Segmentering og lineære målinger kvantificere skeletmuskulaturmasse og fedtvæv ved hjælp af computertomografi og/eller magnetisk resonansbilleddannelsesbilleder. Her skitserer vi brugen af Slice-O-Matic software og Horos billedfremviser for hurtig og præcis analyse af kropssammensætning. Disse metoder kan give vigtige oplysninger til prognose og risiko stratificering.
Kropssammensætning er forbundet med risiko for sygdomsprogression og behandlingskomplikationer i en række forskellige tilstande. Derfor kan kvantificering af skeletmuskulaturmasse og fedtvæv på computertomografi (CT) og/eller magnetisk resonansbilleddannelse (MRI) danne grundlag for kirurgirisikovurdering og sygdomsprognose. Denne artikel beskriver to kvantificeringsmetoder, der oprindeligt blev beskrevet af Mourtzakis et al. og Avrutin et al.: vævssegmentering og lineær måling af skeletmuskulatur. Patienternes tværsnitsbillede midt i den tredje lændehvirvel blev opnået til begge målinger. Til segmentering blev billederne importeret til Slice-O-Matic og farvet til skeletmuskulatur, intramuskulært fedtvæv, visceralt fedtvæv og subkutant fedtvæv. Derefter blev overfladearealer af hver vævstype beregnet ved hjælp af tagoverfladens funktion. Ved lineære målinger måles højden og bredden af bilaterale psoas og paraspinalmuskler på niveau med den tredje lændehvirvel, og beregningen ved hjælp af disse fire værdier giver den anslåede skeletmuskulaturmasse. Segmenteringsanalyse giver kvantitativ, omfattende information om patienternes kropssammensætning, som derefter kan korreleres med sygdomsprogression. Processen er dog mere tidskrævende og kræver specialiseret træning. Lineære målinger er et effektivt og klinikvenligt værktøj til hurtig præoperativ evaluering. Lineære målinger giver dog ikke oplysninger om fedtvævssammensætning. Ikke desto mindre har disse metoder brede anvendelser i en række sygdomme til at forudsige kirurgiske resultater, risiko for sygdomsprogression og informere behandlingsmuligheder for patienter.
Vurdering af sarcopenia og kropssammensætning er i øjeblikket af stor klinisk interesse. Selvom specifikke definitioner af sarcopenia varierer afhængigt af indstilling og kontekst, omfatter alle definitioner betydeligt tab af skeletmuskelmasse eller muskelstyrke, som er tæt korreleret1,2,3. Kropssammensætningsanalyse omfatter målinger af skeletmuskulaturmasse og fedtvævsfordeling, hvilket giver mere omfattende information om patienternes generelle egnethed1,3,4. Tilsvarende, uforholdsmæssigt fordelt fedtvæv, især visceral fedtvæv, har vist sig at være relateret til forskellige sygdomme, herunder hjertesygdomme, type II diabetes, og kræft5.
Klinisk, sarcopenia og dens vurdering af lineære målinger har gentagne gange vist sig at være en stærk prognostisk faktor for kræft-specifikke overlevelse på tværs af maligniteter og onkologiske resultater efter operation, strålebehandling, og kemoterapi1,2,4,6,7,8. Især tidligere forskning viser, at patienter med sarcopenia har nedsat kræft-specifikke overlevelse og samlede overlevelse1,2,9,10. Derfor er nøjagtig og hurtig klinisk vurdering af sarcopenia progression vigtig for at bestemme behandlingsvalget. Konventionel helkropssammensætningsprofilering kræver analyse på et tredimensionelt (3D)-niveau ved hjælp af billeddannelsesteknikker, herunder computertomografi (CT), MRI (Magnetic Resonance Imaging), Bone Densitometry (DEXA) og Bioelectrical Impedance Analysis (BIA), som er tidskrævende, dyre og kræver omfattende træning5,11. En anden ulempe er manglende information om fedtfordeling, især for luftforskydningen plethysmografi (ADP) og DEXA12. Derfor har vurdering og bestemmelse af sarcopenia og kropssammensætning ved brug af konventionelle tværsnitsbilledmetoder såsom CT eller MR, der anvendes som en del af klinisk praksis inden for standardpleje, stor klinisk værdi5.
En almindeligt anvendt segmenteringssoftware i indstillingen for klinisk forskning er Slice-O-Matic-programmet udviklet af TomoVision. Ved hjælp af Mourtzakis et al.13 segmentering procedure, programmet giver mulighed for forskere eller klinikere til semi-automatisk tag forskellige vævstyper såsom skeletmuskulatur (SM), intramuskulære fedtvæv (IMAT), visceral fedtvæv (moms), og subkutane fedtvæv (SAT) ved hjælp af tæthed-baserede tærskler, der tillader måling af de samlede tværsnitsarealer af hvert væv. Disse målinger bruges derefter til at estimere den samlede kropsmuskelmasse og adipositet, ofte efter normalisering af en patients højde kvadreret, for at identificere sarcopenia og sarcopen fedme ved befolkningsbaserede tærskler.
En nyligt udviklet metode af Avrutin et al.14 ved hjælp af lineære målinger af skeletmuskulatur udviklet har vist potentiale til at være lige så pålidelige i vurderingen af den samlede muskelmasse ved hjælp af MR og CT billeder af L3 tværsnit14,15. Psoas og paraspinal muskelgrupper udgør en stor del af muskeloverfladen i L3-regionen og har høj funktionalitet, hvilket tyder på, at de kan være high-fidelity prædiktorer for den samlede muskelstyrke, og dermed de vigtigste kandidater til lineær måling14,15. For at beregne det muskuløse overfladeareal opnås vandrette og lodrette målinger af psoas og paraspinalmuskelgrupper ved hjælp af et linealværktøj til at tegne 90° krydsende lige linjer. De vandrette og lodrette målinger af hver muskelgruppe multipliceres for at estimere overfladearealet for hver muskelgruppe, som derefter bruges til at beregne et lineært muskelindeks, når det divideres med patientens højde. Med minimal træning kan hele denne proces tage mindre end 1 minut.
I betragtning af de potentielle konsekvenser af målinger af kropssammensætningen for patientplejen er der et presserende behov for at skabe tilgængelige undervisningsmaterialer. I denne artikel giver vi en detaljeret beskrivelse af to metoder udviklet af Avrutin et al.14 og Mourtzakis et al.13 for at kvantificere henholdsvis skeletmuskulaturmasse og kropssammensætning for udbydere og kliniske forskere.
Psoas muskel, paraspinal muskelgrupper, og skrå muskler tæt korrelerer med den samlede muskelmasse5. Især er overfladearealet inden for et CT- eller MR-tværsnit af disse muskelgrupper midt i den tredje lændehvirvel (L3) stærkt korreleret med den samlede muskelmasse, hvilket gør dette billede ideelt for forskere eller klinikere at bruge ved vurdering af sarcopenia1,2,13. Segmentering og lineære målinger har vist stor værdi i vurderingen af kropssammensætningen og identificering af dårlige prognostiske tilstande som sarcopenia og sarcopen fedme hos patienter16,17. Forskning har vist , at muskelmasse målinger er forbundet med overlevelse og risiko for større komplikationer efter større operationer eller behandling planer såsom kemoterapi og kemoterapeutisktoksicitet 16,17,18. Derfor vil vi postulere, at det kan være gavnligt for klinikere at have kropssammensætningsdata, før vi rådgiver patienter om behandlingsmuligheder.
I øjeblikket er der flere metoder til vurdering af kropssammensætning. Flere metoder, såsom tætometri12 og luftforskydning plethysmografi (ADP)19, udnytte luft vægt og forskydning, henholdsvis at anslå procent kropsfedt og kropstæthed. Mens disse metoder kan være nyttige, er de ikke i stand til at bestemme fedtvævsfordeling5,19. Andre analyseteknikker for kropssammensætning, såsom BIA, baserer deres analyse på de forskellige elektriske egenskaber ved fedtmasse og fedtfri masse12. Men endnu en gang denne teknik undlader at tilstrækkeligt vurdere fedt distributioner, og det kræver også flere oplysninger såsom etnicitet, alder og køn for mere præcise målinger19. Omvendt har vurderinger som DEXA vist sig at være nyttige i vurderingen af kropssammensætningen, men har en tendens til at overvurdere muskelmassen med stigende adipositet12. Flere protokoller har også brugt metoden Region-of-Interest (ROI) til at opnå muskelmasse og fedtvævsdata i DICOM-visningssoftwaren, som har vist sig at have god korrelation med BIA-kropssammensætningsanalyse til sarcopeniavurdering og ernæringsmæssig vurdering20,21.
Segmenteringsproceduren udviklet af Mourtzakis et al. har en fordel i forhold til alternative kropssammensætningsvurderinger, da det kan gøres på de fleste CT- eller MR-billeder og nøjagtigt bestemmer fedtvævsfordelinger og muskelområde13. Derudover har aksial L3 segmentering fordelen ved nøjagtighed uanset patientens fedmestatus13. I lighed med ovennævnte alternativer har den lineære foranstaltninger, der er udviklet af Avrutin et al.14, ikke evnen til at vurdere fedtfordelingen. For nylig har forskere vist uensartet i kropssegmentering, især i metoder, der måler psoas muskler alene22. Psoas muskelmasse alene er ikke meget repræsentativ for lændehvirvelsøjlen mængde eller systematisk muskelsvind, og kan ikke være stærkt korreleret med kliniske resultater22. Dette problem kan være mere bekymrende i lineær måling, som psoas muskel er den største muskel gruppe i vurderingen. Men vores skitserede teknik omfatter bilaterale psoas og paraspinal muskel skøn til at måle en mere præcis, mens stadig hurtig og bekvem vurdering af tværsnitsmuskel masse. Fremtidige undersøgelser, der validerer overensstemmelsen mellem CT/MR-lineære måle- og segmenteringsmetoder og deres korrelation med kliniske resultater, er berettigede.
Både L3 segmentering og lineære måleprocedurer blev oprindeligt designet til hurtigt og præcist at vurdere kropsdækkende muskelindhold. Ved segmentering på L3 ryghvirvler kun, protokollen sparer tid, mens du stadig giver forskere eller klinikere nok information til at bestemme patientens lean muskelmasse og adiposity status. Men selvom L3 segmentering tager langt mindre tid end helkropssegmentering, kan det stadig være tidskrævende og dyrt at bruge Slice-O-Matic-softwaren. Omvendt, lineære målinger har potentiale til at være lige så præcis som L3 segmentering i vurderingen af muskel status og sarcopenia hos kritisk syge patienter14,15. Vi har påvist et sådant forhold i T3-nyrecellekarcinomkohorten, hvor skeletmusklen målt ved lineære målinger er tæt forbundet med den værdi, der måles ved segmentering (figur 6). Det er vigtigt, at metoden er ekstremt hurtig, og billedbehandlingssoftwaren er gratis. Den mest bemærkelsesværdige begrænsning af den lineære måleprocedure er imidlertid dens manglende evne til at vurdere fedtvævsindhold, hvilket begrænser klinikerne til sammenhænge, hvor generel vurdering af muskelindhold er tilstrækkelig.
Der er tre kritiske trin i både segmentering og lineære måleprocedurer. For det første bør klinikere og forskere identificere midten af L3 ryghvirvlerne for at opnå konsistens. Midten af L3-hvirvlerne vil være skiven, hvor marven i de tværgående processer er mest fremtrædende. Den aksiale L3 ryghvirvler skive er lettere identificeres ved hjælp af en kryds-linked sagittal eller koronar opfattelse. Forskere eller klinikere kan først finde L1 ryghvirvler eller korsbenet som referencepunkt, idet man skal huske på, at tilstedeværelsen af seks lændehvirvler i stedet for fem er en normal variant. Det næste afgørende skridt er at identificere muskler. I lineære målinger bør quadratus lumborum ikke medtages, mens der foretages lodrette og vandrette målinger. For det tredje bør forskerne også være meget opmærksomme, når de mærker moms i segmenteringsprotokollen, da tyktarmsindholdet undertiden kan mærkes som visceralt fedtvæv23. Når en sådan fejl opstår, bør forskere slette disse områder, før de går videre til næste trin.
Et almindeligt problem i segmentering er dårlig billedkvalitet for CT eller MR (se Repræsentative resultater for eksempler). I nogle tilfælde gør den dårlige kvalitet ikke billedet ubrugeligt, men i andre tilfælde kan billedet være nødvendigt at udelukkes fra analyse. En anden, muligvis uundgåelig, begrænsning af segmentering af et enkelt billede omfatter tilfældig variation af fast organ position fra billede til billede.
Andre almindelige problemer for både L3-segmenteringsanalyse og lineær målingsanalyse er ofte relateret til variation mellem og intra rater. Som det ville være tilfældet med de fleste protokoller, kan der forventes en vis variation mellem observatører og mellem en enkelt persons separate forsøg. For at tage højde for og minimere inter-rater variation med flere mennesker, der udfører analyse, kan holdet af forskere eller klinikere teste for eventuelle statistisk signifikante variationer i overfladeareal målinger og gennemsnitlige HU fra samme billede. Vær særlig opmærksom på HU variation, da dette vil indikere, om forskere eller klinikere, der har meget lignende overfladearealer for det samme billede er faktisk tagging vævene omtrent det samme. For at teste for signifikant intra-rater variation for en person, forskere eller klinikere kan tage en lille delmængde af billeder og segment hvert billede, indtil alle reproduktioner for hvert billede er inden for en smal, statistisk ubetydelig margin.
Vi anerkender, at begge de protokoller, der præsenteres her, har begrænsninger i kropssammensætningsanalysen, da der kun anvendes en enkelt skive. Som foreslået af Shen et al., 3D-analysen kan give mere præcise oplysninger om abdominal visceral fedt, og enkelt-skive analyse for moms er på forskellige niveauer for mænd og kvinder24. De protokoller, der diskuteres her, er dog stadig værdifulde, da de giver hurtige vurderinger af muskler såvel som fedtvæv, som kan bruges til sarcopeniascreening i klinikker.
Desuden har der været mange automatiserede kropssammensætningsanalyseprotokoller ved hjælp af 3D-maskinlæringsalgoritmer, især neurale netbaserede klassifikationsalgoritmer25. Vi anerkender, at dette kan være de potentielle fremtidige alternativer til traditionel 2D-segmentering. Disse metoder kræver dog, at store datasæt af CT- og MR-billeder udvikles, testes og implementeres i kliniske og forskningsmæssige indstillinger. Desuden kræver disse metoder ofte 2D-segmenteringsanalyse for at etablere en basisreference, som maskinlæringsalgoritmerne skal valideres i forhold til. De protokoller, der demonstreres her, kan derfor være nyttige, når store datasæt eller 3D-billeder ikke er tilgængelige, og disse protokoller kan anvendes til at hjælpe med at udvikle og validere maskinlæringsalgoritmer, når de er relevante. Vi mener således, at klinikere og forskere kan drage fordel af denne træningsvideo og vedtage disse hurtige og pålidelige metoder som foreløbig screening, før automatiseret analyse er tilgængelig, og for at lette implementeringen af denne avancerede teknologi.
Evnen til hurtigt at analysere fedtvævsfordeling og skeletmuskelmasse har en bred bredde af kliniske interesser lige fra kræftbehandling og forskning til hjertesygdom5. Sammenlignet med andre almindeligt anvendte metoder, Mourtzakis et al. L3 segmentering procedure i Slice-O-Matic kan præcist og hurtigt vurdere fedtvæv distribution og bestemme sarcopenia status5,12,13,19. Derudover, i sammenhænge, hvor oplysninger om skeletmuskulaturmasse er tilstrækkelig, L3 lineær måling procedure er en pålidelig og meget hurtigt værktøj til at hjælpe med at forudsige succes i kræftbehandlinger såsom kirurgi, strålebehandling, og kemoterapi1,2,4,6,7,8. Formålet med denne træningsvideo og dette manuskript er klart at afgrænse protokollen for segmentering og lineære målinger til fremtidig brug, så klinikere lettere kan vurdere kropssammensætningen i klinikkens omgivelser.
The authors have nothing to disclose.
Forfatterne vil gerne anerkende støtte fra John Robinson &Churchill familiens fonde.
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. |