Summary

Segmentierung und lineare Messung zur Analyse der Körperzusammensetzung mit Slice-O-Matic und Horos

Published: March 21, 2021
doi:

Summary

Segmentierung und lineare Messungen quantifizieren Skelettmuskelmasse und Fettgewebe mit Computertomographie und / oder Magnetresonanztomographie. Hier skizzieren wir die Verwendung der Slice-O-Matic-Software und des Horos-Bildbetrachters für eine schnelle und genaue Analyse der Körperzusammensetzung. Diese Methoden können wichtige Informationen für Prognose und Risikostratifizierung liefern.

Abstract

Die Körperzusammensetzung ist mit dem Risiko eines Fortschreitens der Krankheit und Behandlungskomplikationen bei einer Vielzahl von Erkrankungen verbunden. Daher kann die Quantifizierung der Skelettmuskelmasse und des Fettgewebes auf Computertomographie (CT) und / oder Magnetresonanztomographie (MRT) die Risikobewertung und Krankheitsprognose für Operationen beeinflussen. Dieser Artikel beschreibt zwei Quantifizierungsmethoden, die ursprünglich von Mourtzakis et al. und Avrutin et al. beschrieben wurden: Gewebesegmentierung und lineare Messung der Skelettmuskulatur. Für beide Messungen wurde das Querschnittsbild der Patienten in der Mitte des dritten Lendenwirbels erhalten. Zur Segmentierung wurden die Bilder in Slice-O-Matic importiert und für Skelettmuskeln, intramuskuläres Fettgewebe, viszerales Fettgewebe und subkutanes Fettgewebe eingefärbt. Anschließend wurden die Oberflächen jedes Gewebetyps mithilfe der Tag-Oberflächenfunktion berechnet. Für lineare Messungen werden Höhe und Breite der bilateralen Psoas und paraspinalen Muskeln auf Höhe des dritten Lendenwirbels gemessen und die Berechnung mit diesen vier Werten ergibt die geschätzte Skelettmuskelmasse. Die Segmentierungsanalyse liefert quantitative, umfassende Informationen über die Körperzusammensetzung der Patienten, die dann mit dem Fortschreiten der Erkrankung korreliert werden können. Der Prozess ist jedoch zeitaufwändiger und erfordert eine spezielle Schulung. Lineare Messungen sind ein effizientes und klinikfreundliches Werkzeug zur schnellen präoperativen Auswertung. Lineare Messungen geben jedoch keine Aufschluss über die Zusammensetzung des Fettgewebes. Nichtsdestotrotz haben diese Methoden breite Anwendungen bei einer Vielzahl von Krankheiten, um chirurgische Ergebnisse, das Risiko eines Krankheitsverlaufs vorherzusagen und Behandlungsmöglichkeiten für Patienten zu informieren.

Introduction

Die Beurteilung von Sarkopenie und Körperzusammensetzung ist derzeit von großem klinischem Interesse. Obwohl spezifische Definitionen von Sarkopenie je nach Einstellung und Kontext variieren, beinhalten alle Definitionen einen signifikanten Verlust an Skelettmuskelmasse oder Muskelkraft, die eng miteinander korreliert sind1,2,3. Die Analyse der Körperzusammensetzung umfasst Messungen der Skelettmuskelmasse und der Fettgewebeverteilung und liefert umfassendere Informationen über die allgemeine Fitness der Patienten1,3,4. In ähnlicher Weise wurde festgestellt, dass überproportional verteiltes Fettgewebe, insbesondere viszerales Fettgewebe, mit verschiedenen Krankheiten zusammenhängt, einschließlich Herzerkrankungen, Typ-II-Diabetes und Krebs5.

Klinisch haben sich Sarkopenie und ihre Beurteilung durch lineare Messungen wiederholt als starker prognostischer Faktor für das krebsspezifische Überleben bei Malignomen und onkologischen Ergebnissen nachOperation,Strahlentherapie und Chemotherapieerwiesen 1,2,4,6,7,8. Insbesondere frühere Forschungen zeigen, dass Patienten mit Sarkopenie das krebsspezifische Überleben und das Gesamtüberleben verringert haben1,2,9,10. Daher ist eine genaue und schnelle klinische Beurteilung der Sarkopenie-Progression wichtig für die Bestimmung der Behandlungswahl. Die herkömmliche Profilierung der Ganzkörperzusammensetzung erfordert eine Analyse auf dreidimensionaler (3D) Ebene mit bildgebenden Verfahren, einschließlich Computertomographie (CT), Magnetresonanztomographie (MRT), Knochendensitometrie (DEXA) und bioelektrischer Impedanzanalyse (BIA), die zeitaufwendig und kostspielig sind und eine umfangreiche Schulung erfordern5,11. Ein weiterer Nachteil ist ein Mangel an Informationen über die Fettverteilung, insbesondere für die Luftverdrängungsplethysmographie (ADP) und DEXA12. Daher hat die Beurteilung und Bestimmung von Sarkopenie und Körperzusammensetzung unter Verwendung konventioneller Querschnittsbildgebungsmodalitäten wie CT oder MRT, die als Teil der klinischen Standard-of-Care-Praxis eingesetzt werden, einen großen klinischen Wert5.

Eine häufig verwendete Segmentierungssoftware in der klinischen Forschung ist das von TomoVision entwickelte Slice-O-Matic-Programm. Mit dem Segmentierungsverfahren von Mourtzakis et al.13 ermöglicht das Programm Forschern oder Klinikern, verschiedene Gewebetypen wie Skelettmuskel (SM), intramuskuläres Fettgewebe (IMAT), viszerales Fettgewebe (VAT) und subkutanes Fettgewebe (SAT) halbautomatisch mit dichtebasierten Schwellenwerten zu markieren, was die Messung der gesamten Querschnittsbereiche jedes Gewebes ermöglicht. Diese Messungen werden dann verwendet, um die Skelettmuskelmasse und Adipositas des gesamten Körpers zu schätzen, oft nach Normalisierung durch die Körpergröße eines Patienten im Quadrat, um Sarkopenie und sarkopenische Fettleibigkeit anhand populationsbasierter Schwellenwerte zu identifizieren.

Eine kürzlich von Avrutin et al.14 entwickelte Methode mit linearen Messungen der Skelettmuskulatur hat gezeigt, dass sie das Potenzial hat, die Gesamtmuskelmasse anhand von MRT- und CT-Bildern des L3-Querschnitts14,15gleichermaßen zuverlässig abzuschätzen. Die Psoas- und Paraspinalmuskelgruppen umfassen einen Großteil der Muskeloberfläche der L3-Region und haben eine hohe Funktionalität, was darauf hindeutet, dass sie High-Fidelity-Prädiktoren für die gesamte Muskelkraft und damit die Hauptkandidaten der linearen Messung sein können14,15. Zur Berechnung der Muskeloberfläche werden horizontale und vertikale Messungen der Psoas- und Paraspinalmuskelgruppen mit einem Linealwerkzeug erhalten, um 90° sich schneidende gerade Linien zu zeichnen. Die horizontalen und vertikalen Messungen jeder Muskelgruppe werden multipliziert, um die Oberfläche jeder Muskelgruppe zu schätzen, die dann verwendet wird, um einen linearen Muskelindex zu berechnen, wenn sie durch die Größe des Patienten geteilt werden. Bei minimalem Training kann dieser gesamte Prozess weniger als 1 Minute dauern.

Angesichts der möglichen Auswirkungen von Messungen der Körperzusammensetzung auf die Patientenversorgung besteht ein dringender Bedarf an der Erstellung zugänglicher Schulungsmaterialien. In diesem Artikel bieten wir eine detaillierte Beschreibung von zwei Methoden, die von Avrutin et al.14 und Mourtzakis et al.13 entwickelt wurden, um die Skelettmuskelmasse bzw. die Körperzusammensetzung für Anbieter und klinische Forscher zu quantifizieren.

Protocol

Die folgende Studie und Protokolle wurden vom Institutional Review Board der Emory University überprüft und genehmigt. 1. L3 CT Segmentierung Erhalten Sie das axiale CT Digital Imaging and Communications in Medicine (DICOM) Bild. Identifizieren Sie im Bildbetrachter den L3-Wirbel. Wählen Sie nach Möglichkeit zwei horizontale Fensteransichten aus, und wählen Sie die koronale oder sagittale Ansicht auf der linken Seite als Referenz und die axiale Ansicht auf der rechten Seite aus. Klicken Sie auf Cross Link, um das linke und rechte Fenster zu verknüpfen. Scrollen Sie die Bilder von kranialer zu kaudaler Richtung nach unten. Identifizieren Sie den L1-Wirbel, den ersten Wirbel ohne Rippenaufsatz. Zählen Sie von L1 bis L3 und verwenden Sie die koronale oder sagittale Ansicht, um die Scheibe der Mitte von L3 zu identifizieren. Dies wird als der Punkt identifiziert, an dem beide Querprozesse maximal und gleichermaßen visualisiert werden können. Wählen Sie das Segment L3 aus. Wählen Sie auf der Registerkarte Prüfung die Option Prüfung senden aus, und speichern Sie das Bild als DICOM-Datei.HINWEIS: Schritt 1 ist ein Vorverarbeitungsschritt und wird hier aufgeführt, um zu veranschaulichen, wie ein L3-Bild erhalten wird. Wenn der Forscher bereits ein L3-Bild hat, kann er mit Schritt 2 fortfahren. Wenn der Bildbetrachter keine Querverweise aktiviert, kann der Forscher 1.1.1 bis 1.1.2 überspringen. Wenn die Bildgebung keine Thoraxregion umfasst, identifizieren Sie L5, das vor dem Kreuzbein liegt, und zählen Sie von L5 bis L3, wobei Sie bedenken, dass das Vorhandensein eines sechsten Lendenwirbels eine normale Variante ist. Öffnen Sie das DICOM-Image mit der Slice-O-Matic Software. Ziehen Sie die DICOM-Datei an eine beliebige Stelle im Slice-O-Matic-Fenster. | “Modi auswählen” Region Wächst, um mit der Segmentierung zu beginnen. Wenn die Version von Slice-O-Matic Alberta Protocol-Optionen oben in der Optionsliste Modi enthält, kann man auch Schritt 3: Segmentierung auswählen, um mit der Segmentierung zu beginnen. Wenn Sie Schritt 3: Segmentierungverwenden, schließen Sie Schritt 5 ab, und fahren Sie dann mit Schritt 11 fort. | “Werkzeuge” auswählen Tag-Sperre. Auf diese Weise kann der Benutzer markierte Farben “sperren”, um sicherzustellen, dass sie später nicht versehentlich überfärbt oder gelöscht werden. Skelettmuskelidentifikation: Klicken Sie auf 1 (Rot) unter dem Bereich Region Wachstum auf der linken Seite des Bildschirms. Klicken Sie auf die Schaltfläche Aus von Lower Limit, um sie auf Einzu schalten. Klicken Sie auf die Pfeile mit dem Mausrad, um Deaktiviert auf Untere Grenze zu setzen. Ziehen Sie den Schieberegler auf Lower Limit, um den Schwellenwert für Hounsfield Unit (HU) so nahe wie möglich an -29 zu setzen, und verwenden Sie dann das Mausrad, um den HU-Schwellenwert genau auf -2913einzustellen. Klicken Sie auf die Schaltfläche Aus unter Obergrenze, um sie auf Einzu schalten. Klicken Sie auf die Pfeile mit dem Mausrad, um Lower Limit auf Upper Limit zu setzen. Ziehen Sie den Schieberegler auf Upper Limit, um den HU-Schwellenwert so nahe wie möglich an 150 zu setzen, und verwenden Sie dann das Mausrad, um den HU-Schwellenwert genau auf 15013einzustellen. Intramuskuläre Fettgewebe (IMAT) Identifizierung: Klicken Sie auf 2 (Grün) unter dem Bereich Region Wachstum auf der linken Seite des Bildschirms. Klicken Sie auf die Schaltfläche Aus von Lower Limit, um sie auf Einzu schalten. Klicken Sie auf die Pfeile mit dem Mausrad, um Deaktiviert auf Untere Grenze zu setzen. Ziehen Sie den Schieberegler auf Untergrenze, um den HU-Schwellenwert so nahe wie möglich an -190 zu setzen, und verwenden Sie dann das Mausrad, um den HU-Schwellenwert genau auf -19013einzustellen. Klicken Sie auf die Schaltfläche Aus unter Obergrenze, um sie auf Einzu schalten. Klicken Sie auf die Pfeile mit dem Mausrad, um Lower Limit auf Upper Limit zu setzen. Ziehen Sie den Schieberegler auf Upper Limit, um den HU-Schwellenwert so nahe wie möglich an -30 zu setzen, und verwenden Sie dann das Mausrad, um den HU-Schwellenwert genau auf -3013einzustellen. Viszerales Fettgewebe (MwSt.) Identifizierung: Klicken Sie auf 5 (Gelb) unter dem Bereich Region Wachstum auf der linken Seite des Bildschirms. Klicken Sie auf die Schaltfläche Aus von Lower Limit, um sie auf Einzu schalten. Klicken Sie auf die Pfeile mit dem Mausrad, um Deaktiviert auf Untere Grenze zu setzen. Ziehen Sie den Schieberegler auf Untere Grenze, um den HU-Schwellenwert so nahe wie möglich an -150 zu setzen, und verwenden Sie dann das Mausrad, um den HU-Schwellenwert genau auf -15013einzustellen. Klicken Sie auf die Schaltfläche Aus unter Obergrenze, um sie auf Einzu schalten. Klicken Sie auf die Pfeile mit dem Mausrad, um Lower Limit auf Upper Limit zu setzen. Ziehen Sie den Schieberegler auf Upper Limit, um den HU-Schwellenwert so nahe wie möglich an -50 zu setzen, und verwenden Sie dann das Mausrad, um den HU-Schwellenwert genau auf -5013einzustellen. Subkutanes Fettgewebe (SAT) Identifizierung: Klicken Sie auf 7 (Cyan) unter dem Bereich Region Growing auf der linken Seite des Bildschirms. Klicken Sie auf die Schaltfläche Aus von Lower Limit, um sie auf Einzu schalten. Klicken Sie auf die Pfeile mit dem Mausrad, um Deaktiviert auf Untere Grenze zu setzen. Ziehen Sie den Schieberegler auf Untergrenze, um den HU-Schwellenwert so nahe wie möglich an -190 zu setzen, und verwenden Sie dann das Mausrad, um den HU-Schwellenwert genau auf -19013einzustellen. Klicken Sie auf die Schaltfläche Aus unter Obergrenze, um sie auf Einzu schalten. Klicken Sie auf die Pfeile mit dem Mausrad, um Lower Limit auf Upper Limit zu setzen. Ziehen Sie den Schieberegler auf Upper Limit, um den HU-Schwellenwert so nahe wie möglich an -30 zu setzen, und verwenden Sie dann das Mausrad, um den HU-Schwellenwert genau auf -3013einzustellen. Verwenden Sie die Tasten + und – auf der Tastatur, um das CT-Bild zu vergrößern und zu verkleinern. Passen Sie den Zoom während der Segmentierung nach Bedarf an, um Gewebe klar und genau zu markieren. Beginnen Sie mit der Segmentierung, indem Sie 1 für Skelettmuskelgewebe (SM) auswählen. Legen Sie die Pinseloption auf Malenfest. Verwenden Sie die Pinselwerkzeuge direkt unter Region Wachsen, um sich an die gewünschte Größe des Pinsels anzupassen und beginnen Sie mit dem Übermalen der Musculus Psoas, Paraspinal Muscle Groups, Schräg- und Rectusmuskelgruppen.HINWEIS: Wenn Flüssigkeiten oder Organe außerhalb der Muskelfaszie rot als Muskel markiert sind, achten Sie darauf, die Markierung mit der Farbauswahl Keine zu löschen. Sobald alle Muskeln markiert sind, wählen Sie 1 im Menü TAG Lock unten links auf dem Bildschirm. Dadurch wird sichergestellt, dass kein Muskel versehentlich neu markiert oder gelöscht wird, wenn die Segmentierung fortschreitet. Wählen Sie unter Region Wachsen 2 aus und übermalen Sie alle Fettgewebe (IMAT) innerhalb der Muskelfaszie. Achten Sie darauf, die Farbauswahl Keine zu verwenden, wenn Fett oder Strukturen außerhalb der Muskelfaszie fälschlicherweise als IMAT gekennzeichnet sind.HINWEIS: Die Ränder der Muskelfaszie erscheinen normalerweise heller als das viszerale oder subkutane Fett, das sie umgibt. Achten Sie darauf, das gesamte Fett in den helleren Rändern der Muskelfaszie als IMAT und nicht als VAT oder SAT zu kennzeichnen. Wenn die Linea alba nicht als Muskel markiert ist, sollte die Gesamtheit der Linea alba als IMAT analysiert werden. Sobald alle IMAT markiert sind, wählen Sie 2 aus dem Menü TAG Lock unten links auf dem Bildschirm. Wählen Sie 5 aus dem Menü Region Growing aus, um das Mehrwertsteuergewebe zu kennzeichnen. Beim Markieren der Mehrwertsteuer kann es je nach Bild einfacher sein, Grow 2D anstelle von Paintzu verwenden. Wenn Sie Grow 2Dverwenden, verwenden Sie die Option “Kleinster Pinsel”. Wenn Sie Grow 2D verwenden, sollten Sie auf alle markierten Mehrwertsteuern zurückblicken und sicherstellen, dass kein intralumenales Gewebe im Darm oder in Organen fälschlicherweise markiert ist, da dieses Fett normalerweise entweder aus der Verdauung von Nahrung oder anderen Strukturen stammt, die nicht Mehrwertsteuer sind. Wenn Sie Paint verwenden, achten Sie darauf, nicht im Lumen von Organen oder im Darm zu malen. Sobald die gesamte Mehrwertsteuer markiert ist, wählen Sie 5 aus dem Menü TAG Lock unten links auf dem Bildschirm. Wählen Sie 7 aus dem Menü “Region Wachsen”, um SAT-Gewebe zu markieren. Beim Taggen von SAT ist es je nach Bild in der Regel einfacher, Grow 2D anstelle von Paintzu verwenden. Wenn Sie Grow 2Dverwenden, verwenden Sie die Option “Kleinster Pinsel”. Wenn Sie Grow 2D verwenden, stellen Sie sicher, dass Sie mit dem Werkzeug Keine über die Ränder des Bildes zurückgehen, um sicherzustellen, dass kein Gewebe in der Muskelfaszie als SAT markiert ist und um sicherzustellen, dass keine Haut als SAT markiert ist.HINWEIS: Die Haut ist in der Regel heller als SAT und ist normalerweise etwa 2-3 Pixel dick, aber beachten Sie, dass das Aussehen und die Dicke der Haut von Bild zu Bild variieren können. Wenn Sie Paintverwenden, achten Sie darauf, an den Rändern, insbesondere an der Haut, vorsichtig zu sein, um sicherzustellen, dass kein Gewebe falsch markiert ist. Wenn Sie mit dem Markieren von Geweben fertig sind, gehen Sie zu Tools | Tag-Oberfläche/Volumen. Dadurch werden die Oberfläche und das Volumen jedes der markierten Gewebe angezeigt, in der Regel liegt das Interesse an der Oberfläche. Klicken Sie auf Anzeige im Fenster, um das Fenster Tag-Oberfläche/Volumen vollständig zu öffnen. Dadurch werden auch HU-Werte angezeigt. Notieren Sie die Schwellenwerte für die Oberfläche und die HU.HINWEIS: Wenn das Fenster Tag-Oberfläche/Lautstärke nicht unten links auf dem Bildschirm angezeigt wird, kann dies daran liegen, dass nicht genügend Platz vorhanden ist, um es anzuzeigen. Stellen Sie in diesem Fall sicher, dass das Slice-O-Matic-Fenster maximiert ist, und wählen Sie dann Extras | Tag-Sperre, um das Fenster Tag-Sperre zu entfernen. Dadurch sollte genügend Platz für die Anzeige des Fensters Tag-Oberfläche/Volumen vorhanden sein. Wenn Sie fertig sind, wechseln Sie zu Datei | Speichern Sie TAG-Dateien. Dadurch wird eine TAG-Datei gespeichert, in der sich die DICOM-Datei befindet. 2. L3 MRT-Segmentierung Erhalten Sie das diCOM-DiCOM-Bild der axialen MRT (T2-gewichtete Sequenzen) Identifizieren Sie im Bildbetrachter den L3-Wirbel. Wählen Sie nach Möglichkeit zwei horizontale Fensteransichten aus, und wählen Sie die koronale oder sagittale Ansicht auf der linken Seite als Referenz und die axiale Ansicht auf der rechten Seite aus. Klicken Sie auf Cross Link, um das linke und rechte Fenster zu verknüpfen. Scrollen Sie die Bilder von kranialer zu kaudaler Richtung nach unten. Identifizieren Sie den L1-Wirbel, den ersten Wirbel ohne Rippenaufsatz. Zählen Sie von L1 bis L3 und verwenden Sie die koronale oder sagittale Ansicht, um die Scheibe der Mitte von L3 zu identifizieren. Dies wird als der Punkt identifiziert, an dem beide Querprozesse maximal und gleichermaßen visualisiert werden können. Wählen Sie das Segment L3 aus. Wählen Sie auf der Registerkarte Prüfung die Option Prüfung senden aus, und speichern Sie das Bild als DICOM-Datei.HINWEIS: Schritt 1 ist ein Vorverarbeitungsschritt und wird hier aufgeführt, um zu veranschaulichen, wie ein L3-Bild erhalten wird. Wenn der Forscher bereits ein L3-Bild hat, kann er mit Schritt 2 fortfahren. Wenn der Bildbetrachter keine Querverweise aktiviert, kann der Forscher 1.1.1 bis 1.1.2 überspringen. Wenn die Bildgebung die Thoraxregion nicht umfasst, identifizieren Sie L5, das vor dem Kreuzbein liegt, und zählen Sie von L5 bis L3, wobei Sie bedenken, dass das Vorhandensein eines sechsten Lendenwirbels eine normale Variante ist. Öffnen Sie das DICOM-Image mit der Slice-O-Matic-Software. Ziehen Sie die DICOM-Datei an eine beliebige Stelle im Slice-O-Matic-Fenster. | “Modi auswählen” Region Wächst, um mit der Segmentierung zu beginnen.HINWEIS: Aufgrund der schlechten Differenzierung von Fettgewebe in MRT-Bildern wird nur SM segmentiert. Segmentierung der paraspinalen Muskeln: Klicken Sie auf 1 (Rot) unter dem Bereich Region Wachstum auf der linken Seite des Bildschirms. Im Vorschaumoduswürden Histogramme des Bildes mehrere Peaks anzeigen, wobei der erste Peak Luft und der nachfolgende zweite, dritte und vierte Peak Muskel, Knochen und Fett darstellen. Klicken Sie auf die Schaltfläche Aus von Lower Limit, um sie auf Einzu schalten. Klicken Sie auf die Pfeile mit dem Mausrad, um Deaktiviert auf Untere Grenze zu setzen. Ziehen Sie den Schieberegler auf Lower Limit, um den Schwellenwert für hounsfield Unit (HU) auf 0 festzulegen. Klicken Sie auf die Schaltfläche Aus unter Obergrenze, um sie auf Einzu schalten. Klicken Sie auf die Pfeile mit dem Mausrad, um Lower Limit auf Upper Limit zu setzen. Ziehen Sie den Schieberegler auf Upper Limit, um HU so einzustellen, dass der Paraspinalmuskel eingeschlossen wird. Beginnen Sie mit der Segmentierung des Paraspinalmuskels, indem Sie 1 für Skelettmuskelgewebe (SM) auswählen. Legen Sie die Pinseloption auf Malenfest. Verwenden Sie die Pinselwerkzeuge direkt unter Region Wachsen, um sich an die gewünschte Größe des Pinsels anzupassen und beginnen Sie mit dem Übermalen der Paraspinalmuskelgruppen.HINWEIS: Wenn etwas rot als Muskel auf Flüssigkeiten oder Organen außerhalb der Muskelfaszie markiert ist, achten Sie darauf, die Markierung mit der Farbauswahl Keine zu löschen. Segmentierung der verbleibenden Muskelgruppen: Bewegen Sie die Maus nach vorne zu Linea alba. Passen Sie im Vorschaumodus die Obergrenze so an, dass linea alba eingeschlossen wird. Diese obere Grenze der Intensität wird dann für alle verbleibenden Muskelgruppen übernommen. Beginnen Sie mit der Segmentierung, indem Sie 1 für Skelettmuskelgewebe (SM) auswählen. Legen Sie die Pinseloption auf Malenfest. Verwenden Sie die Pinselwerkzeuge direkt unter Region Wachsen, um sich an die gewünschte Größe des Pinsels anzupassen und beginnen Sie mit dem Übermalen der Paraspinalmuskelgruppen.HINWEIS: Wenn etwas rot als Muskel auf Flüssigkeiten oder Organen außerhalb der Muskelfaszie markiert ist, achten Sie darauf, die Markierung mit der Farbauswahl Keine zu löschen. Wenn Sie mit dem Markieren von Geweben fertig sind, gehen Sie zu Tools | Tag-Oberfläche/Volumen. Dadurch werden die Oberfläche und das Volumen jedes der markierten Gewebe angezeigt, in der Regel liegt das Interesse an der Oberfläche. Klicken Sie auf Anzeige im Fenster, um das Fenster Tag-Oberfläche/Volumen vollständig zu öffnen. Dadurch werden auch HU-Werte angezeigt. Notieren Sie die Schwellenwerte für die Oberfläche und die HU.HINWEIS: Wenn das Fenster Tag-Oberfläche/Lautstärke nicht unten links auf dem Bildschirm angezeigt wird, kann dies daran liegen, dass nicht genügend Platz vorhanden ist, um es anzuzeigen. Stellen Sie in diesem Fall sicher, dass das Slice-O-Matic-Fenster maximiert ist, und wählen Sie dann Extras | Tag-Sperre, um das Fenster Tag-Sperre zu entfernen. Dadurch sollte genügend Platz für die Anzeige des Fensters Tag-Oberfläche/Volumen vorhanden sein. Wenn Sie fertig sind, wechseln Sie zu Datei | Speichern Sie TAG-Dateien. Dadurch wird eine TAG-Datei gespeichert, in der sich die DICOM-Datei befindet. 3. Lineare Messung für CT und MRT Erhalten Sie das axiale CT- oder MRT-DICOM-Bild. Identifizieren Sie im Bildbetrachter den L3-Wirbel. Wählen Sie nach Möglichkeit zwei horizontale Fensteransichten aus, und wählen Sie die koronale oder sagittale Ansicht auf der linken Seite als Referenz und die axiale Ansicht auf der rechten Seite aus. Klicken Sie auf Cross Link, um das linke und rechte Fenster zu verknüpfen. Scrollen Sie die Bilder von kranialer zu kaudaler Richtung nach unten. Identifizieren Sie den L1-Wirbel, den ersten Wirbel ohne Rippenaufsatz. Zählen Sie von L1 bis L3 und verwenden Sie die koronale oder sagittale Ansicht, um die Scheibe der Mitte von L3 zu identifizieren, die durch den Punkt identifiziert wird, an dem beide Querprozesse gleichermaßen identifiziert werden.HINWEIS: Schritt 1 ist ein Vorverarbeitungsschritt und wird hier aufgeführt, um zu veranschaulichen, wie ein L3-Bild erhalten wird. Wenn der Forscher bereits ein L3-Bild hat, kann er mit Schritt 2 fortfahren. Wenn der Bildbetrachter keine Querverweise aktiviert, kann der Forscher 1.1.1 bis 1.1.2 überspringen. Wenn die Bildgebung die Thoraxregion nicht umfasst, identifizieren Sie L5, das vor dem Kreuzbein liegt, und zählen Sie von L5 bis L3. Importieren Sie das Bild in einen medizinischen Bildgebungsbetrachter und öffnen Sie es. Für Horos: Öffnen Sie die App und klicken Sie auf Importieren. Navigieren Sie zum Ort, an dem sich das DICOM-Bild befindet, wählen Sie es aus und klicken Sie auf Öffnen. Die Datei und das Bild sollten unter der Liste Patientenname angezeigt werden. Doppelklicken Sie auf Patientennameund doppelklicken Sie dann auf das Bild, um die lineare Segmentierung zu starten. Identifizieren Sie die Psoas-Muskeln und die Paraspinalmuskeln. Wählen Sie das Linealwerkzeug und messen Sie die horizontalen (180°) und vertikalen (90°) Durchmesser der vier oben genannten Muskeln.HINWEIS: Die Linien müssen horizontal und vertikal zum Bild sein, nicht diagonal. Die horizontalen und vertikalen Linien sollten eine rechteckige Box bilden, die die Gesamtheit jedes Muskels umfasst. Messen Sie nicht einfach die längste Entfernung des Muskels. Wenn Sie einen Bildbetrachter verwenden, der ein Box-Zeichenwerkzeug ermöglicht, kann dieses Werkzeug anstelle des einfachen Linealwerkzeugs verwendet werden. Dies ist vorgesehen, dass das Box-Zeichenwerkzeug mindestens die Höhe und Länge des Box-Zeichens anzeigt. Zeichnen Sie alle acht Messungen auf (rechte Psoas-Breite, rechte Psoas-Länge, linke Psoas-Breite, linke Psoas-Länge, rechte paraspinale Breite, rechte paraspinale Länge, linke paraspinale Breite, linke paraspinale Länge) für weitere Analysen. Berechnen Sie die individuelle Muskeloberfläche, indem Sie den horizontalen und vertikalen Wert dieses Muskels multiplizieren. Erhalten Sie die gesamte Muskeloberfläche Psoas-Muskeln und Paraspinalmuskeln, indem Sie den linken Muskel zum rechten Muskel hinzufügen. Berechnen Sie den linearen Muskelindex, indem Sie die kombinierte Oberfläche (mm2)durch die Patientenhöhe im Quadrat (m2)dividieren.

Representative Results

Das L3-Segmentierungsverfahren führt zu einem markierten CT- oder MRT-Bild mit Skelettmuskelgewebe (SM), das rot, IMAT grün, VAT gelb und SAT in cyan markiert ist(Abbildung 1). Die verbleibenden nicht markierten Gewebe bleiben in ihren ursprünglichen Weiß-, Grau- und Rückentönen erhalten, die den jeweiligen Hounsfield-Einheitswerten (HU) jedes Pixels entsprechen. Die Mehrheit der nicht markierten Gewebe, die in Weiß bleiben, wird Knochen sein, die Mehrheit der Gewebe, die in Grautönen verbleiben, werden Nicht-Skelettmuskeln, Organgewebe und Fettgewebe in den Lumen des Darms sein, und der Großteil des Bildes, das in Schwarz bleibt, wird Luft sein. Ein richtig segmentiertes Bild hat keine rote oder grüne Markierung außerhalb der Skelettmuskelfaszie und keine gelbe oder cyanfarbene Markierung innerhalb der Skelettmuskelfaszie. Darüber hinaus sollte die gelbe Markierung nicht in die Lumen des Darms oder der Organe wie Niere oder Leber eindringen, und die Cyan-Markierung sollte nicht entlang der helleren äußeren Ränder vorhanden sein, die der Haut entsprechen. Nach Abschluss der Bildsegmentierung sollten neben der Körpergröße des Patienten auch die Oberflächenflächen und die durchschnittlichen Gewebe-HU-Werte aufgezeichnet werden (Tabelle 1). Aus diesen Daten kann man den Skelettmuskelindex berechnen und mit jeder anderen Analyse fortfahren, die für die spezifische Forschung oder klinische Fragen relevant ist. Beachten Sie, dass bei den meisten MRT-Bildern nur die Skelettmuskulatur richtig markiert und anschließend analysiert werden kann (Tabelle 2). Bei linearen Messungen wird ein Index berechnet, indem die Oberfläche über das Quadrat der Höhe dividiert wird (Tabelle 3). Häufige Probleme, auf die Forscher während des Segmentierungsverfahrens stoßen können, umfassen Bilder, bei denen wichtige Informationen ausgelassen werden. Beispielsweise können bei Bildern große Teile abgeschnitten oder abgeschnitten werden (Abbildung 2). Insbesondere Bilder, bei denen SAT- und / oder Skelettmuskelgewebe aus dem Rahmen geschnitten wurde, verringern die Genauigkeit der Oberflächenberechnungen der betroffenen Gewebe drastisch. Ob dadurch ein Bild für die Analyse ungeeignet wird, hängt vom klinischen oder Forschungskontext ab und muss vom Forschungsteam von Fall zu Fall entschieden werden. Ein weiterer Fallstrick ist, dass Forscher versehentlich Rückenmark und Knochenmark in die Skelettmuskulatur einbeziehen können. Um dieses Problem zu vermeiden, sollten Forscher gut ausgebildet sein und während der Segmentierung vorsichtig bleiben. Andere häufige Artefakte in CT- oder MRT-Bildern sind technische Probleme, die durch die Platzierung oder Bewegung des Patienten im Scanner verursacht werden, Fettstränge und Narbengewebe um die Skelettmuskelfaszie und andere seltsam geformte Artefakte (Abbildung 3). Technische Probleme, die durch Patientenbewegungen oder unsachgemäße Platzierung verursacht werden, erscheinen in der Regel leichter, mit höheren HU-Werten als umgebendes Gewebe. Diese Art von technischen Problemen treten normalerweise in SAT auf und können auch die Genauigkeit der Oberflächenberechnung verringern. Der klinische oder Forschungskontext bestimmt den Grad der Toleranz für solche Probleme. Fettstrangbildung und Narbengewebeartefakte führen in der Regel nicht zu hohen Fehlerquoten bei der Berechnung der Gewebeoberfläche. Sie können jedoch zu einer Fehlidentifikation der Faszienlinie führen. Skelettmuskel- und IMAT-Oberflächenbereiche können in Fällen, in denen Fettstränge oder Narbengewebe fälschlicherweise als Muskelfaszienlinie verwechselt werden, sehr ungenau sein. Andere kleine Unreinheiten und Artefakte in CT- und MRT-Bildern beeinträchtigen die Gesamtbildqualität in der Regel nicht, außer in seltenen Fällen. Abhängig vom klinischen oder Forschungskontext müssen diese Artefakte möglicherweise von einem Radiologieexperten bewertet werden, um die Bildqualität zu überprüfen. Das letzte häufige Problem in CT- und MRT-Bildern sind Deformitäten in der Muskelfaszienlinie (Abbildung 4). Diese Brüche beeinträchtigen normalerweise nicht die Bildqualität, aber Bilder, die große Brüche oder andere Deformitäten in Muskelfaszien enthalten, sollten von einem Radiologen beurteilt werden, um festzustellen, ob der Deformitätsursprung die Analyse des klinischen oder Forschungskontexts beeinflusst. Das von Avruvin et al. entwickelte lineare L3-Messverfahren weist weniger häufige Fehler auf als das L3-Segmentierungsverfahren14,15. Die Hauptprobleme bei linearen Messungen drehen sich um die Identifizierung der interessierenden Muskelgruppen, der beiden Psoas- und Paraspinalmuskelgruppen (Abbildung 5). In den meisten Fällen unterscheiden sich die Psoas-Kanten von nahe gelegenen Organen, aber für den Fall, dass der Rand schwer zu erkennen ist, wird das Ändern der HU-Filter oder der Helligkeit normalerweise die Mehrheit der Probleme lösen. Darüber hinaus unterscheiden sich die Ränder der paraspinalen Muskelgruppen oft von anderen nahe gelegenen Geweben, aber man sollte beachten, dass, wenn kein klarer Muskel die unterste Faszienlinie erreicht, die Linie nicht in die Bestimmung des unteren Randes der paraspinalen Muskelgruppe einbezogen werden sollte. Schließlich sollte der Quadratus lumborum bei der Bestimmung des Randes der Psoas- oder paraspinalen Muskelgruppen ausgeschlossen werden (Abbildung 5E). Abbildung 1: Korrekte L3-Segmentierung in Slice-O-Matic. (A) Das unveränderte axiale CT-Bild an L3-Wirbeln. (B) Die vollständig markierte axiale CT mit Rot entsprechend Skelettmuskel (SM), Grün zu Intramuskulärem Fettgewebe (IMAT), Gelb zu Vesical Adipose Tissue (VAT) und Cyan zu Subkutanem Fettgewebe (SAT). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Abbildung 2: Schneiden Sie das L3-CT-Bild ab. Ein unmarkiertes CT-Bild in Slice-O-Matic mit erheblichen Mengen sat sowie signifikanten Mengen an abgeschnittenem Skelettmuskelgewebe. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Abbildung 3: Häufige Artefakte. (A) Das CT-Bild ohne Tags weist verschiedene Artefakte auf, die im roten Feld, im blauen Oval bzw. im grünen Feld hervorgehoben sind. Das rote Feld zeigt technische Probleme mit einem CT-Scan, möglicherweise durch Fehlstellung oder Bewegung während des Scans. Das blaue Oval hebt ein häufiges Artefakt hervor, das wahrscheinlich aus Narbengewebe stammt. Das grüne Quadrat hebt Schönheitsfehler hervor, die mehrere mögliche Ursachen haben können. (B) Der markierte CT-Scan mit Erscheinungen der gleichen Artefakte, die im roten Feld, im blauen Oval und im grünen Feld hervorgehoben sind. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Abbildung 4: Großer Bruch in der Muskelfaszie. (A) Das nicht markierte L3-CT-Bild zeigt einen großen Bruch in der Skelettmuskelfaszie in der violetten Box. (B) Das getaggte L3 CT-Bild hebt das markierte Aussehen des großen Bruchs in der Skelettmuskelfaszie in der violetten Box hervor. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Abbildung 5:Lineare L3-Messungen. (A) Das ursprüngliche L3-CT-Bild vor der Analyse im Horos-Bildbetrachter. (B) Die traditionelle lineare Messmethode umfasst eine vertikale Linie und eine horizontale Linie, die für jeden Muskel gezeichnet werden. Diese Linien werden mit einem Linealwerkzeug gemessen und multipliziert, um die Oberfläche jeder Muskelgruppe zu finden. Beachten Sie, dass die traditionelle Methode der linearen Messgrößen immer Linien haben sollte, die sich bei 90 ° schneiden. Dieses Bild der traditionellen linearen Messmethode ist nur eine visuelle Demonstration, da sie in Horos erstellt wurde und nicht garantiert 90 ° -Kreuzungen hat. (C) (D) (E) Die Box-Methode für lineare L3-Messungen. (C) (D) Die blaue und violette Box umfassen die rechte bzw. linke Psoas, und die gelbe und grüne Box umfassen den rechten bzw. linken Paraspinalmuskel. (E) Die hellvioletten und orangefarbenen Kästchen heben den Quadratus lumborum hervor, der bei der Bestimmung der Ränder der Psoas- und Paraspinalmuskelgruppen nicht berücksichtigt werden sollte. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Abbildung 6: Vergleich von linearen Messungen und L3-Querschnitts-Skelettmuskelbereich, n = 65. Die kombinierten Psoas- und Paraspinalbereiche entsprechen der gesamten Skelettmuskulatur im L3-Querschnitt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. CT-SEGMENTIERUNG Muskel Intramuskuläres Fettgewebe Viszerales Fettgewebe Subkutanes Fettgewebe Fläche (cm2) 134.4 8.402 72.43 271 Hounsfield-Einheit (Mittelwert) 33.61 2.1 18.11 67.76 Patientenhöhe im Quadrat (m2) 2.69 Skelettmuskelindex (Muskelfläche/Größe2, cm2/ m2) 49.97 Tabelle 1: CT-Segmentierung MRT-SEGMENATION Muskel Fläche (cm2) 241.8 Hounsfield-Einheit (Mittelwert) 35.85 Patientenhöhe (m2) 3.39 Skelettmuskelindex 71.42 (Muskelfläche/Höhe2, cm2/m2) Tabelle 2: MRT-Segmentierung LINEARE MAßNAHMEN Rechte Psoas Höhe (cm) Rechte Psoas Breite (cm) Linke Psoas Höhe (cm) Linke Psoas Breite (cm) Rechte paraspinale Höhe (cm) Rechte paraspinale Breite (cm) Linke paraspinale Höhe (cm) Linke paraspinale Breite (cm) 3.934 2.927 3.743 2.788 4.916 6.264 4.403 7.045 Psoas Fläche insgesamt (cm2) 21.950 Paraspinale Gesamtfläche (cm2) 61.813 Gesamtmuskelfläche (cm2) 83.76 Patientenhöhe im Quadrat (m2) 2.496 Linearer Maßindex (cm2/m2) 33.55 Tabelle 3: Lineare Messgrößen

Discussion

Der Psoas-Muskel, paraspinale Muskelgruppen und schräge Muskeln korrelieren eng mit der gesamten Muskelmasse5. Insbesondere die Oberfläche innerhalb eines CT- oder MRT-Querschnitts dieser Muskelgruppen in der Mitte des dritten Lendenwirbels (L3) ist stark mit der gesamten Muskelmasse korreliert, was dieses Bild zu einem idealen Bild für Forscher oder Kliniker macht, um Sarkopenie1,2,13zu beurteilen . Segmentierung und lineare Messungen haben sich bei der Beurteilung der Körperzusammensetzung und der Identifizierung schlechter prognostischer Zustände wie Sarkopenie und sarkopenischer Fettleibigkeit bei Patienten16,17als sehr wertvoll erwiesen. Die Forschung hat gezeigt, dass Muskelmassemessungen mit dem Überleben und dem Risiko größerer Komplikationen nach größeren Operationen oder Behandlungsplänen wie Chemotherapie und chemotherapeutischer Toxizität verbunden sind16,17,18. Daher würden wir postulieren, dass es für Kliniker von Vorteil sein kann, Daten zur Körperzusammensetzung zu haben, bevor sie Patienten über Behandlungsmöglichkeiten beraten.

Derzeit gibt es mehrere Methoden zur Beurteilung der Körperzusammensetzung. Mehrere Methoden, wie die Densitometrie12 und die Luftverdrängungsplethysmographie (ADP)19,verwenden Luftgewicht und -verdrängung, um den Prozentsatz des Körperfetts und die Körperdichte zu schätzen. Während diese Methoden nützlich sein können, sind sie nicht in der Lage, die Verteilung des Fettgewebes zu bestimmen5,19. Andere Techniken zur Analyse der Körperzusammensetzung, wie BIA, stützen ihre Analyse auf die unterschiedlichen elektrischen Eigenschaften von Fettmasse und fettfreier Masse12. Diese Technik kann jedoch wieder einmal die Fettverteilung nicht angemessen beurteilen und erfordert auch mehr Informationen wie ethnische Zugehörigkeit, Alter und Geschlecht für genauere Messungen19. Umgekehrt haben sich Bewertungen wie DEXA bei der Beurteilung der Körperzusammensetzung als nützlich erwiesen, neigen jedoch dazu, die Muskelmasse mit zunehmender Adipositas zuüberschätzen 12. Mehrere Protokolle haben auch die Region-of-Interest (ROI) -Methode verwendet, um Muskelmasse und Fettgewebedaten innerhalb der DICOM-Betrachtungssoftware zu erhalten, von der gezeigt wurde, dass sie eine gute Korrelation mit der BIA-Körperzusammensetzungsanalyse für die Sarkopenie- und Ernährungsbewertungaufweist 20,21.

Das von Mourtzakis et al. entwickelte Segmentierungsverfahren hat einen Vorteil gegenüber alternativen Körperzusammensetzungsbewertungen, da es auf den meisten CT- oder MRT-Bildern durchgeführt werden kann und die Verteilung des Fettgewebes und den Muskelbereich genau bestimmt13. Darüber hinaus hat die axiale L3-Segmentierung den Vorteil der Genauigkeit unabhängig vom Adipositasstatus des Patienten13. Ähnlich wie die oben genannten Alternativen ist die von Avrutin et al.14 entwickelte lineare Messtechnik nicht in der Lage, die Fettverteilung zu beurteilen. In jüngster Zeit haben Forscher unterschiedliche Körpersegmentierung gezeigt, insbesondere bei Methoden zur Messung der Psoas-Muskeln allein22. Psoas-Muskelmasse allein ist nicht sehr repräsentativ für die Lendenmuskelmenge oder den systematischen Muskelschwund und korreliert möglicherweise nicht stark mit den klinischen Ergebnissen22. Dieses Problem kann bei der linearen Messung besorgniserregender sein, da der Musculus psoas die Hauptmuskelgruppe bei der Beurteilung ist. Unsere skizzierte Technik umfasst jedoch bilaterale Psoas- und paraspinale Muskelschätzungen, um eine genauere, aber dennoch schnelle und bequeme Beurteilung der Querschnittsmuskelmasse zu messen. Zukünftige Studien, die die Übereinstimmung zwischen linearen CT/MRT-Mess- und Segmentierungsmethoden und deren Korrelation mit klinischen Ergebnissen validieren, sind gerechtfertigt.

Sowohl die L3-Segmentierung als auch lineare Messverfahren wurden ursprünglich entwickelt, um den körperweiten Muskelgehalt schnell und genau zu beurteilen. Durch die Segmentierung nur an den L3-Wirbeln spart das Protokoll Zeit und liefert den Forschern oder Klinikern immer noch genügend Informationen, um die Muskelmasse und den Adipositasstatus des Patienten zu bestimmen. Obwohl die L3-Segmentierung weit weniger Zeit in Anspruch nimmt als die Ganzkörpersegmentierung, kann es dennoch zeitaufwendig und teuer sein, die Slice-O-Matic-Software zu verwenden. Umgekehrt haben lineare Messungen das Potenzial, bei der Beurteilung des Muskelstatus und der Sarkopenie bei kritisch kranken Patienten so genau zu sein wie die L3-Segmentierung14,15. Wir haben eine solche Beziehung in der T3-Nierenzellkarzinom-Kohorte gezeigt, wo die durch lineare Messungen gemessene Skelettmuskulatur eng mit dem durch Segmentierung gemessenen Wert korreliert ist (Abbildung 6). Wichtig ist, dass die Methode extrem schnell ist und die Bildgebungssoftware kostenlos ist. Die bemerkenswerteste Einschränkung des linearen Messverfahrens ist jedoch seine mangelnde Fähigkeit, den Fettgewebegehalt zu beurteilen, was die Kliniker auf Kontexte beschränkt, in denen eine allgemeine Beurteilung des Muskelgehalts ausreichend ist.

Sowohl bei der Segmentierung als auch bei den linearen Messverfahren gibt es drei kritische Schritte. Zuerst sollten Kliniker und Forscher die Mitte der L3-Wirbel identifizieren, um Konsistenz zu erreichen. Die Mitte der L3-Wirbel wird die Scheibe sein, in der das Mark der Querprozesse am prominentesten ist. Die axiale L3-Wirbelscheibe lässt sich mit Hilfe einer vernetzten sagittalen oder koronalen Ansicht leichter identifizieren. Forscher oder Kliniker können zuerst L1-Wirbel oder Kreuzbein als Referenzpunkt finden, wobei zu berücksichtigen ist, dass das Vorhandensein von sechs Lendenwirbeln anstelle von fünf eine normale Variante ist. Der nächste entscheidende Schritt ist die Identifizierung von Muskeln. Bei linearen Messungen sollte der Quadratus lumborum bei den vertikalen und horizontalen Messungen nicht einbezogen werden. Drittens sollten Forscher auch bei der Kennzeichnung der Mehrwertsteuer im Segmentierungsprotokoll genau aufpassen, da der Dickdarmgehalt manchmal als viszerales Fettgewebe gekennzeichnet werden kann23. Wenn ein solcher Fehler auftritt, sollten die Forscher diese Bereiche löschen, bevor sie mit dem nächsten Schritt fortfahren.

Ein häufiges Problem bei der Segmentierung ist eine schlechte CT- oder MRT-Bildqualität (siehe Repräsentative Ergebnisse für Beispiele). In einigen Fällen macht die schlechte Qualität das Bild nicht unbrauchbar, aber in anderen Fällen muss das Bild möglicherweise von der Analyse ausgeschlossen werden. Eine weitere, möglicherweise unvermeidliche Einschränkung der Segmentierung eines einzelnen Bildes umfasst die zufällige Variation der Position fester Organe von Bild zu Bild.

Andere häufige Probleme sowohl bei der L3-Segmentierungsanalyse als auch bei der linearen Messanalyse hängen häufig mit der Inter- und Intra-Rater-Variation zusammen. Wie bei den meisten Protokollen ist mit einer gewissen Variation zwischen Beobachtern und zwischen den separaten Studien einer einzelnen Person zu rechnen. Um die Inter-Rater-Variation mit mehreren Personen, die Analysen durchführen, zu berücksichtigen und zu minimieren, kann das Team von Forschern oder Klinikern statistisch signifikante Variationen der Oberflächenmessungen und der durchschnittlichen HU aus demselben Bild testen. Beachten Sie besonders die HU-Variation, da dies anzeigt, ob Forscher oder Kliniker, die sehr ähnliche Oberflächen für dasselbe Bild haben, die Gewebe tatsächlich ungefähr gleich markieren. Um eine signifikante intra-raterische Variation für eine Person zu testen, können Forscher oder Kliniker eine kleine Teilmenge von Bildern nehmen und jedes Bild segmentieren, bis alle Repliken für jedes Bild innerhalb eines engen, statistisch unbedeutenden Randes liegen.

Wir erkennen an, dass beide hier vorgestellten Protokolle Einschränkungen bei der Analyse der Körperzusammensetzung haben, da nur eine einzige Scheibe verwendet wird. Wie von Shen et al. vorgeschlagen, kann die 3D-Analyse genauere Informationen für das viszerale Bauchfett liefern, und die Einzelscheibenanalyse für die Mehrwertsteuer ist auf verschiedenen Ebenen für Männer und Frauen24. Die hier besprochenen Protokolle sind jedoch immer noch wertvoll, da sie schnelle Beurteilungen von Muskel- und Fettgewebe ermöglichen, die für sarkopenie-Screenings in Kliniken verwendet werden können.

Darüber hinaus gab es viele automatisierte Protokolle zur Analyse der Körperzusammensetzung unter Verwendung von 3D-Algorithmen für maschinelles Lernen, insbesondere neural-netzbasierte Klassifikationsalgorithmen25. Wir erkennen an, dass dies die potenziellen zukünftigen Alternativen zur traditionellen 2D-Segmentierung sein können. Diese Methoden erfordern jedoch, dass große Datensätze von CT- und MRT-Bildern entwickelt, getestet und in klinischen und Forschungsumgebungen implementiert werden. Außerdem erfordern diese Methoden häufig eine 2D-Segmentierungsanalyse, um eine Basisreferenz zu erstellen, anhand derer die Algorithmen des maschinellen Lernens validiert werden können. Die hier gezeigten Protokolle können daher nützlich sein, wenn große Datensätze oder 3D-Bilder nicht verfügbar sind, und diese Protokolle können angewendet werden, um maschinelle Lernalgorithmen zu entwickeln und zu validieren, wenn sie anwendbar sind. Daher glauben wir, dass Kliniker und Forscher von diesem Schulungsvideo profitieren und diese schnellen und zuverlässigen Methoden als vorläufiges Screening anwenden können, bevor eine automatisierte Analyse verfügbar ist und um die Implementierung dieser fortschrittlichen Technologie zu erleichtern.

Die Fähigkeit, die Verteilung des Fettgewebes und die Skelettmuskelmasse schnell zu analysieren, hat eine breite Palette klinischer Interessen, die von der Krebsbehandlung und -forschung bis hin zu Herzerkrankungen reichen5. Im Vergleich zu anderen häufig verwendeten Methoden sind die Mourtzakis et al. Das L3-Segmentierungsverfahren in Slice-O-Matic kann die Verteilung des Fettgewebes genau und schnell beurteilen und den Sarkopeniestatus5,12,13,19bestimmen . Darüber hinaus ist das lineare L3-Messverfahren in Kontexten, in denen Informationen über die Skelettmuskelmasse ausreichend sind, ein zuverlässiges und sehr schnelles Werkzeug, um den Erfolg bei Krebsbehandlungen wie Operationen, Strahlentherapie und Chemotherapie vorherzusagen1,2,4,6,7,8. Der Zweck dieses Schulungsvideos und Manuskripts besteht darin, das Protokoll für Segmentierung und lineare Messungen für die zukünftige Verwendung klar abzugrenzen, damit Kliniker die Körperzusammensetzung in der Klinik leichter beurteilen können.

Declarações

The authors have nothing to disclose.

Acknowledgements

Die Autoren möchten die Unterstützung der Familienstiftungen John Robinson & Churchill würdigen.

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