영역 성장 영역 아래 2 (녹색)를 클릭합니다. 아래한도로 꺼져 있는 버튼을 클릭하여 켜기로설정합니다. 마우스 휠로 화살표를 클릭하여 제한을 낮추도록 설정합니다. 하한의 슬라이더를 드래그하여 HU 임계값을 가능한 한 -190에 가깝게 설정한 다음 마우스 휠을 사용하여 HU 임계값을 -19013으로정확하게 설정합니다. 위한도로 꺼져 있는 버튼을 클릭하여 켜기로설정합니다. 마우스 휠로 화살표를 클릭하여 하한을 상한으로 설정합니다. 상한에서 슬라이더를 드래그하여 HU 임계값을 가능한 한 -30에 가깝게 설정한 다음 마우스 휠을 사용하여 HU 임계값을 -3013으로정확하게 설정합니다. 내장 지방 조직 (VAT) 식별: 5 (노란색) 화면의 왼쪽에 지역 성장 영역 아래를 클릭합니다. 아래한도로 꺼져 있는 버튼을 클릭하여 켜기로설정합니다. 마우스 휠로 화살표를 클릭하여 제한을 낮추도록 설정합니다. 하한의 슬라이더를 드래그하여 HU 임계값을 가능한 한 -150에 가깝게 설정한 다음 마우스 휠을 사용하여 HU 임계값을 -15013으로정확하게 설정합니다. 위한도로 꺼져 있는 버튼을 클릭하여 켜기로설정합니다. 마우스 휠로 화살표를 클릭하여 하한을 상한으로 설정합니다. 상한에서 슬라이더를 드래그하여 HU 임계값을 가능한 한 -50에 가깝게 설정한 다음 마우스 휠을 사용하여 HU 임계값을 -5013으로정확하게 설정합니다. 피하 지방 조직 (SAT) 식별 : 화면의 왼쪽에 있는 지역 성장 영역 아래 7 (시안)를 클릭합니다. 아래한도로 꺼져 있는 버튼을 클릭하여 켜기로설정합니다. 마우스 휠로 화살표를 클릭하여 제한을 낮추도록 설정합니다. 하한의 슬라이더를 드래그하여 HU 임계값을 가능한 한 -190에 가깝게 설정한 다음 마우스 휠을 사용하여 HU 임계값을 -19013으로정확하게 설정합니다. 위한도로 꺼져 있는 버튼을 클릭하여 켜기로설정합니다. 마우스 휠로 화살표를 클릭하여 하한을 상한으로 설정합니다. 상한에서 슬라이더를 드래그하여 HU 임계값을 가능한 한 -30에 가깝게 설정한 다음 마우스 휠을 사용하여 HU 임계값을 -3013으로정확하게 설정합니다. 키보드의 키를 사용하여 CT 이미지를 확대/축소및 해제합니다. 세분화 전반에 걸쳐 필요에 따라 확대/축소를 조정하여 조직에 명확하고 정확하게 태그를 붙입니다. 골격 근육 조직(SM)에 대해 1을 선택하여 세분화를 시작합니다. 브러시 옵션을 페인트로 설정합니다. 지역 성장 에서 직접 발견 된 브러시 도구를 사용하여 브러시의 원하는 크기에 적응하고 Psoas, Paraspinal 근육 그룹, 경사 및 정류 근육 그룹에 그림을 그리기 시작합니다.참고: 근육 근막 외부의 유체 나 장기가 빨간색으로 빨간색으로 태그된 경우 None 색상 선택을 사용하여 태그를 지워야 합니다. 모든 근육에 태그가 지정되면 화면 왼쪽 하단의 태그 잠금 메뉴에서 1을 선택합니다. 이렇게 하면 세분화가 진행됨에 따라 근육이 실수로 다시 태그되거나 지워지지 않습니다. 지역 성장 에서 2을 선택하고 근육 근막 내에서 모든 지방 조직 (IMAT)에 페인트. 근육 근막 외부의 지방이나 구조물이 실수로 IMAT로 태그된 경우 None 색상 선택을 사용해야 합니다.참고: 근육 근막의 가장자리는 일반적으로 그것을 둘러싼 내장 또는 피하 지방 보다는 밝게 나타납니다. VAT 또는 SAT가 아닌 IMAT로 근육 근막의 밝은 가장자리 내에서 모든 지방을 태그해야합니다. 리나 알바가 근육으로 태그되지 않으면, 리나 알바의 전체는 IMAT로 분석되어야한다. 모든 IMAT에 태그가 지정되면 화면 왼쪽 하단의 태그 잠금 메뉴에서 2를 선택합니다. VAT 조직에 태그를 붙이려면 지역 성장 메뉴에서 5를 선택합니다. 이미지에 따라 VAT에 태그를 지정하면 페인트대신 Grow 2D를 사용하는 것이 더 쉬울 수 있습니다. Grow 2D를사용하는 경우 가장 작은 페인트 브러시 옵션을 사용합니다. Grow 2D를 사용하는 경우 모든 태그 된 부가가치세를 되돌아 보고 창자 또는 장기 내부의 내형 구조직이 실수로 태그되지 않았는지 확인하십시오. 페인트를 사용하는 경우 장기 또는 장의 루멘 내부에 페인트하지 해야합니다. 모든 부가가치세가 태그되면 화면 왼쪽 하단의 태그 잠금 메뉴에서 5를 선택합니다. SAT 조직에 태그를 붙이려면 지역 성장 메뉴에서 7을 선택합니다. SAT에 태그를 지정할 때 이미지에 따라 일반적으로 페인트대신 2D 성장을 사용하는 것이 더 쉽습니다. Grow 2D를사용하는 경우 가장 작은 페인트 브러시 옵션을 사용합니다. Grow 2D를 사용하는 경우 근육 근막 내의 조직이 SAT로 태그되지 않도록 선택하고 피부가 SAT로 태그되지 않도록 선택된 없음 도구를 사용하여 이미지의 가장자리를 다시 이동해야 합니다.참고: 피부는 일반적으로 SAT보다 외관이 가볍고 일반적으로 두께가 약 2-3픽셀이지만 피부의 모양과 두께는 이미지마다 다를 수 있습니다. 페인트를사용하는 경우, 조직이 잘못 태그되지 않도록 특히 피부 주위에 가장자리 주위에주의해야합니다. 태그 지정 t태그 지정을 완료하면 도구 | 태그 표면/볼륨. 이렇게 하면 태그가 지정된 각 조직의 Surface 영역 과 볼륨이 표시되며, 일반적으로 관심은 표면적입니다. 창에 표시를 클릭하여 태그 표면/볼륨 창을 완전히 엽니다. 이렇게 하면 HU 값도 표시됩니다. 표면적 및 HU 임계값을 기록합니다.참고: 태그 서피스/볼륨 창이 화면 왼쪽 하단에 나타나지 않으면 표시할 공간이 충분하지 않기 때문일 수 있습니다. 이 경우 슬라이스-O-Matic 창이 최대화되었는지 확인한 다음 도구를 | 태그 잠금 을 사용하여 태그 잠금 창을 제거합니다. 이렇게 하면 태그 표면/볼륨 창을 표시하기에 충분한 공간이 있어야 합니다. 완료되면 파일 | 태그 파일을 저장합니다. 이렇게 하면 DICOM 파일이 있는 태그 파일이 저장됩니다. 2. L3 MRI 세분화 축 MRI(T2 가중 시퀀스) DICOM 이미지 획득 이미지 뷰어에서 L3 척추를 식별합니다. 가능하면 두 개의 가로 창 뷰를 선택하고 왼쪽의 관상 또는 좌활보기를 선택하여 참조하고 오른쪽의 축 보기를 선택합니다. 왼쪽 및 오른쪽 창을 연결하려면 교차 링크를 클릭합니다. 두개골에서 caudal 방향으로 이미지를 아래로 스크롤합니다. 갈비뼈 부착없이 첫 번째 척추인 L1 척추를 식별합니다. L1에서 L3까지 계산하고 관상 또는 처진 뷰를 사용하여 L3 의 중간 조각을 식별합니다. 이는 두 횡방향 프로세스가 최대화되고 동등하게 시각화될 수 있는 지점으로 식별됩니다. L3 슬라이스를 선택합니다. 시험 탭에서 시험 보내기를 선택하고 이미지를 DICOM 파일로 저장합니다.참고: 1단계는 사전 처리 단계이며 L3 이미지를 얻는 방법을 설명하기 위해 여기에 나열됩니다. 연구원이 이미 L3 이미지가 있는 경우 2단계로 이동합니다. 이미지 뷰어가 상호 참조를 활성화하지 않으면 연구원은 1.1.1에서 1.1.2로 건너뛸 수 있습니다. 이미징이 흉부 부위를 포함하지 않는 경우, Sacrum에 전방인 L5를 식별하고 L5에서 L3까지 계산하며, 제6루막 척추의 존재가 정상 이체임을 명심하십시오. 슬라이스-O-Matic 소프트웨어로 DICOM 이미지를 엽니다. DICOM 파일을 슬라이스-O-Matic 창의 어느 곳으로나 드래그합니다. | 모드 선택 세분화를 시작하기 위해 성장하는 영역입니다.참고: MRI 이미지에서 지방 조직의 분화 불량으로 인해 SM만 세분화됩니다. 파라척추 근육 세분화: 화면 왼쪽의 지역 성장 영역 아래 1(빨간색)을 클릭합니다. 미리 보기 모드에서이미지의 히스토그램은 공기를 나타내는 첫 번째 피크와 근육, 뼈 및 지방을 나타내는 두 번째, 세 번째 및 네 번째 피크와 함께 여러 피크를 표시합니다. 아래한도로 꺼져 있는 버튼을 클릭하여 켜기로설정합니다. 마우스 휠로 화살표를 클릭하여 제한을 낮추도록 설정합니다. 하한제한에서 슬라이더를 드래그하여 HOunsfield Unit(HU) 임계값을 0으로 설정합니다. 위한도로 꺼져 있는 버튼을 클릭하여 켜기로설정합니다. 마우스 휠로 화살표를 클릭하여 하한을 상한으로 설정합니다. 상한에 슬라이더를 드래그하여 HU를 설정하여 PARASPINAL 근육을 포함합니다. 골격 근육 조직 (SM)에 대해 1을 선택하여 파라척추 근육을 세분화하기 시작합니다. 브러시 옵션을 페인트로 설정합니다. 지역 성장 에서 직접 발견 된 브러시 도구를 사용하여 브러시의 원하는 크기에 적응하고 Paraspinal 근육 그룹에 그림을 그리기 시작합니다.참고: 근육 근막 외부의 유체 또는 장기에 근육으로 빨간색으로 태그된 것이 있으면 None 색상 선택을 사용하여 태그를 지우십시오. 남은 근육 그룹의 세분화: 마우스를 리나 알바로 미리 이동합니다. 미리 보기 모드에서는 상한을 조정하여 linea alba를 포함합니다. 강도의이 상한은 다음 모든 나머지 근육 그룹에 대 한 채택. 골격 근육 조직(SM)에 대해 1을 선택하여 세분화를 시작합니다. 브러시 옵션을 페인트로 설정합니다. 지역 성장 에서 직접 발견 된 브러시 도구를 사용하여 브러시의 원하는 크기에 적응하고 Paraspinal 근육 그룹에 그림을 그리기 시작합니다.참고: 근육 근막 외부의 유체 또는 장기에 근육으로 빨간색으로 태그된 것이 있으면 None 색상 선택을 사용하여 태그를 지우십시오. 태그 지정 t태그 지정을 완료하면 도구 | 태그 표면/볼륨. 이렇게 하면 태그가 지정된 각 조직의 표면적 및 부피가 표시되며, 일반적으로 관심은 표면적입니다. 창에 표시를 클릭하여 태그 표면/볼륨 창을 완전히 엽니다. 이렇게 하면 HU 값도 표시됩니다. 표면적 및 HU 임계값을 기록합니다.참고: 태그 서피스/볼륨 창이 화면 왼쪽 하단에 나타나지 않으면 표시할 공간이 충분하지 않기 때문일 수 있습니다. 이 경우 슬라이스-O-Matic 창이 최대화되었는지 확인한 다음 도구를 | 태그 잠금 을 사용하여 태그 잠금 창을 제거합니다. 이렇게 하면 태그 표면/볼륨 창을 표시하기에 충분한 공간이 있어야 합니다. 완료되면 파일 | 태그 파일을 저장합니다. 이렇게 하면 DICOM 파일이 있는 태그 파일이 저장됩니다. 3. CT 및 MRI에 대한 선형 측정 축 CT 또는 MRI DICOM 이미지를 가져옵니다. 이미지 뷰어에서 L3 척추를 식별합니다. 가능하면 두 개의 가로 창 뷰를 선택하고 왼쪽의 관상 또는 좌활보기를 선택하여 참조하고 오른쪽의 축 보기를 선택합니다. 왼쪽 및 오른쪽 창을 연결하려면 교차 링크를 클릭합니다. 두개골에서 caudal 방향으로 이미지를 아래로 스크롤합니다. 갈비뼈 부착없이 첫 번째 척추인 L1 척추를 식별합니다. L1에서 L3까지카운트및 관상 또는 좌활보기를 사용하여 두 횡방향 프로세스가 동일하게 식별되는 지점에 의해 확인된 대로 L3 의 중간 의 조각을 식별합니다.참고: 1단계는 사전 처리 단계이며 L3 이미지를 얻는 방법을 설명하기 위해 여기에 나열됩니다. 연구원이 이미 L3 이미지가 있는 경우 2단계로 이동합니다. 이미지 뷰어가 상호 참조를 활성화하지 않으면 연구원은 1.1.1에서 1.1.2로 건너뛸 수 있습니다. 이미징이 흉부 부위를 포함하지 않는 경우, Sacrum에 전방인 L5를 식별하고 L5에서 L3로 계산합니다. 이미지를 의료 이미징 뷰어로 가져오고 엽니다. 호로스의 경우: 앱을 열고 가져오기를 클릭합니다. DICOM 이미지가 있는 곳으로 이동하여 선택하고 열기를 클릭합니다. 파일 및 이미지는 환자 이름 목록에 표시되어야 합니다. 환자 이름을두 번 클릭한 다음 이미지를 두 번 클릭하여 선형 세분화를 시작합니다. 전도부 근육과 기생충 근육을 식별합니다. 눈금자 도구를 선택하고 위에서 언급한 4개의 근육의 수평(180°) 및 수직(90°) 직경을 측정합니다.참고: 선은 대각선이 아닌 이미지의 수평 및 수직이어야 합니다. 그려진 수평 및 수직 선은 각 근육의 전체를 포괄하는 직사각형 상자를 만들어야 합니다. 단순히 근육의 가장 긴 거리를 측정하지 마십시오. 상자 그리기 도구를 허용하는 이미지 뷰어를 사용하는 경우 간단한 눈금자 도구 대신 해당 도구를 사용할 수 있습니다. 이는 상자 그리기 도구가 상자의 높이와 길이를 적어도 표시한다는 것을 제공합니다. 추가 분석을 위해 8개의 측정(오른쪽 전도물 폭, 오른쪽 피소 길이, 왼쪽 전골 폭, 왼쪽 피소 길이, 오른쪽 파라척추 너비, 오른쪽 파라척추 길이, 왼쪽 파라척추 너비, 왼쪽 파라척추 길이)를 모두 기록합니다. 해당 근육의 수평 및 수직 값을 곱하여 개별 근육 표면적을 계산합니다. 오른쪽 근육에 왼쪽 근육을 추가하여 총 근육 표면 적 인 척추 근육과 기생충 근육을 각각 가져옵니다. 결합된 표면적(mm2)을 환자높이 제곱(m2)으로나누어 선형 근육 지수를 계산합니다.

Representative Results

L3 세분화 절차는 빨간색으로 태그된 골격 근(SM) 조직, 녹색 IMAT, 노란색부가가치세 및 시안의 SAT(그림1)로태그된 CT 또는 MRI 이미지를 생성합니다. 태그가 없는 나머지 조직은 각 픽셀의 각각의 HOunsfield 단위(HU) 값에 해당하는 원래 흰색, 회색 및 후면 색조에 남아 있습니다. 흰색에 남아있는 태그되지 않은 조직의 대부분은 뼈가 될 것입니다, 회색에 남아있는 조직의 대부분은 비 골격 근육이 될 것입니다, 장기 조직, 및 창자의 루멘 내에서 조직, 검은 색에 남아있는 이미지의 대부분은 공기가 될 것입니다. 제대로 분할 된 이미지는 골격 근막 외부의 빨간색 또는 녹색 태그가 없으며 골격 근막 내에서 노란색 또는 시안 태그가 없습니다. 추가적으로, 노란 태깅은 신장 또는 간과 같은 창자 또는 기관의 루멘을 침략해서는 안되며, 시안 태깅은 피부에 대응하는 가벼운 외부 가장자리를 따라 존재해서는 안됩니다. 일단 화상 분할이 완료되면, 환자의높이(표 1)와함께 표면 영역 및 평균 조직 HU 값을 기록해야 한다. 이 데이터에서, 하나는 골격 근육 지수를 계산하고 특정 연구 또는 임상 질문과 관련된 다른 분석을 진행할 수 있습니다. 대부분의 MRI 이미지의 경우 골격 근육만 적절하게 태그화되고 이후에 분석할 수있습니다(표 2). 선형 측정에서 인덱스는 표면적을 높이의 제곱(표3)으로나누어 계산합니다. 연구원이 세분화 절차 중에 발생할 수있는 일반적인 문제는 주요 정보를 누락 한 이미지를 포함한다. 예를 들어, 이미지는 상당한 부분이 잘라내거나 자르는것(그림 2)을가질 수 있다. 특히, SAT 및/또는 골격 근육 조직이 프레임에서 절단된 이미지는 영향을 받는 조직의 표면적 계산의 정확도를 크게 낮출 것입니다. 이것이 분석에 적합하지 않은 이미지를 렌더링하는지 여부는 임상 또는 연구 컨텍스트에 따라 달라지며 사례별로 연구 팀에 의해 결정되어야 합니다. 또 다른 함정은 연구원이 실수로 골격 근육에 척수와 골수를 포함 할 수 있다는 것입니다. 이 문제를 피하기 위해, 연구원은 잘 훈련 하 고 세분화 하는 동안 신중 유지 해야. CT 또는 MRI 이미지의 다른 일반적인 유물은 스캐너의 환자 배치 또는 운동, 골격 근막 주위의 지방 좌초 및 흉터 조직 및 기타 이상한 모양의유물(그림 3)으로인한 기술적 문제를 포함합니다. 환자 운동 또는 부적절한 배치로 인한 기술적 문제는 일반적으로 주변 조직보다 HU 값이 더 높은 가벼운 것으로 나타납니다. 이러한 종류의 기술적 문제는 일반적으로 SAT에 나타나며 표면적 계산의 정확도도 낮출 수 있습니다. 임상 또는 연구 컨텍스트는 이러한 문제에 대한 허용 오차 수준을 결정할 것입니다. 지방 좌초 및 흉터 조직 유물은 일반적으로 조직 표면 적 계산에 많은 양의 오류를 초래하지 않습니다. 그러나, 그들은 근막 선의 오인으로 이어질 수 있습니다. 골격 근육과 IMAT 표면 영역은 지방 가닥이나 흉터 조직이 근육 근막 선으로 착각하는 경우에 크게 부정확 할 수 있습니다. CT 및 MRI 이미지의 다른 작은 잡티 및 아티팩트는 일반적으로 드문 경우를 제외하고는 전체 이미지 품질에 영향을 미치지 않습니다. 임상 또는 연구 컨텍스트에 따라 이러한 유물은 이미지 품질을 확인하기 위해 방사선 전문가에 의해 평가되어야 할 수 있습니다. CT 및 MRI 이미지의 마지막 일반적인 문제점은 근육 근막선(그림4)의기형이다. 이러한 휴식은 일반적으로 이미지 품질에 영향을 미치지 않지만 근육 근막에 큰 휴식 이나 다른 기형을 포함하는 이미지는 기형 기원이 임상 또는 연구 컨텍스트의 분석에 영향을 미칠 지 여부를 결정하기 위해 방사선 전문의에 의해 평가되어야합니다. Avruvin 등에서 개발한 L3 선형 측정 절차는 L3 세분화절차(14,15)보다일반적인 오차가 적습니다. 선형 측정에서 발생하는 주요 문제는 관심의 근육 그룹을 식별 중심으로 회전, 두 개의 양두 및 기생충 근육 그룹(그림 5). 대부분의 경우 psoas 가장자리는 근처의 장기와 구별되지만 가장자리가 분별하기 어려운 경우 HU 필터 또는 밝기를 변경하면 일반적으로 대부분의 문제를 해결할 수 있습니다. 추가적으로, paraspinal 근육 단의 가장자리는 수시로 그밖 가까운 조직에서 구별될 것입니다, 그러나 명확한 근육이 최상근선에 도달하지 않는 경우에, 선은 paraspinal 근육 단의 하부 가장자리를 결정하는 데 포함되어서는 안된다는 것을 주의해야 합니다. 마지막으로, 사지석 요추는 전골 또는 파라척추 근육 그룹의 가장자리를 결정할 때 배제되어야한다(도 5E). 그림 1: 슬라이스-O-Matic의 적절한 L3 세분화. (A)L3 척추에서 변경되지 않은 축 CT 이미지. (B)골격 근(SM), 녹색에서 근육 지방 조직(IMAT)에 해당하는 빨간색으로 완전히 태그된 축 CT, 황색 – 경색 – Vesical 지방 조직(VAT), 및 피하 지방 조직(SAT)에 대한 시안. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 그림 2: L3 CT 이미지를 잘라냅니다. SAT의 상당한 양뿐만 아니라 골격 근육 조직의 상당한 양의 슬라이스 – O-Matic에서 태그되지 않은 CT 이미지는 차단. 그림 3: 일반적인 아티팩트. (A)태그가 지정되지 않은 CT 이미지는 각각 빨간색 상자, 파란색 타원형 및 녹색 상자에 강조 표시된 다양한 아티팩트를 가지고 있습니다. 빨간색 상자는 검사 중에 정렬 불량 또는 모션에서 CT 검사의 기술적 문제를 표시합니다. 파란색 타원형은 흉터 조직에서 비롯된 일반적인 유물을 강조합니다. 녹색 사각형은 여러 잠재적 인 원인이있을 수있는 결점을 강조 표시합니다. (B)태그된 CT 스캔은 빨간색 상자, 파란색 타원형 및 녹색 상자에 강조 표시된 동일한 각 아티팩트의 모양으로 검사합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 도 4: 근육 근막의 큰 휴식. (A)태그가 지정되지 않은 L3 CT 이미지는 보라색 상자의 골격 근육 근막에서 큰 휴식을 강조한다. (B)태그가 지정된 L3 CT 이미지는 보라색 상자의 골격 근육 근막에서 큰 휴식의 태그 된 모양을 강조합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 그림 5: L3 선형 측정. (A)호로스 이미지 뷰어에서 분석하기 전에 원본 L3 CT 이미지. (B)기존의 선형 측정 방법은 각 근육에 대해 하나의 수직 선과 하나의 수평 선을 포함한다. 이 선은 눈금자 도구로 측정되고 각 근육 그룹의 표면적을 찾기 위해 곱해. 기존의 선형 측정 방법은 항상 90°에서 교차하는 선이 있어야 합니다. 기존의 선형 측정 방법의 이 이미지는 Horos에서 만들어졌으며 90° 교차가 보장되지 않았기 때문에 시각적 데모입니다. (C)(D)(E)L3 선형 측정을 위한 박스 방법. (C)(D)파란색과 보라색 상자는 각각 오른쪽과 왼쪽 psoas를 포괄하고, 노란색과 녹색 상자는 각각 오른쪽과 왼쪽 파라척추 근육을 포괄한다. (E)가벼운 보라색과 주황색 상자는 Psoas 및 기생충 근육 그룹의 가장자리를 결정할 때 고려되어서는 안되는 사분면 요추를 강조합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 그림 6: 선형 측정 및 L3 단면 골격 근육 영역, n = 65의 비교. 결합된 측두와 기생충 부위는 L3 단면에서 총 골격 근에 따른다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. CT 세분화 근육 근육 내 지방 조직 내장 지방 조직 피하 지방 조직 수페이스 지역(cm2) 134.4 8.402 72.43 271 하운스필드 유닛 (평균) 33.61 2.1 18.11 67.76 환자 높이 제곱 (m2) 2.69 골격 근육 지수 (근육 영역 / 높이2,cm 2 / m2) 49.97 표 1: CT 세분화 MRI 세그메네이션 근육 수페이스 지역(cm2) 241.8 하운스필드 유닛 (평균) 35.85 환자높이(m2) 3.39 골격 근육 지수 71.42 (근육 면적/높이2,cm2/m2) 표 2: MRI 세분화 선형 측정 오른쪽 페사 높이 (cm) 오른쪽 페사 폭(cm) 왼쪽 페사 높이 (cm) 왼쪽 페사 폭(cm) 오른쪽 파라척추 높이(cm) 오른쪽 파라척추 너비(cm) 왼쪽 파라척추 높이(cm) 왼쪽 파라스피피나 폭(cm) 3.934 2.927 3.743 2.788 4.916 6.264 4.403 7.045 총 판두 지역 (cm2) 21.950 총 파라척추 지역(cm2) 61.813 총 근육 면적(cm2) 83.76 환자 높이 제곱 (m2) 2.496 선형 측정 지수(cm2/m2) 33.55 표 3: 선형 측정

Discussion

양위부 근육, 기생충 근육 그룹 및 경사 근육은 전체 근육 질량5와밀접한 관련이 있습니다. 특히, 제3요추 척추(L3)의 중간점에서 이들 근육군의 CT 또는 MRI 단면 내의 표면적은 전체 근육 질량과 매우 상관관계가 있어, 이 이미지는 sarcopenia1,2,13을평가할 때 연구자 또는 임상의에게 사용하기에 이상적인 이미지이다. 세분화 및 선형 측정은 신체 조성을 평가하고 환자16, 17에서sarcopenic 비만과 같은 열악한 예후 조건을 식별하는 데 큰 가치를입증했습니다. 연구에 따르면 근육 질량 측정은 화학요법 및 화학요법 독성16,17, 18과같은 주요 수술 또는 치료 계획에 따라 주요 합병증의 생존 및 위험과 관련이 있음을보여주었습니다. 따라서, 우리는 임상의가 치료 옵션에 관하여 환자를 상담하기 전에 바디 조성 데이터를 가지고 있는 것이 유익할 지도 모릅니다.

현재, 신체 구성을 평가하는 몇 가지 방법이 있다. 수온측정법(12) 및 공기변위(ADP)19와같은 여러 가지 방법은 각각 체지방 및 체밀도 비율을 추정하기 위해 공기 중량 및 변위를 활용한다. 이러한 방법은 유용할 수 있지만, 지방 조직분포5,19를결정할 수 없다. BIA와 같은 다른 신체 조성 분석 기술은 지방 질량 및 무지방질량(12)의다른 전기 특성에 따라 분석을 기반으로 합니다. 그러나, 다시 한번이 기술은 지방 분포를 적절히 평가하지 못하며, 또한 더 정확한 측정을 위해 인종, 나이 및 성별과 같은 더 많은 정보가 필요합니다19. 반대로, DEXA와 같은 평가는 신체 조성 평가에 유용하지만, 증자다도(12)를증가시켜 근육 질량을 과대 평가하는 경향이 있는 것으로 나타났다. 몇몇 프로토콜은 또한 DICOM 보기 소프트웨어 내에서 근육 질량 및 지방 조직 데이터를 얻기 위하여 관심있는 지역 (ROI) 방법을 이용했으며, 이는 sarcopenia 평가 및 영양 평가에 대한 BIA 신체 조성 분석과 좋은 상관 관계를 갖는 것으로 나타났다20,21.

Mourtzakis 등에서 개발한 세분화 절차는 대부분의 CT 또는 MRI 이미지에서 수행할 수 있고 지방 조직 분포 및 근육영역(13)을정확하게 결정할 수 있기 때문에 대체 신체 조성 평가에 비해 장점이 있다. 또한, 축 L3 세분화는 환자 비만상태(13)에관계없이 정확도의 장점이 있다. 전술한 대안과 유사하게, Avrutin 외14에 의해 개발된 선형 측정 기술은 지방 분포를 평가할 수 있는 능력이 없다. 최근, 연구원은 신체 세분화에 이질적인 입증, 특히 psoas 근육을 측정 하는 방법에서 혼자22. Psoas 근육 질량만으로는 요추 근육양 또는 체계적인 근육 낭비를 크게 나타내지 않으며, 임상결과(22)와상관관계가 없을 수 있다. 이 문제는 psoas 근육이 평가의 주요 근육 그룹이므로 선형 측정에 더 관한 것일 수 있습니다. 그러나, 우리의 설명된 기술은 단면 근육 질량의 급속하고 편리한 평가동안, 더 정확한 측정하기 위하여 양측 양면 및 기생충 근육 추정을 포함합니다. CT/MRI 선형 측정 및 세분화 방법 사이의 결과와 임상 결과에 대한 상관 관계를 검증하는 향후 연구가 보증됩니다.

L3 세분화 및 선형 측정 절차는 처음에 신체 전체근육 함량을 신속하고 정확하게 평가하도록 설계되었습니다. L3 척추만분할함으로써, 프로토콜은 여전히 연구원 이나 임상의에게 환자의 상체 근육 질량 과 다도 상태를 결정하기에 충분한 정보를 제공하면서 시간을 절약. 그러나 L3 세분화는 전신 세분화보다 훨씬 적은 시간이 걸리지만 Slice-O-Matic 소프트웨어를 사용하는 데 시간이 많이 걸리고 비용이 많이 들 수 있습니다. 반대로, 선형 측정은 중증 질환 환자에서 근육 상태 및 sarcopenia를 평가하는 L3 세분화만큼 정확할 가능성이있다(14,15). 우리는 선형 측정에 의해 측정된 골격 근이 세분화에 의해 측정된 값과 밀접하게 상관되는 T3 신장 세포 암종 코호트에서 그러한 관계를 입증하였다(도6). 중요한 것은, 방법은 매우 빠르며 이미징 소프트웨어는 무료입니다. 그러나 선형 측정 절차에 대한 가장 주목할 만한 제한은 지방 조직 함량을 평가할 수 있는 능력이 부족하다는 것입니다.

세분화 및 선형 측정 절차 에는 세 가지 중요한 단계가 있습니다. 첫째, 임상의와 연구원은 일관성을 달성하기 위하여 L3 척추의 중간을 확인해야 합니다. L3 척추의 중간은 횡방향 프로세스의 골수가 가장 눈에 띄는 슬라이스가 될 것입니다. 축 L3 척추 슬라이스는 교차 연결 된 좌골 또는 관상 관상 뷰의 도움으로 더 쉽게 식별됩니다. 연구원 또는 임상의는 먼저 참조점으로 L1 척추 또는 사통을 찾을 수 있습니다, 명심 6 요추 척추의 존재는 정상 변이체입니다. 다음 중요한 단계는 근육을 식별하는 것입니다. 선형 측정에서 수직 및 수평 측정을 하는 동안 사분면 요추를 포함해서는 안 됩니다. 셋째, 연구자들은 또한 결장 함량이 내장 지방조직(23)으로태그될 수 있기 때문에 세분화 프로토콜에 부가가치세를 표시할 때 세심한 주의를 기울여야 한다. 이러한 오류가 발생하면 연구원은 다음 단계로 이동하기 전에 이러한 영역을 지워야 합니다.

세분화의 일반적인 문제는 CT 또는 MRI 이미지 품질이 좋지 않습니다(예: 대표 결과 참조). 경우에 따라 품질이 좋지 않으면 이미지가 쓸모없게 되지 는 않지만 다른 경우에는 이미지를 분석에서 제외해야 할 수 있습니다. 또 다른, 아마도 피할 수없는, 단일 이미지의 세분화의 제한은 이미지에서 이미지로 고체 오르간 위치의 임의의 변화를 포함한다.

L3 세분화 분석과 선형 측정 해석 모두에 대한 다른 일반적인 문제는 종종 인터 및 인트라 레이터 변화와 관련이 있습니다. 대부분의 프로토콜의 경우와 마찬가지로 관찰자 와 단일 개인의 개별 시험 사이의 일정 량의 변형이 예상될 수 있습니다. 분석을 수행하는 여러 사람과 의 상호 평가자 변화를 고려하고 최소화하기 위해 연구원 또는 임상의 팀은 동일한 이미지에서 표면적 측정 및 평균 HU의 통계적으로 유의한 변이를 테스트 할 수 있습니다. 이것은 같은 심상을 위한 아주 유사한 표면 적인 지역이 있는 연구원 또는 임상의가 실제로 대략 동일조직에 태그를 지정하고 있는지 여부를 표시하기 때문에 HU 변이의 특별한 주의하십시오. 개별을 위한 중요한 장내 평가자 변이를 위해 시험하기 위하여는, 연구원 또는 임상의는 각 이미지에 대한 모든 복제본이 좁고 통계적으로 유의한 여백 안에 있을 때까지 심상의 작은 부분 집합을 취하고 각 심상을 분할할 수 있습니다.

여기에 제시된 두 프로토콜 모두 단일 슬라이스만 사용됨에 따라 신체 구성 분석에 한계가 있음을 인정합니다. Shen et al.에 의해 제안된 바와 같이, 3D 분석은 복부 내장 지방에 대한 보다 정확한 정보를 제공할 수 있고, 부가가치세에 대한 단일 슬라이스 분석은 남성과여성(24)에대해 상이한 수준에 있다. 그러나, 여기에서 토론된 프로토콜은 진료소에 있는 sarcopenia 검열을 위해 이용될 수 있는 근육 및 지방 조직의 빠른 평가를 제공하기 때문에 아직도 가치가 있습니다.

더욱이, 3D 기계 학습 알고리즘, 특히 신경그물 기반 분류알고리즘(25)을이용한 많은 자동화된 신체 조성 분석 프로토콜이 있었다. 우리는 이러한 전통적인 2D 세분화에 대한 잠재적 인 미래의 대안이 될 수 있음을 인정합니다. 그러나 이러한 방법은 임상 및 연구 환경에서 CT 및 MRI 이미지의 대규모 데이터 집합을 개발, 테스트 및 구현해야 합니다. 또한 이러한 메서드는 종종 2D 세분화 분석이 필요하며, 이에 대한 기계 학습 알고리즘의 유효성을 검사할 기준 참조를 설정해야 합니다. 따라서 여기에서 설명한 프로토콜은 대규모 데이터 집합이나 3D 이미지를 사용할 수 없는 경우에 유용할 수 있으며 이러한 프로토콜을 적용하여 적용 가능한 경우 기계 학습 알고리즘을 개발하고 검증할 수 있습니다. 따라서, 우리는 임상의와 연구원이 이 훈련 비디오에서 혜택을 받을 수 있고 자동화된 분석이 유효하기 전에 예비 검열로 이 신속하고 믿을 수 있는 방법을 채택하고 이 첨단 기술의 구현을 용이하게 하기 위하여 믿습니다.

지방 조직 분포와 골격 근 질량을 빠르게 분석하는 능력은 암 치료 및 연구에서 심장 질환에 이르기까지 광범위한 임상 적 관심사를 가지고있습니다 5. 다른 일반적으로 사용되는 방법에 비해, 무르자키스 외. 슬라이스-O-Matic에서 L3 세분화 절차는 지방 조직 분포를 정확하고 신속하게 평가하고 sarcopenia 상태5,12,13,19를결정할 수 있다. 또한, 골격 근 질량에 대한 정보가 충분한 맥락에서, L3 선형 측정 절차는 수술, 방사선 요법 및 화학요법1,2,4,6,7,8과같은 암 치료의 성공을 예측하는 데 도움이 되는 신뢰할 수 있고 매우 빠른 도구이다. 이 훈련 비디오 및 원고의 목적은 임상의가 클리닉 환경에서 신체 구성을 보다 쉽게 평가할 수 있도록 향후 사용을 위한 세분화 및 선형 측정 프로토콜을 명확하게 설명하는 것입니다.

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

저자들은 존 로빈슨 & 처칠 가족 재단의 지지를 인정하고 싶습니다.

Materials

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.

Riferimenti

  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).

Play Video

Citazione di questo articolo
Steele, S., Lin, F., Le, T., 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).

View Video