Possibilities of Dixon sequences in magnetic resonance imaging for fat fraction quantification: a phantom study

Cover Image

Cite item

Full Text

Abstract

BACKGROUND: The accuracy of quantitative parameters obtained using magnetic resonance imaging is of scientific and practical interest. Monitoring of scan parameters and standardization of commonly used approaches to assess fat fraction remain challenging in radiology.

AIM: This study aimed to evaluate the possibility of fat fraction quantification using standard Dixon pulse sequences through phantom modeling.

METHODS: This multicenter, cross-sectional, nonblinded experimental study used direct oil-in-water emulsions to model substances with varying fat concentrations. Test tubes containing these emulsions were placed in a cylindrical phantom. The emulsions were prepared with mixtures of vegetable oils, with fat fraction values of 10%–60%. Several tests were conducted using scanners from different manufacturers and with varying magnetic field strengths: Optima MR450w, 1.5 T; MAGNETOM Skyra, 3 T; Ingenia, 1.5 T; and Ingenia Achieva dStream, 3.0 T at different medical centers. Fat fraction was obtained using standard formulas based on signal intensity measurements. A regression analysis was conducted to assess the linear relationship between the measured and predefined fat fraction concentrations and an F-test to evaluate variability.

RESULTS: Phantom modeling was employed to determine the performance of Dixon pulse sequences across different magnetic resonance imaging scanners for quantitative fat fraction estimation using relevant formulas. In assessing the accuracy of fat fraction quantification, a weak linear correlation was found between the obtained values and predefined fat fraction concentrations. Additionally, significant deviations >5% were observed for certain scanners. Reproducibility analysis demonstrated variability in fat fraction concentration across different scanner models and within the same model.

CONCLUSION: Obtained results confirm that fat fraction quantification using Dixon pulse sequences and relevant formulas should be performed only after preliminary phantom scanning. The use of a phantom ensures adequate quality control and calibration of the magnetic resonance imaging scanner, making accurate quantitative fat measurement more reliable and widely accessible.

About the authors

Olga Yu. Panina

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies; Moscow City Hospital named after S.S. Yudin

Author for correspondence.
Email: olgayurpanina@gmail.com
ORCID iD: 0000-0002-8684-775X
SPIN-code: 5504-8136

MD

Russian Federation, 24 Petrovka st, bldg 1, Moscow, 127051; Moscow

Alexander I. Gromov

Russian University of Medicine; National Medical Research Radiological Center

Email: gai8@mail.ru
ORCID iD: 0000-0002-9014-9022
SPIN-code: 6842-8684

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Moscow; Moscow

Ekaterina S. Ahkmad

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: akhmades@zdrav.mos.ru
ORCID iD: 0000-0002-8235-9361
SPIN-code: 5891-4384
Russian Federation, 24 Petrovka st, bldg 1, Moscow, 127051

Dmitry S. Semenov

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: semenovds4@zdrav.mos.ru
ORCID iD: 0000-0002-4293-2514
SPIN-code: 2278-7290

Cand. Sci. (Engineering)

Russian Federation, 24 Petrovka st, bldg 1, Moscow, 127051

Stanislav A. Kivasev

Central Clinical Hospital “RZD-Medicine”

Email: Kivasev@yahoo.com
ORCID iD: 0000-0003-1160-5905
SPIN-code: 9883-3406

MD

Russian Federation, Moscow

Alexey V. Petraikin

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: PetryajkinAV@zdrav.mos.ru
ORCID iD: 0000-0003-1694-4682
SPIN-code: 6193-1656

MD, Dr. Sci. (Medicine)

Russian Federation, 24 Petrovka st, bldg 1, Moscow, 127051

Valentin A. Nechaev

Moscow City Hospital named after S.S. Yudin

Email: NechaevVA1@zdrav.mos.ru
ORCID iD: 0000-0002-6716-5593
SPIN-code: 2527-0130

MD, Cand. Sci. (Medicine)

Russian Federation, Moscow

References

  1. Outwater EK, Blasbalg R, Siegelman ES, Vala M. Detection of lipid in abdominal tissues with opposed-phase gradient-echo images at 1.5 T: techniques and diagnostic importance. RadioGraphics. 1998;18(6):1465–1480. doi: 10.1148/radiographics.18.6.9821195
  2. Panina OYu, Gromov AI, Akhmad ES, et al. Accuracy of fat fraction estimation using DIXON: experimental phantom study. Medical Visualization. 2022;26(4):147–158. doi: 10.24835/1607-0763-1160 EDN: JDIWXI
  3. Bray TJP, Chouhan MD, Punwani S, et al. Fat fraction mapping using magnetic resonance imaging: insight into pathophysiology. The British Journal of Radiology. 2017;91(1089):20170344. doi: 10.1259/bjr.20170344
  4. Bhat V, Velandai S, Belliappa V, et al. Quantification of liver fat with mDIXON magnetic resonance imaging, comparison with the computed tomography and the biopsy. Journal of Clinical and Diagnostic Research. 2017;11(7):TC06–TC10. doi: 10.7860/JCDR/2017/26317.10234
  5. Bainbridge A, Bray TJP, Sengupta R, Hall-Craggs MA. Practical approaches to bone marrow fat fraction quantification across magnetic resonance imaging platforms. Journal of Magnetic Resonance Imaging. 2020;52(1):298–306. doi: 10.1002/jmri.27039 EDN: WCMNIG
  6. Gulani V, Seiberlich N. Quantitative MRI: rationale and challenges. Advances in Magnetic Resonance Technology and Applications. 2020;1:xxxvii–li. doi: 10.1016/B978-0-12-817057-1.00001-9
  7. Vasilev YuA, Semenov DS, Akhmad ES, et al. A method for assessing the effect of metal artifact reduction algorithms on quantitative characteristics of CT images. Biomedical Engineering. 2020;54(4):285–288. doi: 10.1007/s10527-020-10023-5 EDN: YEHJTT
  8. Morozov S, Sergunova K, Petraikin A, et al. Diffusion processes modeling in magnetic resonance imaging. Insights into Imaging. 2020;11(1):60. doi: 10.1186/s13244-020-00863-w EDN: QEFDVK
  9. Sergunova KA. Using siloxane-based inverse emulsions to control the measured diffusion coefficient in magnetic resonance imaging. Biomedical Engineering. 2019;(5):22–25. (In Russ.) EDN: HUPRTQ
  10. Petraikin AV, Ivanova DV, Akhmad ES, et al. Phantom modeling for selection of optimum reconstruction filters in the quantitative computer tomography. Meditsinskaya fizika. 2020;(2):34–44. EDN: TLLBVQ
  11. Vasilev YuA, Cherkasskaya MV, Akhmad ES, et al. Phantom modelling in magnetic resonance imaging: an overview of materials for simulating tissue relaxation time (review). Polymer materials and technologies. 2023;9(4):6–20. doi: 10.32864/polymmattech-2023-9-4-6-20 EDN: TCSKRR
  12. van Vucht N, Santiago R, Lottmann B, et al. The Dixon technique for MRI of the bone marrow. Skeletal Radiology. 2019;48(12):1861–1874. doi: 10.1007/s00256-019-03271-4
  13. Gromov AI, Gorinov AV, Galljamov EA. Mesenteric chillous lymphangioma. Visualization features on opposed-phase MR images. Medical Visualization. 2019;23(4):86–92. doi: 10.24835/1607-0763-2019-4-86-92 EDN: UCRGCC
  14. Zhao Y, Huang M, Ding J, et al. Prediction of abnormal bone density and osteoporosis from lumbar spine MR using modified dixon quant in 257 subjects with quantitative computed tomography as reference. Journal of Magnetic Resonance Imaging. 2018;49(2):390–399. doi: 10.1002/jmri.26233
  15. Maeder Y, Dunet V, Richard R, et al. Bone marrow metastases: T2-weighted Dixon Spin-Echo Fat Images Can Replace T1-weighted Spin-Echo Images. Radiology. 2018;286(3):948–959. doi: 10.1148/radiol.2017170325
  16. Chow LTC, Ng AWH, Wong SKC. Focal nodular and diffuse haematopoietic marrow hyperplasia in patients with underlying malignancies: a radiological mimic of malignancy in need of recognition. Clinical Radiology. 2017;72(3):265.e7–265.e23. doi: 10.1016/j.crad.2016.10.015
  17. Omoumi P. Update on Advances in Musculoskeletal Magnetic Resonance Imaging. Seminars in Musculoskeletal Radiology. 2015;19(04):319–320. doi: 10.1055/s-0035-1565876
  18. Pezeshk P, Alian A, Chhabra A. Role of chemical shift and Dixon based techniques in musculoskeletal MR imaging. European Journal of Radiology. 2017;94:93–100. doi: 10.1016/j.ejrad.2017.06.011
  19. Fukuzawa K, Hayashi T, Takahashi J, et al. Evaluation of six-point modified dixon and magnetic resonance spectroscopy for fat quantification: a fat–water–iron phantom study. Radiological Physics and Technology. 2017;10(3):349–358. doi: 10.1007/s12194-017-0410-9

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Phantom: a — external appearance of the phantom; b — external appearance of a set of test tubes with prepared emulsions.

Download (156KB)
Indexing metadata
3. Fig. 2. Installation of the phantom and conducting the experiment.

Download (95KB)
Indexing metadata
4. Fig. 3. Magnetic resonance images of the phantom: a — axial scan of the phantom in Fat mode demonstrating the installation of a circular region of interest; b — coronal scan of the phantom with levels at which signal intensity measurements were made. ROI — region of interest; D — diameter; S — area.

Download (125KB)
Indexing metadata
5. Fig. 4. Results of determining the concentration of fat on various magnetic resonance tomographs using Dixon sequences and calculations according to the formulas: a — the calculation is performed using in-phase and antiphase images (1); b — the calculation was performed using water- and fat-weighted images (2). GE Optima — Optima® MR450w 1.5 T (General Electric Healthcare, United States of America); Philips Achieva — Ingenia® Achieva 3.0 T (Philips Healthcare, Netherlands); Philips Ingenia — Ingenia® 3 T (Philips Healthcare, Netherlands); Siemens Skyra — MAGNETOM® Skyra 3 T (Siemens Healthcare, Germany).

Download (319KB)
Indexing metadata

Copyright (c) 2025 Eco-Vector

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».