Segmentering och linjära mätningar kvantifierar skelettmuskulaturmassa och fettvävnader med hjälp av datortomografi och/eller magnetisk resonanstomografi. Här beskriver vi användningen av Slice-O-Matic-programvara och Horos bildvisare för snabb och korrekt analys av kroppssammansättning. Dessa metoder kan ge viktig information för prognos och riskstratifiering.
Kroppssammansättning är förknippad med risk för sjukdomsprogression och behandlingskomplikationer i olika tillstånd. Kvantifiering av skelettmuskulaturmassa och fettvävnader på datortomografi (CT) och/eller magnetisk resonanstomografi (MRT) kan därför ligga till grund för utvärdering av kirurgirisk och sjukdomsprognos. Denna artikel beskriver två kvantifieringsmetoder som ursprungligen beskrivs av Mourtzakis et al. och Avrutin et al.: vävnad segmentering och linjär mätning av skelettmuskulaturen. Patienternas tvärsnittsbild vid mittpunkten av den tredje ländkotan erhölls för båda mätningarna. För segmentering importerades bilderna till Slice-O-Matic och färgas för skelettmuskulatur, intramuskulär fettvävnad, visceral fettvävnad och subkutan fettvävnad. Sedan beräknades ytområden av varje vävnadstyp med hjälp av taggytans funktion. För linjära mätningar mäts höjden och bredden på bilaterala psoas och paraspinala muskler på nivån för den tredje ländkotan och beräkningen med dessa fyra värden ger den uppskattade skelettmuskelmassan. Segmenteringsanalys ger kvantitativ, omfattande information om patienternas kroppssammansättning, som sedan kan korreleras med sjukdomsprogression. Processen är dock mer tidskrävande och kräver specialiserad utbildning. Linjära mätningar är ett effektivt och klinikvänligt verktyg för snabb preoperativ utvärdering. Linjära mätningar ger dock inte information om fettvävnadssammansättning. Dessa metoder har dock omfattande tillämpningar i en mängd olika sjukdomar för att förutsäga kirurgiska resultat, risk för sjukdomsprogression och informera behandlingsalternativ för patienter.
Bedömning av sarkopeni och kroppssammansättning är för närvarande av stort kliniskt intresse. Även om specifika definitioner av sarkopeni varierar beroende på inställning och sammanhang, omfattar alla definitioner betydande förlust av skelettmuskelmassa eller muskelstyrka, som är nära korrelerade1,2,3. Kroppssammansättningsanalys innehåller mätningar av skelettmuskelmassa och fettvävnadsfördelning, vilket ger mer omfattande information om patienternas allmänna lämplighet1,3,4. På samma sätt har disproportionellt distribuerad fettvävnad, särskilt visceral fettvävnad, visat sig vara relaterad till olika sjukdomar, inklusive hjärtsjukdomar, typ II-diabetes och cancer5.
Kliniskt har sarkopeni och dess bedömning av linjära mätningar upprepade gånger visat sig vara en stark prognostisk faktor för cancerspecifik överlevnad över maligniteter och onkologiska resultat efter kirurgi, strålbehandling och kemoterapi1,2,4,6,7,8. I synnerhet visar tidigare forskning att patienter med sarkopeni har minskat cancerspecifik överlevnad och total överlevnad1,2,9,10. Därför är noggrann och snabb klinisk bedömning av sarkopeni progression viktigt för att avgöra behandlingsval. Konventionell helkroppskomposition profilering kräver analys på en tredimensionell (3D) nivå med hjälp av bildteknik, inklusive datortomografi (CT), magnetic resonance imaging (MRI), Bone Densitometry (DEXA) och Bioelectrical Impedance Analysis (BIA), som är tidskrävande, kostsamma och kräver omfattande utbildning5,11. En annan nackdel är bristen på information om fettfördelning, särskilt för luftförskjutning plethysmography (ADP) och DEXA12. Bedömning och bestämning av sarkopeni och kroppssammansättning med användning av konventionella tvärsnittsavbildningsmetoder såsom CT eller MRT, som används som en del av klinisk praxis för standardvård, har därför stort kliniskt värde5.
En vanlig segmenteringsprogramvara i den kliniska forskningsmiljön är Slice-O-Matic-programmet som utvecklats av TomoVision. Med hjälp av Mourtzakis et al.13 segmenteringsproceduren gör programmet det möjligt för forskare eller kliniker att halvautomatiskt märka olika vävnadstyper som skelettmuskel (SM), intramuskulär fettvävnad (IMAT), visceral fettvävnad (moms) och subkutan fettvävnad (SAT) med hjälp av densitetsbaserade trösklar, vilket möjliggör mätning av de övergripande tvärsnittsområdena i varje vävnad. Dessa mätningar används sedan för att uppskatta totala kroppen skelettmuskulatur massa och adiposity, ofta efter normalisering av en patients höjd kvadratiska, för att identifiera sarkopeni och sarkopenisk fetma efter befolkningsbaserade trösklar.
En nyutvecklad metod av Avrutin et al.14 med linjära mätningar av skelettmuskulaturen utvecklad har visat potentialen att vara lika tillförlitlig vid uppskattning av total muskelmassa med MRI och CT bilder av L3 tvärsnitt14,15. Psoas och paraspinala muskelgrupper utgör mycket av muskelytan i L3-regionen och har hög funktionalitet, vilket tyder på att de kan vara hög trohet prediktorer för övergripande muskelstyrka, och därmed de främsta kandidaterna till linjärmätning 14,15. För att beräkna den muskulösa ytan erhålls horisontella och vertikala mätningar av psoas och paraspinala muskelgrupper med hjälp av ett linjalverktyg för att rita 90° korsande raka linjer. De horisontella och vertikala mätningarna av varje muskelgrupp multipliceras för att uppskatta ytan på varje muskelgrupp, som sedan används för att beräkna ett linjärt muskelindex när det divideras med patientens höjd. Med minimal träning kan hela processen ta mindre än 1 minut.
Med tanke på de potentiella konsekvenserna av kroppssammansättningsmätningar på patientvården finns det ett akut behov av att skapa tillgängliga utbildningsmaterial. I den här artikeln ger vi en detaljerad beskrivning av två metoder som utvecklats av Avrutin et al.14 och Mourtzakis et al.13 för att kvantifiera skelettmuskelmassa respektive kroppssammansättning för leverantörer och kliniska forskare.
Psoas muskel, paraspinala muskelgrupper och sneda muskler korrelerar nära med den totala muskelmassan5. I synnerhet är ytan inom en CT eller MRI tvärsnitt av dessa muskelgrupper vid mittpunkten av den tredje ländkotan (L3) mycket korrelerad med övergripande muskelmassa, vilket gör denna bild idealisk för forskare eller kliniker att använda vid bedömning av sarkopeni1,2,13. Segmentering och linjära mätningar har visat stort värde i att bedöma kroppssammansättning och identifiera dåliga prognostiska tillstånd såsom sarkopeni och sarkopenisk fetma hos patienter16,17. Forskning har visat att muskelmassa mätningar är förknippade med överlevnad och risker för stora komplikationer efter stora operationer eller behandlingsplaner såsom kemoterapi och kemoterapeutisktoxicitet 16,17,18. Därför skulle vi kunna visa att det kan vara fördelaktigt för kliniker att ha kroppssammansättningsdata innan de ger råd till patienter om behandlingsalternativ.
För närvarande finns det flera metoder för att bedöma kroppssammansättning. Flera metoder, såsom densitometri12 och luftförskjutning plethysmography (ADP)19, använder luftvikt respektive förskjutning för att uppskatta procentuell kroppsfett och kroppstäthet. Även om dessa metoder kan vara användbara, kan de inte bestämma fettvävnadsfördelningen5,19. Andra kroppssammansättningsanalystekniker, såsom BIA, baserar sin analys på de olika elektriska egenskaperna hos fettmassa och fettfri massa12. Men återigen misslyckas denna teknik med att på ett adekvat sätt bedöma fettfördelningar, och det kräver också mer information som etnicitet, ålder och kön för mer exakta mätningar19. Omvänt har bedömningar som DEXA visat sig vara användbara vid bedömning av kroppssammansättning, men har en tendens att överskatta muskelmassa med ökande adipositet12. Flera protokoll har också använt metoden Region-of-Interest (ROI) för att erhålla muskelmassa och fettvävnadsdata inom DICOM-visningsprogramvaran, som har visat sig ha god korrelation med BIA kroppssammansättningsanalys för sarkopenibedömning och näringsbedömning20,21.
Segmenteringsproceduren som utvecklats av Mourtzakis et al. har en fördel jämfört med alternativa bedömningar av kroppssammansättning eftersom det kan göras på de flesta CT- eller MRI-bilder och exakt bestämmer fettvävnadsfördelningar och muskelområde13. Dessutom har axiell L3-segmentering fördelen av noggrannhet oavsett patientens fetmastatus13. I likhet med de ovan nämnda alternativen har den linjära måttteknik som utvecklats av Avrutin et al.14 inte förmågan att bedöma fettfördelningen. Nyligen har forskare visat skillnader i kroppssegmentering, särskilt i metoder som mäter psoas muskler ensam22. Psoas muskelmassa ensam är inte mycket representativ för ländryggen muskel mängd eller systematisk muskel slösa, och kanske inte är mycket korrelerad med kliniska resultat22. Detta problem kan vara mer oroande i linjär mätning, eftersom psoas muskel är den stora muskelgruppen i bedömning. Vår skisserade teknik innehåller dock bilaterala psoas och paraspinal muskel uppskattningar för att mäta en mer exakt, medan fortfarande snabb och bekväm bedömning av tvärsnitts muskelmassa. Framtida studier som validerar överensstämmelsen mellan CT/MRI linjära mät- och segmenteringsmetoder och deras korrelation till kliniska resultat är motiverade.
Både L3 segmentering och linjär mätning förfaranden var ursprungligen utformade för att snabbt och noggrant bedöma kroppsomfattande muskelinnehåll. Genom att segmentera endast på L3-ryggkotorna sparar protokollet tid samtidigt som de ger forskarna eller klinikerna tillräckligt med information för att bestämma patientens muskelmassa och adipositetsstatus. Men även om L3-segmentering tar mycket mindre tid än helkroppssegmentering, kan det fortfarande vara tidskrävande och dyrt att använda Slice-O-Matic-programvaran. Omvänt har linjära mätningar potential att vara lika exakta som L3-segmenteringen vid bedömning av muskelstatus och sarkopeni hos kritiskt sjuka patienter14,15. Vi har visat ett sådant samband i T3 njurcellscancer kohort, där skelettmuskeln mätt med linjära mätningar är nära korrelerad med värdet mätt med segmentering (Figur 6). Viktigt är att metoden är extremt snabb och bildframställningsprogramvaran är gratis. Den mest anmärkningsvärda begränsningen av det linjära mätförfarandet är dock dess brist på förmåga att bedöma fettvävnadsinnehållet, vilket begränsar klinikerna till sammanhang där allmän bedömning av muskelinnehåll är tillräcklig.
Det finns tre kritiska steg i både segmentering och linjära mätprocedurer. För det första bör kliniker och forskare identifiera mitten av L3-ryggkotorna för att uppnå konsistens. Mitten av L3-ryggkotorna kommer att vara den skiva där märgen av de tvärgående processerna är mest framträdande. Den axiella L3 ryggkotorna skivan identifieras lättare med hjälp av en korslänkad sagittal eller koronal vy. Forskare eller kliniker kan först hitta L1 ryggkotor eller korsben som referenspunkt, med tanke på att närvaron av sex ländkotor istället för fem är en normal variant. Nästa avgörande steg är att identifiera muskler. Vid linjära mätningar bör quadratus lumborum inte inkluderas när vertikala och horisontella mätningar görs. För det tredje bör forskare också vara mycket uppmärksamma när de märker moms i segmenteringsprotokollet, eftersom kolonhalten ibland kan märkas som visceral fettvävnad23. När ett sådant fel uppstår bör forskare radera dessa områden innan de går vidare till nästa steg.
En vanlig fråga inom segmentering är dålig CT- eller MR-bildkvalitet (se Representativa resultat för exempel). I vissa fall gör den dåliga kvaliteten inte bilden värdelös, men i andra fall kan bilden behöva uteslutas från analys. En annan, möjligen oundviklig, begränsning av segmenteringen av en enda bild inkluderar den slumpmässiga variationen av fast organposition från bild till bild.
Andra vanliga frågor för både L3-segmenteringsanalys och linjär mätanalys är ofta relaterade till variation mellan och intra-rater. Som skulle vara fallet med de flesta protokoll kan en viss variation mellan observatörer och mellan en enskild individs separata rättegångar förväntas. För att ta hänsyn till och minimera variationen mellan hastigheter med flera personer som utför analys kan teamet av forskare eller kliniker testa för alla statistiskt signifikanta variationer i ytmätningar och genomsnittlig HU från samma bild. Notera särskilt HU-variation eftersom detta kommer att indikera om forskare eller kliniker som har mycket liknande ytor för samma bild verkligen taggar vävnaderna ungefär samma. För att testa för signifikant intrahastighetsvariation för en individ kan forskare eller kliniker ta en liten delmängd av bilder och segmentera varje bild tills alla repliker för varje bild är inom en smal, statistiskt obetydlig marginal.
Vi erkänner att båda protokollen som presenteras här har begränsningar i kroppssammansättningsanalys eftersom endast en enda skiva används. Som föreslagits av Shen et al., 3D-analysen kan ge mer exakt information för buken visceral fett, och en skiva analys för moms är på olika nivåer för män och kvinnor24. De protokoll som diskuteras här är dock fortfarande värdefulla eftersom de ger snabba bedömningar av muskler samt fettvävnad, som kan användas för sarkopeni screening på kliniker.
Dessutom har det funnits många automatiserade kroppssammansättningsanalysprotokoll med hjälp av 3D-maskininlärningsalgoritmer, särskilt neurala nettobaserade klassificeringsalgoritmer25. Vi medger att dessa kan vara de potentiella framtida alternativen till traditionell 2D-segmentering. Dessa metoder kräver dock att stora datamängder av CT- och MR-bilder utvecklas, testas och implementeras i kliniska inställningar och forskningsmiljöer. Dessutom kräver dessa metoder ofta 2D-segmenteringsanalys för att upprätta en baslinjereferens mot vilken maskininlärningsalgoritmerna ska valideras mot. Protokollen som demonstreras här kan därför vara användbara när stora data uppsättningar eller 3D-avbildningar inte är tillgängliga, och dessa protokoll kan tillämpas för att hjälpa till att utveckla och validera maskin inlärnings algoritmer när de är tillämpliga. Vi tror därför att kliniker och forskare kan dra nytta av denna utbildningsvideo och anta dessa snabba och tillförlitliga metoder som preliminär screening innan automatiserad analys är tillgänglig och för att underlätta genomförandet av denna avancerade teknik.
Förmågan att snabbt analysera fettvävnadsfördelning och skelettmuskelmassa har en stor bredd av kliniska intressen som sträcker sig från cancerbehandling och forskning till hjärtsjukdom5. Jämfört med andra vanliga metoder, Mourtzakis et al. L3 segmentering förfarande i Slice-O-Matic kan noggrant och snabbt bedöma fettvävnad distribution och bestämma sarkopeni status5,12,13,19. Dessutom, i sammanhang där information om skelettmuskelmassa är tillräcklig, är L3 linjär mätning förfarande ett tillförlitligt och mycket snabbt verktyg för att förutsäga framgång i cancerbehandlingar som kirurgi, strålbehandling, och kemoterapi1,2,4,6,7,8. Syftet med denna utbildningsvideo och manuskript är att tydligt avgränsa protokollet för segmentering och linjära mätningar för framtida användning så att kliniker lättare kan bedöma kroppssammansättningen i klinikens miljö.
The authors have nothing to disclose.
Författarna vill uppmärksamma stödet från familjen John Robinson & Churchills 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. |