Возможности DIXON последовательностей в магнитно-резонансной томографии для количественной оценки жировой фракции: фантомное исследование

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. Точность количественных показателей, полученных с помощью магнитно-резонансной томографии, представляет научный и практический интерес. Контроль параметров сканирования и стандартизация общеизвестных подходов к оценке жировой фракции является важной задачей лучевой диагностики.

Цель исследования. Оценить возможность количественного измерения жировой фракции с помощью стандартных диксоновских импульсных последовательностей посредством фантомного моделирования.

Методы. Проведено экспериментальное многоцентровое одномоментное неослеплённое исследование. Для моделирования веществ с разной концентрацией жировой фазы выбраны прямые эмульсии типа «масло в воде». Пробирки с эмульсиями помещали в специальный цилиндрический фантом. Эмульсии на основе смеси растительных масел представлены в диапазоне значений жировой фракции 10–60%. Проводили серию тестирований на сканерах разных производителей и с различной индукцией магнитного поля: Optima MR450w 1,5 Tл, MAGNETOM Skyra 3 Tл, а также на томографе Ingenia 1,5 Тл и Ingenia Achieva dStream 3,0 Tл в разных медицинских центрах. Фракцию жира определяли расчётным методом по общеизвестным формулам на основе измерения интенсивности сигнала. Провели регрессионный анализ линейной зависимости измеренных концентраций жировой фракций от заданных значений, а также F-тест для оценки вариативности.

Результаты. С использованием фантомного моделирования провели проверку работы импульсных диксоновских последовательностей на различных томографах с целью количественного определения жировой фракции по соответствующим формулам. При оценке точности её количественного измерения установлена слабая линейная зависимость между полученными значениями и заданными концентрациями жировой фракции. Кроме того, для некоторых томографов выявлено статистически значимое смещение, превышающее 5%. Оценка воспроизводимости измерений показала различия в вариабельности концентрации жировой фракции как между разными моделями томографов, так и внутри одной.

Заключение. Полученные результаты подтверждают, что расчёт жировой фракции с использованием импульсных диксоновских последовательностей по соответствующим формулам необходимо осуществлять только после предварительного фантомного сканирования. Применение фантома обеспечивает надлежащий контроль качества и калибровку магнитно-резонансного томографа, делая точное количественное измерение жира более надёжным и широкодоступным.

Об авторах

Ольга Юрьевна Панина

Научно-практический клинический центр диагностики и телемедицинских технологий; Городская клиническая больница имени С.С. Юдина

Автор, ответственный за переписку.
Email: olgayurpanina@gmail.com
ORCID iD: 0000-0002-8684-775X
SPIN-код: 5504-8136

MD

Россия, 127051, Москва, ул. Петровка, д. 24, стр. 1; Москва

Александр Игоревич Громов

Российский университет медицины; Национальный медицинский исследовательский центр радиологии

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

д-р мед. наук, профессор

Россия, Москва; Москва

Екатерина Сергеевна Ахмад

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: akhmades@zdrav.mos.ru
ORCID iD: 0000-0002-8235-9361
SPIN-код: 5891-4384
Россия, 127051, Москва, ул. Петровка, д. 24, стр. 1

Дмитрий Сергеевич Семёнов

Научно-практический клинический центр диагностики и телемедицинских технологий

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

канд. техн. наук

Россия, 127051, Москва, ул. Петровка, д. 24, стр. 1

Станислав Александрович Кивасёв

Центральный клинический госпиталь «РЖД-Медицина»

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

MD

Россия, Москва

Алексей Владимирович Петряйкин

Научно-практический клинический центр диагностики и телемедицинских технологий

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

д-р мед. наук

Россия, 127051, Москва, ул. Петровка, д. 24, стр. 1

Валентин Александрович Нечаев

Городская клиническая больница имени С.С. Юдина

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

канд. мед. наук

Россия, Москва

Список литературы

  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

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Фантом: a — внешний вид фантома; b — внешний вид набора пробирок с готовыми эмульсиями.

Скачать (156KB)
3. Рис. 2. Установка фантома и проведение эксперимента.

Скачать (95KB)
4. Рис. 3. Магнитно-резонансные изображения фантома: а — аксиальный скан фантома в режиме Fat с демонстрацией установки круглой области интереса; b — корональный скан фантома с уровнями, на которых производили измерения интенсивности сигнала. ROI — область интереса; D — диаметр; S — площадь.

Скачать (125KB)
5. Рис. 4. Результаты определения концентрации жира на различных магнитно-резонансных томографах с использованием диксоновских последовательностей и расчёта по формулам: a — расчёт осуществляют по изображениям в фазе и противофазе (1); b — расчёт выполняли по изображениям, взвешенным по воде и жиру (2). GE Optima — Optima® MR450w 1,5 Tл (General Electric Healthcare, Соединённые Штаты Америки); Philips Achieva — Ingenia® Achieva 3,0 Tл (Philips Healthcare, Нидерланды); Philips Ingenia — Ingenia® 3 Тл (Philips Healthcare, Нидерланды); Siemens Skyra — MAGNETOM® Skyra 3 Tл (Siemens Healthcare, Германия).

Скачать (319KB)

© Эко-вектор, 2025

Creative Commons License
Эта статья доступна по лицензии 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».