Summary

Slice-O-Matic ve Horos Kullanarak Vücut Kompozisyon Analizi için Segmentasyon ve Doğrusal Ölçüm

Published: March 21, 2021
doi:

Summary

Segmentasyon ve doğrusal ölçümler, Bilgisayarlı Tomografi ve/veya Manyetik Rezonans Görüntüleme görüntülerini kullanarak iskelet kas kütlesini ve yağ dokularını ölçer. Burada, vücut kompozisyonunun hızlı ve doğru analizi için Slice-O-Matic yazılımının ve Horos görüntü görüntüleyicinin kullanımını özetliriz. Bu yöntemler prognoz ve risk tabakalaşması için önemli bilgiler sağlayabilir.

Abstract

Vücut kompozisyonu, çeşitli durumlarda hastalığın ilerlemesi ve tedavi komplikasyonları riski ile ilişkilidir. Bu nedenle bilgisayarlı Tomografi (BT) ve/veya Manyetik Rezonans Görüntüleme (MRG) üzerinde iskelet kası kitlesi ve yağ dokularının nicelleştirilmesi cerrahi risk değerlendirmesini ve hastalık prognozlarını bilgilendirebilir. Bu makalede, başlangıçta Mourtzakis ve ark. ve Avrutin ve arkadaşları tarafından tanımlanan iki nicelleştirme yöntemi açıklanmaktadır: doku segmentasyonu ve iskelet kasının doğrusal ölçümü. Her iki ölçümde de hastaların üçüncü bel omurunun orta noktasında kesitsel görüntüsü elde edildi. Segmentasyon için, görüntüler Slice-O-Matic’e ithal edildi ve iskelet kası, kas içi yağ dokusu, viseral yağ dokusu ve deri altı yağ dokusu için renklendi. Daha sonra etiket yüzey alanı fonksiyonu kullanılarak her doku tipinin yüzey alanları hesaplandı. Doğrusal ölçümler için, bilateral psoas ve paraspinal kasların üçüncü bel omur seviyesindeki yüksekliği ve genişliği ölçülür ve bu dört değer kullanılarak yapılan hesaplama tahmini iskelet kas kütlesini verir. Segmentasyon analizi, hastaların vücut kompozisyonu hakkında nicel, kapsamlı bilgiler sağlar ve daha sonra hastalığın ilerlemesi ile ilişkilendirilebilir. Ancak, süreç daha zaman alıcıdır ve özel eğitim gerektirir. Doğrusal ölçümler, hızlı ameliyat öncesi değerlendirme için verimli ve klinik dostu bir araçtır. Bununla birlikte, doğrusal ölçümler yağ dokusu bileşimi hakkında bilgi sağlamaz. Bununla birlikte, bu yöntemler cerrahi sonuçları, hastalığın ilerleme riskini tahmin etmek ve hastalar için tedavi seçeneklerini bilgilendirmek için çeşitli hastalıklarda geniş uygulamalara sahiptir.

Introduction

Sarkopeni ve vücut kompozisyonunun değerlendirilmesi şu anda klinik olarak büyük ilgi çekse de; Sarkopeni’nin spesifik tanımları ayara ve bağlama bağlı olarak değişmekle birlikte, tüm tanımlar, yakından ilişkili olan iskelet kas kütlesi veya kas gücü kaybıiçerir 1,2,3. Vücut kompozisyon analizi, iskelet kası kütlesi ve yağ dokusu dağılımı ölçümlerini içerir ve hastaların genel zindeliği hakkında daha kapsamlı bilgi sağlar1,3,4. Benzer şekilde, orantısız olarak dağılmış yağ dokusu, özellikle viseral yağ dokusu, kardiyak hastalık, tip II diyabet ve kanser5dahil olmak üzere çeşitli hastalıklarla ilişkili olduğu bulunmuştur.

Klinik olarak sarkopeni ve doğrusal ölçümlerle değerlendirilmesinin cerrahi, radyoterapi ve kemoterapi 1 ,2,4,6,7,8sonrasında maligniteler ve onkolojik sonuçlarda kansere özgü sağkalım için güçlü bir prognostik faktör olduğu defalarca gösterilmiştir. Özellikle, önceki araştırmalar sarkopeni hastalarının kansere özgü sağkalım ve genel sağkalım 1 , 2,9,10azaldığını göstermektedir. Bu nedenle, sarkopeni ilerlemesinin doğru ve hızlı klinik değerlendirmesi tedavi seçiminin belirlenmesinde önemlidir. Geleneksel tüm vücut kompozisyon profilleme, zaman alıcı, maliyetli ve kapsamlı eğitim gerektiren Bilgisayarlı Tomografi (BT), Manyetik Rezonans Görüntüleme (MRG), Kemik Yoğunluk (DEXA) ve Biyoelektrik Empedans Analizi (BIA) dahil olmak üzere görüntüleme teknikleri kullanılarak üç boyutlu (3D) düzeyde analiz gerektirir5,11. Bir diğer dezavantajı, özellikle hava deplasmanı pletirmografisi (ADP) ve DEXA12için yağ dağılımı hakkında bilgi eksikliğidir. Bu nedenle, standart bakım klinik uygulamalarının bir parçası olarak kullanılan BT veya MR gibi geleneksel kesitsel görüntüleme yöntemlerinin kullanımı ile sarkopeni ve vücut kompozisyonunun değerlendirilmesi ve belirlenmesi büyük klinik değere sahiptir5.

Klinik araştırma ortamında yaygın olarak kullanılan segmentasyon yazılımlarından biri de TomoVision tarafından geliştirilen Slice-O-Matic programıdır. Mourtzakis ve ark.13 segmentasyon prosedürünü kullanarak, araştırmacılara veya klinisyenlere iskelet kası (SM), kas içi yağ dokusu (IMAT), visseral yağ dokusu (KDV) ve deri altı yağ dokusu (SAT) gibi çeşitli doku tiplerini yoğunluk bazlı eşikler kullanarak yarı otomatik olarak etiketleme olanağını sağlayan program, her dokunun genel kesitsel alanlarının ölçülmesine izin verir. Bu ölçümler daha sonra, genellikle bir hastanın boy karesine göre normalleşmeden sonra, popülasyona dayalı eşiklere göre sarkopeni ve sarkopenik obeziteyi tanımlamak için toplam vücut iskelet kası kütlesini ve adipozitesini tahmin etmek için kullanılır.

Avrutin ve ark.14 tarafından geliştirilen iskelet kasının doğrusal ölçümleri kullanılarak geliştirilen yeni bir yöntem, L3 kesiti14,15’inMR ve BT görüntülerini kullanarak toplam kas kütlesini tahmin etmede eşit derecede güvenilir olma potansiyelini göstermiştir. Psoas ve paraspinal kas grupları L3 bölgesinin kas yüzey alanının çoğunu oluşturur ve yüksek işlevselliğe sahiptir, bu da genel kas gücünün yüksek doğruluk tahmincileri olabileceğini ve böylece doğrusal ölçüm14,15‘in baş adayları olabileceğini düşündürmektedir. Kas yüzey alanını hesaplamak için psoas ve paraspinal kas gruplarının yatay ve dikey ölçümleri, 90° kesişen düz çizgiler çizmek için bir cetvel aracı kullanılarak elde edilir. Her kas grubunun yatay ve dikey ölçümleri, her kas grubunun yüzey alanını tahmin etmek için çarpılır, daha sonra hastanın yüksekliğine bölündüğünde doğrusal bir kas indeksi hesaplamak için kullanılır. Minimum eğitimle, tüm bu süreç 1 dakikadan az sürebilir.

Vücut kompozisyon ölçümlerinin hasta bakımı üzerindeki potansiyel etkileri göz önüne alındığında, erişilebilir eğitim materyalleri oluşturmak için acil bir ihtiyaç vardır. Bu yazıda, avcılar ve klinik araştırmacılar için sırasıyla iskelet kas kütlesi ve vücut kompozisyonunu ölçmek için Avrutin ve ark.14 ve Mourtzakis ve ark.13 tarafından geliştirilen iki yöntemin ayrıntılı bir açıklamasını sunuyoruz.

Protocol

Aşağıdaki çalışma ve protokoller Emory Üniversitesi Kurumsal İnceleme Kurulu tarafından incelenmiş ve onaylanmıştır. 1. L3 CT Segmentasyonu Eksenel CT Tıpta Dijital Görüntüleme ve İletişim (DICOM) görüntüsünü edinin. Görüntü görüntüleyicide L3 omurunu tanımlayın. Mümkünse, iki yatay pencere görünümü seçin ve referans için soldaki koronal veya sagittal görünümü ve sağda eksenel görünümü seçin. Sol ve sağ pencereleri bağlamak için Çapraz Bağlantı’ya tıklayın. Görüntüleri kafatası yönünden kaudal yöne kaydırın. Kaburga ataşmanı olmayan ilk omur olan L1 omurunu tanımlayın. L1’den L3’e kadar sayın ve L3’ün ortasının dilimini tanımlamak için koronal veya sagittal görünümü kullanın. Bu, her iki enine işlemin de maksimum ve eşit olarak görselleştirilebildiği nokta olarak tanımlanır. L3 dilimini seçin. Sınav sekmesinde Sınav Gönder’i seçin ve resmi DICOM dosyası olarak kaydedin.NOT: Adım 1 bir ön işleme adımıdır ve L3 görüntüsünün nasıl eldeılacağını göstermek için burada listelenmiştir. Araştırmacı zaten bir L3 görüntüsüne sahipse, 2. Görüntü görüntüleyici çapraz başvuruyu etkinleştirmezse, araştırmacı 1.1.1’i 1.1.2’ye atlayabilir. Görüntüleme torasik bölgeyi içermiyorsa, sakrumun ön noktası olan L5’i tanımlayın ve altıncı bel omurunun varlığının normal bir varyant olduğunu akılda tutarak L5’ten L3’e kadar sayın. Slice-O-Matic Software ile DICOM görüntüsünü açın. DICOM dosyasını Slice-O-Matic penceresinde herhangi bir yere sürükleyin. Modları Seç | Segmentasyona başlamak için Büyüyen Bölge. Slice-O-Matic sürümünün Modlar seçenekler listesinin en üstünde Alberta Protokolü seçenekleri varsa, segmentasyona başlamak için Adım 3: Segmentasyon’u da seçebilirsiniz. Adım 3: Segmentasyonkullanıyorsanız, 5. Araçlar | Seç Etiket Kilidi. Bu, kullanıcının etiketli renklerin yanlışlıkla renklendirilmediğine veya daha sonra silinmediğine emin olmak için “kilitlemesini” sağlar. İskelet Kası Tanımlama: Ekranın sol tarafındaki Bölge Büyüme alanının altında 1 (Kırmızı) tıklayın. Açmakiçin Alt Sınır tarafından Kapat düğmesine tıklayın. Devre Dışı’nı Alt Sınır olarak ayarlamak için Fare Tekerleği ile oklara tıklayın. Hounsfield Unit (HU) eşiğini mümkün olduğunca -29’a ayarlamak için Alt Sınır’daki kaydırıcıyı sürükleyin, sonra HU eşiğini tam olarak -2913olarak ayarlamak için fare tekerleğini kullanın. Açmakiçin Üst Sınıra Göre Kapat düğmesini tıklatın. Alt Sınırı Üst Sınır olarak ayarlamak için Fare Tekerleği ile oklara tıklayın. HU eşiğini mümkün olduğunca 150’ye ayarlamak için Üst Sınır’daki kaydırıcıyı sürükleyin, sonra HU eşiğini tam olarak 15013olarak ayarlamak için fare tekerleğini kullanın. Kas İçi Yağ Dokusu (IMAT) Tanımlaması: Ekranın sol tarafındaki Bölge Büyüme alanının altında 2 (Yeşil) üzerine tıklayın. Açmakiçin Alt Sınır tarafından Kapat düğmesine tıklayın. Devre Dışı’nı Alt Sınır olarak ayarlamak için Fare Tekerleği ile oklara tıklayın. HU eşiğini mümkün olduğunca -190’a ayarlamak için Alt Sınır’daki kaydırıcıyı sürükleyin, sonra HU eşiğini tam olarak -19013olarak ayarlamak için fare tekerleğini kullanın. Açmakiçin Üst Sınıra Göre Kapat düğmesini tıklatın. Alt Sınırı Üst Sınır olarak ayarlamak için Fare Tekerleği ile oklara tıklayın. HU eşiğini mümkün olduğunca -30’a ayarlamak için Üst Sınır’daki kaydırıcıyı sürükleyin, sonra HU eşiğini tam olarak -3013olarak ayarlamak için fare tekerleğini kullanın. Visseral Yağ Dokusu (KDV) Tanımlaması: Ekranın sol tarafındaki Bölge Büyüme alanının altındaki 5 (Sarı) üzerine tıklayın. Açmakiçin Alt Sınır tarafından Kapat düğmesine tıklayın. Devre Dışı’nı Alt Sınır olarak ayarlamak için Fare Tekerleği ile oklara tıklayın. HU eşiğini mümkün olduğunca -150’ye ayarlamak için Alt Sınır’daki kaydırıcıyı sürükleyin, sonra HU eşiğini tam olarak -15013olarak ayarlamak için fare tekerleğini kullanın. Açmakiçin Üst Sınıra Göre Kapat düğmesini tıklatın. Alt Sınırı Üst Sınır olarak ayarlamak için Fare Tekerleği ile oklara tıklayın. HU eşiğini mümkün olduğunca -50’ye ayarlamak için Üst Sınır’daki kaydırıcıyı sürükleyin, sonra HU eşiğini tam olarak -5013olarak ayarlamak için fare tekerleğini kullanın. Deri Altı Yağ Dokusu (SAT) Tanımlaması: Ekranın sol tarafındaki Bölge Büyüme alanının altındaki 7 (Siyan) üzerine tıklayın. Açmakiçin Alt Sınır tarafından Kapat düğmesine tıklayın. Devre Dışı’nı Alt Sınır olarak ayarlamak için Fare Tekerleği ile oklara tıklayın. HU eşiğini mümkün olduğunca -190’a ayarlamak için Alt Sınır’daki kaydırıcıyı sürükleyin, sonra HU eşiğini tam olarak -19013olarak ayarlamak için fare tekerleğini kullanın. Açmakiçin Üst Sınıra Göre Kapat düğmesini tıklatın. Alt Sınırı Üst Sınır olarak ayarlamak için Fare Tekerleği ile oklara tıklayın. HU eşiğini mümkün olduğunca -30’a ayarlamak için Üst Sınır’daki kaydırıcıyı sürükleyin, sonra HU eşiğini tam olarak -3013olarak ayarlamak için fare tekerleğini kullanın. CT görüntüsünü yakınlaştırmak ve uzaklaştırmak için klavyedeki + ve – tuşlarını kullanın. Dokuları net ve doğru bir şekilde etiketlemek için yakınlaştırmayı segmentasyon boyunca gerektiği gibi ayarlayın. İskelet Kas dokusu (SM) için 1 seçerek segmentlere ayrışmaya başlayın. Fırça seçeneğini Boyaolarak ayarlayın. Fırçanın istenen boyutuna uyum sağlamak ve Psoas, Paraspinal Muscle grupları, eğik ve rectus kas gruplarının üzerine boyamaya başlamak için doğrudan Bölge Yetiştirme altında bulunan fırça araçlarını kullanın.NOT: Kas fasyası dışındaki sıvılar veya organlar kas olarak kırmızı renkte etiketlenmişse, Yok renk seçimini kullanarak etiketlemeyi temizlediğinden emin olun. Tüm kaslar etiketlendikten sonra, ekranın sol alt kısmındaki TAG Lock menüsünden 1’i seçin. Bu, segmentasyon ilerledikçe hiçbir kasnın yanlışlıkla yeniden etiketlenmemesini veya silinmemesini sağlayacaktır. Bölge Yetiştirme altında 2’yi seçin ve kas fasyası içindeki tüm yağ dokularının (IMAT) üzerine boyayın. Kas fasyası dışındaki herhangi bir yağ veya yapı yanlışlıkla IMAT olarak etiketlenmişse, Yok renk seçimini kullandığınızdan emin olun.NOT: Kas fasyasının kenarları genellikle onu çevreleyen viseral veya deri altı yağdan daha hafif görünür. Kas fasyasının daha açık kenarlarındaki tüm yağları KDV veya SAT olarak değil, IMAT olarak etiketleyin. Linea alba kas olarak etiketlenmemişse, linea albanın tamamı IMAT olarak analiz edilmelidir. Tüm IMAT etiketlendikten sonra, ekranın sol alt kısmındaki TAG Lock menüsünden 2’yi seçin. KDV dokusunu etiketlemek için Bölge Büyüyen menüsünden 5’i seçin. KDV’yi etiketlerken, görüntüye bağlı olarak, Paintyerine Grow 2D kullanmak daha kolay olabilir. Grow 2Dkullanıyorsanız, en küçük Boya Fırçası seçeneğini kullanın. Grow 2D kullanıyorsanız, etiketli TÜM KDV’ye baktığınızdan ve bağırsakların veya organların içindeki intralümenal dokunun yanlışlıkla etiketlenmediğinden emin olun, çünkü bu yağ genellikle sindirme gıdalarından veya KDV olmayan diğer yapılardandır. Paint kullanıyorsanız, organların veya bağırsakların lümeninin içini boyamadığından emin olun. Tüm KDV etiketlendikten sonra, ekranın sol alt kısmındaki TAG Lock menüsünden 5’i seçin. SAT dokusunu etiketlemek için Bölge Büyüyen menüsünden 7’yi seçin. SAT’ı etiketlerken, görüntüye bağlı olarak, Paintyerine Grow 2D kullanmak genellikle daha kolaydır. Grow 2Dkullanıyorsanız, en küçük Boya Fırçası seçeneğini kullanın. Grow 2D kullanıyorsanız, kas fasyası içindeki hiçbir dokunun SAT olarak etiketlenmemesini ve hiçbir cildin SAT olarak etiketlenmemesini sağlamak için seçilen Yok aracıyla görüntünün kenarlarından geri gittiğine emin olun.NOT: Cilt genellikle sat’dan daha hafiftir ve genellikle yaklaşık 2-3 piksel kalınlığındadır, ancak cildin görünümünün ve kalınlığının görüntüden görüntüye değişebileceğini unutmayın. Paintkullanıyorsanız, hiçbir dokunun yanlış etiketlenmediklerinden emin olmak için kenarların, özellikle de cildin etrafına dikkat edin. Doku etiketlemeyi bitirdiğinizde Araçlar | Etiket Yüzeyi/Ses Düzeyi. Bu, etiketlenen dokuların her birinin Yüzey alanını ve hacmini görüntüler, genellikle ilgi yüzey alanındadır. Etiket Yüzeyi/Birim penceresini tam olarak açmak için Pencerede Görüntüle’yi tıklatın. Bu, HU değerlerini de görüntüler. Yüzey alanını ve HU eşik değerlerini kaydedin.NOT: Etiket Yüzeyi/Ses Düzeyi penceresi ekranın sol alt kısmında görünmüyorsa, bunun nedeni görüntülemek için yeterli alan olmaması olabilir. Bu durumda, Slice-O-Matic penceresinin ekranı kaplamış olduğundan emin olun ve Araçlar | Etiket Kilidi penceresini kaldırmak için Etiket Kilidi. Bu, Etiket Yüzeyi/Birim penceresini görüntülemek için yeterli alan açmalıdır. Tamamlandığında Dosya |’ne gidin TAG Dosyalarını Kaydet. Bu, DICOM dosyasının bulunduğu bir TAG dosyasını kaydeder. 2. L3 MRI Segmentasyonu Eksenel MRI (T2 ağırlıklı diziler) DICOM görüntüsünü edinin Görüntü görüntüleyicide L3 omurunu tanımlayın. Mümkünse, iki yatay pencere görünümü seçin ve referans için soldaki koronal veya sagittal görünümü ve sağda eksenel görünümü seçin. Sol ve sağ pencereleri bağlamak için Çapraz Bağlantı’ya tıklayın. Görüntüleri kafatası yönünden kaudal yöne kaydırın. Kaburga ataşmanı olmayan ilk omur olan L1 omurunu tanımlayın. L1’den L3’e kadar sayın ve L3’ün ortasının dilimini tanımlamak için koronal veya sagittal görünümü kullanın. Bu, her iki enine işlemin de maksimum ve eşit olarak görselleştirilebildiği nokta olarak tanımlanır. L3 dilimini seçin. Sınav sekmesinde Sınav Gönder’i seçin ve resmi DICOM dosyası olarak kaydedin.NOT: Adım 1 bir ön işleme adımıdır ve L3 görüntüsünün nasıl eldeılacağını göstermek için burada listelenmiştir. Araştırmacı zaten bir L3 görüntüsüne sahipse, 2. Görüntü görüntüleyici çapraz başvuruyu etkinleştirmezse, araştırmacı 1.1.1’i 1.1.2’ye atlayabilir. Görüntüleme torasik bölgeyi içermiyorsa, sakrumun ön kısmı olan L5’i tanımlayın ve altıncı bel omurunun varlığının normal bir varyant olduğunu akılda tutarak L5’ten L3’e kadar sayın. Slice-O-Matic yazılımıyla DICOM görüntüsünü açın. DICOM dosyasını Slice-O-Matic penceresinde herhangi bir yere sürükleyin. Modları Seç | Segmentasyona başlamak için Büyüyen Bölge.NOT: MRI görüntülerinde yağ dokularının zayıf farklılaşması nedeniyle sadece SM segmentlere ayrılmıştır. Paraspinal kaslar Segmentasyon: Ekranın sol tarafındaki Bölge Büyüme alanının altında 1 (Kırmızı) üzerine tıklayın. Önizleme Modunda,görüntünün histogramları, ilk tepe havayı temsil eden birden çok tepeyi ve sırasıyla kas, kemik ve yağı temsil eden sonraki ikinci, üçüncü ve dördüncü zirveleri gösterir. Açmakiçin Alt Sınır tarafından Kapat düğmesine tıklayın. Devre Dışı’nı Alt Sınır olarak ayarlamak için Fare Tekerleği ile oklara tıklayın. Hounsfield Unit (HU) eşiğini 0 olarak ayarlamak için Alt Sınır’daki kaydırıcıyı sürükleyin. Açmakiçin Üst Sınıra Göre Kapat düğmesini tıklatın. Alt Sınırı Üst Sınır olarak ayarlamak için Fare Tekerleği ile oklara tıklayın. HU’yu paraspinal kası içerecek şekilde ayarlamak için Üst Sınır’daki kaydırıcıyı sürükleyin. İskelet Kas dokusu (SM) için 1 seçerek Paraspinal Kası Segmente etmeye başlayın. Fırça seçeneğini Boyaolarak ayarlayın. Fırçanın istenen boyutuna uyum sağlamak ve Paraspinal Kas gruplarının üzerine boyamaya başlamak için doğrudan Bölge Yetiştirme altında bulunan fırça araçlarını kullanın.NOT: Kas fasyası dışındaki sıvılarda veya organlarda kas olarak kırmızı etiketlenmiş bir şey varsa, Yok renk seçimini kullanarak etiketlemeyi temizlediğinden emin olun. Kalan kas gruplarının segmentasyonu: Fareyi linea alba’ya ön doğru hareket ettirin. Önizleme modunda, Üst Sınırı linea alba içerecek şekilde ayarlayın. Yoğunluğun bu üst sınırı daha sonra kalan tüm kas grupları için benimsenmiştir. İskelet Kas dokusu (SM) için 1 seçerek segmentlere ayrışmaya başlayın. Fırça seçeneğini Boyaolarak ayarlayın. Fırçanın istenen boyutuna uyum sağlamak ve Paraspinal Kas gruplarının üzerine boyamaya başlamak için doğrudan Bölge Yetiştirme altında bulunan fırça araçlarını kullanın.NOT: Kas fasyası dışındaki sıvılarda veya organlarda kas olarak kırmızı etiketlenmiş bir şey varsa, Yok renk seçimini kullanarak etiketlemeyi temizlediğinden emin olun. Doku etiketlemeyi bitirdiğinizde Araçlar | Etiket Yüzeyi/Ses Düzeyi. Bu, etiketlenen dokuların her birinin yüzey alanını ve hacmini görüntüler, genellikle ilgi yüzey alanındadır. Etiket Yüzeyi/Birim penceresini tam olarak açmak için Pencerede Görüntüle’yi tıklatın. Bu, HU değerlerini de görüntüler. Yüzey alanını ve HU eşik değerlerini kaydedin.NOT: Etiket Yüzeyi/Ses Düzeyi penceresi ekranın sol alt kısmında görünmüyorsa, bunun nedeni görüntülemek için yeterli alan olmaması olabilir. Bu durumda, Slice-O-Matic penceresinin ekranı kaplamış olduğundan emin olun ve Araçlar | Etiket Kilidi penceresini kaldırmak için Etiket Kilidi. Bu, Etiket Yüzeyi/Birim penceresini görüntülemek için yeterli alan açmalıdır. Tamamlandığında Dosya |’ne gidin TAG Dosyalarını Kaydet. Bu, DICOM dosyasının bulunduğu bir TAG dosyasını kaydeder. 3. BT ve MRI için Doğrusal Ölçüm Eksenel CT veya MRI DICOM görüntüsünü edinin. Görüntü görüntüleyicide L3 omurunu tanımlayın. Mümkünse, iki yatay pencere görünümü seçin ve referans için soldaki koronal veya sagittal görünümü ve sağda eksenel görünümü seçin. Sol ve sağ pencereleri bağlamak için Çapraz Bağlantı’ya tıklayın. Görüntüleri kafatası yönünden kaudal yöne kaydırın. Kaburga ataşmanı olmayan ilk omur olan L1 omurunu tanımlayın. L1’den L3’e kadar sayın ve her iki enine işlemin eşit olarak tanımladığı noktada tanımladığı gibi L3’ün ortasının dilimini tanımlamak için koronal veya sagittal görünümü kullanın.NOT: Adım 1 bir ön işleme adımıdır ve L3 görüntüsünün nasıl eldeılacağını göstermek için burada listelenmiştir. Araştırmacı zaten bir L3 görüntüsüne sahipse, 2. Görüntü görüntüleyici çapraz başvuruyu etkinleştirmezse, araştırmacı 1.1.1’i 1.1.2’ye atlayabilir. Görüntüleme torasik bölgeyi içermiyorsa, sakrumun ön bölgesi olan L5’i tanımlayın ve L5’ten L3’e kadar sayın. Görüntüyü tıbbi görüntüleme görüntüleyiciye aktarın ve açın. Horos için: uygulamayı açın ve İçeri Aktar’a tıklayın. DICOM görüntüsünün bulunduğu yere gidin, seçin ve Aç’ı tıklatın. Dosya ve resim Hasta Adı listesinin altında görünmelidir. Hasta Adı’na çift tıklayın, ardından doğrusal segmentasyona başlamak için resme çift tıklayın. Psoas kaslarını ve paraspinal kasları tanımlayın. Cetvel aletini seçin ve yukarıda belirtilen dört kasın yatay (180°) ve dikey (90°) çaplarını ölçün.NOT: Çizgiler çapraz değil, görüntüye yatay ve dikey olmalıdır. Çizilen yatay ve dikey çizgiler, her bir kasın tamamını kapsayan dikdörtgen bir kutu oluşturmalıdır. Sadece kasın en uzun mesafesini ölçmeyin. Kutu çizim aracına izin veren bir görüntü görüntüleyici kullanıyorsanız, bu araç basit cetvel aracı yerine kullanılabilir. Bu, kutu çizim aracının en azından kutunun yüksekliğini ve uzunluğunu görüntülemesi koşuluyla sağlanır. Daha fazla analiz için sekiz ölçümün tümünü (Sağ Psoas Genişliği, Sağ Psoas Uzunluğu, Sol Psoas Genişliği, Sağ Paraspinal Genişlik, Sağ Paraspinal Uzunluk, Sol Paraspinal Genişlik, Sol Paraspinal Uzunluk) kaydedin. O kasın yatay ve dikey değerini çarparak tek tek kas yüzey alanını hesaplayın. Sol kası sırasıyla sağ kaslara ekleyerek toplam kas yüzey bölgesi psoas kaslarını ve paraspinal kasları elde edin. Birleşik yüzey alanını (mm 2) hasta yüksekliği kareli(m2)olarak bölerek doğrusal kas indeksini hesaplayın.

Representative Results

L3 segmentasyon prosedürü, kırmızı etiketli iskelet kası (SM) dokusu, yeşil IMAT, sarıDA KDV ve siyanda SAT ile etiketlenmiş bir BT veya MRI görüntüsü ile sonuçlanır (Şekil 1). Kalan etiketlenmemiş dokular, her pikselin ilgili Hounsfield birimi (HU) değerlerine karşılık gelen orijinal beyaz, gri ve arka tonlarında kalır. Beyaz renkte kalan etiketsiz dokuların çoğunluğu kemik, gri renkte kalan dokuların çoğunluğu bağırsak lümenleri içinde iskelet dışı kas, organ dokusu ve yağ dokusu, siyahta kalan görüntünün büyük çoğunluğu ise hava olacaktır. Düzgün bir şekilde parçalanmış bir görüntüde iskelet kas fasyası dışında kırmızı veya yeşil etiketleme ve iskelet kas fasyası içinde sarı veya siyan etiketleme olmayacaktır. Ek olarak, sarı etiketleme bağırsakların veya böbrek veya karaciğer gibi organların lümenlerini istila etmemelidir ve cilde karşılık gelen daha açık dış kenarlar boyunca camgöbeği etiketleme olmamalıdır. Görüntü segmentasyonu tamamlandıktan sonra, hastanın yüksekliğinin yanı sıra yüzey alanları ve ortalama doku HU değerleri de kaydedilmelidir (Tablo 1). Bu verilerden, iskelet kası indeksini hesaplayabilir ve belirli araştırma veya klinik sorularla ilgili diğer analizlere devam edilebilir. Çoğu MRI görüntüsü için, yalnızca iskelet kasının düzgün bir şekilde etiketlenebileceğini ve daha sonra analiz edilebileceğini unutmayın (Tablo 2). Doğrusal ölçümlerde, yüzey alanının yüksekliğin karesine bölünmesiyle bir indeks hesaplanır (Tablo 3). Araştırmacıların segmentasyon prosedürü sırasında karşılaşabilecekleri yaygın sorunlar arasında anahtar bilgileri atlayan görüntüler bulunur. Örneğin, görüntülerin büyük bölümleri kesilmiş veya kırpılmış olabilir (Şekil 2). Özellikle, SAT ve/veya iskelet kas dokusunun çerçeveden kesilmesine neden olan görüntüler, etkilenen dokuların yüzey alanı hesaplamalarının doğruluğunu büyük ölçüde azaltacaktır. Bunun bir görüntüyü analiz için uygun hale getirip getirmediği klinik veya araştırma bağlamına bağlı olacaktır ve araştırma ekibi tarafından vaka bazında karar verilmelidir. Bir diğer tuzak ise araştırmacıların istemeden iskelet kasında omurilik ve kemik iliğini dahil edebilecekleridir. Bu sorunu önlemek için araştırmacılar iyi eğitilmeli ve segmentasyon sırasında dikkatli olmalıdır. BT veya MRI görüntülerindeki diğer yaygın eserler arasında hasta yerleşimi veya tarayıcıdaki hareketlerden kaynaklanan teknik sorunlar, iskelet kas fasyası etrafındaki yağ iplikçik ve skar dokuları ve diğer garip şekilli eserler bulunur (Şekil 3). Hasta hareketi veya yanlış yerleştirmeden kaynaklanan teknik sorunlar genellikle çevre dokudan daha yüksek HU değerleriyle daha hafif görünecektir. Bu tür teknik sorunlar genellikle SAT’da görünür ve yüzey alanı hesaplamasının doğruluğunu da azaltabilir. Klinik veya araştırma bağlamı, bu tür konulara tolerans düzeyini belirleyecektir. Yağ iplikçik ve skar doku eserleri genellikle doku yüzey alanı hesaplamalarında yüksek miktarda hataya neden olmaz. Bununla birlikte, fasyal çizginin yanlış tanımlamasına yol açabilirler. İskelet kası ve IMAT yüzey alanları, yağ tellerinin veya skar dokusunun kas fasyası çizgisi olarak yanlış olduğu durumlarda büyük ölçüde yanlış olabilir. BT ve MRI görüntülerindeki diğer küçük lekeler ve eserler genellikle nadir durumlar dışında genel görüntü kalitesini etkilemez. Klinik veya araştırma bağlamı bağlı olarak, bu eserlerin görüntü kalitesini doğrulamak için bir radyoloji uzmanı tarafından değerlendirilmesi gerekebilir. BT ve MRG görüntülerinde son sık karşılaşılan konu kas fasya hattındaki şekil bozukluklarıdır(Şekil 4). Bu kırılmalar genellikle görüntü kalitesini etkilemez, ancak kas fasyasında büyük kırılmalar veya diğer deformiteler içeren görüntüler, deformite kökeninin klinik veya araştırma bağlamı analizini etkileyip etkilemeyeceğini belirlemek için bir radyolog tarafından değerlendirilmelidir. Avruvin ve ark. tarafından geliştirilen L3 doğrusal ölçüm prosedürü, L3 segmentasyon prosedürü14,15’tendaha az yaygınhatayasahiptir. Doğrusal ölçülerde karşılaşılan başlıca sorunlar, ilgi çekici kas gruplarını, iki psoas ve paraspinal kas gruplarını tanımlamak etrafında döner (Şekil 5). Çoğu durumda psoas kenarları yakındaki organlardan farklı olacaktır, ancak kenarın ayırt edilmesi zorsa, HU filtrelerini veya parlaklığını değiştirmek genellikle sorunların çoğunu çözecektir. Ek olarak, paraspinal kas gruplarının kenarları genellikle yakındaki diğer dokulardan farklı olacaktır, ancak net bir kas en alttaki fasya çizgisine ulaşmazsa, hattın paraspinal kas grubunun alt kenarının belirlenmesine dahil edilmesi gerektiğini not etmek gerekir. Son olarak, psoas veya paraspinal kas gruplarının kenarı belirlenirken quadratus lumborum hariç tutulmalıdır (Şekil 5E). Şekil 1: Slice-O-Matic’te uygun L3 segmentasyonu. (A) L3 omurlarında değişmemiş eksenel BT görüntüsü. (B) İskelet kasına (SM), yeşil ila Kas İçi Yağ Dokusuna (IMAT), sarıdan Vezipik Yağ Dokusuna (KDV) ve Deri Altı Yağ Dokusuna (SAT) karşılık gelen kırmızı ile tamamen etiketlenmiş eksenel BT. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 2: L3 CT görüntüsünü kesin. Slice-O-Matic’te önemli miktarda SAT’ın yanı sıra önemli miktarda iskelet kas dokusu kesilmiş etiketsiz bir CT görüntüsü. Bu rakamın daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın. Şekil 3: Ortak eserler. (A) Etiketlenmemiş CT görüntüsünde sırasıyla kırmızı kutuda, mavi ovalde ve yeşil kutuda vurgulanan çeşitli eserler bulunur. Kırmızı kutu, tarama sırasında malalignment veya hareketten kaynaklanan bt taramasıyla ilgili teknik sorunları gösterir. Mavi oval, muhtemelen skar dokularından kaynaklanan ortak bir yapıtı vurgulamaktadır. Yeşil kare, birden fazla olası nedeni olabilecek lekeleri vurgular. (B) Kırmızı kutuda, mavi ovalde ve yeşil kutuda vurgulanan aynı ilgili eserlerin görünümlerini içeren etiketli CT taraması. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 4: Kas fasyasında büyük kırılma. (A) Etiketsiz L3 CT görüntüsü mor kutuda iskelet kas fasyasında büyük bir kırılmayı vurgular. (B) Etiketli L3 CT görüntüsü, mor kutudaki iskelet kas fasyasındaki büyük kırılmanın etiketli görünümünü vurgular. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 5: L3 doğrusal ölçümler. (A) Horos görüntü görüntüleyicide analizden önce orijinal L3 CT görüntüsü. (B) Geleneksel doğrusal ölçüm yöntemi, her kas için çizilen bir dikey çizgi ve bir yatay çizgi içerir. Bu çizgiler bir cetvel aracı ile ölçülür ve her kas grubunun yüzey alanını bulmak için çarpılır. Geleneksel doğrusal ölçüler yönteminin her zaman 90° ‘de kesişen çizgilere sahip olması gerektiğini unutmayın. Geleneksel doğrusal önlemler yönteminin bu görüntüsü, horos’ta oluşturulduğundan ve 90 ° kavşaklara sahip olması garanti edilmezden görsel bir gösteridir. (C) (D) (E) L3 doğrusal ölçümler için Box yöntemi. (C) (D) Mavi ve mor kutu sırasıyla sağ ve sol psoaları, sarı ve yeşil kutu ise sırasıyla sağ ve sol paraspinal kası kapsar. (E) Açık mor ve turuncu kutular, Psoas ve paraspinal kas gruplarının kenarlarını belirlerken dikkate alınmaması gereken quadratus lumborum’u vurgular. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. Şekil 6: Doğrusal ölçülerin ve L3 kesitsel iskelet kas bölgesinin karşılaştırılması, n = 65. Kombine psoas ve paraspinal alanlar L3 kesitteki toplam iskelet kasına uygundur. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. CT SEGMENTASYONU kas İntramüsküler Yağ Dokusu Viseral Yağ Dokusu Deri Altı Yağ Dokusu Suface Alanı (cm2) 134.4 8.402 72.43 271 Hounsfield Birimi (ortalama) 33.61 2.1 18.11 67.76 Hasta Yüksekliği Kare (m2) 2.69 İskelet Kas indeksi (Kas bölgesi/Yükseklik2, cm2/ m2) 49.97 Tablo 1: CT Segmentasyonu MR SEGMENASYONU kas Suface Alanı (cm2) 241.8 Hounsfield Birimi (ortalama) 35.85 Hasta Yüksekliği (m2) 3.39 İskelet Kası indeksi 71.42 (Kas bölgesi/Yükseklik2, cm2/m2) Tablo 2: MRI Segmentasyonu DOĞRUSAL ÖNLEMLER Sağ Psoas Yüksekliği (cm) Sağ Psoas Genişliği (cm) Sol Psoas Yüksekliği (cm) Sol Psoas Genişliği (cm) Sağ Paraspinal Yükseklik (cm) Sağ Paraspinal Genişlik (cm) Sol Paraspinal Yükseklik (cm) Sol Paraspinal Genişlik (cm) 3.934 2.927 3.743 2.788 4.916 6.264 4.403 7.045 Toplam Psoas Alanı (cm2) 21.950 Toplam Paraspinal Alan (cm2) 61.813 Toplam Kas Bölgesi (cm2) 83.76 Hasta Yüksekliği Kare (m2) 2.496 Doğrusal Ölçü İndeksi (cm2/m2) 33.55 Tablo 3: Doğrusal Ölçüler

Discussion

Psoas kası, paraspinal kas grupları ve eğik kaslar genel kas kütlesi ile yakından ilişkilidir5. Özellikle, üçüncü bel omurunun (L3) orta noktasındaki bu kas gruplarının BT veya MRI kesiti içindeki yüzey alanı, genel kas kütlesi ile oldukça ilişkilidir, bu da bu görüntüyü araştırmacılar veya klinisyenler için sarkopeni 1,2,13’üdeğerlendirirken kullanmak için ideal bir görüntühalinegetirir. Segmentasyon ve lineer ölçümler, hastalarda vücut kompozisyonunun değerlendirilmesinde ve sarkopeni ve sarkopenik obezite gibi kötü prognostik durumların belirlenmesinde büyük değer göstermiştir16,17. Araştırmalar, kas kütlesi ölçümlerinin kemoterapi ve kemoterapötik toksisite gibi büyük ameliyatlar veya tedavi planlarından sonra sağkalım ve büyük komplikasyon riskleri ile ilişkili olduğunu göstermiştir16,17,18. Bu nedenle, klinisyenlerin tedavi seçenekleri konusunda hastalara danışmadan önce vücut kompozisyonu verilerine sahip olmaları faydalı olabilir.

Şu anda, vücut kompozisyonunu değerlendirmenin çeşitli yöntemleri vardır. Densitometri12 ve hava deplasmanı pletirimografisi (ADP)19gibi çeşitli yöntemler, yüzde vücut yağ ve vücut yoğunluğunu tahmin etmek için sırasıyla hava ağırlığını ve yer değiştirmeyi kullanır. Bu yöntemler yararlı olsa da, yağ dokusu dağılımını belirleyemezler5,19. BIA gibi diğer vücut kompozisyonu analitik teknikleri, analizlerini yağ kütlesinin ve yağsız kütlenin farklı elektrik özelliklerine dayandırır12. Bununla birlikte, bir kez daha bu teknik yağ dağılımlarını yeterince değerlendiremiyor ve daha doğru ölçümler için etnik köken, yaş ve cinsiyet gibi daha fazla bilgi gerektiriyor19. Tersine, DEXA gibi değerlendirmelerin vücut kompozisyonu değerlendirmesinde yararlı olduğu gösterilmiştir, ancak artan adipozite ile kas kütlesini abartma eğilimi vardır12. Çeşitli protokoller ayrıca, sarkopeni değerlendirmesi ve beslenme değerlendirmesi için BIA vücut kompozisyon analizi ile iyi korelasyona sahip olduğu gösterilen DICOM görüntüleme yazılımı içinde kas kütlesi ve yağ dokusu verilerini elde etmek için İlgi Alanı (ROI) yöntemini kullanmıştır20,21.

Mourtzakis ve ark. tarafından geliştirilen segmentasyon prosedürü, çoğu BT veya MRI görüntüsünde yapılabildiğinden ve yağ dokusu dağılımlarını ve kas bölgesini doğru bir şekilde belirlediğinden alternatif vücut kompozisyon değerlendirmelerine göre avantajlıdır13. Ek olarak, eksenel L3 segmentasyonu, hasta obezite durumuna bakılmaksızın doğruluk avantajına sahiptir13. Yukarıda belirtilen alternatiflere benzer şekilde, Avrutin ve ark.14 tarafından geliştirilen doğrusal önlemler tekniği yağ dağılımını değerlendirme yeteneğine sahip değildir. Son zamanlarda, araştırmacılar vücut segmentasyonunda, özellikle psoas kaslarını tek başına ölçen yöntemlerde farklılık gösterdiler22. Psoas kas kütlesi tek başına bel kası miktarını veya sistematik kas israfını yüksek oranda temsil etmez ve klinik sonuçlarla yüksek oranda ilişkili olmayabilir22. Psoas kası değerlendirmede ana kas grubu olduğu için bu sorun doğrusal ölçümde daha fazla endişe verici olabilir. Bununla birlikte, özetlenen tekniğimiz, kesitsel kas kütlesinin hızlı ve rahat bir şekilde değerlendirilmesini sürdürürken, daha doğru bir ölçüm yapmak için bilateral psoas ve paraspinal kas tahminlerini içerir. BT/MRI doğrusal ölçüm ve segmentasyon yöntemleri ile bunların klinik sonuçlarla korelasyonu arasındaki uygunlığı doğrulayan gelecekteki çalışmalar garanti edilmektedir.

Hem L3 segmentasyonu hem de doğrusal ölçüm prosedürleri başlangıçta vücut çapındaki kas içeriğini hızlı ve doğru bir şekilde değerlendirmek için tasarlanmıştır. Protokol, sadece L3 omurlarında segmentlere ayırarak, araştırmacılara veya klinisyenlere hastanın yağsız kas kütlesini ve adipozite durumunu belirlemek için yeterli bilgi sağlarken zaman kazandırır. Bununla birlikte, L3 segmentasyonu tam gövde segmentasyonundan çok daha az zaman alsa da, Slice-O-Matic yazılımını kullanmak hala zaman alıcı ve pahalı olabilir. Tersine, lineer ölçümler kritik durumdaki hastalarda kas durumunu ve sarkopeniyi değerlendirmede L3 segmentasyonu kadar doğru olma potansiyeline sahiptir14,15. Doğrusal ölçümlerle ölçülen iskelet kasının segmentasyonla ölçülen değerle yakından ilişkili olduğu T3 renal hücreli karsinom kohortunda bu ilişkiyi ortaya koyduk (Şekil 6). Daha da önemlisi, yöntem son derece hızlıdır ve görüntüleme yazılımı ücretsizdir. Bununla birlikte, doğrusal ölçüm prosedürünün en dikkat çekici sınırlaması, klinisyenleri kas içeriğinin genel değerlendirmesinin yeterli olduğu bağlamlarla sınırlayan yağ dokusu içeriğini değerlendirme yeteneğine sahip olmamasıdır.

Hem segmentasyon hem de doğrusal ölçüm prosedürlerinde üç kritik adım vardır. İlk olarak, klinisyenler ve araştırmacılar tutarlılık elde etmek için L3 omurlarının ortasını tanımlamalıdır. L3 omurunun ortası, enine işlemlerin iliğinin en belirgin olduğu dilim olacaktır. Eksenel L3 omur dilimi, çapraz bağlı sagittal veya koronal görünüm yardımıyla daha kolay tanımlanır. Araştırmacılar veya klinisyenler ilk olarak L1 omurlarını veya sakrumunu referans noktası olarak bulabilirler, beş yerine altı bel omurunun varlığının normal bir varyant olduğunu akılda tutarak. Bir sonraki önemli adım kasları tanımlamaktır. Doğrusal ölçümlerde, dikey ve yatay ölçümler alırken quadratus lumborum dahil edilmelidir. Üçüncü olarak, araştırmacılar segmentasyon protokolünde KDV’yi etiketlerken de çok dikkat etmelidir, çünkü kolon içeriği bazen viseral yağ dokusu olarak etiketlenebilir23. Böyle bir hata oluştuğunda, araştırmacılar bir sonraki adıma geçmeden önce bu alanları silmelidir.

Segmentasyonda yaygın bir sorun zayıf BT veya MRI görüntü kalitesidir (örnekler için Temsilci Sonuçları’ne bakın). Bazı durumlarda, düşük kalite görüntüyü işe yaramaz hale getirmez, ancak diğer durumlarda görüntünün analizden dışlanmaları gerekebilir. Tek bir görüntünün segmentasyonunun başka, muhtemelen kaçınılmaz bir sınırlaması, görüntüden görüntüye katı organ konumunun rastgele varyasyonunu içerir.

Hem L3 segmentasyon analizi hem de doğrusal ölçüm analizi için diğer yaygın sorunlar genellikle inter ve intra-rater varyasyonu ile ilgilidir. Çoğu protokolde olduğu gibi, gözlemciler arasında ve tek bir bireyin ayrı denemeleri arasında belirli bir miktar varyasyon beklenebilir. Analiz yapan birden fazla kişiyle oranlar arası varyasyonu hesaba katmak ve en aza indirmek için, araştırmacılar veya klinisyenlerden oluşan ekip, yüzey alanı ölçümlerinde ve aynı görüntüden ortalama HU’da istatistiksel olarak anlamlı varyasyonlar için test yapabilir. Aynı görüntü için çok benzer yüzey alanlarına sahip araştırmacıların veya klinisyenlerin dokuları yaklaşık olarak aynı şekilde etiketleyip etiketlemediğini göstereceğinden, HU varyasyonunu özel olarak not alın. Bir birey için önemli bir intra-rater varyasyonu test etmek için, araştırmacılar veya klinisyenler görüntülerin küçük bir alt kümesini alabilir ve her görüntünün tüm kopyaları dar, istatistiksel olarak önemsiz bir kenar boşluğuna gelene kadar her görüntüyü segmentlere ayırabilir.

Burada sunulan her iki protokolün de sadece tek bir dilim kullanıldığı için vücut kompozisyon analizinde sınırlamalar olduğunu kabul ediyoruz. Shen ve arkadaşları tarafından önerildikçe, 3D analiz karın viseral yağ için daha doğru bilgi sağlayabilir ve KDV için tek dilimli analiz erkekler ve kadınlar için farklıseviyelerdedir 24. Bununla birlikte, burada tartışılan protokoller, kliniklerde sarkopeni taraması için kullanılabilecek yağ dokusunun yanı sıra kasın hızlı değerlendirmelerini sağladığı için hala değerlidir.

Ayrıca, 3D makine öğrenimi algoritmaları, özellikle sinir-net tabanlı sınıflandırma algoritmaları25. Bunların geleneksel 2D segmentasyona gelecekteki potansiyel alternatifler olabileceğini kabul ediyoruz. Bununla birlikte, bu yöntemler klinik ve araştırma ortamlarında büyük BT ve MRI görüntülerinin geliştirilmesini, test edilmesini ve uygulanmasını gerektirir. Ayrıca, bu yöntemler genellikle makine öğrenimi algoritmalarını doğrulamak için temel bir başvuru oluşturmak için 2D segmentasyon analizi gerektirir. Bu nedenle, burada gösterilen protokoller büyük veri kümeleri veya 3D görüntüler kullanılamıyorsa yararlı olabilir ve bu protokoller, uygulanabilir olduklarında makine öğrenimi algoritmalarının geliştirilmesine ve doğrulanabilmesine yardımcı olmak için uygulanabilir. Bu nedenle, klinisyenlerin ve araştırmacıların bu eğitim videosundan yararlanabileceğine ve otomatik analiz mevcut olmadan önce ve bu ileri teknolojinin uygulanmasını kolaylaştırmak için bu hızlı ve güvenilir yöntemleri ön tarama olarak benimseyebileceğine inanıyoruz.

Yağ dokusu dağılımını ve iskelet kas kütlesini hızlı bir şekilde analiz etme yeteneği, kanser tedavisi ve araştırmalarından kardiyak hastalığa kadar geniş bir klinik ilgi alanına sahiptir5. Yaygın olarak kullanılan diğer yöntemlerle karşılaştırıldığında, Mourtzakis ve ark. Slice-O-Matic’te L3 segmentasyon prosedürü yağ dokusu dağılımını doğru ve hızlı bir şekilde değerlendirebilir ve sarkopeni durumunu5, 12,13,19olarak belirleyebilir. Ek olarak, iskelet kas kütlesi hakkında bilginin yeterli olduğu bağlamlarda, L3 lineer ölçüm prosedürü cerrahi, radyoterapi ve kemoterapi 1 ,2,4,6,7,8gibi kanser tedavilerinde başarıyı tahmin etmeye yardımcı olacak güvenilir ve çok hızlı bir araçtır. Bu eğitim videosunun ve el yazmasının amacı, klinisyenlerin klinik ortamında vücut kompozisyonunu daha kolay değerlendirebilmeleri için segmentasyon protokolünü ve gelecekteki kullanım için doğrusal ölçümleri açıkça belirlemektir.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Yazarlar John Robinson & Churchill aile vakıflarının desteğini kabul etmek istiyor.

Materials

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.

References

  1. Psutka, S. P., et al. Decreased skeletal muscle mass is associated with an increased risk of mortality after radical nephrectomy for localized renal cell cancer. The Journal of Urology. 195 (2), 270-276 (2016).
  2. Fukushima, H., Nakanishi, Y., Kataoka, M., Tobisu, K., Koga, F. Prognostic significance of sarcopenia in patients with metastatic renal cell carcinoma. The Journal of Urology. 195 (1), 26-32 (2016).
  3. Santilli, V., Bernetti, A., Mangone, M., Paoloni, M. Clinical definition of sarcopenia. Clinical Cases in Mineral and Bone Metabolism. 11 (3), 117-180 (2014).
  4. Caan, B. J., et al. Association of muscle and adiposity measured by computed tomography with survival in patients with nonmetastatic breast cancer. JAMA Oncology. 4 (6), 798-804 (2018).
  5. Borga, M., et al. Advanced body composition assessment: from body mass index to body composition profiling. Journal of Investigative Medicine. 66 (5), 1-9 (2018).
  6. Cushen, S. J., et al. Body composition by computed tomography as a predictor of toxicity in patients with renal cell carcinoma treated with sunitinib. American Journal of Clinical Oncology. 40 (1), 47-52 (2017).
  7. Bernstein, A. P., et al. A comparison of perinephric fat surface area and Mayo Adhesive Probability score in predicting malignancy in T1 renal masses. Urologic Oncology. 36 (11), 417-499 (2018).
  8. Auclin, E., et al. Prediction of everolimus toxicity and prognostic value of skeletal muscle index in patients with metastatic renal cell carcinoma. Clinical Genitourinary Cancer. 15 (3), 350-355 (2017).
  9. Vashi, P. G., et al. Sarcopenia supersedes subjective global assessment as a predictor of survival in colorectal cancer. PLoS One. 14 (6), 0218761 (2019).
  10. Elliott, J. A., et al. Sarcopenia: prevalence, and impact on operative and oncologic outcomes in the multimodal management of locally advanced esophageal cancer. Annals of Surgery. 266 (5), 822-830 (2017).
  11. Kanellakis, S., et al. Development and validation of a bioelectrical impedance prediction equation estimating fat free mass in Greek – Caucasian adult population. Clinical Nutrition ESPEN. 36, 166-170 (2020).
  12. Bredella, M. A., et al. Comparison of DXA and CT in the assessment of body composition in premenopausal women with obesity and anorexia nervosa. Obesity (Silver Spring). 18 (11), 2227-2233 (2010).
  13. Mourtzakis, M., et al. A practical and precise approach to quantification of body composition in cancer patients using computed tomography images acquired during routine care. Applied Physiology, Nutrition, and Metabolism. 33 (5), 997-1006 (2008).
  14. Avrutin, E., et al. Clinically practical approach for screening of low muscularity using electronic linear measures on computed tomography images in critically ill patients. JPEN. Journal of Parenteral and Enteral Nutrition. 42 (5), 885-891 (2018).
  15. Cespedes Feliciano, E. M., Avrutin, E., Caan, B. J., Boroian, A., Mourtzakis, M. Screening for low muscularity in colorectal cancer patients: a valid, clinic-friendly approach that predicts mortality. Journal of Cachexia, Sarcopenia and Muscle. 9 (5), 898-908 (2018).
  16. Peng, P., et al. Impact of sarcopenia on outcomes following resection of pancreatic adenocarcinoma. Journal of Gastrointestinal Surgery. 16 (8), 1478-1486 (2012).
  17. Jones, K. I., Doleman, B., Scott, S., Lund, J. N., Williams, J. P. Simple psoas cross-sectional area measurement is a quick and easy method to assess sarcopenia and predicts major surgical complications. Colorectal Disease. 17 (1), 20-26 (2015).
  18. Prado, C. M., et al. Sarcopenia as a determinant of chemotherapy toxicity and time to tumor progression in metastatic breast cancer patients receiving capecitabine treatment. Clinical Cancer Research. 15 (8), 2920-2926 (2009).
  19. Fields, D. A., Goran, M. I., McCrory, M. A. Body-composition assessment via air-displacement plethysmography in adults and children: a review. The American Journal of Clinical Nutrition. 75, 453-467 (2002).
  20. Zopfs, D., et al. Single-slice CT measurements allow for accurate assessment of sarcopenia and body composition. European Radiology. 30 (3), 1701-1708 (2020).
  21. Schwenzer, N. F., et al. Quantitative analysis of adipose tissue in single transverse slices for estimation of volumes of relevant fat tissue compartment. Investigative Radiology. 45 (12), 788-794 (2010).
  22. Baracos, V. E. Psoas as a sentinel muscle for sarcopenia: a flawed premise. Journal of Cachexia, Sarcopenia and Muscle. 8 (4), 527-528 (2017).
  23. Potretzke, A. M., Schmitz, K. H., Jensen, M. D. Preventing overestimation of pixels in computed tomography assessment of visceral fat. Obesity Research. 12 (10), 1698-1701 (2004).
  24. Shen, W., et al. Total body skeletal muscle and adipose tissue volumes: estimation from a single abdominal cross-sectional image. Journal of Applied Physiology. 97 (6), 2333-2338 (2004).
  25. Weston, A. D., et al. Automated abdominal segmentation of CT scans for body composition analysis using deep learning. Radiology. 290 (3), 669-679 (2019).

Play Video

Cite This Article
Steele, S., Lin, F., Le, T., Medline, A., Higgins, M., Sandberg, A., Evans, S., Hong, G., Williams, M. A., Bilen, M. A., Psutka, S., Ogan, K., Master, V. A. Segmentation and Linear Measurement for Body Composition Analysis using Slice-O-Matic and Horos. J. Vis. Exp. (169), e61674, doi:10.3791/61674 (2021).

View Video