Măsurarea automată rapidă a distribuției grăsimii corporale din RMN-ul întregului corp American Journal of

rapidă

Articole similare

Recomandați și distribuiți

August 2005, volumul 185, numărul 2

Imagistica MR

Observații clinice

Măsurarea automată rapidă a distribuției grăsimii corporale din RMN întregul corp

  • Abstract
  • Text complet
  • Cifre
  • Referințe
  • PDF
  • PDF Plus
  • Adauga la favorite
  • Permisiuni
  • Descărcați Citația

OBIECTIV. Scopul acestui articol este de a determina fezabilitatea utilizării tehnicilor de diagnostic asistat de computer (CAD) pentru a identifica, localiza și măsura automat țesutul adipos dintr-o examinare rapidă a RMN a întregului corp.

CONCLUZIE. RMN-ul întregului corp împreună cu CAD permite o abordare rapidă, automată și precisă a măsurării și localizării grăsimii corporale și poate fi o alternativă utilă la indicele de masă corporală. Analiza grăsimii din întregul corp poate fi realizată în mai puțin de 5 minute.

Determinarea exactă a grăsimii corporale totale a unei persoane este o problemă importantă în analiza medicală, deoarece obezitatea este un factor semnificativ care contribuie la o varietate de probleme grave de sănătate. Literatura medicală identifică o gamă largă de boli care sunt strâns legate de obezitate. Metodele actuale de evaluare a grăsimii sunt în mare măsură inexacte, iar majoritatea metodelor actuale de determinare a grăsimilor nu pot prezenta o distribuție regională a grăsimilor, ceea ce este important în definirea riscului de boală. Introducem o metodă care combină tehnicile asistate de computer cu tehnicile RMN ale întregului corp și permite cuantificarea și vizualizarea exactă a sarcinii totale a grăsimii corporale și a distribuției regionale a grăsimii. Această tehnică poate fi importantă în identificarea și tratarea populațiilor cu risc.

Acest studiu a inclus 42 de pacienți (21 de bărbați și 21 de femei) care au fost recrutați prin publicitate locală în spital și o clinică sportivă legată de spital. Acești voluntari au inclus o cohortă de canotieri internaționali, un grup de sportivi de elită la care estimarea grăsimii corporale este de o importanță deosebită, deoarece indivizii au o greutate limitată. A fost obținută aprobarea consiliului instituțional local. Consimțământul informat a fost obținut de la fiecare subiect, iar greutatea și înălțimea acestuia au fost înregistrate. Acestea au fost utilizate pentru a calcula indicele de masă corporală (IMC) la fiecare pacient.

Imaginile MR au fost achiziționate pe o unitate de imagistică de 1,5 T (Intera, Philips Medical Systems), care a fost echipată cu un extensor de masă și a permis mișcările automate de masă. Cu extensia de masă se realizează o acoperire caudocraniană de 200 cm, ceea ce permite examinarea tuturor subiecților, cu excepția celor mai înalți. Imaginile sunt achiziționate în șase până la șapte stive complet integrate, cu o suprapunere mică. Am achiziționat imagini coroane cu gradient-ecou ponderat T1 (TR/TE, 112/1,62; unghi de rotație, 70 °, număr de semnale mediat, 1; matrice, 256 × 256; câmp de vedere dreptunghiular 80%, 189 × 189). Interpolarea automată a voxelurilor a fost utilizată pentru a produce voxeli de 2,02 × 2,02 × 8,00 mm 3 .

Pentru procesul de scanare, pacienții sunt așezați în decubit dorsal, cu brațele încrucișate peste abdomen. Acest lucru permite imaginarea membrelor superioare ale subiecților. Am plasat inițial mâinile subiecților de laturi, dar am constatat că acest lucru a provocat artefactul aliasing. După imagistică, datele brute sunt transferate, în format DICOM, către o stație de lucru pentru analiză. La stația de lucru, seturi complexe de algoritmi sunt aplicate secvențial la fiecare set de date pentru a izola grăsimea.

În RMN cu corp întreg, subiectul este imaginat într-un set de secțiuni coronale suprapuse. Seria rezultată de imagini MR trebuie reconstituită într-un set de date volumetrice pentru a facilita analiza. Există două aspecte care necesită o atenție deosebită în acest proces: înregistrarea spațială și potrivirea la scară de gri. Pentru a realiza o înregistrare spațială corectă, folosim vectori de localizare și orientare stocate în antetele DICOM. Acest lucru ne permite să poziționăm cu precizie fiecare imagine într-un sistem global de coordonate. În acest fel, putem explica orice suprapunere între feliile coronale adiacente și putem genera corect volumul final.

Este necesară potrivirea la scară de gri, deoarece pot exista compensări semnificative de intensitate între secțiunile coronare succesive datorită naturii procesului de achiziție RMN, în special relației spațiale strânse dintre spate și bobinele receptorului. Este necesar să se minimizeze aceste efecte pentru a optimiza performanța procedurii de analiză automată. Obținem acest lucru folosind potrivirea histogramei. Se construiește o histogramă de intensitate pentru fiecare secțiune coronară, vârful caracteristic reprezentând țesutul moale este identificat algoritmic în fiecare caz, iar setul de vârfuri sunt aliniate pentru a se potrivi cu distribuțiile la scară de gri pe toate secțiunile.

O examinare vizuală a imaginilor conținute în seturile de date relevă faptul că țesuturile grase tind să aibă o valoare mai mare la scară de gri decât alte țesuturi. Dar aceste imagini indică, de asemenea, că există o variație ridicată la scară de gri în regiunile imaginii reprezentând țesuturile adipoase. De asemenea, chiar și după potrivirea histogramei, valorile la scară de gri ale grăsimii în unele situații se suprapun peste cele asociate cu alte țesuturi de intensitate nominală mai mică, cum ar fi cele care reprezintă ficatul sau creierul. Prin urmare, segmentarea exactă nu poate fi realizată prin aplicarea unor metode simple bazate pe praguri.

Pentru a face față acestor probleme, am conceput un algoritm de segmentare în patru pași. Un nivel de prag inițial este calculat pe baza unei analize a histogramei de date. Vârful care reprezintă țesutul moale este localizat, iar voxelurile cu valori care se încadrează peste sfârșitul acestui vârf sunt inițializate ca potențiali voxeli de grăsime. Apoi folosim un pas de îmbunătățire a limitelor pentru a compensa căderea semnalului în unele regiuni periferice ale datelor. Apoi aplicăm o procedură de creștere a regiunii 3D. În cele din urmă, aplicăm un proces de rafinare a regiunii prin care voxelii candidați sunt grupați în regiuni conectate [1]. Prin acest proces, ajungem la o segmentare robustă a semnalului datorită țesutului adipos din volumul de date.

Calculul grăsimii corporale totale (TBF) se efectuează utilizând următoarea formulă: TBF =NFatVoxels) (Voxel_Dim) (Grăsime_Densitate), Unde NFatVoxels este numărul total de voxeli grași conținuți în setul de date, Voxel_Dim este dimensiunea voxel (în cm 3) și Grăsime_Densitate este densitatea țesutului adipos (în g/cm 3). Dimensiunile voxelului pot fi extrase din antetul DICOM, iar seturile de date utilizate în studiul nostru au avut în mare parte dimensiuni de 2,02 × 2,02 × 8,00 mm 3. Literatura medicală indică faptul că densitatea țesutului adipos poate fi considerată constantă [2] și de obicei i se atribuie o valoare de 0,9196 g/cm3. Conținutul de grăsime este determinat prin numărarea voxelurilor de țesut adipos conținute în datele segmentate (marcate cu galben în Fig. 1). Am normalizat aceste valori pentru a produce grăsimea corporală totală în kilograme.

Rezultatele analizei sunt prezentate în mai multe moduri. Revizuirea ortogonală simplă permite examinarea secțiunilor axiale, coronale și sagitale, evidențiind regiunile care au fost clasificate drept grăsime corporală. Marcarea color a imaginilor oferă feedback vizual eficient, îmbunătățind lizibilitatea datelor (Fig. 1). Această formă de revizuire permite, de asemenea, examinarea detaliată a distribuției grăsimii în organism și facilitează identificarea ușoară a zonelor cu o concentrație specială de grăsime.