该出版物得到了国家中医药管理局组织的第五届国家中医药临床优秀人才认定计划的支持。官方网链接为'http：//www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html。

该研究获得批准，患者从中国北京中医药大学东直门医院感染科招募。患者在提供知情同意后接受了常规的腹部 Dixon MRI 扫描。在这项研究中，采用 3D 分布建模方法重建医学诊断为肝脂肪变性的标准患者的肝脏脂肪分数 （LFF）。此外，该研究还提供了将患者的肝脏与健康肝脏进行比较的定量评估。本研究中使用的软件工具列在 材料表中。
1. 准备和数据收集
注：参数的方差不受研究方法的影响。在这项调查中，从临床影像学检查中获得了真实的DICOM数据。数据是使用场强为 1.5 特斯拉的 MRI 设备获取的。该数据集包括源自 Dixon 序列的四个不同阶段，特别是同相、异相、水和脂肪。
<ol><li>检查上腹部的 Dixon 序列。<ol><li>将所有 DICOM 数据复制到自定义的工作目录。 注意：工作目录在操作系统和 MATLAB 中是相同的。</li>
		<li>转到 MATLAB 当前工作目录中存放数据的目录（如 图 1 所示）。</li>
		<li>确认 DIXON 数据显示的水平分辨率为 520 像素 x 704 像素，像素间距为 0.5682 毫米，切片厚度为 5 毫米。</li>
	</ol></li>
	<li>快速检查 Dixon 的图像。<ol><li>更改目录以访问不同阶段的文件夹，包括同相、外相、水相和脂肪阶段，每个阶段都存储在不同的文件夹中以进行 Dixon 成像。</li>
		<li>利用 Slice_View 功能可视化每个阶段的图像。</li>
		<li>参见 图 2 查看 MRI-Dixon 序列的交互式图形用户界面 （GUI） 的图像。使用位于 GUI 底部的滚动条有效地浏览各种序列。</li>
		<li>采用 MRI-Dixon 同相序列来增强对肝组织边界的描述。 注意：在 图 2 中，可以找到位于 GUI 右上角的图标。这些图标提供缩小、放大、返回全局视图和标记所选像素坐标等功能。利用缩放功能仔细检查局部病变特征。</li>
		<li>使用标记像素坐标功能计算两点之间的距离，有助于测量结核大小。</li>
		<li>初始颜色条使用喷射色图，它表示颜色从蓝色到红色的转变，分别表示低值到高值。要切换到标准灰色颜色表并重置整个 GUI，请右键单击 颜色条 ，然后从弹出菜单中选择该选项。</li>
		<li>如果默认滤镜窗口不合适，请使用鼠标左键在图中上下拖动来调整窗口级别。左右拖动可调整窗口宽度，精确的过滤范围将显示在颜色条上。 注意：后续操作将侧重于利用 DIXON 同相序列来表示肝脏的 3D 区域。</li>
	</ol></li>
</ol>2.提取肝脏的3D区域
注意：为了计算肝脏脂肪分数 （LFF），3D 肝脏区域内的每个体素都充当空间载体，其脂肪分数值从 MRI-Dixon 数据中获得。在计算 LFF 之前，提取 3D 肝脏区域至关重要。尽管深度学习方法可以更有效地实现这一目标，但这里的重点是使用成熟的软件工具（如MIMICS）进行肝区提取。
<ol><li>打开 MIMICS 软件，然后选择 “新建项目”。在随后的对话框中，找到存放 DIXON 异相映像的文件夹。继续单击 “下一步”，然后点击 “转换 ”进入序列编辑模式。</li>
	<li>通过单击右侧的“掩码”对话框中的“新建”生成一个空的掩码，然后选择最大阈值。</li>
	<li>使用位于“段”标签下方的编辑 蒙版 工具在所有水平视图中描绘肝脏区域。</li>
	<li>通过选择前面描述的肝脏掩模并单击 “从掩模计算零件”来创建肝脏的 3D 空间表示。将显示生成的 3D 肝脏区域（参见 图 3）。</li>
	<li>导航到 “文件”，然后选择 “导出”，然后选择“ DICOM ”选项。在弹出的对话框中，选择 肝脏掩码，指定文件路径和名称，然后单击 “确定 ”将 3D 肝脏区域导出到指定的 DICOM 文件。</li>
</ol>3. 生成脂肪分数图（FF-Map）
注意：脂肪分数图（FF-Map）的值范围为0-1。在这项研究中，通过使用Dixon MRI将In-phase减去Water-only的体素值除以In-phase的体素值来计算每个体素的FF。
<ol><li>将目录更改为同相映像文件夹，然后选择 Volume_In 功能以生成同相卷。</li>
	<li>将目录更改为仅含水图像的文件夹，然后选择 Volume_Water 函数以生成仅含水的卷。</li>
	<li>使用步骤 3.1 和步骤 3.2 中生成的两个体积作为输入选择 FF_Volume 函数，以获得腹部 MRI 的 FF 体积，如 图 4 所示。</li>
	<li>图 4 所示的脂肪分数 （FF） 图以数据结构为 520 x 704 x 44 矩阵的 RGB 真彩色图像呈现。在此表示中，每个像素由三个值组成，分别表示红色、绿色和蓝色通道。请注意左侧的颜色条，它为与不同颜色像素关联的脂肪分数值提供了视觉参考。 注意： 图 4 中所示的 GUI 允许通过右上角的缩放工具更仔细地观察患者的肝脏，并使用探测工具获得准确的 FF 值。通过拖动底部的滚动条，用户可以在水平面上观察所有扫描位置的FF图。</li>
</ol>肝脏脂肪分数分布的4. 3D体积
注： 图 4 显示了根据上腹部的 Dixon MRI 图像计算的 LFF 图。结合 图3中的3D肝脏区域，可以单独计算整个肝脏的3D-LFF体积。
<ol><li>利用 LFF_Volume 函数，为其提供 3D 肝脏区域（如 图 3 所示）和肝脏硬度图（如 图 4 所示）作为输入参数。这将导致创建肝脏脂肪部分的 3D 体积表示，如 图 5 所示。</li>
	<li>要检查每个肝脏层的刚度图，只需使用 位于图 5 所示的 GUI 下方的滚动条即可。 注意：在此视图中，仅准确描绘了肝组织。</li>
	<li>注意位于 GUI 右上角的图标（如 图 5 所示）。这些图标提供了缩小、放大、返回到全局视图以及标记所选像素坐标的功能。 注意：默认颜色条使用“喷射”颜色图，其中颜色从蓝色过渡到红色，以表示从低到高的不同值（以 kPa 为单位测量）。</li>
	<li>使用与“LFF_Volume”相同的输入参数运行 LFF_Distribution 函数，以生成 3D 肝脏脂肪分数 （3D-LFF） 的空间分布，如 图 6 所示。</li>
</ol>5. 3D-LFF 定量分析
注意：正常肝脏体素：LFF < 5%;轻度脂肪肝体素：5%-10%;中度脂肪肝体素：10%-20%;重度脂肪肝体素：LFF ≥ 20%11,12,13,14,15。这项研究的一个关键定量重点是确定患者肝脏中不同 LFF 阶段的体素比例。图6显示了患者肝脏脂肪部分的空间分布不均匀。缺乏明显的临床症状主要归因于很大一部分正常肝组织。因此，精确量化患者和健康个体之间的差异势在必行。这代表了本文中一个重要的定量概念。
<ol><li>通过重复步骤1-4计算健康肝脏的3D-LFF分布。 注：内置的 MATLAB bar 函数可以比较健康和脂肪肝的 3D-LFF 分布（图 7）。</li>
</ol>

使用 Dixon MRI 的综合 3D 肝脏脂肪功能分布模型

<ol>
	<li>Pouwels, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Non-alcoholic+fatty+liver+disease+(NAFLD):+a+review+of+pathophysiology,+clinical+management+and+effects+of+weight+loss.">Non-alcoholic fatty liver disease (NAFLD): a review of pathophysiology, clinical management and effects of weight loss.</a> BMC Endocr Disord. 22 (1), 63 (2022).</li><li>Younossi, Z. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+global+burden+of+liver+disease.">The global burden of liver disease.</a> Clin Gastroenterol Hepatol. 21 (8), 1978-1991 (2023).</li><li>Younossi, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Global+burden+of+NAFLD+and+NASH.+Trends,+predictions,+risk+factors+and+prevention.">Global burden of NAFLD and NASH. Trends, predictions, risk factors and prevention.</a> Nat Rev Gastroenterol Hepatol. 15 (1), 11-20 (2018).</li><li>Boyum, J. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Incidence+and+risk+factors+for+adverse+events+related+to+image-guided+liver+biopsy.">Incidence and risk factors for adverse events related to image-guided liver biopsy.</a> Mayo Clin Proc. 91 (3), 329-335 (2016).</li><li>Khalifa, A., Rockey, D. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+utility+of+liver+biopsy+in+2020.">The utility of liver biopsy in 2020.</a> Curr Opin Gastroenterol. 36 (3), 184-191 (2020).</li><li>Sumida, Y., Nakajima, A., Itoh, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Limitations+of+liver+biopsy+and+non-invasive+diagnostic+tests+for+the+diagnosis+of+nonalcoholic+fatty+liver+disease/nonalcoholic+steatohepatitis.">Limitations of liver biopsy and non-invasive diagnostic tests for the diagnosis of nonalcoholic fatty liver disease/nonalcoholic steatohepatitis.</a> World J Gastroenterol. 20 (2), 475-485 (2014).</li><li>Ajmera, V., Loomba, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Imaging+biomarkers+of+NAFLD,+NASH,+and+fibrosis.">Imaging biomarkers of NAFLD, NASH, and fibrosis.</a> Mol Metab. 50, 101167 (2021).</li><li>Castera, L., Friedrich-Rust, M., Loomba, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Noninvasive+assessment+of+liver+disease+in+patients+with+nonalcoholic+fatty+liver+disease.">Noninvasive assessment of liver disease in patients with nonalcoholic fatty liver disease.</a> Gastroenterology. 156 (5), 1264-1281 (2019).</li><li>Jiang, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Application+of+multi-echo+Dixon+and+MRS+in+quantifying+hepatic+fat+content+and+staging+liver+fibrosis.">Application of multi-echo Dixon and MRS in quantifying hepatic fat content and staging liver fibrosis.</a> Sci Rep. 13 (1), 12555 (2023).</li><li>Yang, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+accuracy+and+clinical+relevance+of+the+multi-echo+dixon+technique+for+evaluating+changes+to+hepatic+steatosis+in+patients+with+non-alcoholic+fatty+liver+disease+treated+with+formulated+food.">The accuracy and clinical relevance of the multi-echo dixon technique for evaluating changes to hepatic steatosis in patients with non-alcoholic fatty liver disease treated with formulated food.</a> Magn Reson Med Sci. 22 (2), 263-271 (2023).</li><li>Peng, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fat-water+separation+based+on+Transition+REgion+Extraction+(TREE).">Fat-water separation based on Transition REgion Extraction (TREE).</a> Magn Reason Med. 82 (1), 436-448 (2019).</li><li>Hines, C. D. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=T(1)+independent,+T(2)(*)+corrected+chemical+shift+based+fat-water+separation+with+multi-peak+fat+spectral+modeling+is+an+accurate+and+precise+measure+of+hepatic+steatosis.">T(1) independent, T(2)(*) corrected chemical shift based fat-water separation with multi-peak fat spectral modeling is an accurate and precise measure of hepatic steatosis.</a> Magn Reason Imaging. 33 (1), 873-881 (2011).</li><li>Tang, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nonalcoholic+fatty+liver+disease:+MR+imaging+of+liver+proton+density+fat+fraction+to+assess+hepatic+steatosis.">Nonalcoholic fatty liver disease: MR imaging of liver proton density fat fraction to assess hepatic steatosis.</a> Radiology. 267 (2), 422-431 (2013).</li><li>Caussy, C., Reeder, S. B., Sirlin, C. B., Loomba, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Noninvasive,+quantitative+assessment+of+liver+fat+by+MRI-PDFF+as+an+endpoint+in+NASH+Trials.">Noninvasive, quantitative assessment of liver fat by MRI-PDFF as an endpoint in NASH Trials.</a> Hepatology. 68 (2), 763-772 (2018).</li><li>Reeder, S. B., Cruite, I., Hamilton, G., Sirlin, C. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Quantitative+assessment+of+liver+fat+with+magnetic+resonance+imaging+and+spectroscopy.">Quantitative assessment of liver fat with magnetic resonance imaging and spectroscopy.</a> Magn Reson Imaging. 34 (4), 729-749 (2011).</li></ol>

用于肝脂肪变性量化的软件工具，在本研究 的材料表 中列为肝脂肪变性V1.0，是北京智能熵科技有限公司的产品。本软件工具的知识产权归本公司所有。

本研究提出了一种创新的 3D 量化技术，用于使用 Dixon MRI 9,10 分析肝脏脂肪分数 （LFF） 的分布。通过将从同相和水相图像生成的 LFF 图与 3D 肝脏轮廓相结合，该方法区分了正常肝脏和脂肪变性肝脏中的 LFF 模式6。因此，它有助于精确评估肝脏脂肪含量。
第 3 步代表了计算 FF 图以量化每个体素中脂肪含量的关键阶?...

非酒精性脂肪性肝病（NAFLD）包括一系列病理状况，从肝细胞中甘油三酯的异常积累（肝脂肪变性）到炎症的发展和肝细胞损伤，称为非酒精性脂肪性肝炎（NASH）。在某些情况下，NAFLD可以发展到更严重的阶段，包括纤维化、肝硬化、终末期肝病，甚至肝细胞癌（HCC）1。世界卫生组织和全球疾病负担的公布数据表明，全世界约有12.357亿人受到NAFLD所有年龄组的影响2。NAFLD目前是全球肝脏相关疾病最突出的原因之一，预计在未来几十年内将成为终末期肝病的主要原因3。
准确评估肝脂肪变性程度对于准确诊断、适当选择治疗方案和有效监测疾病进展具有重要意义。评估肝脏脂肪含量的金标准仍然是肝活检。然而，由于其侵入性，潜在的疼痛、出血和其他术后并发症，它不是频繁随访检查的实用选择4,5,6。因此，迫切需要能够可靠地量化肝脏脂肪沉积的无创成像技术。磁共振成像 （MRI） 在这一领域显示出前景，因为它缺乏电离辐射，并且能够通过化学位移效应灵敏地检测脂肪含量 7,8。
最近的研究概述了基于化学位移梯度回波方法（如Dixon成像9,10）的MRI技术，用于量化肝脏脂肪。尽管如此，这些技术中的大多数都依赖于对感兴趣的二维区域的分析。对肝脏脂肪分数（LFF）三维分布的综合评价仍然有限。在本研究中，引入了一种独特的 3D LFF 定量方法，将 Dixon MRI 与肝脏结构成像相结合。由此产生的 3D LFF 模型可以精确可视化和测量脂肪含量在整个肝脏体积中的分布。该技术在准确诊断肝脂肪变性方面显示出重要的临床实用性。

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>MATLAB</td>
			<td>MathWorks&#160;</td>
			<td>2022B</td>
			<td>Computing and visualization&#160;</td>
		</tr>
		<tr>
			<td>Mimics</td>
			<td>Materialise</td>
			<td>Mimics Research V20</td>
			<td>Model format transformation</td>
		</tr>
		<tr>
			<td>Tools for 3D_LFF</td>
			<td>Intelligent Entropy</td>
			<td>HepaticSteatosis V1.0</td>
			<td>Beijing Intelligent Entropy Science &#38; Technology Co Ltd. 
			Modeling for CT/MRI fusion</td>
		</tr>
	</tbody>
</table>

a 3d quantification technique for liver fat fraction distribution analysis using dixon magnetic resonance imaging

本研究提出了一种通过利用 Dixon MRI 图像分析来测量肝脏脂肪分数 （LFF） 分布的 3D 定量方法。其核心目的是提供一种高度准确和非侵入性的方法来评估肝脏脂肪含量。该过程涉及从Dixon序列中获取同相和水相图像。然后，通过将脂质相图像除以同相图像，逐个细致地计算 LFF 图。同时，从相位图像中提取 3D 肝脏轮廓。这些关键组件无缝集成，以构建全面的 3D-LFF 分布模型。这种技术不仅限于健康的肝脏，还延伸到那些患有肝脂肪变性的人。获得的结果证明了这种方法在可视化和量化肝脏脂肪含量方面的显着有效性。它清楚地辨别区分正常肝脏和脂肪变性肝脏的模式。通过利用Dixon MRI提取肝脏的3D结构，该方法提供了跨越整个器官的精确LFF评估，从而为肝脂肪变性的诊断带来了巨大的希望，并具有显着的有效性。

Non-Alcoholic Fatty Liver Disease (NAFLD) encompasses a spectrum of pathological conditions, ranging from the abnormal accumulation of triglycerides in liver cells (hepatic steatosis) to the development of inflammation and damage to liver cells, known as non-alcoholic Steatohepatitis (NASH). In some cases, NAFLD can progress to more severe stages, including fibrosis, cirrhosis, end-stage liver disease, or even Hepatocellular carcinoma (HCC)1. Published data from the World Health Organization and the Global Burden of Disease suggest that approximately 1,235.7 million individuals worldwide are affected by NAFLD across all age groups2. NAFLD currently ranks as one of the most prominent causes of liver-related diseases globally and is expected to become the leading cause of end-stage liver disease in the coming decades3.
The accurate assessment of hepatic steatosis&#39;s extent holds substantial importance for precise diagnosis, appropriate treatment selection, and effective disease progression monitoring. The gold standard for assessing liver fat content continues to be liver biopsy. However, due to its invasive nature, the potential for pain, bleeding, and other postoperative complications, it is not a practical option for frequent follow-up examinations4,5,6. Consequently, there is a pressing need for noninvasive imaging techniques that can reliably quantify hepatic fat deposition. Magnetic resonance imaging (MRI) shows promise in this area due to its lack of ionizing radiation and its ability to sensitively detect fat content through chemical shift effects7,8.
Recent studies have outlined MRI techniques for quantifying hepatic fat, based on chemical shift gradient echo methods like Dixon imaging9,10. Nonetheless, the majority of these techniques rely on the analysis of two-dimensional regions of interest. The comprehensive evaluation of the three-dimensional distribution of liver fat fraction (LFF) has remained limited. In the present study, a unique 3D LFF quantification approach is introduced, combining Dixon MRI with liver structural imaging. The resulting 3D LFF model allows for precise visualization and measurement of the distribution of fat content throughout the entire volume of the liver. This technique demonstrates substantial clinical utility for the accurate diagnosis of hepatic steatosis.

作者聚焦：一种使用 3D Dixon MRI 评估和区分肝脏脂肪模式的非侵入性工具 

使用Dixon磁共振成像分析肝脏脂肪分数分布的3D定量技术

This study developed a 3D Dixon MRI technique to precisely quantify liver fat distribution, aiming to validate its efficacy as an accurate, non-invasive tool for assessing and differentiating fat patterns in normal versus steatotic livers. Recent advances in MRI fat quantification include normal 3D distribution modeling approaches, integrating Dixon Imaging with liver structure segmentation to enable precise visualization and environment of liver fat fraction patterns. Integrating AI-driven medical imaging, deep learning, 3D visualization, and a multimodal data fusion enhances whole liver modeling and steatotic assessment, facilitating precise clinic decision-making.Current experimental challenges include standardizing computational workflows, addressing variations in equipment and protocols, and elucidating the mechanisms of disease progression in hepatic steatosis research. Our protocol offers the advantage of 3D liver fat fraction assessment, surpassing the 2D techniques. The findings will advance research in our field by offering a comprehensive and accurate 3D LFF assessment of different stages of fatty liver disease, which is crucial for treatment decisions and prognosis evaluation.

该研究利用使用市售 MRI 扫描仪获取的实际患者数据集来验证 3D 肝脏脂肪分数量化方法（图 1）。MRI 协议包括 Dixon 的四相成像 9,10：同相、异相、仅水和仅脂肪（图 2）。通过使用 Dixon MRI 将同相减去纯水体素信号除以同相体素信号来计算每个体素的脂肪分数 （FF）。该数值模型可以准确计算每个体素中的脂?...

Watch this Scientific Journal Video about A Non-Invasive Tool to Assess and Differentiate Fat Patterns in Liver Using 3D Dixon MRI at JoVE.com

本研究引入了一种独特的 3D 定量方法，使用 Dixon 磁共振成像 （Dixon MRI） 对肝脏脂肪分数 （LFF） 分布进行定量。从同相和水相图像得出的 LFF 图与 3D 肝脏轮廓集成，以区分正常肝脏和脂肪变性肝脏之间的 LFF 模式，从而能够精确评估肝脏脂肪含量。

This study presents a 3D quantification methodology for the distribution of liver fat fraction (LFF) through the utilization of Dixon MRI image analysis. ...

本研究开发了一种 3D Dixon MRI 技术来精确量化肝脏脂肪分布，旨在验证其作为评估和区分正常肝脏与脂肪变性肝脏脂肪模式的准确、非侵入性工具的功效。MRI 脂肪定量的最新进展包括正态 3D 分布建模方法，将 Dixon 成像与肝脏结构分割相结合，以实现肝脏脂肪分数模式的精确可视化和环境。集成人工智能驱动的医学成像、深度学习、3D 可视化和多模态数据融合，增强了全肝建模和脂肪变性评估，促进了精确的临床决策。目前的实验挑战包括标准化计算工作流程，解决设备和方案的变化，以及阐明肝脂肪变性研究中疾病进展的机制。我们的方案提供了 3D 肝脏脂肪分数评估的优势，超越了 2D 技术。这些发现将通过对脂肪肝疾病的不同阶段提供全面准确的3D LFF评估来推进我们领域的研究，这对于治疗决策和预后评估至关重要。

a-3d-quantification-technique-for-liver-fat-fraction-distribution

Research

JoVE Journal

Medicine

A 3D Quantification Technique for Liver Fat Fraction Distribution Analysis Using Dixon Magnetic Resonance Imaging

847 次观看.  Beijing University of Chinese Medicine. 本研究开发了一种 3D Dixon MRI 技术来精确量化肝脏脂肪分布，旨在验证其作为评估和区分正常肝脏与脂肪变性肝脏脂肪模式的准确、非侵入性工具的功效。MRI 脂肪定量的最新进展包括正态 3D 分布建模方法，将 Dixon 成像与肝脏结构分割相结合，以实现肝脏脂肪分数模式的精确可视化和环境。集成人工智能驱动的医学成像、深度学习、3D 可视化和多模态数据融合，增强了全肝建...