Segmentierung und lineare Messung zur Analyse der Körperzusammensetzung mit Slice-O-Matic und Horos
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
Representative Results
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.
Disclosures
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. |
References
- 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).
- 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).
- Santilli, V., Bernetti, A., Mangone, M., Paoloni, M. Clinical definition of sarcopenia. Clinical Cases in Mineral and Bone Metabolism. 11 (3), 117-180 (2014).
- 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).
- 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).
- 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).
- 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).
- 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).
- Vashi, P. G., et al. Sarcopenia supersedes subjective global assessment as a predictor of survival in colorectal cancer. PLoS One. 14 (6), 0218761 (2019).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Peng, P., et al. Impact of sarcopenia on outcomes following resection of pancreatic adenocarcinoma. Journal of Gastrointestinal Surgery. 16 (8), 1478-1486 (2012).
- 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).
- 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).
- 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).
- Zopfs, D., et al. Single-slice CT measurements allow for accurate assessment of sarcopenia and body composition. European Radiology. 30 (3), 1701-1708 (2020).
- 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).
- Baracos, V. E. Psoas as a sentinel muscle for sarcopenia: a flawed premise. Journal of Cachexia, Sarcopenia and Muscle. 8 (4), 527-528 (2017).
- 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).
- 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).
- Weston, A. D., et al. Automated abdominal segmentation of CT scans for body composition analysis using deep learning. Radiology. 290 (3), 669-679 (2019).
