Segmentación y medición lineal para el análisis de la composición corporal utilizando Slice-O-Matic y Horos
Summary
La segmentación y las mediciones lineales cuantifican la masa muscular esquelética y los tejidos adiposos utilizando imágenes de tomografía computarizada y/o resonancia magnética. Aquí, describimos el uso del software Slice-O-Matic y el visor de imágenes Horos para un análisis rápido y preciso de la composición corporal. Estos métodos pueden proporcionar información importante para el pronóstico y la estratificación del riesgo.
Abstract
La composición corporal se asocia con el riesgo de progresión de la enfermedad y complicaciones del tratamiento en una variedad de condiciones. Por lo tanto, la cuantificación de la masa del músculo esquelético y de los tejidos adiposos en la tomografía computada (CT) y/o la proyección de imagen de resonancia magnética (MRI) puede informar la evaluación del riesgo de la cirugía y el pronóstico de la enfermedad. Este artículo describe dos métodos de cuantificación descritos originalmente por Mourtzakis et al. y Avrutin et al.: segmentación tisular y medición lineal del músculo esquelético. La imagen transversal de los pacientes en el punto medio de la tercera vértebra lumbar fue obtenida para ambas mediciones. Para la segmentación, las imágenes fueron importadas en Slice-O-Matic y coloreadas para el músculo esquelético, el tejido adiposo intramuscular, el tejido adiposo visceral, y el tejido adiposo subcutáneo. Luego, las áreas superficiales de cada tipo de tejido se calcularon utilizando la función de área de superficie de etiqueta. Para las mediciones lineales, se mide la altura y la anchura del psoa bilateral y los músculos paraespinales a nivel de la tercera vértebra lumbar y el cálculo utilizando estos cuatro valores produce la masa muscular esquelética estimada. El análisis de segmentación proporciona información cuantitativa y completa sobre la composición corporal de los pacientes, que luego se puede correlacionar con la progresión de la enfermedad. Sin embargo, el proceso consume más tiempo y requiere capacitación especializada. Las mediciones lineales son una herramienta eficiente y clínica para una evaluación preoperatoria rápida. Sin embargo, las mediciones lineales no proporcionan información sobre la composición del tejido adiposo. No obstante, estos métodos tienen amplias aplicaciones en una variedad de enfermedades para predecir los resultados quirúrgicos, el riesgo de progresión de la enfermedad e informar las opciones de tratamiento para los pacientes.
Introduction
El gravamen de la sarcopenia y de la composición del cuerpo está actualmente de gran interés clínico. Aunque las definiciones específicas de sarcopenia varían dependiendo del entorno y el contexto, todas las definiciones incluyen la pérdida significativa de masa muscular esquelética o fuerza muscular, que están estrechamente correlacionadas1,2,3. El análisis de la composición corporal incorpora mediciones de la masa muscular esquelética y la distribución del tejido adiposo, proporcionando información más completa sobre la aptitud general de los pacientes1,3,4. Del mismo modo, se ha encontrado que el tejido adiposo distribuido de manera desproporcionada, especialmente el tejido adiposo visceral, está relacionado con diversas enfermedades, incluidas las enfermedades cardíacas, la diabetes tipo II y el cáncer5.
Clínico, la sarcopenia y su gravamen por medidas lineares se han mostrado en varias ocasiones para ser un factor pronóstico fuerte para la supervivencia cáncer-específica a través de malignidades y de resultados oncológicos después de cirugía, radioterapia, y quimioterapia1,2,4,6,7,8. En particular, investigaciones anteriores demuestran que los pacientes con sarcopenia han disminuido la supervivencia específica del cáncer y la supervivencia general1,2,9,10. Por lo tanto, el gravamen clínico exacto y rápido de la progresión del sarcopenia es importante en la determinación de la elección del tratamiento. El perfilado convencional de la composición de todo el cuerpo requiere análisis a nivel tridimensional (3D) utilizando técnicas de imagen, incluyendo tomografía computarizada (TC), resonancia magnética (RMN), densitometría ósea (DEXA) y análisis de impedancia bioeléctrica (BIA), que consumen mucho tiempo, son costosas y requieren una amplia capacitación5,11. Otro inconveniente es la falta de información sobre la distribución adiposa, especialmente para la pletismografía de desplazamiento del aire (ADP) y DEXA12. Por lo tanto, la evaluación y determinación de la sarcopenia y la composición corporal con el uso de modalidades convencionales de imagen transversal como la TC o la RMN, que se utilizan como parte de la práctica clínica estándar de atención, tiene un gran valor clínico5.
Un software de segmentación comúnmente utilizado en el ámbito de la investigación clínica es el programa Slice-O-Matic desarrollado por TomoVision. Utilizando el procedimiento de segmentación de Mourtzakis et al.13, el programa permite a los investigadores o clínicos etiquetar semiautomáticamente varios tipos de tejido, como el músculo esquelético (SM), el tejido adiposo intramuscular (IMAT), el tejido adiposo visceral (VAT) y el tejido adiposo subcutáneo (SAT) utilizando umbrales basados en la densidad, lo que permite medir las áreas transversales generales de cada tejido. Estas medidas entonces se utilizan para estimar la masa y la adiposidad del músculo esquelético de cuerpo total, a menudo después de la normalización por la altura de un paciente al cuadrado, para identificar sarcopenia y obesidad sarcopénica por umbrales sobre la base de la población.
Un método desarrollado recientemente por Avrutin et al.14 utilizando mediciones lineales del músculo esquelético desarrollado ha demostrado el potencial para ser igualmente fiable en la estimación de la masa muscular total utilizando imágenes de MRI y CT de la sección transversal L314,15. Los grupos psoas y músculo paraespinal comprenden gran parte del área de superficie muscular de la región L3 y tienen una alta funcionalidad, lo que sugiere que pueden ser predictores de alta fidelidad de la fuerza muscular general, y por lo tanto los principales candidatos de la medición lineal14,15. Para calcular el área de superficie muscular, las mediciones horizontales y verticales de los grupos psoas y músculos paraespinales se obtienen utilizando una herramienta de regla para dibujar líneas rectas que se cruzan a 90 °. Las mediciones horizontales y verticales de cada grupo muscular se multiplican para estimar el área de superficie de cada grupo muscular, que luego se utiliza para calcular un índice muscular lineal cuando se divide por la altura del paciente. Con un entrenamiento mínimo, todo este proceso puede tomar menos de 1 minuto.
Dadas las posibles implicaciones de las mediciones de la composición corporal en la atención al paciente, existe una necesidad urgente de crear materiales de capacitación accesibles. En este artículo, proporcionamos una descripción detallada de dos métodos desarrollados por Avrutin et al.14 y Mourtzakis et al.13 para cuantificar la masa muscular esquelética y la composición corporal, respectivamente, para proveedores e investigadores clínicos.
Protocol
Representative Results
Discussion
El músculo psoas, los grupos musculares paraespinales y los músculos oblicuos se correlacionan estrechamente con la masa muscular general5. En particular, el área de superficie dentro de una sección transversal de TC o RMN de estos grupos musculares en el punto medio de la tercera vértebra lumbar (L3) está altamente correlacionada con la masa muscular general, lo que hace que esta imagen sea ideal para que los investigadores o clínicos la utilicen al evaluar la sarcopenia1,2,13. La segmentación y las mediciones lineales han demostrado un gran valor en la evaluación de la composición corporal y la identificación de condiciones de mal pronóstico como la sarcopenia y la obesidad sarcopénica en pacientes16,17. La investigación ha demostrado que las mediciones de masa muscular están asociadas con la supervivencia y los riesgos de complicaciones importantes después de cirugías importantes o planes de tratamiento como la quimioterapia y la toxicidad quimioterapéutica16,17,18. Por lo tanto, postularíamos que puede ser beneficioso para los médicos tener datos de composición corporal antes de aconsejar a los pacientes con respecto a las opciones de tratamiento.
Actualmente, hay varios métodos para evaluar la composición corporal. Varios métodos, como la densitometría12 y la pletismografía de desplazamiento de aire (ADP)19,utilizan el peso del aire y el desplazamiento, respectivamente, para estimar el porcentaje de grasa corporal y la densidad corporal. Si bien estos métodos pueden ser útiles, son incapaces de determinar la distribución del tejido adiposo5,19. Otras técnicas analíticas de composición corporal, como la BIA, basan su análisis en las diferentes características eléctricas de la masa grasa y la masa libre de grasa12. Sin embargo, una vez más esta técnica no evalúa adecuadamente la distribución de la grasa, y también requiere más información como el origen étnico, la edad y el sexo para mediciones más precisas19. Por el contrario, evaluaciones como la DEXA han demostrado ser útiles en la evaluación de la composición corporal, pero tienen una tendencia a sobreestimar la masa muscular con el aumento de la adiposidad12. Varios protocolos también han utilizado el método de región de interés (ROI) para obtener datos de masa muscular y tejido adiposo dentro del software de visualización DICOM, que ha demostrado tener una buena correlación con el análisis de composición corporal BIA para la evaluación de sarcopenia y la evaluación nutricional20,21.
El procedimiento de segmentación desarrollado por Mourtzakis et al. tiene una ventaja sobre las evaluaciones alternativas de la composición corporal, ya que se puede hacer en la mayoría de las imágenes de TC o MRI y determina con precisión las distribuciones del tejido adiposo y el área muscular13. Además, la segmentación axial L3 tiene la ventaja de la precisión independientemente del estado de obesidad del paciente13. Similar a las alternativas antes mencionadas, la técnica de medidas lineales desarrollada por Avrutin et al.14 no tiene la capacidad de evaluar la distribución de la grasa. Recientemente, los investigadores han demostrado disparidad en la segmentación corporal, especialmente en los métodos de medición de los músculos del psoassolos 22. La masa muscular del psoas sola no es altamente representativa de la cantidad muscular lumbar o de la pérdida sistemática de músculo, y puede no estar altamente correlacionada con los resultados clínicos22. Este problema puede ser más preocupante en la medición lineal, ya que el músculo psoas es el principal grupo muscular en la evaluación. Sin embargo, nuestra técnica contorneado incluye valoraciones bilaterales del músculo del psoas y del paraspinal para calibrar un más exacto, mientras que todavía un gravamen rápido y conveniente de la masa sec seccional del músculo. Se justifican estudios futuros que validen la concordancia entre los métodos de segmentación y medición lineal de TC/RMn y su correlación con los resultados clínicos.
Tanto la segmentación L3 como los procedimientos de medición lineal se diseñaron inicialmente para evaluar de forma rápida y precisa el contenido muscular en todo el cuerpo. Al segmentar en las vértebras L3 solamente, el protocolo ahorra tiempo mientras que todavía proporciona a los investigadores o a los clínicos bastante información para determinar la masa magra del músculo del paciente y la situación de la adiposidad. Sin embargo, a pesar de que la segmentación L3 toma mucho menos tiempo que la segmentación de cuerpo completo, todavía puede ser lento y costoso usar el software Slice-O-Matic. Por el contrario, las mediciones lineales tienen el potencial de ser tan precisas como la segmentación L3 en la evaluación del estado muscular y la sarcopenia en pacientes críticamente enfermos14,15. Hemos demostrado tal relación en la cohorte de carcinoma de células renales T3, donde el músculo esquelético medido por mediciones lineales está estrechamente correlacionado con el valor medido por segmentación(Figura 6). Es importante destacar que el método es extremadamente rápido y el software de imágenes es gratuito. Sin embargo, la limitación más notable al procedimiento de medición lineal es su falta de capacidad para evaluar el contenido de tejido adiposo, lo que limita a los médicos a contextos donde la evaluación general del contenido muscular es suficiente.
Hay tres pasos críticos en los procedimientos de segmentación y medición lineal. En primer lugar, los médicos e investigadores deben identificar la mitad de las vértebras L3 para lograr consistencia. La mitad de las vértebras L3 será la rebanada donde la médula de los procesos transversales es más prominente. La rebanada axial de vértebras L3 se identifica más fácilmente con la ayuda de una vista sagital o coronal reticida. Los investigadores o clínicos pueden encontrar primero las vértebras L1 o el sacro como punto de referencia, teniendo en cuenta que la presencia de seis vértebras lumbares en lugar de cinco es una variante normal. El siguiente paso crucial es identificar los músculos. En las mediciones lineales, el quadratus lumborum no debe incluirse mientras se toman las mediciones verticales y horizontales. En tercer lugar, los investigadores también deben prestar mucha atención al etiquetar el IVA en el protocolo de segmentación, ya que el contenido del colon a veces puede ser etiquetado como tejido adiposo visceral23. Cuando se produce un error de este tipo, los investigadores deben borrar estas áreas antes de pasar al siguiente paso.
Un problema común en la segmentación es la mala calidad de la imagen de TC o RMN (consulte Resultados representativos para obtener ejemplos). En algunos casos, la mala calidad no hace que la imagen sea inútil, pero en otros casos la imagen puede necesitar ser excluida del análisis. Otra limitación, posiblemente inevitable, de la segmentación de una sola imagen incluye la variación aleatoria de la posición del órgano sólido de una imagen a otra.
Otros problemas comunes tanto para el análisis de segmentación L3 como para el análisis de medición lineal a menudo están relacionados con la variación entre e intra-evaluador. Como sería el caso con la mayoría de los protocolos, se puede esperar una cierta cantidad de variación entre los observadores y entre los ensayos separados de un solo individuo. Para tener en cuenta y minimizar la variación entre evaluador con varias personas que realizan análisis, el equipo de investigadores o médicos puede probar cualquier variación estadísticamente significativa en las mediciones de área de superficie y hu promedio de la misma imagen. Tome nota especial de la variación de HU, ya que esto indicará si los investigadores o clínicos que tienen áreas de superficie muy similares para la misma imagen están etiquetando los tejidos aproximadamente igual. Para probar la variación significativa dentro del evaluador para un individuo, los investigadores o clínicos pueden tomar un pequeño subconjunto de imágenes y segmentar cada imagen hasta que todas las réplicas de cada imagen estén dentro de un margen estrecho y estadísticamente insignificante.
Reconocemos que ambos los protocolos presentados aquí tienen limitaciones en el análisis de la composición corporal, ya que solo se utiliza una sola rebanada. Como sugieren Shen et al., el análisis 3D puede proporcionar información más precisa para la grasa visceral abdominal, y el análisis de una sola rebanada para el IVA está en diferentes niveles para hombres y mujeres24. Sin embargo, los protocolos discutidos aquí siguen siendo valiosos, ya que proporcionan evaluaciones rápidas del músculo, así como el tejido adiposo, que se puede utilizar para la detección de sarcopenia en las clínicas.
Además, ha habido muchos protocolos automatizados de análisis de composición corporal que utilizan algoritmos de aprendizaje automático 3D, especialmente algoritmos de clasificación basados en redes neuronales25. Reconocemos que estas pueden ser las posibles alternativas futuras a la segmentación 2D tradicional. Sin embargo, estos métodos requieren grandes conjuntos de datos de imágenes de TC y RMN que se desarrollen, prueben e implementen en entornos clínicos y de investigación. Además, estos métodos a menudo requieren un análisis de segmentación 2D para establecer una referencia de línea base con la que validar los algoritmos de aprendizaje automático. Por lo tanto, los protocolos que se muestran aquí pueden ser útiles cuando no hay grandes conjuntos de datos o imágenes 3D disponibles, y estos protocolos se pueden aplicar para ayudar a desarrollar y validar algoritmos de aprendizaje automático cuando son aplicables. Por lo tanto, creemos que los médicos e investigadores pueden beneficiarse de este video de capacitación y adoptar estos métodos rápidos y confiables como cribado preliminar antes de que el análisis automatizado esté disponible y con el fin de facilitar la implementación de esta tecnología avanzada.
La capacidad de analizar rápidamente la distribución del tejido adiposo y la masa muscular esquelética tiene una amplia gama de intereses clínicos que van desde el tratamiento del cáncer y la investigación hasta las enfermedades cardíacas5. En comparación con otros métodos comúnmente utilizados, el Mourtzakis et al. El procedimiento de segmentación L3 en Slice-O-Matic puede evaluar de forma precisa y rápida la distribución del tejido adiposo y determinar el estado de sarcopenia5,12,13,19. Además, en contextos donde la información sobre la masa muscular esquelética es suficiente, el procedimiento de medición lineal L3 es una herramienta confiable y muy rápida para ayudar a predecir el éxito en tratamientos contra el cáncer como cirugía, radioterapia y quimioterapia1,2,4,6,7,8. El propósito de este video de capacitación y manuscrito es delinear claramente el protocolo para la segmentación y las mediciones lineales para uso futuro para que los médicos puedan evaluar más fácilmente la composición corporal en el entorno clínico.
Disclosures
The authors have nothing to disclose.
Acknowledgements
Los autores desean agradecer el apoyo de las fundaciones de la familia John Robinson & Churchill.
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).
