Name: segmentation and linear measurement for body composition analysis using slice-o-matic and horos
Uploaded: 2021-03-21T13:00:00
Duration: 13 min 35 s
Description: Watch this Scientific Journal Video about Segmentation and Linear Measurement for Body Composition Analysis using Slice-O-Matic and Horos at JoVE.com

Die Autoren möchten die Unterstützung der Familienstiftungen John Robinson & Churchill würdigen.

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

Die Autoren haben nichts preiszugeben.

Der Psoas-Muskel, paraspinale Muskelgruppen und schräge Muskeln korrelieren eng mit der gesamten Muskelmasse5. Insbesondere die Oberfläche innerhalb eines CT- oder MRT-Querschnitts dieser Muskelgruppen in der Mitte des dritten Lendenwirbels (L3) ist stark mit der gesamten Muskelmasse korreliert, was dieses Bild zu einem idealen Bild für Forscher oder Kliniker macht, um Sarkopenie1,2,13zu beurteilen . Segmentierung und lineare Messungen haben sich bei der Beurteilung der Körperzusammensetzung und der Identifizierung schlechter prognostischer Zustände wie Sarkopenie und sarkopenischer Fettleibigkeit bei Patienten16,17als sehr wertvoll erwiesen. Die Forschung hat gezeigt, dass Muskelmassemessungen mit dem Überleben und dem Risiko größerer Komplikationen nach größeren Operationen oder Behandlungsplänen wie Chemotherapie und chemotherapeutischer Toxizität verbunden sind16,17,18. Daher würden wir postulieren, dass es für Kliniker von Vorteil sein kann, Daten zur Körperzusammensetzung zu haben, bevor sie Patienten über Behandlungsmöglichkeiten beraten.
Derzeit gibt es mehrere Methoden zur Beurteilung der Körperzusammensetzung. Mehrere Methoden, wie die Densitometrie12 und die Luftverdrängungsplethysmographie (ADP)19,verwenden Luftgewicht und -verdrängung, um den Prozentsatz des Körperfetts und die Körperdichte zu schätzen. Während diese Methoden nützlich sein können, sind sie nicht in der Lage, die Verteilung des Fettgewebes zu bestimmen5,19. Andere Techniken zur Analyse der Körperzusammensetzung, wie BIA, stützen ihre Analyse auf die unterschiedlichen elektrischen Eigenschaften von Fettmasse und fettfreier Masse12. Diese Technik kann jedoch wieder einmal die Fettverteilung nicht angemessen beurteilen und erfordert auch mehr Informationen wie ethnische Zugehörigkeit, Alter und Geschlecht für genauere Messungen19. Umgekehrt haben sich Bewertungen wie DEXA bei der Beurteilung der Körperzusammensetzung als nützlich erwiesen, neigen jedoch dazu, die Muskelmasse mit zunehmender Adipositas zuüberschätzen 12. Mehrere Protokolle haben auch die Region-of-Interest (ROI) -Methode verwendet, um Muskelmasse und Fettgewebedaten innerhalb der DICOM-Betrachtungssoftware zu erhalten, von der gezeigt wurde, dass sie eine gute Korrelation mit der BIA-Körperzusammensetzungsanalyse für die Sarkopenie- und Ernährungsbewertungaufweist 20,21.
Das von Mourtzakis et al. entwickelte Segmentierungsverfahren hat einen Vorteil gegenüber alternativen Körperzusammensetzungsbewertungen, da es auf den meisten CT- oder MRT-Bildern durchgeführt werden kann und die Verteilung des Fettgewebes und den Muskelbereich genau bestimmt13. Darüber hinaus hat die axiale L3-Segmentierung den Vorteil der Genauigkeit unabhängig vom Adipositasstatus des Patienten13. Ähnlich wie die oben genannten Alternativen ist die von Avrutin et al.14 entwickelte lineare Messtechnik nicht in der Lage, die Fettverteilung zu beurteilen. In jüngster Zeit haben Forscher unterschiedliche Körpersegmentierung gezeigt, insbesondere bei Methoden zur Messung der Psoas-Muskeln allein22. Psoas-Muskelmasse allein ist nicht sehr repräsentativ für die Lendenmuskelmenge oder den systematischen Muskelschwund und korreliert möglicherweise nicht stark mit den klinischen Ergebnissen22. Dieses Problem kann bei der linearen Messung besorgniserregender sein, da der Musculus psoas die Hauptmuskelgruppe bei der Beurteilung ist. Unsere skizzierte Technik umfasst jedoch bilaterale Psoas- und paraspinale Muskelschätzungen, um eine genauere, aber dennoch schnelle und bequeme Beurteilung der Querschnittsmuskelmasse zu messen. Zukünftige Studien, die die Übereinstimmung zwischen linearen CT/MRT-Mess- und Segmentierungsmethoden und deren Korrelation mit klinischen Ergebnissen validieren, sind gerechtfertigt.
Sowohl die L3-Segmentierung als auch lineare Messverfahren wurden ursprünglich entwickelt, um den körperweiten Muskelgehalt schnell und genau zu beurteilen. Durch die Segmentierung nur an den L3-Wirbeln spart das Protokoll Zeit und liefert den Forschern oder Klinikern immer noch genügend Informationen, um die Muskelmasse und den Adipositasstatus des Patienten zu bestimmen. Obwohl die L3-Segmentierung weit weniger Zeit in Anspruch nimmt als die Ganzkörpersegmentierung, kann es dennoch zeitaufwendig und teuer sein, die Slice-O-Matic-Software zu verwenden. Umgekehrt haben lineare Messungen das Potenzial, bei der Beurteilung des Muskelstatus und der Sarkopenie bei kritisch kranken Patienten so genau zu sein wie die L3-Segmentierung14,15. Wir haben eine solche Beziehung in der T3-Nierenzellkarzinom-Kohorte gezeigt, wo die durch lineare Messungen gemessene Skelettmuskulatur eng mit dem durch Segmentierung gemessenen Wert korreliert ist (Abbildung 6). Wichtig ist, dass die Methode extrem schnell ist und die Bildgebungssoftware kostenlos ist. Die bemerkenswerteste Einschränkung des linearen Messverfahrens ist jedoch seine mangelnde Fähigkeit, den Fettgewebegehalt zu beurteilen, was die Kliniker auf Kontexte beschränkt, in denen eine allgemeine Beurteilung des Muskelgehalts ausreichend ist.
Sowohl bei der Segmentierung als auch bei den linearen Messverfahren gibt es drei kritische Schritte. Zuerst sollten Kliniker und Forscher die Mitte der L3-Wirbel identifizieren, um Konsistenz zu erreichen. Die Mitte der L3-Wirbel wird die Scheibe sein, in der das Mark der Querprozesse am prominentesten ist. Die axiale L3-Wirbelscheibe lässt sich mit Hilfe einer vernetzten sagittalen oder koronalen Ansicht leichter identifizieren. Forscher oder Kliniker können zuerst L1-Wirbel oder Kreuzbein als Referenzpunkt finden, wobei zu berücksichtigen ist, dass das Vorhandensein von sechs Lendenwirbeln anstelle von fünf eine normale Variante ist. Der nächste entscheidende Schritt ist die Identifizierung von Muskeln. Bei linearen Messungen sollte der Quadratus lumborum bei den vertikalen und horizontalen Messungen nicht einbezogen werden. Drittens sollten Forscher auch bei der Kennzeichnung der Mehrwertsteuer im Segmentierungsprotokoll genau aufpassen, da der Dickdarmgehalt manchmal als viszerales Fettgewebe gekennzeichnet werden kann23. Wenn ein solcher Fehler auftritt, sollten die Forscher diese Bereiche löschen, bevor sie mit dem nächsten Schritt fortfahren.
Ein häufiges Problem bei der Segmentierung ist eine schlechte CT- oder MRT-Bildqualität (siehe Repräsentative Ergebnisse für Beispiele). In einigen Fällen macht die schlechte Qualität das Bild nicht unbrauchbar, aber in anderen Fällen muss das Bild möglicherweise von der Analyse ausgeschlossen werden. Eine weitere, möglicherweise unvermeidliche Einschränkung der Segmentierung eines einzelnen Bildes umfasst die zufällige Variation der Position fester Organe von Bild zu Bild.
Andere häufige Probleme sowohl bei der L3-Segmentierungsanalyse als auch bei der linearen Messanalyse hängen häufig mit der Inter- und Intra-Rater-Variation zusammen. Wie bei den meisten Protokollen ist mit einer gewissen Variation zwischen Beobachtern und zwischen den separaten Studien einer einzelnen Person zu rechnen. Um die Inter-Rater-Variation mit mehreren Personen, die Analysen durchführen, zu berücksichtigen und zu minimieren, kann das Team von Forschern oder Klinikern statistisch signifikante Variationen der Oberflächenmessungen und der durchschnittlichen HU aus demselben Bild testen. Beachten Sie besonders die HU-Variation, da dies anzeigt, ob Forscher oder Kliniker, die sehr ähnliche Oberflächen für dasselbe Bild haben, die Gewebe tatsächlich ungefähr gleich markieren. Um eine signifikante intra-raterische Variation für eine Person zu testen, können Forscher oder Kliniker eine kleine Teilmenge von Bildern nehmen und jedes Bild segmentieren, bis alle Repliken für jedes Bild innerhalb eines engen, statistisch unbedeutenden Randes liegen.
Wir erkennen an, dass beide hier vorgestellten Protokolle Einschränkungen bei der Analyse der Körperzusammensetzung haben, da nur eine einzige Scheibe verwendet wird. Wie von Shen et al. vorgeschlagen, kann die 3D-Analyse genauere Informationen für das viszerale Bauchfett liefern, und die Einzelscheibenanalyse für die Mehrwertsteuer ist auf verschiedenen Ebenen für Männer und Frauen24. Die hier besprochenen Protokolle sind jedoch immer noch wertvoll, da sie schnelle Beurteilungen von Muskel- und Fettgewebe ermöglichen, die für sarkopenie-Screenings in Kliniken verwendet werden können.
Darüber hinaus gab es viele automatisierte Protokolle zur Analyse der Körperzusammensetzung unter Verwendung von 3D-Algorithmen für maschinelles Lernen, insbesondere neural-netzbasierte Klassifikationsalgorithmen25. Wir erkennen an, dass dies die potenziellen zukünftigen Alternativen zur traditionellen 2D-Segmentierung sein können. Diese Methoden erfordern jedoch, dass große Datensätze von CT- und MRT-Bildern entwickelt, getestet und in klinischen und Forschungsumgebungen implementiert werden. Außerdem erfordern diese Methoden häufig eine 2D-Segmentierungsanalyse, um eine Basisreferenz zu erstellen, anhand derer die Algorithmen des maschinellen Lernens validiert werden können. Die hier gezeigten Protokolle können daher nützlich sein, wenn große Datensätze oder 3D-Bilder nicht verfügbar sind, und diese Protokolle können angewendet werden, um maschinelle Lernalgorithmen zu entwickeln und zu validieren, wenn sie anwendbar sind. Daher glauben wir, dass Kliniker und Forscher von diesem Schulungsvideo profitieren und diese schnellen und zuverlässigen Methoden als vorläufiges Screening anwenden können, bevor eine automatisierte Analyse verfügbar ist und um die Implementierung dieser fortschrittlichen Technologie zu erleichtern.
Die Fähigkeit, die Verteilung des Fettgewebes und die Skelettmuskelmasse schnell zu analysieren, hat eine breite Palette klinischer Interessen, die von der Krebsbehandlung und -forschung bis hin zu Herzerkrankungen reichen5. Im Vergleich zu anderen häufig verwendeten Methoden sind die Mourtzakis et al. Das L3-Segmentierungsverfahren in Slice-O-Matic kann die Verteilung des Fettgewebes genau und schnell beurteilen und den Sarkopeniestatus5,12,13,19bestimmen . Darüber hinaus ist das lineare L3-Messverfahren in Kontexten, in denen Informationen über die Skelettmuskelmasse ausreichend sind, ein zuverlässiges und sehr schnelles Werkzeug, um den Erfolg bei Krebsbehandlungen wie Operationen, Strahlentherapie und Chemotherapie vorherzusagen1,2,4,6,7,8. Der Zweck dieses Schulungsvideos und Manuskripts besteht darin, das Protokoll für Segmentierung und lineare Messungen für die zukünftige Verwendung klar abzugrenzen, damit Kliniker die Körperzusammensetzung in der Klinik leichter beurteilen können.

Die Beurteilung von Sarkopenie und Körperzusammensetzung ist derzeit von großem klinischem Interesse. Obwohl spezifische Definitionen von Sarkopenie je nach Einstellung und Kontext variieren, beinhalten alle Definitionen einen signifikanten Verlust an Skelettmuskelmasse oder Muskelkraft, die eng miteinander korreliert sind1,2,3. Die Analyse der Körperzusammensetzung umfasst Messungen der Skelettmuskelmasse und der Fettgewebeverteilung und liefert umfassendere Informationen über die allgemeine Fitness der Patienten1,3,4. In ähnlicher Weise wurde festgestellt, dass überproportional verteiltes Fettgewebe, insbesondere viszerales Fettgewebe, mit verschiedenen Krankheiten zusammenhängt, einschließlich Herzerkrankungen, Typ-II-Diabetes und Krebs5.
Klinisch haben sich Sarkopenie und ihre Beurteilung durch lineare Messungen wiederholt als starker prognostischer Faktor für das krebsspezifische Überleben bei Malignomen und onkologischen Ergebnissen nachOperation,Strahlentherapie und Chemotherapieerwiesen 1,2,4,6,7,8. Insbesondere frühere Forschungen zeigen, dass Patienten mit Sarkopenie das krebsspezifische Überleben und das Gesamtüberleben verringert haben1,2,9,10. Daher ist eine genaue und schnelle klinische Beurteilung der Sarkopenie-Progression wichtig für die Bestimmung der Behandlungswahl. Die herkömmliche Profilierung der Ganzkörperzusammensetzung erfordert eine Analyse auf dreidimensionaler (3D) Ebene mit bildgebenden Verfahren, einschließlich Computertomographie (CT), Magnetresonanztomographie (MRT), Knochendensitometrie (DEXA) und bioelektrischer Impedanzanalyse (BIA), die zeitaufwendig und kostspielig sind und eine umfangreiche Schulung erfordern5,11. Ein weiterer Nachteil ist ein Mangel an Informationen über die Fettverteilung, insbesondere für die Luftverdrängungsplethysmographie (ADP) und DEXA12. Daher hat die Beurteilung und Bestimmung von Sarkopenie und Körperzusammensetzung unter Verwendung konventioneller Querschnittsbildgebungsmodalitäten wie CT oder MRT, die als Teil der klinischen Standard-of-Care-Praxis eingesetzt werden, einen großen klinischen Wert5.
Eine häufig verwendete Segmentierungssoftware in der klinischen Forschung ist das von TomoVision entwickelte Slice-O-Matic-Programm. Mit dem Segmentierungsverfahren von Mourtzakis et al.13 ermöglicht das Programm Forschern oder Klinikern, verschiedene Gewebetypen wie Skelettmuskel (SM), intramuskuläres Fettgewebe (IMAT), viszerales Fettgewebe (VAT) und subkutanes Fettgewebe (SAT) halbautomatisch mit dichtebasierten Schwellenwerten zu markieren, was die Messung der gesamten Querschnittsbereiche jedes Gewebes ermöglicht. Diese Messungen werden dann verwendet, um die Skelettmuskelmasse und Adipositas des gesamten Körpers zu schätzen, oft nach Normalisierung durch die Körpergröße eines Patienten im Quadrat, um Sarkopenie und sarkopenische Fettleibigkeit anhand populationsbasierter Schwellenwerte zu identifizieren.
Eine kürzlich von Avrutin et al.14 entwickelte Methode mit linearen Messungen der Skelettmuskulatur hat gezeigt, dass sie das Potenzial hat, die Gesamtmuskelmasse anhand von MRT- und CT-Bildern des L3-Querschnitts14,15gleichermaßen zuverlässig abzuschätzen. Die Psoas- und Paraspinalmuskelgruppen umfassen einen Großteil der Muskeloberfläche der L3-Region und haben eine hohe Funktionalität, was darauf hindeutet, dass sie High-Fidelity-Prädiktoren für die gesamte Muskelkraft und damit die Hauptkandidaten der linearen Messung sein können14,15. Zur Berechnung der Muskeloberfläche werden horizontale und vertikale Messungen der Psoas- und Paraspinalmuskelgruppen mit einem Linealwerkzeug erhalten, um 90° sich schneidende gerade Linien zu zeichnen. Die horizontalen und vertikalen Messungen jeder Muskelgruppe werden multipliziert, um die Oberfläche jeder Muskelgruppe zu schätzen, die dann verwendet wird, um einen linearen Muskelindex zu berechnen, wenn sie durch die Größe des Patienten geteilt werden. Bei minimalem Training kann dieser gesamte Prozess weniger als 1 Minute dauern.
Angesichts der möglichen Auswirkungen von Messungen der Körperzusammensetzung auf die Patientenversorgung besteht ein dringender Bedarf an der Erstellung zugänglicher Schulungsmaterialien. In diesem Artikel bieten wir eine detaillierte Beschreibung von zwei Methoden, die von Avrutin et al.14 und Mourtzakis et al.13 entwickelt wurden, um die Skelettmuskelmasse bzw. die Körperzusammensetzung für Anbieter und klinische Forscher zu quantifizieren.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Centricity PACS Radiology RA 1000 Workstation</td>
			<td>GE&#160; Healthcare</td>
			<td></td>
			<td>Image viewer to obtain subject&#39;s MRI and CT images</td>
		</tr>
		<tr>
			<td>Slice-O-Matic 5.0</td>
			<td>TomoVision</td>
			<td></td>
			<td>Segmentation software used in this protocol. Other versions of this software may be used, but tools may be slightly different.</td>
		</tr>
		<tr>
			<td>Horos</td>
			<td>Nimble Co LLC d/b/a Purview</td>
			<td></td>
			<td>Linear segmentation software used in this protol, but researchers can use any image viewer with a ruler tool.</td>
		</tr>
	</tbody>
</table>

segmentation and linear measurement for body composition analysis using slice-o-matic and horos

Die Körperzusammensetzung ist mit dem Risiko eines Fortschreitens der Krankheit und Behandlungskomplikationen bei einer Vielzahl von Erkrankungen verbunden. Daher kann die Quantifizierung der Skelettmuskelmasse und des Fettgewebes auf Computertomographie (CT) und / oder Magnetresonanztomographie (MRT) die Risikobewertung und Krankheitsprognose für Operationen beeinflussen. Dieser Artikel beschreibt zwei Quantifizierungsmethoden, die ursprünglich von Mourtzakis et al. und Avrutin et al. beschrieben wurden: Gewebesegmentierung und lineare Messung der Skelettmuskulatur. Für beide Messungen wurde das Querschnittsbild der Patienten in der Mitte des dritten Lendenwirbels erhalten. Zur Segmentierung wurden die Bilder in Slice-O-Matic importiert und für Skelettmuskeln, intramuskuläres Fettgewebe, viszerales Fettgewebe und subkutanes Fettgewebe eingefärbt. Anschließend wurden die Oberflächen jedes Gewebetyps mithilfe der Tag-Oberflächenfunktion berechnet. Für lineare Messungen werden Höhe und Breite der bilateralen Psoas und paraspinalen Muskeln auf Höhe des dritten Lendenwirbels gemessen und die Berechnung mit diesen vier Werten ergibt die geschätzte Skelettmuskelmasse. Die Segmentierungsanalyse liefert quantitative, umfassende Informationen über die Körperzusammensetzung der Patienten, die dann mit dem Fortschreiten der Erkrankung korreliert werden können. Der Prozess ist jedoch zeitaufwändiger und erfordert eine spezielle Schulung. Lineare Messungen sind ein effizientes und klinikfreundliches Werkzeug zur schnellen präoperativen Auswertung. Lineare Messungen geben jedoch keine Aufschluss über die Zusammensetzung des Fettgewebes. Nichtsdestotrotz haben diese Methoden breite Anwendungen bei einer Vielzahl von Krankheiten, um chirurgische Ergebnisse, das Risiko eines Krankheitsverlaufs vorherzusagen und Behandlungsmöglichkeiten für Patienten zu informieren.

Das L3-Segmentierungsverfahren führt zu einem markierten CT- oder MRT-Bild mit Skelettmuskelgewebe (SM), das rot, IMAT grün, VAT gelb und SAT in cyan markiert ist(Abbildung 1). Die verbleibenden nicht markierten Gewebe bleiben in ihren ursprünglichen Weiß-, Grau- und Rückentönen erhalten, die den jeweiligen Hounsfield-Einheitswerten (HU) jedes Pixels entsprechen. Die Mehrheit der nicht markierten Gewebe, die in Weiß bleiben, wird Knochen sein, die Mehrheit der Gewebe, die in Grautönen verbleiben, werden Nicht-Skelettmuskeln, Organgewebe und Fettgewebe in den Lumen des Darms sein, und der Großteil des Bildes, das in Schwarz bleibt, wird Luft sein. Ein richtig segmentiertes Bild hat keine rote oder grüne Markierung außerhalb der Skelettmuskelfaszie und keine gelbe oder cyanfarbene Markierung innerhalb der Skelettmuskelfaszie. Darüber hinaus sollte die gelbe Markierung nicht in die Lumen des Darms oder der Organe wie Niere oder Leber eindringen, und die Cyan-Markierung sollte nicht entlang der helleren äußeren Ränder vorhanden sein, die der Haut entsprechen. Nach Abschluss der Bildsegmentierung sollten neben der Körpergröße des Patienten auch die Oberflächenflächen und die durchschnittlichen Gewebe-HU-Werte aufgezeichnet werden (Tabelle 1). Aus diesen Daten kann man den Skelettmuskelindex berechnen und mit jeder anderen Analyse fortfahren, die für die spezifische Forschung oder klinische Fragen relevant ist. Beachten Sie, dass bei den meisten MRT-Bildern nur die Skelettmuskulatur richtig markiert und anschließend analysiert werden kann (Tabelle 2). Bei linearen Messungen wird ein Index berechnet, indem die Oberfläche über das Quadrat der Höhe dividiert wird (Tabelle 3).
Häufige Probleme, auf die Forscher während des Segmentierungsverfahrens stoßen können, umfassen Bilder, bei denen wichtige Informationen ausgelassen werden. Beispielsweise können bei Bildern große Teile abgeschnitten oder abgeschnitten werden (Abbildung 2). Insbesondere Bilder, bei denen SAT- und / oder Skelettmuskelgewebe aus dem Rahmen geschnitten wurde, verringern die Genauigkeit der Oberflächenberechnungen der betroffenen Gewebe drastisch. Ob dadurch ein Bild für die Analyse ungeeignet wird, hängt vom klinischen oder Forschungskontext ab und muss vom Forschungsteam von Fall zu Fall entschieden werden. Ein weiterer Fallstrick ist, dass Forscher versehentlich Rückenmark und Knochenmark in die Skelettmuskulatur einbeziehen können. Um dieses Problem zu vermeiden, sollten Forscher gut ausgebildet sein und während der Segmentierung vorsichtig bleiben. Andere häufige Artefakte in CT- oder MRT-Bildern sind technische Probleme, die durch die Platzierung oder Bewegung des Patienten im Scanner verursacht werden, Fettstränge und Narbengewebe um die Skelettmuskelfaszie und andere seltsam geformte Artefakte (Abbildung 3). Technische Probleme, die durch Patientenbewegungen oder unsachgemäße Platzierung verursacht werden, erscheinen in der Regel leichter, mit höheren HU-Werten als umgebendes Gewebe. Diese Art von technischen Problemen treten normalerweise in SAT auf und können auch die Genauigkeit der Oberflächenberechnung verringern. Der klinische oder Forschungskontext bestimmt den Grad der Toleranz für solche Probleme. Fettstrangbildung und Narbengewebeartefakte führen in der Regel nicht zu hohen Fehlerquoten bei der Berechnung der Gewebeoberfläche. Sie können jedoch zu einer Fehlidentifikation der Faszienlinie führen. Skelettmuskel- und IMAT-Oberflächenbereiche können in Fällen, in denen Fettstränge oder Narbengewebe fälschlicherweise als Muskelfaszienlinie verwechselt werden, sehr ungenau sein. Andere kleine Unreinheiten und Artefakte in CT- und MRT-Bildern beeinträchtigen die Gesamtbildqualität in der Regel nicht, außer in seltenen Fällen. Abhängig vom klinischen oder Forschungskontext müssen diese Artefakte möglicherweise von einem Radiologieexperten bewertet werden, um die Bildqualität zu überprüfen. Das letzte häufige Problem in CT- und MRT-Bildern sind Deformitäten in der Muskelfaszienlinie (Abbildung 4). Diese Brüche beeinträchtigen normalerweise nicht die Bildqualität, aber Bilder, die große Brüche oder andere Deformitäten in Muskelfaszien enthalten, sollten von einem Radiologen beurteilt werden, um festzustellen, ob der Deformitätsursprung die Analyse des klinischen oder Forschungskontexts beeinflusst.
Das von Avruvin et al. entwickelte lineare L3-Messverfahren weist weniger häufige Fehler auf als das L3-Segmentierungsverfahren14,15. Die Hauptprobleme bei linearen Messungen drehen sich um die Identifizierung der interessierenden Muskelgruppen, der beiden Psoas- und Paraspinalmuskelgruppen (Abbildung 5). In den meisten Fällen unterscheiden sich die Psoas-Kanten von nahe gelegenen Organen, aber für den Fall, dass der Rand schwer zu erkennen ist, wird das Ändern der HU-Filter oder der Helligkeit normalerweise die Mehrheit der Probleme lösen. Darüber hinaus unterscheiden sich die Ränder der paraspinalen Muskelgruppen oft von anderen nahe gelegenen Geweben, aber man sollte beachten, dass, wenn kein klarer Muskel die unterste Faszienlinie erreicht, die Linie nicht in die Bestimmung des unteren Randes der paraspinalen Muskelgruppe einbezogen werden sollte. Schließlich sollte der Quadratus lumborum bei der Bestimmung des Randes der Psoas- oder paraspinalen Muskelgruppen ausgeschlossen werden (Abbildung 5E).
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/61674/61674fig01.jpg"> Abbildung 1: Korrekte L3-Segmentierung in Slice-O-Matic. (A) Das unveränderte axiale CT-Bild an L3-Wirbeln. (B) Die vollständig markierte axiale CT mit Rot entsprechend Skelettmuskel (SM), Grün zu Intramuskulärem Fettgewebe (IMAT), Gelb zu Vesical Adipose Tissue (VAT) und Cyan zu Subkutanem Fettgewebe (SAT). <a href="https://www.jove.com/files/ftp_upload/61674/61674fig01large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/61674/61674fig02.jpg"> Abbildung 2: Schneiden Sie das L3-CT-Bild ab. Ein unmarkiertes CT-Bild in Slice-O-Matic mit erheblichen Mengen sat sowie signifikanten Mengen an abgeschnittenem Skelettmuskelgewebe. <a href="https://www.jove.com/files/ftp_upload/61674/61674fig02large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/61674/61674fig03.jpg"> Abbildung 3: Häufige Artefakte. (A) Das CT-Bild ohne Tags weist verschiedene Artefakte auf, die im roten Feld, im blauen Oval bzw. im grünen Feld hervorgehoben sind. Das rote Feld zeigt technische Probleme mit einem CT-Scan, möglicherweise durch Fehlstellung oder Bewegung während des Scans. Das blaue Oval hebt ein häufiges Artefakt hervor, das wahrscheinlich aus Narbengewebe stammt. Das grüne Quadrat hebt Schönheitsfehler hervor, die mehrere mögliche Ursachen haben können. (B) Der markierte CT-Scan mit Erscheinungen der gleichen Artefakte, die im roten Feld, im blauen Oval und im grünen Feld hervorgehoben sind. <a href="https://www.jove.com/files/ftp_upload/61674/61674fig03large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/61674/61674fig04.jpg"> Abbildung 4: Großer Bruch in der Muskelfaszie. (A) Das nicht markierte L3-CT-Bild zeigt einen großen Bruch in der Skelettmuskelfaszie in der violetten Box. (B) Das getaggte L3 CT-Bild hebt das markierte Aussehen des großen Bruchs in der Skelettmuskelfaszie in der violetten Box hervor. <a href="https://www.jove.com/files/ftp_upload/61674/61674fig04large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/61674/61674fig05.jpg"> Abbildung 5:Lineare L3-Messungen. (A) Das ursprüngliche L3-CT-Bild vor der Analyse im Horos-Bildbetrachter. (B) Die traditionelle lineare Messmethode umfasst eine vertikale Linie und eine horizontale Linie, die für jeden Muskel gezeichnet werden. Diese Linien werden mit einem Linealwerkzeug gemessen und multipliziert, um die Oberfläche jeder Muskelgruppe zu finden. Beachten Sie, dass die traditionelle Methode der linearen Messgrößen immer Linien haben sollte, die sich bei 90 ° schneiden. Dieses Bild der traditionellen linearen Messmethode ist nur eine visuelle Demonstration, da sie in Horos erstellt wurde und nicht garantiert 90 ° -Kreuzungen hat. (C) (D) (E) Die Box-Methode für lineare L3-Messungen. (C) (D) Die blaue und violette Box umfassen die rechte bzw. linke Psoas, und die gelbe und grüne Box umfassen den rechten bzw. linken Paraspinalmuskel. (E) Die hellvioletten und orangefarbenen Kästchen heben den Quadratus lumborum hervor, der bei der Bestimmung der Ränder der Psoas- und Paraspinalmuskelgruppen nicht berücksichtigt werden sollte. <a href="https://www.jove.com/files/ftp_upload/61674/61674fig05large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/61674/61674fig06.jpg"> Abbildung 6: Vergleich von linearen Messungen und L3-Querschnitts-Skelettmuskelbereich, n = 65. Die kombinierten Psoas- und Paraspinalbereiche entsprechen der gesamten Skelettmuskulatur im L3-Querschnitt. <a href="https://www.jove.com/files/ftp_upload/61674/61674fig06large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>CT-SEGMENTIERUNG</td>
			<td></td>
			<td></td>
			<td></td>
			<td></td>
		</tr>
<tr>
<td></td>
			<td>Muskel</td>
			<td>Intramuskuläres Fettgewebe</td>
			<td>Viszerales Fettgewebe</td>
			<td>Subkutanes Fettgewebe</td>
		</tr>
<tr>
<td>Fläche (cm2)</td>
			<td>134.4</td>
			<td>8.402</td>
			<td>72.43</td>
			<td>271</td>
		</tr>
<tr>
<td>Hounsfield-Einheit (Mittelwert)</td>
			<td>33.61</td>
			<td>2.1</td>
			<td>18.11</td>
			<td>67.76</td>
		</tr>
<tr>
<td>Patientenhöhe im Quadrat (m2)</td>
			<td>2.69</td>
			<td>Skelettmuskelindex (Muskelfläche/Größe2, cm2/ m2)</td>
			<td></td>
			<td>49.97</td>
		</tr>
</tbody></table>Tabelle 1: CT-Segmentierung
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>MRT-SEGMENATION</td>
			<td></td>
		</tr>
<tr>
<td></td>
			<td>Muskel</td>
		</tr>
<tr>
<td>Fläche (cm2)</td>
			<td>241.8</td>
		</tr>
<tr>
<td>Hounsfield-Einheit (Mittelwert)</td>
			<td>35.85</td>
		</tr>
<tr>
<td>Patientenhöhe (m2)</td>
			<td>3.39</td>
		</tr>
<tr>
<td>Skelettmuskelindex</td>
			<td rowspan="2">71.42</td>
		</tr>
<tr>
<td>(Muskelfläche/Höhe2, cm2/m2)</td>
		</tr>
</tbody></table>Tabelle 2: MRT-Segmentierung
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td colspan="8">LINEARE MAßNAHMEN</td>
		</tr>
<tr>
<td>Rechte Psoas Höhe (cm)</td>
			<td>Rechte Psoas Breite (cm)</td>
			<td>Linke Psoas Höhe (cm)</td>
			<td>Linke Psoas Breite (cm)</td>
			<td>Rechte paraspinale Höhe (cm)</td>
			<td>Rechte paraspinale Breite (cm)</td>
			<td>Linke paraspinale Höhe (cm)</td>
			<td>Linke paraspinale Breite (cm)</td>
		</tr>
<tr>
<td>3.934</td>
			<td>2.927</td>
			<td>3.743</td>
			<td>2.788</td>
			<td>4.916</td>
			<td>6.264</td>
			<td>4.403</td>
			<td>7.045</td>
		</tr>
<tr>
<td colspan="2">Psoas Fläche insgesamt (cm2)</td>
			<td colspan="2">21.950</td>
			<td colspan="2">Paraspinale Gesamtfläche (cm2)</td>
			<td colspan="2">61.813</td>
		</tr>
<tr>
<td colspan="4">Gesamtmuskelfläche (cm2)</td>
			<td colspan="4">83.76</td>
		</tr>
<tr>
<td colspan="2">Patientenhöhe im Quadrat (m2)</td>
			<td colspan="2">2.496</td>
			<td colspan="2">Linearer Maßindex (cm2/m2)</td>
			<td colspan="2">33.55</td>
		</tr>
</tbody></table>Tabelle 3: Lineare Messgrößen

Watch this Scientific Journal Video about Segmentation and Linear Measurement for Body Composition Analysis using Slice-O-Matic and Horos at JoVE.com

Segmentation and Linear Measurement for Body Composition Analysis using Slice-O-Matic and Horos

Segmentierung und lineare Messungen quantifizieren Skelettmuskelmasse und Fettgewebe mit Computertomographie und / oder Magnetresonanztomographie. Hier skizzieren wir die Verwendung der Slice-O-Matic-Software und des Horos-Bildbetrachters für eine schnelle und genaue Analyse der Körperzusammensetzung. Diese Methoden können wichtige Informationen für Prognose und Risikostratifizierung liefern.

Segmentierung und lineare Messung zur Analyse der Körperzusammensetzung mit Slice-O-Matic und Horos

Body composition is associated with risk of disease progression and treatment complications in a variety of conditions. Therefore, quantification of ...

Die Degeneration des Bandmuskels bei einer Sarkopenie hat sich als prognostischer Faktor für das Überleben und den Behandlungserfolg von Krebs erwiesen. Die Analyse der Zusammensetzung der dritten Lendengegend ist von Interesse, da sie eine quantitative Charakterisierung der Skelettmuskulatur ermöglicht und innerhalb von CT-Scans qualitative Informationen über das Fettgewebe liefert. Die folgenden Verfahren bieten Protokoll und segmentierte Vertikale in der sliceOmatic-Software sowie Ihre Messprotokolle für die Zusammensetzungsanalyse in CT- und MRT-Bildern.Die Auswahl des L3-Wirbelprotokolls wird innerhalb der GE-Zentrizität abgeschlossen. Beachten Sie, dass bei Verwendung einer anderen Software die Tools variieren können. Öffnen Sie die CT- oder MRT-Bilder des Patienten, die innerhalb des interessierens Ihnen den interessierenden Zeitraum gemacht haben.Wählen Sie Monitorbereiche, 2V-Fensteransicht. Wählen Sie die koronale oder sagittale Ansicht auf dem linken Bildschirm aus, indem Sie zu Serien navigieren und dann die koronalen oder sagittalen Bilder auswählen. Wählen Sie die axiale Ansicht auf dem rechten Bildschirm aus, indem Sie zu Reihen navigieren und dann die axialen Bilder auswählen.Klicken Sie auf conn, Querverweis, um die beiden Bilder zu verknüpfen, und scrollen Sie dann durch die Bilder in der koronalen oder sagittalen Ansicht, um sicherzustellen, dass die Wirbelsäulenwirbel gut sichtbar sind. Scrollen Sie als Nächstes durch die axialen Ansichtsbilder, um die L1-Wirbel zu finden. Der L1 ist der erste Wirbel, der keinen Rippenaufsatz hat.Zählen Sie von den L1 bis zu den L3-Wirbeln. Achten Sie darauf, die sagittale oder koronale Ansicht als Referenz zu verwenden, um das Zentrum der L3-Wirbel zu lokalisieren. Exportieren Sie das L3-Bild, indem Sie zum Prüfungsmenü navigieren, Bilder exportieren, ausgewählte Bilder auswählen.Stellen Sie sicher, dass das Format DICOM ist. Wählen Sie dann den Speicherort aus, an dem das Bild gespeichert werden soll. Doppelklicken Sie auf die Datei DICOM, um sliceOmatic zu öffnen.Sobald das Programm geladen ist, ziehen Sie das DICOM-Bild an eine beliebige Stelle in den sliceOmatic-Bildschirm. Wechseln Sie zu Modi, Region wächst, um mit der Segmentierung zu beginnen. Wählen Sie Werkzeuge, Tag-Sperre.Diese Funktion wird in den folgenden Schritten verwendet. Klicken Sie auf die rote unter Der wachsenden Region, um die H.U.-Grenzen für Muskeln festzulegen. Klicken Sie dann auf die Schaltfläche Aus neben der unteren Grenze.Dadurch wird es eingeschaltet. Stellen Sie das Limit mit dem Schieberegler so nahe wie möglich an minus 29 ein. Verwenden Sie dann das Mausrad, um es genau auf negative 29 einzustellen.Klicken Sie anschließend auf die Schaltfläche Aus neben der oberen Grenze, um sie auf Ein zu setzen. Verwenden Sie den Schieberegler und das Mausrad, um das H.U.-Limit auf positive 150 einzustellen Als nächstes klicken Sie auf die grünen zwei, um die H.U.-Limits für I.M.A.T. festzulegen, und setzen Sie die unteren und oberen Grenzen auf die gleiche Weise, aber setzen Sie die untere Grenze auf negative 190 und die obere Grenze auf negative 30. Klicken Sie auf die gelbe Fünf, um die Limits für V.A.T. dieses Mal in der unteren Grenze auf negativ 150 und die obere Grenze auf negativ 50 zu setzen.Klicken Sie abschließend auf die Cyan-Sieben, um die H.U.-Grenzwerte für S.A.T. festzulegen und die untere Grenze auf negative 190 und die obere Grenze auf negative 30 zu setzen. Drücken Sie die Plus- und Minustasten auf der Tastatur, um das Bild nach Bedarf zu vergrößern. Passen Sie den Zoom während des gesamten Segmentierungsprozesses nach Bedarf an.Wählen Sie die rote aus und stellen Sie sicher, dass die Pinseloption auf Malen eingestellt ist. Verwenden Sie die Pinselgröße, die für das Bild am effizientesten ist, und beginnen Sie mit dem Malen, indem Sie auf Muskelgewebe klicken. Übermalen Sie die Psoas, paraspinalen Muskelgruppen und schrägen Muskelgruppen.Achten Sie auf die Ränder des Muskels, die sich in der Nähe der Wirbelsäule, der inneren Organe oder Flüssigkeiten befinden, um sicherzustellen, dass diese nicht als Muskel gekennzeichnet sind. Wenn etwas falsch markiert ist, wählen Sie keine aus, und löschen Sie den Fehler. Sobald alle Muskeln markiert wurden, wählen Sie einen im Tag-Sperrmenü aus.Dadurch wird sichergestellt, dass kein Muskel versehentlich gelöscht oder neu markiert wird, wenn die Segmentierung fortschreitet. Wählen Sie die grünen zwei und malen Sie das I.M.A.T.-Gewebe innerhalb der Muskelfaszie. Beachten Sie, dass die meisten Lücken im Muskel selbst I.M.A.T. sind.Beachten Sie, dass die Ränder der Muskelfaszie oft heller aussehen als das umgebende Gewebe.Dies kann ein hilfreicher Leitfaden sein, insbesondere in den Regionen, in denen die schrägen Muskelgruppen auf die paraspinalen Muskelgruppen treffen, und in der Region unterhalb der Erector Spinae, aber oberhalb der Faszienlinie. Sobald alle I.M.A.T. markiert wurden, wählen Sie die beiden unter dem Tag-Sperrmenü aus. Wählen Sie als Nächstes die gelben Fünf aus dem Menü "Region wachsen", um mit der Segmentierung zu beginnen V.A.T.One kann weiterhin die Pinseloption verwenden, aber für viele Bilder kann es einfacher und schneller sein, stattdessen die Option "Zu D wachsen" zu verwenden.Wenn Sie grow to D verwenden, achten Sie darauf, die kleinste Pinselgröße auszuwählen, und klicken Sie dann auf das V.A.T.-Gewebe im Bild, um es zu markieren. Stellen Sie sicher, dass die Gewebe oder Fette innerhalb der Grenze des Darms oder anderer Organe nicht als V.A.T. markiert sind.Sobald alle V.A.T.is markiert sind, wählen Sie fünf aus dem Tag-Lock-Menü aus. Wählen Sie abschließend die Cyan-Sieben aus dem Menü für die Region, die wächst, um S.A.T.-Gewebe zu markieren.Auch hier ist S.A.T.tissue je nach Bild oft einfacher mit der Option "Grow to D" zu markieren. Sobald S.A.T.-Gewebe markiert ist, überprüfen Sie über die Ränder, insbesondere um die Haut, um sicherzustellen, dass nur subkutanes Fett als S.A.T. markiert ist.Sobald alle Gewebe markiert wurden, schauen Sie sich das Bild an, um sicherzustellen, dass keine Fehler oder falsch markiertes Gewebe vorhanden sind. Wenn Sie fertig sind, gehen Sie zu den Werkzeugen, markieren Sie das Oberflächenvolumen.Klicken Sie auf die Schaltfläche Fensterwerte und notieren Sie die Oberfläche jedes Gewebes und die durchschnittlichen H.U.-Werte. Gehen Sie schließlich zu Datei, speichern Sie Tag-Dateien. Dadurch wird eine Tag-Datei gespeichert, in der sich das DICOM-Image befindet.Um mit der MRT-Segmentierung zu beginnen, gehen Sie zu den Modi, Region wächst. Wenn wir in das Vorschaufenster schauen, können wir ein Histogramm der H.U.-Werte sehen, wobei der erste Peak Luft ist, der nächste Skelettmuskel, und wenn die folgenden Peaks erkennbar sind, werden sie Knochen sein, gefolgt von Fettgewebe. Beachten Sie, dass bei der Verwendung von MRT-Bildern normalerweise nur die Skelettmuskulatur aufgrund einer schlechten Fettgewebeunterscheidung sicher segmentiert werden kann.Wählen Sie die rote aus und drehen Sie die untere Grenze, wenn Sie sie auf Null setzen. Schalten Sie dann die obere Grenze ein und ändern Sie die Mausradoption in die obere Grenze. Als nächstes wählen Sie Farbe und eine große Pinseloption und bewegen Sie dann den Cursor über den Psoas-Muskel, so dass der Cursorbereich sowohl Muskeln als auch Knochen umfasst.Um sicher zu sein, dass Knochen nicht als Muskel markiert ist, legen Sie die obere Grenze konservativ fest, indem Sie das Mausrad bewegen, bis die obere Grenze keines der äußeren Knochengewebe enthält. Dann segmentieren Sie das Muskelgewebe unmittelbar neben der Wirbelsäule. Als nächstes bewegen Sie den Cursor zur Linea alba oder an eine andere Stelle auf dem Scan, wo Fettgewebe und Muskeln leicht zu unterscheiden sind.Erhöhen Sie die Obergrenze so hoch wie möglich, ohne Fettgewebe einzubeziehen. Von hier aus kann man alle verbleibenden Skelettmuskeln segmentieren. Beachten Sie, dass bei einigen Bildern die Obergrenze möglicherweise ständig angepasst werden muss.Beachten Sie, dass die Festlegung der Obergrenze bei diesem zweistufigen Verfahren zwar konservativ ist, aber die Menge der zu markierenden Skelettmuskulatur optimiert, ohne sich um eine signifikante fehlerhafte Markierung von Knochen oder Fettgewebe kümmern zu müssen. Wenn Sie fertig sind, gehen Sie zu den Werkzeugen, markieren Sie das Oberflächenvolumen und wählen Sie Fensterwerte aus, um die Oberfläche und die durchschnittlichen H.U.-Werte des Skelettmuskels aufzuzeichnen. Es wurde gezeigt, dass die lineare Messung der L3-Wirbelregion eng mit der gesamten Muskelmasse korreliert.Der Vorteil der linearen Messung ist ihre Leichtigkeit und Geschwindigkeit sowie die Tatsache, dass sie auf jeder Software mit einem Linealwerkzeug oder kastenwerkzeug durchgeführt werden kann. Dieses Protokoll wird mit der Horace Medical Imaging App demonstriert. Wenn Sie eine andere Software verwenden, beachten Sie, dass die spezifischen Tools sehr sein können.Importieren Sie das Bild in den Viewer, indem Sie auf Importieren klicken, dann zum Bildspeicherort navigieren und Öffnen auswählen. Klicken Sie nach dem Import auf das Bild oder den Patientennamen, um das Bild unten anzuzeigen. Doppelklicken Sie auf das Bild, um es zu maximieren, wodurch auch die Werkzeugoptionen geöffnet werden.Identifizieren Sie die Psoas- und Paraspinalmuskelgruppen. Beachten Sie, dass der Quadratus lumborum bei der Bestimmung der Ränder der paraspinalen Muskelgruppen nicht berücksichtigt werden sollte. Wählen Sie das Linealwerkzeug aus.Zeichnen Sie eine vertikale Linie von den höchsten Punkten der Muskelgruppe bis zum unteren Ende der Muskelgruppe. Zeichnen Sie dann eine horizontale Linie vom breitesten Rand der Muskelgruppe zum anderen breitesten Rand der Muskelgruppe. Wiederholen Sie diesen Vorgang sowohl für die rechte als auch für die linke Psoas sowie die rechte und linke paraspinale Gruppe.Beachten Sie, dass sich die gezeichneten Linien bei 90 Grad schneiden müssen. Beachten Sie, wenn die Kanten der gezeichneten Linien verbunden werden sollen, sollte diese Verbindung eine Box bilden, die die gesamte Muskelgruppe umfasst. Im Horace Medical Viewer ist es schwierig, mit dem Linealwerkzeug sicherzustellen, dass sich die Linien bei 90 Grad schneiden.Aus diesem Grund sollte stattdessen das Box-Zeichenwerkzeug verwendet werden. Wählen Sie das Rechteckwerkzeug aus. Zeichnen Sie eine Box um jede Muskelgruppe und beachten Sie nun, dass die Ränder der Box die höchsten und niedrigsten Teile des Muskels sowie die breitesten Teile des Muskels berühren.Solange das Box-Werkzeug seine vertikalen und horizontalen Abmessungen anzeigt, kann es dem Linealwerkzeug vorzuziehen sein, da es eine einfache Visualisierung der Muskelgrenzen ermöglicht. Ein richtig segmentiertes CT- oder MRT-Bild sollte keine Muskelmarkierung jenseits der Faszienlinien aufweisen, und für CT-Bilder sollte es keine Fettmarkierung innerhalb der Muskelfaszie oder auf der Haut geben. Zeichnen Sie die Muskeloberfläche neben der Größe des Patienten auf, um den Skelettmuskelindex zu berechnen.Bei CT-Scans können die Oberflächen des Fettgewebes basierend auf den spezifischen Forschungs- oder klinischen Fragen von Interesse aufgezeichnet werden. Zusätzlich können durchschnittliche H.U.-Werte für die Qualitätskontrolle aufgezeichnet werden L3 lineare Messung sollte die Lineal- oder Box-Messungen haben, die den gesamten Muskel umfassen. Zeichnen Sie die horizontalen Breiten und die vertikalen Höhen jedes Muskels sowie die Patientenhöhe auf.Multiplizieren Sie die Breiten und Höhen für jeden Muskel, dann summieren Sie diese Bereiche, um die gesamte Muskelfläche zu erhalten. Berechnen Sie den linearen Messindex, indem Sie die Gesamtfläche durch die Patientenhöhe im Quadrat dividieren. Das demonstrierte Protokoll ermöglicht es Klinikern und Forschern, L3-CT- oder MRT-Scans zu verwenden, um schnelle und zuverlässige quantitative Informationen für die Beurteilung von Sarkopenie zu erhalten.

Research

JoVE Journal

Medicine

Dissection of Human Vitreous Body Elements for Proteomic Analysis

Dissection of Human Glaskörper Elemente für Proteomanalyse

The vitreous is an optically clear, collagenous extracellular matrix that fills the inside of the eye and overlies the retina. 1,2 Abnormal interactions ...

Forschung

Medizin

Segmentation and Measurement of Fat Volumes in Murine Obesity Models Using X-ray Computed Tomography

Segmentierung und Messung von FAT-Volumes in Murine Obesity Modellen mithilfe von Röntgen-Computertomographie

Obesity is associated with increased morbidity and mortality as well as reduced metrics in quality of life.1 Both environmental and genetic factors are ...

The Measurement and Treatment of Suppression in Amblyopia

Die Messung und Behandlung von Unterdrückung in Amblyopie

Amblyopia, a developmental disorder of the visual cortex, is one of the leading causes of visual dysfunction in the working age population. Current ...

Semi-automated Analysis of Mouse Skeletal Muscle Morphology and Fiber-type Composition

Semi-automatische Analyse von Maus Skelettmuskulatur Morphologie und Fasertyp Zusammensetzung

For years, distinctions between skeletal muscle fiber types were best visualized by myosin-ATPase staining. More recently, immunohistochemical staining of ...

Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRI&#8212;Application in Premanifest Huntington's Disease

Whole-brain Segmentation and Change-point Analysis of Anatomical Brain MRIÃƒÆ’Ã‚Â¢ÃƒÂ¢Ã¢â‚¬Å¡Ã‚Â¬ÃƒÂ¢Ã¢â€šÂ¬Ã‚ÂApplication in Premanifest Huntington's Disease

Gesamte Gehirn Segmentierung und Change-Point-Analyse der anatomischen Gehirn MRI-Anwendung in Prämanifesten Huntington-Krankheit

Recent advances in MRI offer a variety of useful markers to identify neurodegenerative diseases. In Huntington&#39;s disease (HD), regional brain atrophy ...

Body Composition and Metabolic Caging Analysis in High Fat Fed Mice

Körperzusammensetzung und festsetzende Stoffwechselanalyse bei hohen Fett Fed Mäusen

Alterations to body composition (fat or lean mass), metabolic parameters such as whole-body oxygen consumption, energy expenditure, and substrate ...

Handheld Metal Detector Screening for Metallic Foreign Body Ingestion in Children

Handheld-Metalldetektor-Screening für metallische Fremdkörper Verschlucken bei Kindern

Coins are the most common ingested metallic foreign bodies among children. The goal of this protocol is to assess the accuracy and feasibility of using a ...

Comparing Bibliometric Analysis Using PubMed, Scopus, and Web of Science Databases

Vergleichen der bibliometrischen Analyse mit PubMed-, Scopus- und Web of Science-Datenbanken

Literature databases (i.e., PubMed, Scopus, and Web of Science) differ in terms of their coverage, focus, and the tool they provide. PubMed focuses mainly ...

Quantitative Analysis of Cellular Composition in Advanced Atherosclerotic Lesions of Smooth Muscle Cell Lineage-Tracing Mice

Quantitative Analyse der zellulären Zusammensetzung in fortgeschrittene atherosklerotische Läsionen der glatten Muskulatur Zelle Abstammung-Tracing Mäuse

Atherosclerosis remains the leading cause of death worldwide and, despite countless preclinical studies describing promising therapeutic targets, novel ...

Dynamic Measurement and Imaging of Capillaries, Arterioles, and Pericytes in Mouse Heart

Dynamische Messung und Bildgebung von Kapillaren, Arteriolen und Pericyten im Mausherz

Coronary arterial tone along with the opening or closing of the capillaries largely determine the blood flow to cardiomyocytes at constant perfusion ...