Summary

使用切片-O-马蒂奇和霍罗斯进行身体成分分析的细分和线性测量

Published: March 21, 2021
doi:

Summary

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。

Abstract

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。

Introduction

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。

Protocol

以下研究和协议由埃默里大学机构审查委员会审查和批准。 1. L3 CT 细分 获取医学中的轴向CT数字成像和通信(DICOM)图像。 在图像查看器中,识别 L3 椎骨。 如果可能,选择两个水平窗口视图,并选择左边的日冕或下垂视图作为参考,在右边选择轴向视图。 单击 “交叉链接” 以链接左右窗口。 向下滚动图像从颅向到剖腹回方向。识别 L1 椎骨,这是第一个没有肋骨附件的椎骨。 从 L1 到 L3 计数,并使用日冕或下垂视图来识别 L3 中间的切片。这被确定为两个横向过程都能够最大化和平等可视化的点。 选择 L3 切片。从 考试 选项卡中选择 “发送考试” 并保存图像作为 DICOM 文件。注:步骤 1 是预处理步骤,此处列出以演示如何获取 L3 图像。如果研究人员已经拥有 L3 图像,他们可以转到步骤 2。如果图像查看器无法启用交叉引用,研究人员可以跳过 1.1.1 到 1.1.2。如果成像不包括胸腔区域,请识别 L5,这是囊的前部,并从 L5 到 L3 计数,请记住,第六个腰椎的存在是一个正常的变种。 用切片-O-马蒂奇软件打开DICOM图像。 将 DICOM 文件拖至切片-O-马蒂奇窗口上的任意位置。 选择 模式|区域增长开始细分。 如果 Slice-O-Matic 的版本在选项模式列表的顶部有艾伯塔省协议选项,那么我们也可以选择步骤 3:分割以开始细分。如果使用步骤3:分割,完成步骤 5,然后继续步骤 11。 选择 工具|标签锁。这将使用户能够”锁定”标记的颜色,以确保它们不会意外着色或以后擦除。 骨骼肌肉识别:点击屏幕左侧区域生长区域下方的 1 (红色)。 单击下限的关闭按钮将其打开。单击鼠标轮的箭头,将禁用设置为下限。将滑块拖动到下限,以尽可能接近-29设置霍恩斯菲尔德单元(HU)阈值,然后使用鼠标轮将HU阈值精确设置为-2913。 点击”上限”按钮将其打开。单击鼠标轮的箭头,将下限设置为上限。将滑块拖动到上限,以尽可能接近 150 设置 HU 阈值,然后使用鼠标轮将 HU 阈值精确设置为 15013。 肌肉内脂肪组织 (IMAT) 识别:点击屏幕左侧区域生长区域下方的 2 (绿色)。 单击下限的关闭按钮将其打开。单击鼠标轮的箭头,将禁用设置为下限。将滑块拖动到下限,以尽可能接近-190设置HU阈值,然后使用鼠标轮将HU阈值精确设置为-19013。 点击”上限”按钮将其打开。单击鼠标轮的箭头,将下限设置为上限。将滑块拖动到上限,以尽可能接近-30设置HU阈值,然后使用鼠标轮将HU阈值精确设置为-3013。 内脏脂肪组织 (VAT) 标识:单击屏幕左侧区域生长区域下方的 5 (黄色)。 单击下限的关闭按钮将其打开。单击鼠标轮的箭头,将禁用设置为下限。将滑块拖动到下限,以尽可能接近-150设置HU阈值,然后使用鼠标轮将HU阈值精确设置为-15013。 点击”上限”按钮将其打开。单击鼠标轮的箭头,将下限设置为上限。将滑块拖动到上限,以尽可能接近-50设置HU阈值,然后使用鼠标轮将HU阈值精确设置为-5013。 皮下脂肪组织 (SAT) 识别:单击屏幕左侧区域生长区域下方的 7 (Cyan)。 单击下限的关闭按钮将其打开。单击鼠标轮的箭头,将禁用设置为下限。将滑块拖动到下限,以尽可能接近-190设置HU阈值,然后使用鼠标轮将HU阈值精确设置为-19013。 点击”上限”按钮将其打开。单击鼠标轮的箭头,将下限设置为上限。将滑块拖动到上限,以尽可能接近-30设置HU阈值,然后使用鼠标轮将HU阈值精确设置为-3013。 使用键盘上的+和键放大和缩小CT图像。在整个分割过程中根据需要调整变焦,以清晰准确地标记组织。 开始细分,为骨骼肌肉组织 (SM) 选择1。 设置画笔选项以 进行绘图。 使用直接在 区域生长 下找到的画笔工具来适应刷子所需的大小,并开始在 Psoas、副脊肌群、斜面和直肠肌肉群上绘画。注意:如果肌肉筋膜外的液体或器官被标记为红色作为肌肉,请务必使用 无 颜色选择清除标记。 标记所有肌肉后,在屏幕左下角的 TAG Lock菜单中选择1个。这将确保没有肌肉被意外地重新标记或擦除作为分割收益。 选择 2 下 区域生长 和油漆在肌肉筋膜内的所有脂肪组织 (IMAT) 。如果肌肉筋膜外的任何脂肪或结构被错误地标记为 IMAT,请务必使用 无 颜色选择。注意:肌肉筋膜的边缘通常看起来比它周围的内脏或皮下脂肪轻。请务必将肌肉筋膜较浅边缘内的所有脂肪标记为 IMAT,而不是增值税或 SAT。如果线性阿尔巴没有标记为肌肉,整个线性阿尔巴应分析为 IMAT。 标记所有 IMAT 后,从屏幕左下角的TAG 锁定菜单中选择2个。 从区域增长菜单中选择5个来标记增值税组织。 标记增值税时,根据图像的不同,它可能更容易使用 增长2D 而不是 油漆。 如果使用 增长 2D,请使用最小的 画笔 选项。如果使用 Grow 2D, 请务必回顾所有标记的 VAT,并确保肠道或器官内的静脉组织不会被错误地标记,因为脂肪通常来自消化食物或其他非 VAT 结构。 如果使用 油漆 ,一定不要在器官或肠道的流明内涂漆。 标记所有增值税后,从屏幕左下角的TAG Lock菜单中选择5个。 从区域增长菜单中选择7来标记 SAT 组织。 标记 SAT 时,根据图像的不同,通常更容易使用 “增长 2D” 而不是 “绘图”。 如果使用 增长 2D,请使用最小的 画笔 选项。 如果使用 Grow 2D, 请务必返回图像的边缘,选择 “无” 工具,以确保肌肉筋膜内没有组织被标记为 SAT,并确保没有皮肤被标记为 SAT。注意:皮肤的外观通常比 SAT 轻,通常厚度约为 2-3 像素,但请注意,皮肤的外观和厚度可能因图像而异。 如果使用 油漆,一定要小心周围的边缘,特别是在皮肤周围,以确保没有组织被错误地标记。 标记完组织后,转到 工具|标记表面/体积。这将显示标记的每个组织的表面积和体积,通常兴趣在表面积。 单击 “窗口中的显示” 以完全打开 标签表面/卷 窗口。这也将显示 HU 值。 记录表面积和 HU 阈值。注意:如果 标签表盘/音量 窗口未显示在屏幕左下角,则可能是因为没有足够的空间来显示它。在这种情况下,请确保切片-O-Matic 窗口最大化,然后选择 工具|标记锁定 以删除 标签锁定 窗口。这应该有足够的空间来显示 标签表面/卷 窗口。 完成后,请转到 文件|保存标签文件。这将保存位于 DICOM 文件所在的 TAG 文件。 2. L3 MRI 细分 获取轴向 MRI(T2 加权序列)DICOM 图像 在图像查看器中,识别 L3 椎骨。 如果可能,选择两个水平窗口视图,并选择左边的日冕或下垂视图作为参考,在右边选择轴向视图。 单击 “交叉链接” 以链接左右窗口。 向下滚动图像从颅向到剖腹回方向。识别 L1 椎骨,这是第一个没有肋骨附件的椎骨。 从 L1 到 L3 计数,并使用日冕或下垂视图来识别 L3 中间的切片。这被确定为两个横向过程都能够最大化和平等可视化的点。 选择 L3 切片。从 考试 选项卡中选择 “发送考试” 并保存图像作为 DICOM 文件。注:步骤 1 是预处理步骤,此处列出以演示如何获取 L3 图像。如果研究人员已经拥有 L3 图像,他们可以转到步骤 2。如果图像查看器无法启用交叉引用,研究人员可以跳过 1.1.1 到 1.1.2。如果成像不包括胸腔区域,请识别 L5,这是囊的前部,并从 L5 到 L3 计数,请记住,第六个腰椎的存在是一个正常的变体。 用切片-O-马蒂奇软件打开DICOM图像。 将 DICOM 文件拖至切片-O-马蒂奇窗口上的任意位置。 选择 模式|区域增长开始细分。注:由于 MRI 图像中脂肪组织差异化不良,因此只有 SM 被分割。 脊侧肌肉分割:点击屏幕左侧区域生长区域下方的 1 (红色)。 在 预览模式下,图像的直方图将显示多个峰值,第一个峰值代表空气,随后的第二、第三和第四个峰值分别代表肌肉、骨骼和脂肪。 单击下限的关闭按钮将其打开。 单击鼠标轮的箭头,将禁用设置为下限。 将滑块拖动到下限,将霍恩斯菲尔德单元 (HU) 阈值设置为 0。 点击”上限”按钮将其打开。 单击鼠标轮的箭头,将下限设置为上限。 将滑块拖动到上限,以设置 HU 以包括副脊肌。 开始分割脊基肌肉,为骨骼肌肉组织 (SM) 选择 1。 设置画笔选项以 进行绘图。使用直接在 区域生长 下找到的画笔工具,以适应所需的画笔大小,并开始在脊杆肌组上绘画。注意:如果任何内容被标记为肌肉在肌肉筋膜外的液体或器官上,请务必使用 无 颜色选择清除标记。 剩余肌肉群的分割:将鼠标前移至线性阿尔巴。在预览模式下,调整上限以包括线性 alba。然后,所有剩余肌肉群均采用这种强度上限。 开始细分,为骨骼肌肉组织 (SM) 选择 1。 设置画笔选项以 进行绘图。使用直接在区域生长下找到的画笔工具,以适应所需的画笔大小,并开始在脊杆肌组上绘画。注意:如果任何内容被标记为肌肉在肌肉筋膜外的液体或器官上,请务必使用 无 颜色选择清除标记。 标记完组织后,转到 工具|标记表面/体积。这将显示标记的每个组织的表面积和体积,通常兴趣在表面积。 单击 “窗口中的显示” 以完全打开 标签表面/卷 窗口。这也将显示 HU 值。 记录表面积和 HU 阈值。注意:如果 标签表盘/音量 窗口未显示在屏幕左下角,则可能是因为没有足够的空间来显示它。在这种情况下,请确保切片-O-Matic 窗口最大化,然后选择 工具|标记锁定 以删除 标签锁定 窗口。这应该有足够的空间来显示 标签表面/卷 窗口。 完成后,请转到 文件|保存标签文件。这将保存位于 DICOM 文件所在的 TAG 文件。 3. CT 和 MRI 的线性测量 获取轴向 CT 或 MRI DICOM 图像。 在图像查看器中,识别 L3 椎骨。 如果可能,选择两个水平窗口视图,并选择左边的日冕或下垂视图作为参考,在右边选择轴向视图。 单击 “交叉链接” 以链接左右窗口。 向下滚动图像从颅向到剖腹回方向。识别 L1 椎骨,这是第一个没有肋骨附件的椎骨。 从 L1 到 L3 计数,并使用日冕或下垂视图来识别 L3 中间的切片,通过两个横向过程均等识别的点进行识别。注:步骤 1 是预处理步骤,此处列出以演示如何获取 L3 图像。如果研究人员已经拥有 L3 图像,他们可以转到步骤 2。如果图像查看器无法启用交叉引用,研究人员可以跳过 1.1.1 到 1.1.2。如果成像不包括胸腔区域,请识别 L5,这是前囊,并从 L5 到 L3 计数。 将图像导入医疗成像查看器并打开。 对于霍罗斯:打开应用程序,然后单击 导入。 导航到 DICOM 图像的位置,选择它并单击 “打开”。文件和图像应显示在患者姓名列表下。 双击 患者姓名,然后双击图像以开始线性分割。 识别普索亚肌肉和副脊肌肉。 选择标尺工具,测量上述四个肌肉的水平(180°)和垂直(90°)直径。注:线条必须是水平和垂直的图像,而不是对角线。绘制的水平线和垂直线应创建一个矩形框,涵盖整个肌肉。不要简单地测量肌肉最长的距离。如果使用允许框绘图工具的图像查看器,则可以使用该工具而不是简单的标尺工具。这规定,框绘图工具至少显示盒子的高度和长度。 记录所有八个测量(右普索亚宽度,右普索亚长度,左普索亚宽度,左普索亚长度,右脊侧宽度,右脊侧长度,左侧脊侧宽度),以进一步分析。 通过将肌肉的水平和垂直值倍增来计算单个肌肉表面积。 通过将左肌肉分别添加到右肌肉中,获得总肌肉表面积 psoas 肌肉和副脊肌。 通过将合并的表面积 (mm2) 除以患者身高平方 (m2) 来计算线性肌肉指数。

Representative Results

L3 分割过程导致标记的 CT 或 MRI 图像,骨骼肌 (SM) 组织标记为红色、IMAT 标记为绿色、增值税为黄色和 SAT 在青色中标记(图 1)。其余未标记的组织将保持其原始的白色、灰色和背面色调,这些色调与每个像素各自的 Hounsfield 单位 (HU) 值相对应。留在白色中的大多数未标记组织将是骨骼,大多数留在灰色中的组织将是肠道流明内的非骨骼肌肉、器官组织和脂肪组织,而留在黑色图像的大部分将是空气。正确细分的图像在骨骼肌肉筋膜外没有红色或绿色标记,骨骼肌肉筋膜内没有黄色或青色标记。此外,黄色标记不应侵入肠道或器官(如肾脏或肝脏)的流明,并且不应沿与皮肤相对应的较浅的外缘存在青色标记。图像分割完成后,应记录表面积和平均组织 HU 值,以及患者的高度(表 1)。从这些数据中,可以计算骨骼肌肉指数,并进行与特定研究或临床问题相关的任何其他分析。请注意,对于大多数 MRI 图像,只有骨骼肌肉可以正确标记并随后进行分析(表 2)。在线性测量中,指数是通过将表面积除以高度的正方形(表3)来计算的。 研究人员在分割过程中可能遇到的常见问题包括遗漏关键信息的图像。例如,图像可能有相当大的部分被剪掉或裁剪掉(图2)。具体来说,将 SAT 和/或骨骼肌肉组织从框架中切出的图像将大大降低受影响组织的表面积计算精度。这是否使图像不适合分析将取决于临床或研究背景,并且必须由研究小组根据个案来决定。另一个陷阱是,研究人员可能无意中将脊髓和骨髓纳入骨骼肌中。为了避免这个问题,研究人员应该训练有素,在分割过程中保持谨慎。CT 或 MRI 图像中的其他常见神器包括患者在扫描仪中的放置或运动引起的技术问题、骨骼肌肉筋膜周围的脂肪搁浅和疤痕组织,以及其他形状古怪的神器(图 3)。患者运动或放置不当引起的技术问题通常会显得较轻,HU 值高于周围组织。这类技术问题通常出现在 SAT 中,还可以降低表面积计算的准确性。临床或研究背景将决定对此类问题的容忍度。脂肪绞线和疤痕组织人工制品通常不会导致组织表面积计算中的高错误。然而,它们可能导致对法体线的误认。骨骼肌和 IMAT 表面积在脂肪链或疤痕组织被误认为肌肉筋膜线的情况下可能非常不准确。CT 和 MRI 图像中的其他小瑕疵和人工制品通常不会影响整体图像质量,除非在极少数情况下。根据临床或研究背景,这些文物可能需要放射学专家进行评估,以验证图像质量。CT 和 MRI 图像中的最后一个常见问题是肌肉筋膜线的畸形(图 4)。这些中断通常不会影响图像质量,但包含肌肉筋膜大断裂或其他畸形的图像应由放射科医生评估,以确定畸形起源是否会影响临床或研究背景的分析。 Avruvin等人开发的L3线性测量程序的常见误差比L3细分程序14、15要小。线性测量中遇到的主要问题围绕着确定感兴趣的肌肉群,两个心理和副脊肌组(图5)。在大多数情况下,psoas 边缘将不同于附近的器官,但如果边缘难以辨别,更改 HU 滤镜或亮度通常可以解决大多数问题。此外,副脊气肌肉群的边缘通常会不同于附近的其他组织,但人们应该注意到,如果没有明确的肌肉到达最底层的筋膜线,线不应该包括在确定副脊肌组的下边缘。最后,在确定psoas或副脊椎肌肉群的边缘时,应排除四足龙骨(图5E)。 图1:切片-O-Matic中的正确L3分割。 (A) L3椎骨上未改变的轴向CT图像。(B) 与骨骼肌 (SM)、 绿色到肌肉内脂肪组织 (IMAT)、 黄色到静脉脂肪组织 (VAT) 和青色到皮下脂肪组织 (SAT) 的红色完全标记的轴向 CT 。 请单击此处查看此图的较大版本。 图2:切断L3 CT图像。 Slice-O-Matic 中未标记的 CT 图像,具有大量的 SAT 以及大量骨骼肌组织被切断。 请单击此处查看此图的更大版本。 图3:普通文物。 (A) 未标记的CT图像分别在红盒子、蓝色椭圆形和绿色盒子中突出显示各种文物。红色框显示 CT 扫描的技术问题,可能是由于扫描过程中的失调或运动造成的。蓝色椭圆形突出显示可能来自疤痕组织的常见神器。绿色方块突出显示可能具有多种潜在原因的瑕疵。(B) 标记的 CT 扫描,在红色框、蓝色椭圆形和绿色框中突出显示相同的相关文物的外观。 请单击此处查看此图的较大版本。 图4:肌肉筋膜大面积断裂。 (A) 未标记的 L3 CT 图像突出显示紫色盒子中骨骼肌筋膜的大断裂。(B) 标记的 L3 CT 图像突出了紫色盒子骨骼肌筋膜大断裂的标记外观。 请单击此处查看此图的较大版本。 图5:L3线性测量。 (A) 原始 L3 CT 图像,在 Horos 图像查看器中进行分析之前。(B) 传统的线性测量方法包括一条垂直线和一条为每块肌肉绘制的水平线。这些线条用尺子工具测量,并成倍增加,以找到每个肌肉群的表面积。请注意,传统的线性测量方法应始终有线在 90°交叉。传统线性测量方法的图像仅在 Horos 中创建,因此仅具有视觉演示,不能保证具有 90° 交叉点。(C) (D) (E) L3 线性测量的框方法。(C) (D) 蓝色和紫色的盒子分别包括右侧和左侧的银屑,黄色和绿色的盒子分别包括右侧和左侧的副脊肌。(E) 浅紫色和橙色的盒子突出四足龙骨,在确定普索亚和副脊肌组的边缘时不应考虑。 请单击此处查看此图的较大版本。 图6:线性测量和L3横截面骨骼肌肉面积的比较,n = 65。 组合的银屑和副脊部区域与 L3 横截面的骨骼肌肉总和一致。 请单击此处查看此图的较大版本。 CT 细分 肌肉 肌肉内脂肪组织 内脏脂肪组织 皮下脂肪组织 苏面面积 (厘米2) 134.4 8.402 72.43 271 霍恩斯菲尔德单位(平均) 33.61 2.1 18.11 67.76 患者身高平方 (m2) 2.69 骨骼肌肉指数 (肌肉面积/高度2, 厘米2/ m2) 49.97 表1:CT分割 核磁共振成像 肌肉 苏面面积 (厘米2) 241.8 霍恩斯菲尔德单位(平均) 35.85 患者身高 (m2) 3.39 骨骼肌肉指数 71.42 (肌肉面积/高度2, 厘米2/m2) 表2:核磁共振成像分段 线性测量 右普索斯高度(厘米) 右普索亚宽度(厘米) 左普索亚高度(厘米) 左普索亚宽度(厘米) 右侧脊部高度(厘米) 右侧脊侧宽度(厘米) 左侧脊侧高度(厘米) 左侧脊侧宽度(厘米) 3.934 2.927 3.743 2.788 4.916 6.264 4.403 7.045 普索斯总面积 (厘米2) 21.950 总副脊体面积 (cm2) 61.813 总肌肉面积 (厘米2) 83.76 患者身高平方 (m2) 2.496 线性测量指数 (厘米2/m2) 33.55 表3:线性测量

Discussion

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。

Declarações

The authors have nothing to disclose.

Acknowledgements

作者要感谢约翰·罗宾逊和丘吉尔家族基金会的支持。

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.

Referências

  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

Citar este artigo
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