Summary
Het doel van deze studie was om een nieuw driedimensionaal digitaal model te ontwikkelen voor de vroege diagnose van leverfibrose, dat de stijfheid van elke voxel in de lever van de patiënt omvat en dus kan worden gebruikt om de distributieverhouding van de lever van de patiënt in verschillende fibrosestadia te berekenen.
Abstract
Leverfibrose is een vroeg stadium van levercirrose en er zijn geen betere niet-invasieve en handige methoden voor de detectie en evaluatie van de ziekte. Ondanks de goede vooruitgang die is geboekt met de leverstijfheidskaart (LSM) op basis van magnetische resonantie-elastografie (MRE), zijn er nog steeds enkele beperkingen die moeten worden overwonnen, waaronder handmatige focusbepaling, handmatige selectie van interessegebieden (ROI's) en discontinue LSM-gegevens zonder structurele informatie, waardoor het onmogelijk is om de lever als geheel te evalueren. In deze studie stellen we een nieuw driedimensionaal (3D) digitaal model voor voor de vroege diagnose van leverfibrose op basis van MRE.
MRE is een niet-invasieve beeldvormingstechniek die gebruik maakt van magnetische resonantiebeeldvorming (MRI) om de leverstijfheid op de scanplaats te meten door middel van interactie tussen mens en computer. Studies hebben een significante positieve correlatie aangetoond tussen de LSM verkregen via MRE en de mate van leverfibrose. Voor klinische doeleinden is echter een uitgebreide en nauwkeurige kwantificering van de mate van leverfibrose noodzakelijk. Om dit aan te pakken, werd in deze studie het concept van Liver Stiffness Distribution (LSD) voorgesteld, dat verwijst naar het 3D-stijfheidsvolume van elke levervoxel dat wordt verkregen door de uitlijning van 3D-leverweefselbeelden en MRE-indicatoren. Dit biedt een effectiever klinisch hulpmiddel voor de diagnose en behandeling van leverfibrose.
Introduction
Leverfibrose verwijst naar de vorming van overmatig littekenweefsel in de lever, meestal als gevolg van leverbeschadiging of ziekte 1,2,3,4. Het ontstaat vaak als gevolg van chronische leverbeschadiging en wordt vaak geassocieerd met leverziekten, zoals chronische virale hepatitis, niet-alcoholische leververvetting en alcoholische leverziekte. Indien onbehandeld, kan leverfibrose zich ontwikkelen tot cirrose, een potentieel levensbedreigende aandoening die gepaard gaat met aanzienlijke morbiditeit en mortaliteit.
Actief onderzoek op dit gebied heeft tot doel de cellulaire en moleculaire mechanismen op te helderen die ten grondslag liggen aan de pathogenese van leverfibrose, en om nieuwe diagnostische en therapeutische strategieën te ontwikkelen om de resultaten voor patiënten te verbeteren. Een ander doel is de niet-invasieve detectie van het stadium van leverfibrose, wat een cruciaal aspect is dat rechtstreeks correleert met de diagnose van de ziekte, de selectie van de behandeling en de evaluatie van de prognose. Ondanks het belang van een nauwkeurige diagnose en de monitoring van leverfibrose, zijn traditionele diagnostische methoden, zoals leverbiopsie, invasief en gaan ze gepaard met aanzienlijke risico's. Magnetische resonantie-elastografie 5,6 (MRE) daarentegen is een veelbelovende niet-invasieve beeldvormingstechniek die potentieel heeft aangetoond bij de diagnose en monitoring van leverfibrose door leverstijfheid te kwantificeren.
In de afgelopen jaren is er veel onderzoek gedaan naar het evalueren van de nauwkeurigheid en betrouwbaarheid van MRE bij de diagnose van leverfibrose, evenals de potentiële voordelen ervan ten opzichte van traditionele diagnostische methoden. De leverstijfheidsmetriek van MRE is goedgekeurd door de Amerikaanse Food and Drug Administration (FDA) voor klinische diagnose, en uitgebreide vergelijkende analyse met pathologische resultaten is uitgevoerd in de klinische praktijk. De resultaten hebben aangetoond dat de stijfheidskaarten die door MRE worden gegenereerd een sterke positieve correlatie vertonen met verschillende stadia van leverfibrose 7,8,9,10,11,12. Maar tot nu toe heeft het werk van het nauwkeurig evalueren en volgen van de progressie van leverfibrose bij patiënten door middel van kwantitatieve analyse van de distributie van leverstijfheid (LSD) door leverstructuurbeelden te matchen met MRE niet veel vooruitgang geboekt.
In deze studie wordt de analysetechniek13,14,15 van de medische beeldvormingsgroep geïntroduceerd om een nauwkeurige uitlijning van de leverstructuurbeelden te bereiken met de stijfheidskaart die door MRE in 3D-ruimte wordt gegenereerd, waardoor de leverstijfheidswaarden voor elke voxel van de gehele lever kunnen worden berekend. Op basis van het digitale 3D-model van LSD kan de exacte verdeling van patiëntspecifieke stadiëring van leverfibrose worden berekend en geëvalueerd. Dit legt een solide basis voor de nauwkeurige kwantitatieve diagnose van leverfibrose in een vroeg stadium.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Deze studie maakte gebruik van 3D-digitale LSD-modellering om de lever te reconstrueren van een typische patiënt met klinisch bevestigde leverfibrose. De patiënt werd gerekruteerd uit een bekende instelling voor de behandeling van leverziekten, "You An Hospital" in Beijing, China, en onderging routinematige magnetische resonantiebeeldvorming (MRI) en MRE-beeldvorming in de bovenbuik na toestemming te hebben gegeven. De patiënt werd gekozen als casestudy voor deze onderzoeksmethode vanwege de bevestiging van leverfibrosestadiëring door pathologisch onderzoek en de afwezigheid van duidelijke klinische symptomen, wat de toepasbaarheid en klinische waarde van dit onderzoek benadrukt bij het diagnosticeren van patiënten met leverfibrose in een vroeg stadium. Dit artikel geeft ook een kwantitatieve vergelijking tussen de lever van deze patiënt en een gezonde lever. De softwaretools die in dit onderzoek zijn gebruikt, staan vermeld in de materiaaltabel.
1. Gegevensverzameling en -voorbereiding
LET OP: Het parameterverschil is niet gevoelig voor de onderzoeksmethode.
- Strategieën voor MRI-scans
OPMERKING: Deze studie maakte gebruik van werkelijke DICOM-gegevens die waren verkregen uit klinische beeldvorming met behulp van een MRI-apparaat (magnetic resonance imaging) vervaardigd door GE. De inhoud van de gegevens omvat IDEAL (Iteratieve ontleding van water en vet met echo-asymmetrie en schatting van de kleinste kwadraten), beeldvorming van water-vetscheiding en beeldvorming van magnetische resonantie-elastografie (MRE).- Zorg ervoor dat de IDEAL-gegevens een horizontale resolutie hebben van 256 pixels bij 256 pixels, met een pixelafstand van 1,5625 mm en een plakdikte van 10 mm.
OPMERKING: De scanstrategie kan verder worden geoptimaliseerd, maar de methodologie die in dit onderzoek wordt gebruikt, is van toepassing op medische beeldvorming met een hogere precisie.
- Zorg ervoor dat de IDEAL-gegevens een horizontale resolutie hebben van 256 pixels bij 256 pixels, met een pixelafstand van 1,5625 mm en een plakdikte van 10 mm.
- Wijzig de naam van de map van elke reeks.
OPMERKING: Aangezien de DICOM-gegevens die uit de apparatuur worden geëxporteerd geen expliciete sequentienamen bevatten, is het tijdens de voorbewerkingsfase noodzakelijk om expliciete namen voor elke sequentie toe te voegen om de daaropvolgende analyse en verwerking te vergemakkelijken.- Kopieer alle DICOM-gegevens naar een aangepaste werkmap.
- Navigeer naar de map met de gegevens in de werkmap van MATLAB.
- Voer de functie Description_Name uit om beschrijvende namen toe te voegen aan de mappen voor elke reeks.
- Zie figuur 1 voor een vergelijking voor en na hernoeming. Voeg een beschrijvingsnaam toe aan elke map met afbeeldingsreeksen om de identificatie van de benodigde afbeeldingsreeksen voor verschillende analytische doeleinden te vergemakkelijken.
- Bekijk snel afbeeldingen van IDEAL.
- Wijzig de map met mappen van verschillende fasen, inclusief de in-fase, out-fase, water- en vetfase, die in afzonderlijke mappen zijn opgeslagen voor beeldvorming met behulp van IDEAL.
- Voer de Slice_View-functie uit om de impactsequenties voor elke fase te bekijken.
- Zie figuur 2 voor een afbeelding van de interactieve grafische gebruikersinterface (GUI) voor de MRI-IDEAL-sequentie. Gebruik de schuifbalk onderaan de GUI om snel door de verschillende sequenties te bladeren.
- Gebruik de MRI-IDEAL outfasesequentie als het type MRI-sequentie voor het geven van duidelijkere beschrijvingen van leverweefselgrenzen.
OPMERKING: Bij de volgende bewerkingen zal de nadruk liggen op het gebruik van de uitfasesequentie van IDEAL om het 3D-gebied van de lever af te bakenen.
2. Extraheer het 3D-gebied van de lever
OPMERKING: De individuele voxels in het 3D-gebied van de lever dienen als ruimtelijke dragers voor LSD, waarbij de stijfheidswaarde van elke voxel wordt afgeleid van MRE. Het extraheren van het 3D-gebied van het leverweefsel is een noodzakelijke stap vóór fusie. Hoewel deep learning kan worden gebruikt om deze taak efficiënter uit te voeren, is dit niet de focus van deze studie. Daarom worden hier nog steeds volwassen softwaretools (bijv. MIMICS) gebruikt om het 3D-gebied van het leverweefsel te extraheren.
- Om de MIMICS-software te starten, selecteert u Nieuw project en navigeert u in het volgende dialoogvenster naar de map met de IDEAL-outfase-afbeeldingen. Ga verder door op de knop Converteren op VOLGENDE te klikken en zo toegang te krijgen tot de status voor het bewerken van sequenties.
- Om een leeg masker te maken, klikt u op de knop Nieuw in het dialoogvenster MASKER aan de rechterkant en selecteert u de maximale drempel.
- Als u het gebied van de lever in alle horizontale weergaven wilt afbakenen, gebruikt u de tool Maskers bewerken die zich onder het label Segment bevindt.
- Om het 3D ruimtelijke deel van de lever te genereren, selecteert u het levermasker dat is afgebakend en klikt u op de knop Deel van masker berekenen . Het geëxtraheerde 3D-gebied van de lever wordt weergegeven in figuur 3.
- Klik op Bestand | Exporteren | selecteer de opdracht Dicom . Kies in het pop-upvenster het levermasker, stel het bestandspad en de bestandsnamen in en klik op de OK knop om de export van het 3D-gebied van de lever naar de opgegeven DICOM-bestanden te voltooien.
3. De kaartvolgorde van leverstijfheid
OPMERKING: Het MRE-stijfheidsbereik bij patiënten met vroege fibrose is doorgaans lager dan 8 kpa. Om dit te bekijken, moet de sequentieafbeelding met het label 'SE27_ST8K_(Pa)' worden geselecteerd.
- Wijzig de directory in de map 'SE27_ST8K_(Pa)', die de leverstijfheidskaartreeks bevat.
- Om door elke stijfheidskaart te bladeren, voert u de functie MRE_show uit in de werkruimte van Matlab, waarbij het argument van de functie de bestandsnaam is die zich in het opgegeven pad bevindt.
- De leverstijfheidskaart in figuur 4 is een RGB-afbeelding met ware kleuren, met een gegevensstructuur van 512 pixels bij 512 pixels bij 3 matrix, waarbij elk pixelpunt drie waarden heeft die de drie primaire kleuren, RBG, vertegenwoordigen. Let op de kleurenbalk aan de linkerkant die de bijbehorende stijfheidswaarden van verschillende gekleurde pixels weergeeft. Bereken de exacte stijfheid van elke pixel met behulp van hun respectievelijke correlaties.
- De aanvullende informatie in figuur 4 omvat gegevens zoals sequentiebeschrijving, scanpositie, tijd, patiëntinformatie en beeldparameters. Gebruik deze gegevens, met name de beeldparameters, om de ruimtelijke relatie tussen MRE- en IDEAL-sequenties vast te stellen.
4.3D-Volume van de verdeling van leverstijfheid
OPMERKING: Elke voxel in het 3D-leverstijfheidsvolume vertegenwoordigt de stijfheidswaarde van een overeenkomstige voxel in het 3D-levergebied, die is afgeleid van de stijfheidswaarde van elke pixel in figuur 4. Door het 3D-levergebied in figuur 3 uit te lijnen met de stijfheidskaart in figuur 4, kan de stijfheidswaarde van elke voxel worden geëxtraheerd, wat resulteert in het genereren van het 3D-leverstijfheidsvolume.
- Roep de LSD_Slice-functie aan met het 3D-levergebied zoals weergegeven in figuur 3 en de leverstijfheidskaart in figuur 4 als invoerparameters om het 3D-volume van de leverstijfheidsverdeling te verkrijgen, zoals weergegeven in figuur 5.
- Bekijk de stijfheidskaart van elke laag van de lever door de schuifbalk onder de GUI te slepen die wordt weergegeven in figuur 5.
OPMERKING: In tegenstelling tot figuur 4 wordt hier echter alleen leverweefsel nauwkeurig vastgehouden. - Let op de pictogrammen in de rechterbovenhoek van de GUI (Figuur 5), zoals inzoomen, uitzoomen, terugkeren naar de globale weergave en de coördinaten van de geselecteerde pixel markeren.
OPMERKING: De standaard kleurenbalk is de kleurenkaart van "jet", wat betekent dat de overeenkomstige waarden (Unit kpa) van blauw naar rood laag naar hoog zijn. - Voer de LSD_Volume functie uit met dezelfde invoer als LSD_Slice om de ruimtelijke verdeling van de 3D-lever-LSD te verkrijgen, zoals weergegeven in afbeelding 6. Bekijk het 3D-volume van LSD vanuit elk perspectief door de linkermuisknop ingedrukt te houden en het scherm te slepen (Figuur 6).
5. Kwantitatieve analyse van LSD
OPMERKING: Een belangrijke kwantitatieve analysefocus van deze studie is het geven van het aandeel van verschillende stadia van LSD-voxels in de lever van de patiënt. Figuur 6 laat zien dat de verdeling van leverfibrose bij patiënten ongelijk is op verschillende ruimtelijke locaties. De reden waarom klinische symptomen nog niet duidelijk zijn, is voornamelijk te wijten aan het feit dat een aanzienlijk deel van het leverweefsel zich in een normaal stadium bevindt. Daarom is het noodzakelijk om het verschil tussen patiënten en gezonde personen precies te kwantificeren. Dit is een belangrijk kwantitatief concept van deze studie.
- Bepaal de numerieke bereiken van stijfheidswaarden voor verschillende stadia van leverfibrose, zoals weergegeven in figuur 7.
- Bereken de verdeling van de volledige levervoxels van de patiënt in verschillende fibrosestadia (Figuur 8) door de Hepatic_Fibrosis-functie aan te roepen met de invoerparameter van het 3D-volume LSD zoals weergegeven in Figuur 6.
- Gebruik dezelfde stappen om de resultaten van een volledig gezonde lever te berekenen en te vergelijken met de typische leverfibrosepatiënt die hierboven is beschreven (Figuur 9).
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Door gebruik te maken van de informatie in het Description_Name veld van DICOM-bestanden, kan de oorspronkelijke MRI-map worden hernoemd om de snelle lokalisatie van de vereiste beeldvormingssequentie tijdens het analyseproces in de beeldvormingsgroep te vergemakkelijken. De MRI-IDEAL outfasesequentie is het type MRI-sequentie dat wordt gebruikt voor het geven van duidelijkere beschrijvingen van leverweefselgrenzen. Dit komt omdat de MRI-IDEAL out-of-phase sequentie de magnetisatiesterkte en -hoek van verschillende weefsels beter kan differentiëren door middel van specifieke beeldverwerkingstechnieken.
De MRI-IDEAL out-phase sequence werkt door gebruik te maken van gradiënt echo sequenties (GRE's) om beelden te genereren en gebruik te maken van out-phase control tijdens beeldacquisitie. Dit vermindert de inhomogeniteit van het magnetische veld tussen weefsels tijdens beeldvorming, waardoor de resolutie en het contrast van beelden voor weefselstructuren worden verbeterd. Bovendien kan de MRI-IDEAL-uitfasesequentie ook het vetsignaal onderdrukken, waardoor de interferentie van vet in beeldvorming wordt verminderd en aangrenzende weefselstructuren beter worden weergegeven. Samenvattend kan de MRI-IDEAL-outfasesequentie de beeldresolutie en het contrast verbeteren door gebruik te maken van technieken zoals magnetische veldcontrole en onderdrukking van vetsignalen, wat resulteert in duidelijkere weefselgrenzen.
Hoewel deep learning-tools kunnen worden gebruikt om de 3D-anatomische structuur van de lever te extraheren, heeft deze methode een zekere mate van machine learning-fouten. De focus van deze studie ligt op de precieze kwantificering van leverfibrose; daarom werd de MIMICS-tool gebruikt voor de extractie van het 3D-leverweefselgebied, gecombineerd met deskundige ervaring om een relatief nauwkeurig 3D-gebied van leverweefsel te extraheren.
De MRE-stijfheidskaart kan de afschuifstijfheid van verschillende ruimtelijke posities binnen elke horizontale scan in de bovenbuik weergeven. Deze studie richtte zich op de vroege stadia van leverfibrose; daarom was het numerieke bereik 0-8 kPa. Figuur 4 is de standaardversie van de MRE-Liver Stiffness Map op het GE-apparaat, die de stijfheidskaart bevat, maar het is moeilijk om de anatomische structuur van de lever te onderscheiden. De belangrijkste innovatie van deze studie is de nauwkeurige kwantificering die wordt bereikt door de MRE-Liver Stiffness Map uit te lijnen met de anatomische structuur van de lever zoals weergegeven in figuur 3.
Figuur 5 geeft een nauwkeurige stijfheidskaart voor de lever, waardoor artsen en patiënten een exact inzicht krijgen in de locatie en grootte van vroege leverfibrose-laesies, in plaats van een vaag gevoel. Dit maakt de weg vrij voor verdere numerieke kwantificeringsanalyse.
Figuur 6 wordt verkregen door de stijfheidskaart van elke levergescande laag langs de horizontale as in de 3D-ruimte te reconstrueren; Figuur 6 is de 3D-versie van Figuur 5. In de 3D-ruimte kunnen de mate en locatie van de leverfibrose van een patiënt duidelijker worden geïdentificeerd.
De resultaten van het vergelijken, analyseren en bestuderen van pathologische onderzoeksresultaten met MRE-stijfheid zijn elders te vinden9. Om de numerieke verdeling van het stadium van leverfibrose bij patiënten verder te kwantificeren, geeft figuur 7 een overzicht van het bereik van stijfheidsintervallen voor verschillende stadia die in deze studie zijn gebruikt op basis van eerdere onderzoeksresultaten.
Volgens het numerieke bereik van de stijfheid voor verschillende stadia van leverfibrose zoals weergegeven in figuur 7, is het mogelijk om het specifieke aandeel van lever 3D-voxels in verschillende stadia voor de patiënt te berekenen. Deze berekening is gebaseerd op de gegevens van de 3D LSD zoals weergegeven in figuur 6. Figuur 8 toont bijgevolg de kwantitatieve resultaten van de leverfibrose van de patiënt, met vermelding van het deel van de lever van de patiënt dat onder verschillende stadia van leverfibrose valt.
Op basis van de resultaten in figuur 8 zijn de gegevens van een gezonde lever berekend als vergelijking om het kwantitatieve effect van de in deze studie onderzochte methode te illustreren, zoals weergegeven in figuur 9. Het precieze kwantificeringsverschil tussen de twee kan worden gevisualiseerd. Op basis van dit onderzoeksparadigma zal deze groep in volgende studies verder onderzoek doen naar de LSD van een gezonde lever en de kwantitatieve classificatie van leverfibrose in een vroeg stadium.
Figuur 1: Beschrijving naam van elke MRI-sequentie. Hier worden de mapnamen van de MRI-scansequenties weergegeven. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 2: De grafische gebruikersinterface van de segmenten van elke IDEAL-fasevolgorde. Een voorbeeld van bladeren door MRI-IDEAL. MRI-IDEAL is een krachtig hulpmiddel dat de kwaliteit en interpreteerbaarheid van MRI-beelden verbetert, met name in gevallen waarin vet- en waterscheiding van cruciaal belang is. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 3: Het geëxtraheerde 3D-gebied van de lever. Toont de 3D ruimtelijke omvang van de lever op basis van structurele beelden van de lever. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 4: De kaart van de leverstijfheid. De standaardversie van de MRE-Liver Stiffness Map. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 5: Segmenten van de verdeling van de leverstijfheid. Een nauwkeurige stijfheidskaart die bij de lever hoort. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 6: 3D-volume van de verdeling van leverstijfheid. Dit is de 3D-versie van figuur 5. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 7: Verschillende stadia van leverfibrose. Lijst van het bereik van stijfheidsintervallen voor verschillende stadia die in dit onderzoek zijn gebruikt op basis van eerdere onderzoeksresultaten. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 8: Verdeling van de leverstijfheid over de verschillende stadia. Kwantitatieve resultaten van de leverfibrose van de patiënt geven het deel van de lever van de patiënt aan dat onder verschillende stadia van leverfibrose valt. Afkorting: LSD = leverstijfheidsverdeling. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 9: Vergelijking van de verdeling van leverstijfheid. Een gedetailleerde kwantitatieve vergelijking tussen een gezonde lever en een patiënt met leverfibrose in een vroeg stadium. Afkorting: LSD = leverstijfheidsverdeling. Klik hier om een grotere versie van deze figuur te bekijken.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
In de klinische praktijk is het een uitdaging om de toestand van patiënten met leverfibrose in een vroeg stadium nauwkeurig te kwantificeren en te volgen. De vergelijking in figuur 9 geeft de mate van leverfibrose bij de patiënt volledig weer in vergelijking met een gezonde lever; Dit cijfer kan natuurlijk ook een vergelijking zijn tussen twee verschillende perioden voor de patiënt, die wordt gebruikt voor de evaluatie van de werkzaamheid van de behandeling. Deze nauwkeurige kwantificeringsmethode is de belangrijkste kritische stap van deze studie. Bovendien kan de berekeningsmethode van het 3D-volume van LSD zoals weergegeven in figuur 5 en figuur 6 de ruimtelijke locatie en grootte van fibrotische laesies in de lever van de patiënt nauwkeurig lokaliseren, wat een solide kwantitatieve basis biedt voor de nauwkeurige diagnose van leverfibrose in een vroeg stadium. Het kan ook wetenschappelijke ondersteuning bieden voor nauwkeurig geleide leverpunctie met behulp van het digitale 3D-model.
Deze studie stelt het concept van 3D LSD voor en de precieze kwantificering ervan in verschillende stadia van leverfibrose. De resultaten tonen aan dat deze methode de ziekteprogressie van patiënten met vroege leverfibrose effectief kwantitatief kan beoordelen. Mogelijke verdere verbeteringen en evoluties zijn onder meer het verbeteren van de scannauwkeurigheid van MRE-scans, met name het horizontale scaninterval; verbetering van de beeldvormingsnauwkeurigheid van structurele beelden van magnetische resonantie van de lever; het introduceren van deep learning-technologie om te helpen bij de snelle extractie van het 3D-gebied van de lever; het verzamelen van meer LSD-gegevens voor gezonde levers om een basislijn vast te stellen voor diagnostische vergelijkingen; en het verzamelen van meer patiëntgegevens voor elk stadium van leverfibrose om nauwkeurigere classificatiestandaarden te ontwikkelen.
Hoewel de methode die in deze studie wordt voorgesteld kwantitatieve stadia van vroege leverfibrose kan voorspellen op basis van 3D LSD, gaat het niet in op de onderliggende mechanismen van de ontwikkeling van de ziekte. Verschillende apparatuur en scanstrategieën kunnen leiden tot inconsistente resultaten. Het ontwikkelen van een meer gestandaardiseerd en universeel rekenprotocol blijft een uitdaging.
Vergeleken met traditionele invasieve diagnostische methoden voor leverfibrose, heeft het werk dat in dit artikel wordt gepresenteerd de volgende prominente voordelen. Ten eerste zijn zowel routinematige MRI van de bovenbuik als MRE niet-invasief. Ten tweede kan 3D LSD de grootte en locatie van laesies van leverfibrose in de 3D-ruimte nauwkeurig karakteriseren. Ten derde kunnen de kwantitatieve resultaten clinici een duidelijk inzicht geven in het aandeel levervoxels in verschillende stadia van leverfibrose. Ten slotte bereikte deze studie een nauwkeurige uitlijning van de leverweefselstructuur met de MRE-stijfheidskaart, waardoor clinici stijfheidswaarden konden indexeren op basis van structurele beelden of vice versa, om de ruimtelijke locatie van leverweefsel te indexeren aan de hand van laesies in de stijfheidskaart. Deze benadering is zeer waardevol voor de precieze kwantificering van vroege leverfibrose.
De MRI-IDEAL-techniek werkt door MRI-beelden te verkrijgen op meerdere echotijdstippen, waardoor water- en vetsignalen kunnen worden gescheiden door gebruik te maken van hun verschillende resonantiefrequenties. Deze scheiding wordt bereikt door een iteratief ontledingsproces dat de relatieve verhoudingen van water en vet in elke pixel van het beeld berekent. De resulterende beelden kunnen clinici waardevolle informatie geven over de verdeling en hoeveelheid lichaamsvet, wat nuttig kan zijn bij het diagnosticeren en bewaken van aandoeningen zoals obesitas, diabetes en leveraandoeningen.
De kwantitatieve methode die in deze studie wordt voorgesteld, is niet alleen toepasbaar voor de kwantitatieve diagnose van vroege leverfibrose, maar ook voor de diagnose van levercirrose in het midden- en late stadium. Het kan ook worden gebruikt als een groeperings- en screeningstechniek om patiënten met leverfibrose of levercirrose uit te sluiten, evenals als een prognostisch hulpmiddel voor verschillende soorten levercirrose. De 3D LSD kan ook worden gebruikt als navigatiemiddel voor een nauwkeurige leverpunctie of operatie.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
De softwaretool voor het kwantificeren van leverfibrose die wordt vermeld in de materiaaltabel van deze studie, HepaticFibrosis V1.0, is een softwaretool van Beijing Intelligent Entropy Science & Technology Co Ltd. De intellectuele eigendomsrechten van deze softwaretool behoren toe aan het bedrijf.
Acknowledgments
Deze publicatie werd ondersteund door het vijfde nationale onderzoeksprogramma voor klinische excellente talenten in de traditionele Chinese geneeskunde, georganiseerd door de National Administration of Traditional Chinese Medicine. De officiële netwerklink is 'http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html. '
Materials
| Name | Company | Catalog Number | Comments |
| MATLAB | MathWorks | 2022B | Computing and visualization |
| Mimics | Materialise | Mimics Research V20 | Model format transformation |
| Tools for 3D_LSD | Intelligent Entropy | HepaticFibrosis V1.0 | Beijing Intelligent Entropy Science & Technology Co Ltd. Modeling for CT/MRI fusion |
References
- Henderson, N. C., Rieder, F., Wynn, T. A. Fibrosis: from mechanisms to medicines. Nature. 587 (7835), 555-566 (2020).
- Parola, M., Pinzani, M. Liver fibrosis: Pathophysiology, pathogenetic targets and clinical issues. Molecular Aspects of Medicine. 65, 37-55 (2019).
- Ramachandran, P., et al. Resolving the fibrotic niche of human liver cirrhosis at single-cell level. Nature. 575 (7783), 512-518 (2019).
- Stefan, N., Häring, H. -U., Cusi, K. Non-alcoholic fatty liver disease: causes, diagnosis, cardiometabolic consequences, and treatment strategies. The Lancet. Diabetes & Endocrinology. 7 (4), 313-324 (2019).
- Castera, L., Friedrich-Rust, M., Loomba, R. Noninvasive assessment of liver disease in patients with nonalcoholic fatty liver disease. Gastroenterology. 156 (5), 1264.e4-1281.e4 (2019).
- Godoy-Matos, A. F., Silva Júnior, W. S., Valerio, C. M. NAFLD as a continuum: from obesity to metabolic syndrome and diabetes. Diabetology & Metabolic Syndrome. 12 (1), 1-20 (2020).
- Venkatesh, S. K., Xu, S., Tai, D., Yu, H., Wee, A. Correlation of MR elastography with morphometric quantification of liver fibrosis (Fibro-C-Index) in chronic hepatitis B. Magnetic Resonance in Medicine. 72 (4), 1123-1129 (2014).
- Yin, M., et al. Assessment of hepatic fibrosis with magnetic resonance elastography. Clinical Gastroenterology and Hepatology. 5 (10), 1207-1213 (2007).
- Venkatesh, S. K., Wang, G., Lim, S. G., Wee, A. Magnetic resonance elastography for the detection and staging of liver fibrosis in chronic hepatitis B. European Radiology. 24, 70-78 (2014).
- Ichikawa, S., et al. Magnetic resonance elastography for staging liver fibrosis in chronic hepatitis C. Magnetic Resonance in Medical Sciences. 11 (4), 291-297 (2012).
- Chen, J., et al. Early detection of nonalcoholic steatohepatitis in patients with nonalcoholic fatty liver disease by using MR elastography. Radiology. 259 (3), 749-756 (2011).
- Singh, S., et al. Diagnostic performance of magnetic resonance elastography in staging liver fibrosis: a systematic review and meta-analysis of individual participant data. Clinical Gastroenterology and Hepatology. 13 (3), 440.e6-451.e6 (2015).
- Ferro, M., et al. Radiomics in prostate cancer: an up-to-date review. Therapeutic Advances in Urology. 14, 17562872221109020 (2022).
- Nam, D., Chapiro, J., Paradis, V., Seraphin, T. P., Kather, J. N. Artificial intelligence in liver diseases: Improving diagnostics, prognostics and response prediction. JHEP Reports. 4 (4), 100443 (2022).
- Wu, Y. -J., Wu, F. -Z., Yang, S. -C., Tang, E. -K., Liang, C. -H. Radiomics in early lung cancer diagnosis: from diagnosis to clinical decision support and education. Diagnostics. 12 (5), 1064 (2022).
