Summary
セグメンテーションと線形測定では、コンピュータ断層撮影画像および/または磁気共鳴画像画像を使用して骨格筋質量および脂肪組織を定量化します。ここでは、Slice-O-Maticソフトウェアとホロス画像ビューアを使用して、体組成の迅速かつ正確な分析を行う方法について概説します。これらの方法は、予後とリスク階層化に関する重要な情報を提供することができます。
Abstract
体組成は、様々な条件における疾患の進行および治療合併症のリスクに関連付けられている。したがって、コンピュータ断層撮影(CT)および/または磁気共鳴画像法(MRI)上の骨格筋量および脂肪組織の定量化は、手術リスク評価および疾患予後を知らせる可能性がある。この記事では、もともとMourtzakisらとAvrutinらによって記述された2つの定量方法について説明します: 骨格筋の組織セグメンテーションと線形測定.3つ目の腰椎の中間点における患者の断面画像は、両方の測定について得られた。セグメンテーションのために、画像はSlice-O-Maticにインポートされ、骨格筋、筋肉内脂肪組織、内臓脂肪組織、皮下脂肪組織のために着色された。次に、各組織タイプの表面積をタグ表面積関数を用いて算出した。線形測定では、第3腰椎のレベルでの両側性psoasと脊髄筋の高さと幅を測定し、これらの4つの値を使用した計算は推定骨格筋量を生み出す。セグメンテーション分析は、患者の体組成に関する定量的かつ包括的な情報を提供し、その後、疾患の進行と相関させることができる。ただし、このプロセスは時間がかかり、専門的なトレーニングが必要です。線形測定は、迅速な術前評価のための効率的で、医院に優しいツールです。しかし、線形測定は脂肪組織組成物に関する情報を提供しない。それにもかかわらず、これらの方法は、外科的転帰、疾患進行のリスク、および患者の治療オプションを知らせるために様々な疾患に広く適用される。
Introduction
サルコペニアと体組成の評価は、現在、大きな臨床的関心です.サルコペニアの特定の定義は設定や文脈によって異なりますが、すべての定義には骨格筋量または筋力の有意な損失が含まれており、これは密接に相関している1、2、3である。体組成分析には骨格筋量と脂肪組織分布の測定値が組み込まれており、患者1、3、4の全身適合性に関するより包括的な情報を提供する。同様に、分散脂肪組織、特に内臓脂肪組織は、心疾患、II型糖尿病、及び癌5を含む様々な疾患に関連していることが分かった。
臨床的には、サルコペニアおよび線形測定によるその評価は、手術、放射線療法、および化学療法後の癌特異的生存および腫瘍学的転帰に対する強い予後因子であることが繰り返し示されている。特に、以前の研究では、サルコペニア患者は癌特異的生存期間および全生存期間1、2、9、10を減少させることを示している。したがって、サルコペニア進行の正確かつ迅速な臨床評価は、治療選挙を決定する上で重要である。従来の全身組成プロファイリングでは、コンピュータ断層撮影(CT)、磁気共鳴イメージング(MRI)、骨密度測定(DEXA)、生体電気インピーダンス分析(BIA)などのイメージング技術を用いて3次元(3D)レベルで分析する必要があり、時間がかかり、コストがかかり、広範なトレーニング5、11を必要とする。もう一つの欠点は、特に空気変位プレチスモグラフィー(ADP)およびDEXA12に関する脂肪分布に関する情報の欠如である。従って、標準診療の一部として使用されるCTやMRIなどの従来の断面イメージングモダリティを用いたサルコペニアおよび体組成の評価と判定は、臨床価値5に大きな値を有する。
臨床研究の設定で一般的に使用されるセグメンテーションソフトウェアの1つは、TomoVisionによって開発されたSlice-O-Maticプログラムです。Mourtzakisら13 のセグメンテーション手順を用いて、研究者または臨床医が骨格筋(SM)、筋肉内脂肪組織(IMAT)、内臓脂肪組織(VAT)、皮下脂肪組織(SAT)などの様々な組織タイプに半自動でタグ付けすることを可能にし、密度ベースの閾値を使用して各断面の測定を可能にする。これらの測定値は、多くの場合、患者の身長二乗による正常化後の総骨格筋量および脂肪性を推定するために使用され、人口ベースの閾値によってサルコペニアおよび皮肉な肥満を同定する。
Avrutinらが開発した骨格筋の線形測定を用いた最近開発された方法は、L3断面14,15のMRIおよびCT画像を用いて総筋肉量を推定する際に同等に信頼できる可能性を示している。psoasおよびパラ脊椎筋群は、L3領域の筋肉表面積の大部分を構成し、高い機能性を有し、全体的な筋力の高忠実度予測変数であり、したがって線形測定14、15の主な候補である可能性を示唆している。筋肉表面積を計算するために、psoasとパラ脊椎筋群の水平および垂直測定値は、90°交差する直線を描くために定規ツールを使用して得られる。各筋肉群の水平および垂直測定は、各筋肉群の表面積を推定するために乗算され、患者の身長で割った場合に線形筋肉指数を計算するために使用される。最小限のトレーニングで、このプロセス全体が1分未満かかることがあります。
体組成測定が患者ケアに及ぼす潜在的な影響を考えると、アクセス可能なトレーニング資料を作成する緊急の必要性があります。本稿では、提供者および臨床研究者のために、それぞれ骨格筋量と体組成を定量化するためにAvrutin et14 およびMourtzakisら13 によって開発された2つの方法の詳細な説明を提供する。
Protocol
以下の研究と議定書は、エモリー大学の機関審査委員会によって審査され、承認されました.
1. L3 CT セグメンテーション
- 医学における軸方向CTデジタル画像およびコミュニケーション(DICOM)画像を取得します。
- イメージ ビューアーで、L3 の椎骨を識別します。
- 可能であれば、2 つの水平ウィンドウ ビューを選択し、左側のコロナビューまたは矢状ビューを選択して参照し、右側に軸ビューを選択します。
- リンクを クリック して、左右のウィンドウをリンクします。
- 頭蓋から尾方向まで画像を下にスクロールします。リブ付着のない最初の椎骨であるL1椎骨を特定します。
- L1からL3までカウントし、コロナまたは矢状のビューを使用してL3の真ん中のスライスを識別します。これは、両方の横断プロセスを最大限かつ均等に視覚化できるポイントとして識別されます。
- L3 スライスを選択します。[ 試験 ]タブで、[ 試験の送信 ]を選択し、画像をDICOMファイルとして保存します。
注: ステップ 1 は前処理の手順で、L3 イメージの取得方法を示すためにここに示します。研究者がすでにL3画像を持っている場合は、ステップ2に進むことができます。画像ビューアで相互参照が有効でない場合、研究者は1.1.1から1.1.2までスキップできます。画像化に胸部領域が含まれていない場合は、仙骨の前部であるL5を同定し、L5からL3までのカウントを行い、6番目の腰椎の存在は正常な変形であることを念頭に置いてください。
- イメージ ビューアーで、L3 の椎骨を識別します。
- スライス・オー・マティック・ソフトウェアでDICOMイメージを開きます。
- DICOM ファイルをスライス-O-マチック ウィンドウの任意の場所にドラッグします。
- モード|を選択区分化を開始するために成長している地域。
- Slice-O-Matic のバージョンのオプションの一覧の上部にアルバータ プロトコルオプションがある場合は、1 つも選択できますステップ 3: セグメンテーションを開始するセグメンテーション。[ステップ3: セグメンテーション] を使用する場合は、手順 5 を実行してから、手順 11 に進みます。
- ツール |の選択タグロック.これにより、ユーザーはタグ付きの色を「ロック」して、後で誤って色付けされたり消去されたりしないようにすることができます。
- 骨格筋識別:画面左側の地域成長領域の下にある 1( 赤)をクリックします。
- 下限の [オフ ] ボタンをクリックして[ オン]にします。マウスホイールの矢印をクリックして、[無効]を[下限]に設定します。[下限] のスライダをドラッグしてハウンズフィールド ユニット (HU) のしきい値をできるだけ -29 に近づけてから、マウス ホイールを使用して HU のしきい値を -2913に正確に設定します。
- [上限] の [オフ ] ボタンをクリックして[ オン]にします。マウスホイールの矢印をクリックして、下限を上限に設定します。[上限] のスライダをドラッグして HU しきい値をできるだけ 150 に近づけてから、マウス ホイールを使用して HU しきい値を 15013に正確に設定します。
- 筋肉内脂肪組織(IMAT)の識別:画面の左側にある領域成長領域の下で 2( 緑)をクリックします。
- 下限の [オフ ] ボタンをクリックして[ オン]にします。マウスホイールの矢印をクリックして、[無効]を[下限]に設定します。[下限] のスライダをドラッグして HU しきい値をできるだけ 190 に近づけてから、マウス ホイールを使用して HU のしきい値を -19013に正確に設定します。
- [上限] の [オフ ] ボタンをクリックして[ オン]にします。マウスホイールの矢印をクリックして、下限を上限に設定します。[上限] のスライダをドラッグして HU しきい値をできるだけ -30 に近づけてから、マウス ホイールを使用して HU のしきい値を -3013に正確に設定します。
- 内臓脂肪組織(VAT)の識別:画面の左側にある地域成長領域の下に 5( 黄色)をクリックします。
- 下限の [オフ ] ボタンをクリックして[ オン]にします。マウスホイールの矢印をクリックして、[無効]を[下限]に設定します。[下限] のスライダをドラッグして HU しきい値をできるだけ 150 に近づけてから、マウス ホイールを使用して HU のしきい値を -15013に正確に設定します。
- [上限] の [オフ ] ボタンをクリックして[ オン]にします。マウスホイールの矢印をクリックして、下限を上限に設定します。[上限] のスライダをドラッグして HU しきい値をできるだけ -50 に近づけてから、マウス ホイールを使用して HU のしきい値を -5013に正確に設定します。
- 皮下脂肪組織(SAT)識別:画面の左側にある領域成長領域の下で 7( シアン)をクリックします。
- 下限の [オフ ] ボタンをクリックして[ オン]にします。マウスホイールの矢印をクリックして、[無効]を[下限]に設定します。[下限] のスライダをドラッグして HU しきい値をできるだけ 190 に近づけてから、マウス ホイールを使用して HU のしきい値を -19013に正確に設定します。
- [上限] の [オフ ] ボタンをクリックして[ オン]にします。マウスホイールの矢印をクリックして、下限を上限に設定します。[上限] のスライダをドラッグして HU しきい値をできるだけ -30 に近づけてから、マウス ホイールを使用して HU のしきい値を -3013に正確に設定します。
- CT イメージを拡大/縮小するには、キーボードの + キーと - キーを使用します。セグメント全体で必要に応じてズームを調整して、組織に明確かつ正確にタグを付けます。
- 骨格筋組織(SM)の 1 を選択してセグメント化を開始します。
- ブラシ オプションを [ペイント]に設定します。
- [領域成長]の下にあるブラシツールを使用して、ブラシの所望のサイズに調整し、Psoas、Paraspinal筋肉群、斜め、および直筋群の上にペイントを開始します。
注: 筋肉筋膜外の体液や臓器に赤の筋肉のタグが付く場合は、[ なし] の色を使用してタグ付けをクリアしてください。
- すべての筋肉にタグが付いたら、画面左下のタグロックメニューで1を選択します。これにより、セグメンテーションが進むにつれて、筋肉が誤ってタグ付けされたり消去されたりすることがなくなります。
- 領域成長の下で選択2と筋肉筋膜内のすべての脂肪組織(IMAT)の上にペイント。筋筋膜外の脂肪や構造が誤ってIMATとしてタグ付けされている場合は、必ず[なし]の色を選択してください。
注:筋筋膜の縁は、通常、それを取り巻く内臓または皮下脂肪よりも軽く見えます。VATやSATではなくIMATとして筋筋膜の軽い縁内のすべての脂肪をタグ付けしてください。リネアアルバが筋肉としてタグ付けされていない場合は、リネアアルバ全体をIMATとして分析する必要があります。 - すべての IMAT にタグが付いたら、画面左下のタグロックメニューから2を選択します。
- [地域成長] メニューから5を選択して、VAT 組織にタグを付けます。
- VAT にタグを付けるとき、画像によっては、ペイントの代わりに2D を拡大する方が使いやすい場合があります。
- [2D に成長] を使用する場合は、最小のペイント ブラシオプションを使用します。Grow 2Dを使用する場合は、タグ付けされたすべてのVATを振り返り、腸や臓器内の内皮内組織が誤ってタグ付けされないようにしてください。
- ペイントを使用する場合は、臓器や腸の内腔の内側にペイントしないようにしてください。
- すべての VAT にタグが付いたら、画面左下のタグロックメニューから「5」を選択します。
- SAT 組織にタグを付けるには、領域成長メニューから7を選択します。
- SAT にタグを付ける場合、画像によっては、ペイントの代わりに2D に拡大する方が簡単です。
- [2D に成長] を使用する場合は、最小のペイント ブラシオプションを使用します。
- Grow 2D を使用する場合は、 必ず[なし] ツールを選択して画像の端に戻り、筋筋膜内の組織が SAT としてタグ付けされないようにし、スキンが SAT としてタグ付けされないようにしてください。
注:皮膚は通常、SATよりも見た目が軽く、通常は厚さ約2〜3ピクセルですが、肌の外観や厚さは画像によって異なる場合があることに注意してください。 - Paintを使用する場合は、特にスキンの周りで、組織が誤ってタグ付けされないように、エッジの周りに注意してください。
- 組織のタグ付けが終了したら、[ ツール] |タグサーフェス/ボリュームこれにより、タグ付けされた各組織の表面積と体積が表示され、通常は表面積が対象となります。
- [ウィンドウに表示]をクリックして、[タグサーフェス/ボリューム]ウィンドウを完全に開きます。また、HU 値も表示されます。
- 表面積と HU しきい値を記録します。
メモ:画面の左下に [タグサーフェス/ボリューム ]ウィンドウが表示されない場合は、表示するスペースが十分でない可能性があります。この場合は、Slice-O-Matic ウィンドウが最大化されていることを確認してから、[ ツール] を選択|タグロック をクリックして タグロック ウィンドウを削除します。これにより、[ タグサーフェス/ボリューム ]ウィンドウを表示するのに十分なスペースが必要です。
- 完了したら、[ ファイル] |タグ ファイルの保存これにより、DICOM ファイルが配置されている場所に TAG ファイルが保存されます。
2. L3 MRI セグメンテーション
- 軸方向 MRI (T2 加重シーケンス) DICOM イメージを取得します。
- イメージ ビューアーで、L3 の椎骨を識別します。
- 可能であれば、2 つの水平ウィンドウ ビューを選択し、左側のコロナビューまたは矢状ビューを選択して参照し、右側に軸ビューを選択します。
- リンクを クリック して、左右のウィンドウをリンクします。
- 頭蓋から尾方向まで画像を下にスクロールします。リブ付着のない最初の椎骨であるL1椎骨を特定します。
- L1からL3までカウントし、コロナまたは矢状のビューを使用してL3の真ん中のスライスを識別します。これは、両方の横断プロセスを最大限かつ均等に視覚化できるポイントとして識別されます。
- L3 スライスを選択します。[ 試験 ]タブで、[ 試験の送信 ]を選択し、画像をDICOMファイルとして保存します。
注: ステップ 1 は前処理の手順で、L3 イメージの取得方法を示すためにここに示します。研究者がすでにL3画像を持っている場合は、ステップ2に進むことができます。画像ビューアで相互参照が有効でない場合、研究者は1.1.1から1.1.2までスキップできます。画像化に胸部領域が含まれていない場合は、仙骨の前部であるL5を特定し、L5からL3までのカウントを行い、6番目の腰椎の存在は正常な変種であることを念頭に置いてください。
- イメージ ビューアーで、L3 の椎骨を識別します。
- スライスOマチックソフトウェアでDICOMイメージを開きます。
- 「スライス・オー・マチック」ウィンドウの任意の場所に DICOM ファイルをドラッグします。
- モード|を選択区分化を開始するために成長している地域。
注: MRI 画像の脂肪組織の分化が悪いため、SM のみがセグメント化されます。- 脊髄筋セグメンテーション:画面左側の領域成長領域の下の 1( 赤)をクリックします。
- プレビューモードでは、画像のヒストグラムは複数のピークを示し、最初のピークは空気を表し、その後の2番目、3番目、4番目のピークはそれぞれ筋肉、骨、脂肪を表します。
- 下限の [オフ ] ボタンをクリックして[ オン]にします。
- マウスホイールの矢印をクリックして、[無効]を[下限]に設定します。
- [下限] のスライダーをドラッグして、ハウンズフィールド 単位 (HU) のしきい値を 0 に設定します。
- [上限] の [オフ ] ボタンをクリックして[ オン]にします。
- マウスホイールの矢印をクリックして、下限を上限に設定します。
- 上限のスライダーをドラッグして、足元筋を含むように HU を設定します。
- 骨格筋組織(SM)の 1 を選択して、パラ脊髄筋のセグメント化を開始します。ブラシ オプションを [ペイント]に設定します。 [領域成長 ]の下にあるブラシツールを使用して、ブラシの所望のサイズに調整し、パラ脊椎筋群の上にペイントを開始します。
注: 筋肉筋膜外の体液や臓器に筋肉として赤でタグ付けされている場合は、 必ず[なし] カラー選択を使用してタグ付けをクリアしてください。
- 残りの筋肉群の分節化: マウスを前にリネアアルバに移動します。プレビューモードで、リネアアルバを含むように上限を調整します。強度のこの上限は、その後、すべての残りの筋肉群に採用されます.
- 骨格筋組織(SM)の 1 を選択してセグメント化を開始します。ブラシ オプションを [ペイント]に設定します。[領域成長]の下にあるブラシツールを使用して、ブラシの所望のサイズに調整し、パラ脊椎筋群の上にペイントを開始します。
注: 筋肉筋膜外の体液や臓器に筋肉として赤でタグ付けされている場合は、 必ず[なし] カラー選択を使用してタグ付けをクリアしてください。
- 骨格筋組織(SM)の 1 を選択してセグメント化を開始します。ブラシ オプションを [ペイント]に設定します。[領域成長]の下にあるブラシツールを使用して、ブラシの所望のサイズに調整し、パラ脊椎筋群の上にペイントを開始します。
- 脊髄筋セグメンテーション:画面左側の領域成長領域の下の 1( 赤)をクリックします。
- 組織のタグ付けが終了したら、[ ツール] |タグサーフェス/ボリュームこれは、タグ付けされた各組織の表面積と体積を表示します。
- [ウィンドウに表示]をクリックして、[タグサーフェス/ボリューム]ウィンドウを完全に開きます。また、HU 値も表示されます。
- 表面積と HU しきい値を記録します。
メモ:画面の左下に [タグサーフェス/ボリューム ]ウィンドウが表示されない場合は、表示するスペースが十分でない可能性があります。この場合は、Slice-O-Matic ウィンドウが最大化されていることを確認してから、[ ツール] を選択|タグロック をクリックして タグロック ウィンドウを削除します。これにより、[ タグサーフェス/ボリューム ]ウィンドウを表示するのに十分なスペースが必要です。 - 完了したら、[ ファイル] |タグ ファイルの保存これにより、DICOM ファイルが配置されている場所に TAG ファイルが保存されます。
3. CTおよびMRIの線形測定
- 軸方向 CT または MRI DICOM 画像を取得します。
- イメージ ビューアーで、L3 の椎骨を識別します。
- 可能であれば、2 つの水平ウィンドウ ビューを選択し、左側のコロナビューまたは矢状ビューを選択して参照し、右側に軸ビューを選択します。
- リンクを クリック して、左右のウィンドウをリンクします。
- 頭蓋から尾方向まで画像を下にスクロールします。リブ付着のない最初の椎骨であるL1椎骨を特定します。
- L1からL3にカウントし、両方の横方向のプロセスが等しく識別される点によって識別されるように、コロナまたは矢状のビューを使用してL3の中央のスライスを識別する。
注: ステップ 1 は前処理の手順で、L3 イメージの取得方法を示すためにここに示します。研究者がすでにL3画像を持っている場合は、ステップ2に進むことができます。画像ビューアで相互参照が有効でない場合、研究者は1.1.1から1.1.2までスキップできます。画像化に胸部領域が含まれていない場合は、仙点の前部であるL5を特定し、L5からL3にカウントします。
- イメージ ビューアーで、L3 の椎骨を識別します。
- 画像を医療画像ビューアにインポートして開きます。
- ホロの場合:アプリを開き、[ インポート]をクリックします。
- DICOM イメージが配置されている場所に移動し、それを選択して [ 開く] をクリックします。ファイルとイメージは、患者名リストの下に表示されます。
- [患者名] をダブルクリックし、画像をダブルクリックして線形セグメンテーションを開始します。
- psoas の筋肉と、脊髄の筋肉を識別します。
- ルーラーツールを選択し、上記の4つの筋肉の水平(180°)と垂直(90°)直径を測定します。
注: 線は、対角線ではなく、イメージに対して水平および垂直にする必要があります。描画される水平線と垂直線は、各筋肉全体を囲む長方形のボックスを作成する必要があります。単に筋肉の最も長い距離を測定しないでください。ボックス描画ツールを使用するイメージビューアを使用する場合、単純なルーラーツールの代わりにそのツールを使用できます。これは、ボックス描画ツールが少なくともボックスの高さと長さを表示する場合に提供されます。 - 8つの測定値(右プソス幅、右プソの長さ、左プソの幅、左のプソアスの長さ、右のパラ脊椎幅、右のパラ脊椎長さ、左のパラ脊椎幅、左の脊髄長さ)を記録して、さらに分析を行います。
- その筋肉の水平および垂直値を乗じて、個々の筋肉の表面積を計算します。
- 右筋に左筋を加えて、筋と脳筋の総筋表面積を得る。
- 結合表面積(mm2)を患者身長二乗(m2)で割って、線形筋指数を計算する。
Representative Results
L3セグメンテーション手順は、赤でタグ付けされた骨格筋(SM)組織、緑色のIMAT、黄色のVAT、シアンのSATを有するタグ付きCTまたはMRI画像をもたらす(図1)。タグなしの残りの組織は、各ピクセルのそれぞれのハウンズフィールド単位(HU)値に対応する元の白、灰色、および背面の色合いのままです。白色に残っているタグなし組織の大部分は骨であり、灰色に残っている組織の大部分は、腸の内腔内の非骨格筋、器官組織、脂肪組織であり、黒い状態に残る画像の大部分は空気である。適切にセグメント化された画像は、骨格筋筋膜の外に赤または緑色のタグ付けがなく、骨格筋筋膜内に黄色またはシアンのタグ付けはありません。さらに、黄色のタグ付けは、腸の内腔または腎臓や肝臓などの器官に侵入してはならない、とシアンタグは皮膚に対応する軽い外縁に沿って存在すべきではない。画像のセグメンテーションが完了したら、表面積と平均組織HU値を患者の身長と並べて記録する必要があります(表1)。このデータから、骨格筋指数を計算し、特定の研究や臨床問題に関連する他の分析を進めることができます。ほとんどのMRI画像では、骨格筋のみが適切にタグ付けされ、その後分析できることに注意してください(表2)。線形測定では、高さの二乗に対して表面積を分割してインデックスを計算する(表3)。
セグメンテーション手順で研究者が遭遇する一般的な問題には、重要な情報が欠落している画像が含まれます。たとえば、画像のサイズが大きめの部分で切り取られたり切り取られたりすることがあります(図2)。具体的には、SATや骨格筋組織がフレームから切り取られた画像は、影響を受ける組織の表面積計算の精度を大幅に低下させます。これが分析に適さない画像をレンダリングするかどうかは、臨床または研究の文脈に依存し、ケースバイケースで研究チームによって決定されなければなりません。もう一つの落とし穴は、研究者が骨格筋に脊髄と骨髄を誤って含む可能性があります。この問題を回避するには、研究者は十分な訓練を受け、セグメンテーション中は慎重である必要があります。CTまたはMRI画像の他の一般的なアーティファクトには、スキャナーにおける患者の配置または動き、骨格筋筋膜の周りの脂肪座礁および瘢痕組織、および他の奇妙な形状のアーティファクトによって引き起こされる技術的な問題が含まれる(図3)。患者の動きや不適切な配置によって引き起こされる技術的な問題は、通常、周囲の組織よりも高いHU値で、軽く表示されます。このような技術的な問題は、通常、SAT に表示され、表面積計算の精度を低下させる可能性があります。臨床または研究のコンテキストは、このような問題に対する許容度を決定します。脂肪の座礁および瘢痕組織の人工物は、通常、組織表面積計算において大量の誤差を生じさせることはない。しかし、彼らはファシアルラインの誤認につながる可能性があります。骨格筋およびIMAT表面積は、脂肪鎖または瘢痕組織が筋筋膜線と間違えられる場合に非常に不正確である可能性があります。CTおよびMRI画像の他の小さな傷やアーチファクトは、通常、まれなケースを除いて、全体的な画質に影響を与えない。臨床または研究の文脈に応じて、これらのアーティファクトは、画像品質を検証するために放射線学の専門家によって評価される必要があります。CT画像とMRI画像における最後の共通課題は、筋筋膜線の変形である(図4)。これらのブレークは通常、画質に影響を与えないが、筋筋膜の大きな破断やその他の変形を含む画像は、変形の起源が臨床または研究コンテキストの分析に影響を与えるかどうかを判断するために放射線科医によって評価されるべきである。
Avruvinらによって開発されたL3線形測定手順は、L3セグメンテーション手順14,15よりも少ない一般的な誤差を有する。線形測定で遭遇する主な問題は、関心のある筋肉群、2つのpsoasおよびパラ脊髄筋群を特定することに基づいている(図5)。ほとんどの場合、psoasの縁は近くの器官とは異なりますが、エッジが識別しにくい場合、HUフィルターまたは明るさを変更すると、通常、問題の大部分が解決されます。さらに、パラ脊髄筋群の縁は他の近くの組織とは異なることがよくありますが、明確な筋肉が最下筋線に達しない場合は、線を含めるべきではありませんパラ脊椎筋群の下端を決定する必要があります。最後に、四角腰光は、psoasまたは脊髄筋群の端を決定する際に除外されるべきである(図5E)。
図1:スライス・オー・マチックの適切なL3セグメンテーション (A) L3椎骨における変化していない軸方向CT画像(B) 骨格筋(SM)に対応する赤の完全にタグ付けされた軸方向CT、筋肉内脂肪組織(IMAT)に対する緑、静脈脂肪組織(VAT)に黄色、および皮下脂肪組織(SAT)にシアン。 この図の大きなバージョンを表示するには、ここをクリックしてください。
図2:L3 CT画像を切り落とします。 スライスOマチックのタグなしCT画像で、かなりの量のSATとかなりの量の骨格筋組織が切断されています 。
図3: 一般的なアーティファクト( A) タグなし CT イメージには、それぞれ赤いボックス、青い楕円、緑のボックスにさまざまなアーティファクトが強調表示されています。赤いボックスは、スキャン中に不整列や動きから起き上がった可能性があるCTスキャンに関する技術的な問題を示しています。青い楕円形は、瘢痕組織に起因する可能性が高い一般的なアーティファクトを強調しています。緑色の四角形は、複数の潜在的な原因を持つ可能性のある傷を強調します。(B) タグ付き CT スキャンで、赤いボックス、青い楕円、緑のボックスで強調表示された同じそれぞれのアーティファクトの外観を使用します。 この図の大きなバージョンを表示するには、ここをクリックしてください。
図4: 筋肉筋の大きな破断( A) タグなしのL3 CT画像は、紫色のボックス内の骨格筋筋膜の大きな破断を強調する。(B) タグ付きの L3 CT 画像は、紫色のボックス内の骨格筋筋膜の大きな破断のタグ付き外観を強調します。 この図の大きなバージョンを表示するには、ここをクリックしてください。
図5:L3線形測定( A)Horos画像ビューアでの解析前の元のL3 CT画像。(B)従来の線形測定法には、筋肉ごとに1本の垂直線と1本の水平線が描かれています。これらの線は定規ツールで測定され、各筋肉グループの表面積を見つけるために乗算されます。従来の線形メジャー法では、常に 90°で交差する線が必要です。従来の線形測定法のこの画像は、ホロスで作成されたので視覚的なデモンストレーションであり、90°の交差を持つことは保証されていません。(C) (D) (E) L3線形測定用ボックス法(C)(D) 青と紫のボックスはそれぞれ左右のpsoasを包含し、黄色と緑のボックスはそれぞれ左右の脊髄筋を包含する。(E) 薄紫色とオレンジ色のボックスは、Psoasおよび脊髄筋群のエッジを決定する際に考慮すべきではない四角腰光を強調する。 この図の大きなバージョンを表示するには、ここをクリックしてください。
図6:線形測定とL3断面骨格筋領域の比較、n= 65 結合されたpsoasと脊髄領域は、L3断面の総骨格筋に従う。 この図の大きなバージョンを表示するには、ここをクリックしてください。
CT セグメンテーション | ||||
筋肉 | 筋肉内脂肪組織 | 内臓脂肪組織 | 皮下脂肪組織 | |
スフェイスエリア(cm2) | 134.4 | 8.402 | 72.43 | 271 |
ハウンズフィールドユニット (平均) | 33.61 | 2.1 | 18.11 | 67.76 |
患者身長二乗(m2) | 2.69 | 骨格筋指数(筋肉領域/高さ2、cm2/ m2) | 49.97 |
表1: CT セグメンテーション
MRIセグメネーション | |
筋肉 | |
スフェイスエリア(cm2) | 241.8 |
ハウンズフィールドユニット (平均) | 35.85 |
患者身長(m2) | 3.39 |
骨格筋指数 | 71.42 |
(筋肉領域/高さ2、cm2 /m2) |
表 2: MRI セグメンテーション
線形測定 | |||||||
右プソアス高さ(cm) | 右プソアス幅 (cm) | 左プソアス高さ (cm) | 左プソアス幅 (cm) | 右パラ脊椎の高さ(cm) | 右のパラ脊椎幅 (cm) | 左パラスピナル高さ(cm) | 左パラ脊椎幅 (cm) |
3.934 | 2.927 | 3.743 | 2.788 | 4.916 | 6.264 | 4.403 | 7.045 |
総プソアスエリア(cm2) | 21.950 | 総パラ脊椎領域(cm2) | 61.813 | ||||
総筋肉領域(cm2) | 83.76 | ||||||
患者身長二乗(m2) | 2.496 | 線形測定指数 (cm2/m2) | 33.55 |
表 3: 線形メジャー
Discussion
psoas筋肉、パラ脊髄筋群、および斜筋は、全体的な筋肉量5と密接に相関する。特に、第3腰椎(L3)の中間点におけるこれらの筋肉群のCTまたはMRI断面内の表面積は、全体的な筋肉量と高い相関を持ち、この画像は研究者または臨床医がサルコペニア1、2、13を評価する際に使用するのに理想的な1つである。セグメンテーションおよび線形測定は、身体組成を評価し、患者16,17におけるサルコペニアおよびサルコペニック肥満などの予後不良状態を同定する上で大きな価値を示している。研究は、筋肉量測定が生存と、化学療法や化学療法毒性などの治療計画に続く主要な合併症のリスクに関連していることを示しています16,17,18.したがって、治療オプションに関するカウンセリングを受ける前に、臨床医が体組成データを持つことは有益である可能性があります。
現在, 体組成を評価するいくつかの方法があります。.密度測定12および空気変位プレチスモグラフィー(ADP)19のようないくつかの方法は、それぞれ空気重量および変位を利用して、体脂肪および体密度の割合を推定する。これらの方法は有用であるが、脂肪組織分布5、19を決定することができない。BIAなどの他の体組成分析技術は、脂肪質量と無脂肪質量12の異なる電気特性に基づいて分析を行う。しかし、この技術は再び脂肪分布を適切に評価できず、より正確な測定のために民族性、年齢、性別などのより多くの情報を必要とします。逆に、DEXAなどの評価は、体組成評価に有用であることが示されているが、脂肪12の増加に伴って筋肉量を過大評価する傾向がある。いくつかのプロトコルはまた、DICOM表示ソフトウェア内の筋肉量および脂肪組織データを得るために関心領域(ROI)法を用いており、これはサルコローニア評価および栄養評価20,21のためのBIA体組成分析と良好な相関関係を有することが示されている。
Mourtzakisらが開発したセグメンテーション手順は、ほとんどのCTまたはMRI画像で行い、脂肪組織分布および筋肉領域13を正確に決定することができるので、代替体組成評価よりも有利である。さらに、軸方向L3セグメンテーションは、患者の肥満状態13に関係なく精度の利点を有する。前述の代替法と同様に、Avrutinら14 が開発した線形測定技術は、脂肪分布を評価する能力を有していない。最近、研究者は、特にpsoas筋肉単独22を測定する方法において、身体のセグメンテーションにおいて異なる異なる方法を実証している。Psoas筋肉量単独は腰部の筋肉量や系統的な筋肉の消耗を高く代表するものではなく、臨床転帰22と高く相関していない可能性がある。この問題は、psoas筋肉が評価の主要な筋肉群であるため、線形測定でより懸念される可能性があります。しかし、我々の概説された技術は、断面筋量の迅速かつ便利な評価をしながら、より正確に測定するための両側性psoasおよび脊髄筋推定を含む。CT/MRI線形測定とセグメンテーション法の間の相互に従い、臨床結果との相関を検証する今後の研究が保証される。
L3セグメンテーションと線形測定手順の両方は、最初は体全体の筋肉含有量を迅速かつ正確に評価するように設計されました。L3椎骨のみでセグメント化することにより、このプロトコルは、研究者または臨床医に患者の無駄のない筋肉量と脂肪状態を決定するのに十分な情報を提供しながら、時間を節約します。ただし、L3 セグメンテーションは、フル ボディのセグメンテーションよりもはるかに短い時間を要しますが、Slice-O-Matic ソフトウェアを使用するには時間とコストがかかる場合があります。逆に、線形測定は、重症患者14,15における筋肉状態およびサルコペニアを評価する際のL3セグメンテーションと同じくらい正確である可能性を有する。線形測定によって測定された骨格筋がセグメンテーションによって測定された値と密接に相関しているT3腎細胞癌コホートにおいてこのような関係を実証した(図6)。重要なのは、この方法は非常に高速であり、イメージングソフトウェアは無料です。しかし、線形測定手順の最も顕著な制限は、脂肪組織含有量を評価する能力の欠如であり、臨床医は筋肉含有量の一般的な評価が十分な文脈に制限される。
セグメンテーションと線形測定の両方の手順で、3つの重要なステップがあります。まず、臨床医と研究者は、一貫性を達成するためにL3椎骨の真ん中を特定する必要があります。L3椎骨の真ん中は、横断プロセスの骨髄が最も顕著であるスライスになります。軸方向の L3 椎骨のスライスは、架橋状の矢状またはコロナのビューの助けを借りてより容易に識別できます。研究者や臨床医は、最初にL1椎骨または仙骨を基準点として見つけることができ、5個ではなく6つの腰椎の存在は正常な変種であることを念頭に置く。次の重要なステップは、筋肉を識別することです。線形測定では、垂直および水平測定を行う間、四角腰光を含めるべきではありません。第三に、コロンの内容が内臓脂肪組織23としてタグ付けされることがあるため、研究者はセグメンテーションプロトコルでVATをラベル付けする際にも細心の注意を払う必要があります。このようなエラーが発生した場合、研究者は次のステップに進む前にこれらの領域を消去する必要があります。
セグメンテーションの一般的な問題は、CT または MRI の画質が悪い(例については 、代表的な結果 を参照してください)。画質が悪いとイメージが無駄になる場合もありますが、解析から除外する必要がある場合もあります。もう一つは、おそらく避けられない、単一の画像のセグメンテーションの制限は、画像から画像への固体器官位置のランダムな変動を含む。
L3 セグメンテーション解析と線形測定解析の両方で共通する問題は、多くの場合、相互およびイントラレートの変動に関連しています。ほとんどのプロトコルの場合と同様に、オブザーバー間および単一の個人の別々の試験間で一定の変動が予想されます。分析を行う複数の人との間評価者間変動を説明し、最小限に抑えるために、研究チームまたは臨床医チームは、同じ画像から表面積測定および平均HUの統計的に有意な変動をテストすることができます。これは、同じ画像の非常に類似した表面積を持つ研究者や臨床医が実際に組織にほぼ同じタグを付けているかどうかを示すので、HUの変動に特別な注意を払ってください。個人の有意なイントラレートの変動をテストするために、研究者または臨床医は、各画像のすべてのレプリカが狭く統計的に有意でないマージン内になるまで、画像の小さなサブセットを取り、各画像をセグメント化することができます。
我々は、ここで提示される両方のプロトコルが単一のスライスしか使用されないので、体組成分析に制限があることを認める。Shenらが示唆したように、3D解析は腹部内臓脂肪に対してより正確な情報を提供し、VATの単一スライス分析は男性と女性のレベルが異なる24.しかし、ここで説明するプロトコルは、診療所でのサルコペニアスクリーニングに使用できる脂肪組織と同様に、筋肉の迅速な評価を提供するので、依然として価値がある。
さらに、3D機械学習アルゴリズム、特にニューラルネットベースの分類アルゴリズム25を用いた多くの自動体組成解析プロトコルが存在する。我々は、これらが従来の2Dセグメンテーションに代わる可能性があることを認める。しかし、これらの方法では、臨床および研究の現場で開発、テスト、実装するCTおよびMRI画像の大規模なデータセットが必要です。さらに、これらの方法では、多くの場合、機械学習アルゴリズムを検証するためのベースライン参照を確立するために、2D セグメンテーション分析が必要です。したがって、ここで示すプロトコルは、大規模なデータセットや 3D イメージが利用できない場合に役立ちます。このように、臨床医や研究者はこのトレーニングビデオの恩恵を受け、自動分析が可能になる前に、そしてこの高度な技術の実施を促進するために、これらの迅速かつ信頼性の高い方法を予備スクリーニングとして採用できると考えています。
脂肪組織分布と骨格筋量を迅速に分析する能力は、がん治療や研究から心臓病5に至るまで、幅広い臨床的関心を持っています。他の一般的に使用される方法と比較して、ムールザキスら。Slice-O-MaticのL3セグメンテーション手順は、脂肪組織分布を正確かつ迅速に評価し、サルコペニア状態5、12、13、19を決定することができます。さらに、骨格筋量に関する情報が十分である文脈において、L3線形測定手順は、手術、放射線療法、および化学療法1、2、4、6、7、8などの癌治療における成功を予測するのに役立つ、信頼性の高い、非常に速いツールである。このトレーニングビデオと原稿の目的は、臨床医がクリニックの設定で体組成をより簡単に評価できるように、将来の使用のためのセグメンテーションと線形測定のためのプロトコルを明確に示すものです。
Disclosures
著者らは開示するものは何もない。
Acknowledgments
著者たちは、ジョン・ロビンソン&チャーチル家財団の支援を認めたいと考えています。
Materials
Name | Company | Catalog Number | Comments |
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).