Summary
Syftet med denna studie var att utveckla en ny tredimensionell digital modell för tidig diagnos av leverfibros, som inkluderar styvheten hos varje voxel i patientens lever och därmed kan användas för att beräkna fördelningsförhållandet för patientens lever vid olika fibrosstadier.
Abstract
Leverfibros är ett tidigt stadium av levercirros, och det finns inga bättre icke-invasiva och bekväma metoder för att upptäcka och utvärdera sjukdomen. Trots de goda framsteg som gjorts med leverstyvhetskartan (LSM) baserad på magnetisk resonanstomografi (MRE), finns det fortfarande vissa begränsningar som måste övervinnas, inklusive manuell fokusbestämning, manuellt urval av intresseområden (ROI) och diskontinuerliga LSM-data utan strukturell information, vilket gör det omöjligt att utvärdera levern som helhet. I denna studie föreslår vi en ny tredimensionell (3D) digital modell för tidig diagnos av leverfibros baserad på MRE.
MRE är en icke-invasiv avbildningsteknik som använder magnetisk resonanstomografi (MRT) för att mäta leverstelheten vid skanningsstället genom människa-datorinteraktion. Studier har visat på en signifikant positiv korrelation mellan LSM som erhålls genom MRE och graden av leverfibros. För kliniska ändamål är det dock nödvändigt med en omfattande och exakt kvantifiering av graden av leverfibros. För att ta itu med detta föreslogs begreppet Liver Stiffness Distribution (LSD) i denna studie, som hänvisar till 3D-styvhetsvolymen för varje levervoxel som erhålls genom anpassning av 3D-levervävnadsbilder och MRE-indikatorer. Detta ger ett mer effektivt kliniskt verktyg för diagnos och behandling av leverfibros.
Introduction
Leverfibros avser bildandet av överdriven ärrvävnad i levern, vanligtvis till följd av leverskada eller sjukdom 1,2,3,4. Det uppstår ofta som en följd av kronisk leverskada och är vanligtvis förknippad med leversjukdomar, såsom kronisk viral hepatit, icke-alkoholisk fettleversjukdom och alkoholisk leversjukdom. Om den lämnas obehandlad kan leverfibros utvecklas till cirros, ett potentiellt livshotande tillstånd som är förknippat med betydande sjuklighet och dödlighet.
Aktiv forskning inom detta område syftar till att belysa de cellulära och molekylära mekanismerna som ligger till grund för patogenesen av leverfibros, samt att utveckla nya diagnostiska och terapeutiska strategier för att förbättra patientresultaten. Ett annat mål är den icke-invasiva detektionen av leverfibrosstadiet, vilket är en kritisk aspekt som direkt korrelerar med sjukdomsdiagnos, behandlingsval och prognosutvärdering. Trots vikten av korrekt diagnos och övervakning av leverfibros är traditionella diagnostiska metoder, såsom leverbiopsi, invasiva och förknippade med betydande risker. Däremot är magnetisk resonanstomografi 5,6 (MRE) en lovande icke-invasiv avbildningsteknik som har visat potential vid diagnos och övervakning av leverfibros genom att kvantifiera leverstelhet.
Under de senaste åren har det bedrivits betydande forskning med fokus på att utvärdera noggrannheten och tillförlitligheten hos MRE vid diagnos av leverfibros, såväl som dess potentiella fördelar jämfört med traditionella diagnostiska metoder. Leverstyvhetsmåttet för MRE har godkänts av United States Food and Drug Administration (FDA) för klinisk diagnos, och omfattande jämförande analyser med patologiska resultat har genomförts i klinisk praxis. Resultaten har visat att stelhetskartorna som genereras av MRE uppvisar en stark positiv korrelation med olika stadier av leverfibros 7,8,9,10,11,12. Men hittills har arbetet med att noggrant utvärdera och spåra utvecklingen av leverfibros hos patienter genom kvantitativ analys av leverstelhetsfördelning (LSD) genom att matcha leverstrukturbilder med MRE inte gjort några större framsteg.
I denna studie introduceras den medicinska bildgruppanalystekniken13,14,15 för att uppnå exakt anpassning av leverstrukturbilderna med styvhetskartan som genereras av MRE i 3D-utrymme, vilket möjliggör beräkning av leverstyvhetsvärden för varje voxel i hela levern. Baserat på den digitala 3D-modellen av LSD kan den exakta fördelningen av patientspecifik leverfibrosstadieindelning beräknas och utvärderas. Detta lägger en solid grund för en exakt kvantitativ diagnos av leverfibros i ett tidigt skede.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Denna studie använde 3D-digital LSD-modellering för att rekonstruera levern hos en typisk patient med kliniskt bekräftad leverfibros. Patienten rekryterades från en välkänd institution för behandling av leversjukdomar, "You An Hospital" i Peking, Kina, och genomgick rutinmässig magnetisk resonanstomografi (MRT) och MRE-avbildning efter att ha gett sitt samtycke. Patienten valdes som fallstudie för denna forskningsmetod på grund av bekräftelsen av hepatisk fibrosstadieindelning genom patologisk undersökning och frånvaron av uppenbara kliniska symtom, vilket betonar tillämpligheten och det kliniska värdet av denna forskning vid diagnos av patienter med leverfibros i ett tidigt skede. Denna artikel ger också en kvantitativ jämförelse mellan levern hos denna patient och en frisk lever. De programvaruverktyg som används i denna studie listas i materialförteckningen.
1. Insamling och utarbetande av data
OBS: Parameterskillnaden är inte känslig för forskningsmetoden.
- Strategier för MR-skanning
OBS: Denna studie använde faktiska DICOM-data som erhållits från klinisk avbildning med hjälp av en magnetisk resonanstomografi (MRI) tillverkad av GE. Innehållet i data inkluderar IDEAL (Iterative Decomposition of water and fat with Echo Asymmetry and Least-squares estimation), vatten-fettseparationsavbildning och magnetisk resonanstomografi (MRE) avbildning.- Se till att IDEAL-data har en horisontell upplösning på 256 pixlar x 256 pixlar, med ett pixelavstånd på 1,5625 mm och en skivtjocklek på 10 mm.
OBS: Skanningsstrategin kan optimeras ytterligare, men metodiken som används i denna studie är tillämplig på medicinsk avbildning med högre precision.
- Se till att IDEAL-data har en horisontell upplösning på 256 pixlar x 256 pixlar, med ett pixelavstånd på 1,5625 mm och en skivtjocklek på 10 mm.
- Byt namn på mappen för varje sekvens.
OBS: Eftersom DICOM-data som exporteras från utrustningen inte uttryckligen anger sekvensnamn, under förbehandlingssteget, är det nödvändigt att lägga till explicita namn för varje sekvens för att underlätta efterföljande analys och bearbetning.- Kopiera alla DICOM-data till en anpassad arbetskatalog.
- Navigera till katalogen som innehåller data i MATLAB:s arbetskatalog.
- Kör funktionen Description_Name för att lägga till beskrivande namn i mapparna för varje sekvens.
- Se bild 1 för en jämförelse före och efter namnbytet. Lägg till ett beskrivningsnamn i varje bildsekvensmapp för att underlätta identifieringen av de bildsekvenser som behövs för olika analysändamål.
- Kontrollera snabbt bilder av IDEAL.
- Ändra katalogen över olika fasers mappar, inklusive fas-, utfas-, vatten- och fettfaserna, som lagrades i separata mappar för avbildning med IDEAL.
- Kör funktionen Slice_View för att visa slagsekvenserna för varje fas.
- Se figur 2 för en bild av det interaktiva grafiska användargränssnittet (GUI) för MRI-IDEAL-sekvensen. Använd rullningslisten längst ner i det grafiska användargränssnittet för att snabbt bläddra igenom de olika sekvenserna.
- Använd MRI-IDEAL-sekvensen som typ av MRT-sekvens för att ge tydligare beskrivningar av levervävnadsgränser.
OBS: I följande operationer kommer fokus att ligga på att använda IDEALs utfassekvens för att avgränsa 3D-regionen i levern.
2. Extrahera 3D-regionen i levern
OBS: De enskilda voxlarna i 3D-regionen av levern fungerar som rumsliga bärare för LSD, med styvhetsvärdet för varje voxel härledd från MRE. Att extrahera 3D-regionen av levervävnaden är ett nödvändigt steg före fusion. Även om djupinlärning kan användas för att utföra denna uppgift mer effektivt, är det inte fokus för denna studie. Därför används fortfarande mogna mjukvaruverktyg (t.ex. MIMICS) här för att extrahera 3D-regionen av levervävnaden.
- För att starta MIMICS-programvaran, välj Nytt projekt och i den efterföljande dialogrutan navigerar du till mappen som innehåller IDEAL-utfasbilderna. Fortsätt genom att klicka på NÄSTA | knappen Konvertera och därmed komma in i sekvensredigeringsläget.
- För att skapa en tom mask, klicka på knappen Ny i dialogrutan MASK på höger sida och välj det maximala tröskelvärdet.
- För att avgränsa leverområdet i alla horisontella vyer, använd verktyget Redigera masker som finns under segmentetiketten .
- För att generera den 3D-spatiala delen av levern, välj den levermask som har avgränsats och klicka på knappen Beräkna del från mask . Den extraherade 3D-regionen av levern visas i figur 3.
- Klicka på Arkiv | Exportera | välj kommandot Dicom . I popup-dialogrutan väljer du levermasken, anger filsökvägen och filernas namn och klickar på OK för att slutföra exporten av 3D-regionen i levern till de angivna DICOM-filerna.
3. Kartsekvensen för leverstelhet
OBS: MRE-styvhetsintervallet hos patienter med tidig fibros är vanligtvis under 8 kpa. För att se detta bör sekvensbilden märkt 'SE27_ST8K_(Pa)' väljas.
- Ändra katalogen till mappen 'SE27_ST8K_(Pa)', som innehåller kartsekvensen för leverstelhet.
- För att bläddra igenom varje styvhetskarta kör du funktionen MRE_show i Matlabs arbetsyta, där funktionens argument är filnamnet som finns i den angivna sökvägen.
- Leverstyvhetskartan som visas i figur 4 är en RGB-bild med en datastruktur på 512 pixlar x 512 pixlar gånger 3 matris, där varje pixelpunkt har tre värden som representerar de tre primärfärgerna, RBG. Observera färgfältet till vänster som visar motsvarande styvhetsvärden för olikfärgade pixlar. Beräkna den exakta styvheten för varje pixel med hjälp av deras respektive korrelationer.
- Den kompletterande informationen i figur 4 inkluderar data som sekvensbeskrivning, skanningsposition, tid, patientinformation och bildparametrar. Använd dessa data, särskilt bildparametrarna, för att fastställa det rumsliga förhållandet mellan MRE- och IDEAL-sekvenser.
4.3D-Volym av leverstelhetsfördelning
OBS: Varje voxel i 3D-leverstyvhetsvolymen representerar styvhetsvärdet för en motsvarande voxel i 3D-leverregionen, som härleds från styvhetsvärdet för varje pixel i figur 4. Genom att anpassa 3D-leverregionen i figur 3 med styvhetskartan i figur 4 kan styvhetsvärdet för varje voxel extraheras, vilket resulterar i genereringen av 3D-leverstyvhetsvolymen.
- Anropa LSD_Slice-funktionen med 3D-leverregionen som visas i figur 3 och leverstyvhetskartan i figur 4 som ingångsparametrar för att erhålla 3D-volymen för leverstyvhetsfördelningen, som visas i figur 5.
- Visa styvhetskartan för varje lager av levern genom att dra rullningslisten under det grafiska användargränssnittet som visas i figur 5.
OBS: Till skillnad från figur 4 är det dock endast levervävnad som behålls korrekt här. - Observera ikonerna i det övre högra hörnet av GUI (figur 5) som att zooma in, zooma ut, återgå till den globala view och markera koordinaterna för den valda pixeln.
OBS: Standardfärgfältet är färgkartan för "jet" vilket innebär att motsvarande värden (enhet kpa) från blått till rött är lågt till högt. - Utför LSD_Volume-funktionen med samma indata som LSD_Slice för att få den rumsliga fördelningen av 3D-LSD i levern, som visas i figur 6. Visa LSD:s 3D-volym från vilket perspektiv som helst genom att hålla ned vänster musknapp och dra i skärmen (Figur 6).
5. Kvantitativ analys av LSD
OBS: Ett viktigt kvantitativt analysfokus för denna studie är att ange andelen olika stadier av LSD-voxlar i patientens lever. Figur 6 visar att fördelningen av leverfibros hos patienter är ojämn på olika platser i rummet. Anledningen till att de kliniska symtomen ännu inte är uppenbara beror främst på att en betydande del av levervävnaden är i ett normalt stadium. Därför är det nödvändigt att kvantifiera exakt skillnaden mellan patienter och friska individer. Detta är ett viktigt kvantitativt begrepp i denna studie.
- Bestäm de numeriska intervallen för styvhetsvärden för olika stadier av leverfibros, som visas i figur 7.
- Beräkna fördelningen av patientens hela levervoxlar i olika fibrostadier (Figur 8) genom att anropa Hepatic_Fibrosis-funktionen med ingångsparametern för 3D-volymen LSD som visas i Figur 6.
- Använd samma steg för att beräkna och jämföra resultaten av en helt frisk lever med den typiska leverfibrospatienten som beskrivs ovan (Figur 9).
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Genom att använda informationen i det Description_Name fältet för DICOM-filer kan den ursprungliga MRT-mappen döpas om för att underlätta snabb lokalisering av den nödvändiga bildsekvensen under analysprocessen i bildgruppen. MRI-IDEAL-sekvensen är den typ av MRT-sekvens som används för att ge tydligare beskrivningar av levervävnadsgränser. Detta beror på att MRI-IDEAL-sekvensen kan bättre differentiera magnetiseringsstyrkan och vinkeln för olika vävnader genom specifika bildbehandlingstekniker.
MRI-IDEAL-fassekvensen fungerar genom att använda gradientekosekvenser (GRE) för att generera bilder och använda faskontroll under bildtagning. Detta minskar magnetfältets inhomogenitet mellan vävnader under avbildning, vilket förbättrar upplösningen och kontrasten i bilder för vävnadsstrukturer. Dessutom kan MRI-IDEAL-sekvensen också undertrycka fettsignalen, vilket minskar interferensen av fett vid avbildning och ger en bättre visning av intilliggande vävnadsstrukturer. Sammanfattningsvis kan MRI-IDEAL-sekvensen förbättra bildupplösningen och kontrasten genom att använda tekniker som magnetfältskontroll och fettsignaldämpning, vilket resulterar i tydligare vävnadsgränser.
Även om djupinlärningsverktyg kan användas för att extrahera leverns anatomiska 3D-struktur, har denna metod en viss grad av maskininlärningsfel. Fokus för denna studie är den exakta kvantifieringen av leverfibros; därför användes MIMICS-verktyget för extraktion av 3D-levervävnadsregionen, i kombination med experterfarenhet för att extrahera en relativt exakt 3D-region av levervävnad.
MRE-styvhetskartan kan visa skjuvstyvheten för olika rumsliga positioner inom varje horisontell skanning i övre delen av buken. Denna studie fokuserade på de tidiga stadierna av leverfibros; därför var det numeriska intervallet 0-8 kPa. Figur 4 är standardversionen av MRE-Liver Stiffness Map på GE-enheten, som inkluderar styvhetskartan, men det är svårt att urskilja leverns anatomiska struktur. Kärninnovationen i denna studie är den exakta kvantifieringen som uppnås genom att anpassa MRE-Liver Stiffness Map till leverns anatomiska struktur som visas i figur 3.
Figur 5 ger en exakt stelhetskarta för levern, vilket gör det möjligt för läkare och patienter att få en exakt förståelse för platsen och storleken på tidiga leverfibroslesioner, istället för en vag känsla. Detta banar väg för ytterligare numerisk kvantifieringsanalys.
Figur 6 erhålls genom att rekonstruera styvhetskartan för varje leverskannat lager längs den horisontella axeln i 3D-rymden; Figur 6 är 3D-versionen av figur 5. I 3D-rymden kan graden och platsen för en patients leverfibros tydligare identifieras.
Resultaten av att jämföra, analysera och studera patologiska undersökningsresultat med MRE-styvhet finns på andra ställen9. För att ytterligare kvantifiera den numeriska fördelningen av leverfibrosstadiet hos patienter, listar figur 7 intervallet av styvhetsintervall för olika stadier som används i denna studie baserat på tidigare forskningsresultat.
Enligt det numeriska styvhetsintervallet för olika stadier av leverfibros som visas i figur 7 är det möjligt att beräkna den specifika andelen lever-3D-voxlar i olika stadier för patienten. Denna beräkning är baserad på data från 3D LSD som visas i figur 6. Följaktligen visar figur 8 de kvantitativa resultaten av patientens leverfibros, vilket indikerar andelen av patientens lever som faller under olika stadier av leverfibros.
Baserat på resultaten som visas i figur 8 beräknades data för en frisk lever som en jämförelse för att illustrera den kvantitativa effekten av den metod som undersöktes i denna studie, som visas i figur 9. Den exakta kvantifieringsskillnaden mellan de två kan visualiseras. Baserat på detta forskningsparadigm kommer denna grupp i efterföljande studier att genomföra ytterligare undersökningar av LSD i en frisk lever och den kvantitativa klassificeringen av leverfibros i ett tidigt stadium.
Figur 1: Beskrivningsnamn för varje MRT-sekvens. Här visas mappnamnen för MR-skanningssekvenserna. Klicka här för att se en större version av denna figur.
Figur 2: Det grafiska användargränssnittet för skivorna i varje IDEAL-fasföljd. Ett exempel på hur man bläddrar i MRI-IDEAL. MRI-IDEAL är ett kraftfullt verktyg som förbättrar kvaliteten och tolkningsbarheten av MR-bilder, särskilt i fall där fett- och vattenseparation är avgörande. Klicka här för att se en större version av denna figur.
Figur 3: Den extraherade 3D-regionen i levern. Visar leverns rumsliga utbredning i 3D baserat på strukturella bilder av levern. Klicka här för att se en större version av denna figur.
Figur 4: Karta över leverstelhet. Standardversionen av MRE-Liver Stiffness Map. Klicka här för att se en större version av denna figur.
Figur 5: Skivor av fördelning av leverstelhet. En exakt styvhetskarta som tillhör levern. Klicka här för att se en större version av denna figur.
Figur 6: 3D-volym av fördelning av leverstelhet. Detta är 3D-versionen av figur 5. Klicka här för att se en större version av denna figur.
Figur 7: Olika stadier av leverfibros. Lista över de styvhetsintervall för olika steg som används i denna studie baserat på tidigare forskningsresultat. Klicka här för att se en större version av denna figur.
Figur 8: Fördelning av leverstelhet i de olika stadierna. Kvantitativa resultat av patientens leverfibros indikerar hur stor andel av patientens lever som faller under olika stadier av leverfibros. Förkortning: LSD = leverstelhetsfördelning. Klicka här för att se en större version av denna figur.
Figur 9: Jämförelse av fördelningen av leverstelhet. En detaljerad kvantitativ jämförelse mellan en frisk lever och en patient med leverfibros i tidigt stadium. Förkortning: LSD = leverstelhetsfördelning. Klicka här för att se en större version av denna figur.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
I klinisk praxis är det utmanande att exakt kvantifiera och spåra tillståndet hos patienter med leverfibros i ett tidigt skede. Jämförelsen som visas i figur 9 återspeglar fullt ut graden av leverfibros hos patienten jämfört med en frisk lever; Naturligtvis kan denna siffra också vara en jämförelse mellan två olika perioder för patienten, som används för utvärdering av behandlingseffekt. Denna exakta kvantifieringsmetod är det centrala kritiska steget i denna studie. Dessutom kan beräkningsmetoden för 3D-volymen LSD som visas i figur 5 och figur 6 exakt lokalisera den rumsliga placeringen och storleken på fibrotiska lesioner i patientens lever, vilket ger en solid kvantitativ grund för en korrekt diagnos av leverfibros i ett tidigt skede. Det kan också ge vetenskapligt stöd för exakt styrd leverpunktion med hjälp av den digitala 3D-modellen.
Denna studie föreslår begreppet 3D LSD och dess exakta kvantifiering i olika stadier av leverfibros. Resultaten visar att denna metod effektivt kvantitativt kan bedöma sjukdomsprogressionen hos patienter med tidig leverfibros. Möjliga ytterligare förbättringar och utvecklingar inkluderar att förbättra skanningsnoggrannheten för MRE-skanningar, särskilt det horisontella skanningsintervallet; förbättra avbildningsnoggrannheten för strukturella bilder av magnetisk resonans i levern; införa djupinlärningsteknik för att hjälpa till med snabb extraktion av leverns 3D-region; Ackumulering av mer LSD-data för friska lever för att fastställa en baslinje för diagnostiska jämförelser. och samla in mer patientdata för varje stadium av leverfibros för att utveckla mer exakta klassificeringsstandarder.
Även om den metod som föreslås i denna studie kvantitativt kan stadieindela tidig leverfibros baserat på 3D LSD, tar den inte itu med de underliggande mekanismerna för sjukdomsutvecklingen2. Olika utrustning och skanningsstrategier kan leda till inkonsekventa resultat. Att utveckla ett mer standardiserat och universellt beräkningsprotokoll är fortfarande utmanande.
Jämfört med traditionella invasiva diagnostiska metoder för leverfibros har det arbete som presenteras i denna artikel följande framträdande fördelar. För det första är både rutinmässig MRT och MRE i övre delen av buken icke-invasiva. För det andra kan 3D LSD exakt karakterisera storleken och placeringen av leverfibroslesioner i 3D-rymden. För det tredje kan de kvantitativa resultaten ge kliniker en tydlig förståelse för andelen levervoxlar i olika stadier av leverfibros. Slutligen uppnådde denna studie exakt anpassning av levervävnadsstrukturen med MRE-styvhetskartan, vilket gjorde det möjligt för kliniker att indexera styvhetsvärden från strukturella bilder eller vice versa, för att indexera den rumsliga placeringen av levervävnad från lesioner i stelhetskartan. Detta tillvägagångssätt är mycket värdefullt för den exakta kvantifieringen av tidig leverfibros.
MRI-IDEAL-tekniken fungerar genom att samla in MRI-bilder vid flera ekotillfällen, vilket gör det möjligt att separera vatten- och fettsignaler genom att utnyttja deras olika resonansfrekvenser. Denna separation uppnås genom en iterativ nedbrytningsprocess som beräknar de relativa proportionerna av vatten och fett i varje pixel i bilden. De resulterande bilderna kan ge läkare värdefull information om fördelningen och mängden kroppsfett, vilket kan vara användbart vid diagnos och övervakning av tillstånd som fetma, diabetes och leversjukdom.
Den kvantitativa metod som föreslås i denna studie är inte bara tillämplig för kvantitativ diagnos av tidig leverfibros utan även för diagnos av levercirros i mellan- och sent stadium. Det kan också användas som en grupperings- och screeningteknik för att utesluta patienter med leverfibros eller levercirros, samt som ett prognostiskt verktyg för olika typer av levercirros. 3D LSD kan också användas som ett navigationsverktyg för exakt leverpunktion eller kirurgi.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Mjukvaruverktyget för kvantifiering av leverfibros som listas i materialtabellen för denna studie, HepaticFibrosis V1.0, är ett mjukvaruverktyg från Beijing Intelligent Entropy Science & Technology Co Ltd. De immateriella rättigheterna för detta programvaruverktyg tillhör företaget.
Acknowledgments
Denna publikation stöddes av det femte nationella forskningsprogrammet för klinisk framstående kinesisk medicin som organiseras av National Administration of Traditional Chinese Medicine. Den officiella nätverkslänken är "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).
