Segmentering og lineære målinger kvantifiserer skjelettmuskulaturmasse og fettvev ved hjelp av beregnet tomografi og/eller magnetisk resonansavbildningsbilder. Her skisserer vi bruken av Slice-O-Matic programvare og Horos image viewer for rask og nøyaktig analyse av kroppssammensetning. Disse metodene kan gi viktig informasjon for prognose og risikostratifisering.
Kroppssammensetning er forbundet med risiko for sykdomsprogresjon og behandlingskomplikasjoner under en rekke forhold. Kvantifisering av skjelettmuskulaturmasse og fettvev på beregnet tomografi (CT) og/eller magnetisk resonansavbildning (MR) kan derfor informere kirurgirisikoevaluering og sykdomsprognose. Denne artikkelen beskriver to kvantifiseringsmetoder opprinnelig beskrevet av Mourtzakis et al. og Avrutin et al.: vevssegmentering og lineær måling av skjelettmuskulatur. Pasientenes tverrsnittsbilde på midtpunktet av den tredje lumbale ryggvirvelen ble oppnådd for begge målingene. For segmentering ble bildene importert til Slice-O-Matic og farget for skjelettmuskulatur, intramuskulært fettvev, visceralt fettvev og subkutant fettvev. Deretter ble overflatearealer av hver vevstype beregnet ved hjelp av merkeoverflatefunksjonen. For lineære målinger måles høyden og bredden på bilaterale psoaer og paraspinale muskler på nivået av den tredje lumbale vertebraen, og beregningen ved hjelp av disse fire verdiene gir den estimerte skjelettmuskulaturmassen. Segmenteringsanalyse gir kvantitativ, omfattende informasjon om pasientenes kroppssammensetning, som deretter kan korreleres med sykdomsprogresjon. Prosessen er imidlertid mer tidkrevende og krever spesialisert opplæring. Lineære målinger er et effektivt og klinikkvennlig verktøy for rask preoperativ evaluering. Lineære målinger gir imidlertid ikke informasjon om fettvevssammensetning. Likevel har disse metodene brede anvendelser i en rekke sykdommer for å forutsi kirurgiske utfall, risiko for sykdomsprogresjon og informere behandlingstilbud for pasienter.
Vurdering av sarkopeni og kroppssammensetning er for tiden av stor klinisk interesse. Selv om spesifikke definisjoner av sarkopeni varierer avhengig av innstilling og kontekst, inkluderer alle definisjoner betydelig tap av skjelettmuskulaturmasse eller muskelstyrke, som er nært korrelert1,2,3. Kroppssammensetningsanalyse inneholder målinger av skjelettmuskulaturmasse og fettvevsdistribusjon, og gir mer omfattende informasjon om pasientens generelle kondisjon1,3,4. På samme måte har uforholdsmessig distribuert fettvev, spesielt visceralt fettvev, vist seg å være relatert til ulike sykdommer, inkludert hjertesykdom, type II diabetes og kreft5.
Klinisk har sarkopeni og dens vurdering ved lineære målinger gjentatte ganger vist seg å være en sterk prognostisk faktor for kreftspesifikk overlevelse på tvers av maligniteter og onkologiske utfall etter kirurgi, strålebehandling og kjemoterapi1,2,4,6,7,8. Spesielt viser tidligere forskning at pasienter med sarkopeni har redusert kreftspesifikk overlevelse og total overlevelse1,2,9,10. Derfor er nøyaktig og rask klinisk vurdering av sarkopeniprogresjon viktig for å bestemme behandlingsvalget. Konvensjonell helkroppssammensetningsprofilering krever analyse på et tredimensjonalt (3D) nivå ved hjelp av avbildningsteknikker, inkludert Computed Tomography (CT), Magnetic Resonance Imaging (MRI), Bone Densitometry (DEXA) og Bioelectrical Impedance Analysis (BIA), som er tidkrevende, kostbare og krever omfattende opplæring5,11. En annen ulempe er mangel på informasjon om fettfordeling, spesielt for luftforskyvning plethysmografi (ADP) og DEXA12. Derfor har vurdering og bestemmelse av sarkopeni og kroppssammensetning ved bruk av konvensjonelle tverrsnittsavbildningsmodaliteter som CT eller MR, som brukes som en del av standard klinisk praksis, stor klinisk verdi5.
En vanlig brukt segmenteringsprogramvare i den kliniske forskningsinnstillingen er Slice-O-Matic-programmet utviklet av TomoVision. Ved hjelp av Mourtzakis et al.13 segmenteringsprosedyre gjør programmet det mulig for forskere eller klinikere å halvautomatisk merke ulike vevstyper som skjelettmuskulatur (SM), intramuskulært fettvev (IMAT), visceralt fettvev (mva) og subkutan fettvev (SAT) ved hjelp av tetthetsbaserte terskler, slik at måling av de generelle tverrsnittsområdene i hvert vev. Disse målingene brukes deretter til å estimere total kroppsskjellet muskelmasse og adipositet, ofte etter normalisering av pasientens høyde kvadrert, for å identifisere sarkopeni og sarkopenisk fedme ved befolkningsbaserte terskler.
En nylig utviklet metode av Avrutin et al.14 ved hjelp av lineære målinger av skjelettmuskulatur utviklet har vist potensialet til å være like pålitelig i å estimere total muskelmasse ved hjelp av MR- og CT-bilder av L3-tverrsnittet14,15. Psoas og paraspinale muskelgrupper består av mye av muskeloverflateområdet i L3-regionen og har høy funksjonalitet, noe som tyder på at de kan være høy-troskap prediktorer for generell muskelstyrke, og dermed de viktigste kandidatene til lineær måling14,15. For å beregne det muskulære overflateområdet oppnås horisontale og vertikale målinger av psoas og paraspinale muskelgrupper ved hjelp av et linjalverktøy for å tegne 90° kryssende rette linjer. De horisontale og vertikale målingene for hver muskelgruppe multipliseres for å estimere overflatearealet til hver muskelgruppe, som deretter brukes til å beregne en lineær muskelindeks når den deles av pasientens høyde. Med minimal trening kan hele denne prosessen ta mindre enn 1 min.
Gitt de potensielle implikasjonene av kroppssammensetningsmålinger på pasientbehandling, er det et presserende behov for å lage tilgjengelige treningsmaterialer. I denne artikkelen gir vi en detaljert beskrivelse av to metoder utviklet av Avrutin et al.14 og Mourtzakis et al.13 for å kvantifisere skjelettmuskulaturmasse og kroppssammensetning, henholdsvis for leverandører og kliniske forskere.
Psoasmuskelen, paraspinale muskelgrupper og skrå muskler korrelerer tett med den totale muskelmassen5. Spesielt er overflatearealet i et CT- eller MR-tverrsnitt av disse muskelgruppene på midtpunktet av den tredje lumbale vertebraen (L3) svært korrelert med generell muskelmasse, noe som gjør dette bildet til et ideelt for forskere eller klinikere å bruke når de vurderer sarkopeni1,2,13. Segmentering og lineære målinger har vist stor verdi i å vurdere kroppssammensetning og identifisere dårlige prognostiske tilstander som sarkopeni og sarkopenisk fedme hos pasienter16,17. Forskning har vist at muskelmassemålinger er forbundet med overlevelse og risiko for store komplikasjoner etter store operasjoner eller behandlingsplaner som kjemoterapi og kjemoterapeutisk toksisitet16,17,18. Derfor vil vi hevde at det kan være gunstig for klinikere å ha kroppssammensetningsdata før vi rådgir pasienter om behandlingsalternativer.
For tiden er det flere metoder for å vurdere kroppssammensetning. Flere metoder, for eksempel densitometry12 og luftforskyvning plethysmografi (ADP)19, bruker luftvekt og forskyvning, henholdsvis for å estimere prosentandel kroppsfett og kroppstetthet. Selv om disse metodene kan være nyttige, kan de ikke bestemme fettvevsfordeling5,19. Andre analyseteknikker for kroppssammensetning, som BIA, baserer analysen på de forskjellige elektriske egenskapene til fettmasse og fettfri masse12. Men nok en gang klarer ikke denne teknikken å vurdere fettfordelinger tilstrekkelig, og det krever også mer informasjon som etnisitet, alder og kjønn for mer nøyaktigemålinger 19. Omvendt har vurderinger som DEXA vist seg å være nyttige i kroppssammensetningsvurdering, men har en tendens til å overvurdere muskelmasse med økende adipositet12. Flere protokoller har også brukt Region-of-Interest (ROI)-metoden for å oppnå muskelmasse- og fettvevsdata i DICOM-visningsprogramvaren, som har vist seg å ha god sammenheng med BIA kroppssammensetningsanalyse for sarkopenivurdering og ernæringsmessig vurdering20,21.
Segmenteringsprosedyren utviklet av Mourtzakis et al. har en fordel i forhold til alternative kroppssammensetningsvurderinger siden det kan gjøres på de fleste CT- eller MR-bilder og nøyaktig bestemmer fettvevsfordelinger og muskelområde13. I tillegg har aksial L3-segmentering fordelen av nøyaktighet uavhengig av pasientens fedmestatus13. I likhet med de nevnte alternativene har ikke den lineære måleteknikken utviklet av Avrutin et al.14 evnen til å vurdere fettfordeling. Nylig har forskere vist ulik i kroppssegmentering, spesielt i metoder som måler psoas muskler alene22. Psoas muskelmasse alene er ikke svært representativ for lumbal muskelmengde eller systematisk muskels kaste bort, og kan ikke være svært korrelert med kliniske utfall22. Dette problemet kan være mer bekymringsfullt i lineær måling, da psoas muskel er den største muskelgruppen i vurdering. Imidlertid inkluderer vår skisserte teknikk bilaterale psoas og paraspinale muskelberegninger for å måle en mer nøyaktig, mens fortsatt rask og praktisk vurdering av tverrsnitts muskelmasse. Fremtidige studier som validerer samsvaret mellom CT/MR lineær måling og segmenteringsmetoder og deres korrelasjon til kliniske resultater er berettiget.
Både L3-segmenterings- og lineærmålingsprosedyrene ble opprinnelig designet for å raskt og nøyaktig vurdere kroppsomfattende muskelinnhold. Ved å segmentere bare ved L3-ryggvirvlene sparer protokollen tid samtidig som den gir forskerne eller klinikerne nok informasjon til å bestemme pasientens magre muskelmasse og adipositetsstatus. Selv om L3-segmentering tar langt mindre tid enn segmentering av hele kroppen, kan det imidlertid fortsatt være tidkrevende og dyrt å bruke Slice-O-Matic-programvaren. Lineære målinger har derimot potensial til å være like nøyaktige som L3-segmenteringen i vurderingen av muskelstatus og sarkopeni hos kritisk syke pasienter14,15. Vi har vist et slikt forhold i T3 nyrecellekarsinomkohorten, der skjelettmuskelen målt ved lineære målinger er nært korrelert med verdien målt ved segmentering (Figur 6). Det er viktig at metoden er ekstremt rask, og bildeprogramvaren er gratis. Imidlertid er den mest bemerkelsesverdige begrensningen i den lineære måleprosedyren dens mangel på evne til å vurdere fettvevsinnhold, noe som begrenser klinikerne til sammenhenger der generell vurdering av muskelinnhold er tilstrekkelig.
Det er tre kritiske trinn i både segmenterings- og lineære måleprosedyrer. For det første bør klinikere og forskere identifisere midten av L3 ryggvirvlene for å oppnå konsistens. Midten av L3 ryggvirvlene vil være stykket der margen til de tverrgående prosessene er mest fremtredende. Den aksiale L3 ryggvirvler skive er lettere identifisert ved hjelp av en kryssbundet sagittal eller coronal visning. Forskere eller klinikere kan først finne L1 ryggvirvler eller sakrum som referansepunkt, og husk at tilstedeværelsen av seks lumbale ryggvirvler i stedet for fem er en normal variant. Det neste avgjørende trinnet er å identifisere muskler. Ved lineære målinger bør quadratus lumborum ikke inkluderes mens du tar vertikale og horisontale målinger. For det tredje bør forskere også være nøye med når de merker mva i segmenteringsprotokollen, da koloninnholdet noen ganger kan merkes som visceralt fettvev23. Når en slik feil oppstår, bør forskerne slette disse områdene før de går videre til neste trinn.
Et vanlig problem ved segmentering er dårlig kvalitet på CT- eller MR-bilder (se Representative Results for eksempler). I noen tilfeller gjør ikke den dårlige kvaliteten bildet ubrukelig, men i andre tilfeller kan det hende at bildet må utelates fra analysen. En annen, muligens uunngåelig, begrensning av segmenteringen av et enkelt bilde inkluderer den tilfeldige variasjonen av heldekkende organposisjon fra bilde til bilde.
Andre vanlige problemstillinger for både L3-segmenteringsanalyse og lineær måleanalyse er ofte knyttet til variasjon mellom og intra-rater. Som det ville være tilfelle med de fleste protokoller, kan en viss variasjon mellom observatører og mellom en enkelt persons separate forsøk forventes. For å ta høyde for og minimere variasjon mellom rater med flere personer som utfører analyser, kan forskerteamet eller klinikerne teste for statistisk signifikante variasjoner i overflatemåling og gjennomsnittlig HU fra samme bilde. Vær spesielt oppmerksom på HU-variasjon, da dette vil indikere om forskere eller klinikere som har svært like overflateområder for samme bilde, faktisk merker vevet omtrent det samme. For å teste for betydelig intra-rater variasjon for en person, kan forskere eller klinikere ta et lite delsett av bilder og segmentere hvert bilde til alle replikaer for hvert bilde er innenfor en smal, statistisk ubetydelig margin.
Vi erkjenner at begge protokollene som presenteres her har begrensninger i kroppssammensetningsanalysen, da bare en enkelt skive brukes. Som foreslått av Shen et al., kan 3D-analysen gi mer nøyaktig informasjon for abdominal visceralt fett, og enkeltskiveanalyse for mva er på forskjellige nivåer for menn og kvinner24. Protokollene som diskuteres her er imidlertid fortsatt verdifulle, da de gir raske vurderinger av muskler så vel som fettvev, som kan brukes til sarkopeniscreening i klinikker.
Videre har det vært mange automatiserte analyseprotokoller for kroppssammensetning ved hjelp av 3D-maskinlæringsalgoritmer, spesielt nevrale nettbaserte klassifiseringsalgoritmer25. Vi erkjenner at dette kan være de potensielle fremtidige alternativene til tradisjonell 2D-segmentering. Disse metodene krever imidlertid at store datasett av CT- og MR-bilder utvikles, testes og implementeres i kliniske og forskningsmiljøer. I tillegg krever disse metodene ofte 2D-segmenteringsanalyse for å etablere en referanse til grunnlinjen som maskinlæringsalgoritmene skal valideres mot. Protokollene som demonstreres her, kan derfor være nyttige når store datasett eller 3D-bilder ikke er tilgjengelige, og disse protokollene kan brukes til å utvikle og validere maskinlæringsalgoritmer når de gjelder. Dermed tror vi at klinikere og forskere kan dra nytte av denne opplæringsvideoen og ta i bruk disse raske og pålitelige metodene som foreløpig screening før automatisert analyse er tilgjengelig og for å lette implementeringen av denne avanserte teknologien.
Evnen til raskt å analysere fettvevsfordeling og skjelettmuskulaturmasse har en bred bredde av kliniske interesser som spenner fra kreftbehandling og forskning til hjertesykdom5. Sammenlignet med andre ofte brukte metoder, Mourtzakis et al. L3-segmenteringsprosedyren i Slice-O-Matic kan nøyaktig og raskt vurdere fettvevsdistribusjon og bestemme sarkopenistatus5,12,13,19. I tillegg, i sammenhenger der informasjon om skjelettmuskulaturmasse er tilstrekkelig, er L3 lineær målingsprosedyre et pålitelig og veldig raskt verktøy for å bidra til å forutsi suksess i kreftbehandlinger som kirurgi, strålebehandling og kjemoterapi1,2,4,6,7,8. Formålet med denne opplæringsvideoen og manuskriptet er å tydelig avgrense protokollen for segmentering og lineære målinger for fremtidig bruk, slik at klinikere lettere kan vurdere kroppssammensetning i klinikkmiljøet.
The authors have nothing to disclose.
Forfatterne ønsker å anerkjenne støtten fra John Robinson & Churchill-familiens stiftelser.
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. |