Advertisement

Quantifizierung des viszeralen, subkutanen und totalen Fettgewebes in Ganzkörper MRT Bildern

  • D. Wald
  • T. Schwarz
  • J. Dinkel
  • B. Teucher
  • M. Müller
  • S. Delorme
  • R. Kaaks
  • H.-P. Meinzer
  • T. Heimann
Chapter
Part of the Informatik aktuell book series (INFORMAT)

Kurzfassung

Fettleibigkeit ist ein verbreitetes Problem in der westlichen Welt und kann Krankheiten wie Krebs, Typ-2-Diabetes und Herz- Kreislauf-Erkrankungen auslösen. In den vergangenen Jahren wurde die Magnetresonanztomographie (MRT) zu einer praktikablen Methode, um die Menge und Verteilung des Fettgewebes im Körper zu messen. Die manuelle Analyse ist besonders bei Ganzkörperdaten ein zeitaufwendiger Prozess. Dieses Paper stellt ein semi-automatisches Verfahren vor, dass die unterschiedlichen Fettgewebsarten im gesamten Körper mit geringem Benutzeraufwand quantifiziert. Dabei werden statistische Formmodelle und morphologische Operatoren verwendet, um die verschiedenen Arten des Fettgewebes zu trennen, und um das Knochenmark zu detektieren. Die Methode wurde an 15 Ganzkörper-MRT-Daten getestet. Das Ergebnis der Segmentierung des totalen Fettgewebes erreichte eine volumetrische Überlappung von (93,7±5,5)% und einen Volumenunterschied von (7,3±6,4)% gegenüber dem Goldstandard.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literaturverzeichnis

  1. 1.
    Després JP, Lemieux I. Abdominal obesity and metabolic syndrome. Nature. 2006;444:881–7.CrossRefGoogle Scholar
  2. 2.
    Peng Q, et al. Automated method for accurate abdominal fat quantification on water-saturated magnetic resonance images. J Magn Reson Imaging. 2007;26:238–746.CrossRefGoogle Scholar
  3. 3.
    Al-Attar SA, et al. Semi-automated segmentation and quantification of adipose tissue in calf and thigh by MRI: a preliminary study in patients with monogenic metabolic syndrome. BMC Med Imaging. 2006;6(11):1–8.Google Scholar
  4. 4.
    Demerath EW, et al. Approximation of total visceral adipose tissue with a single magnetic resonance image. Am J Clin Nutr. 2007;85:362–8.Google Scholar
  5. 5.
    Kullberg J, et al. Automated assessment of whole-body adipose tissue depots from continuously moving bed MRI: a feasibility study. J Magn Reson Imaging. 2009;30(1):185–93.CrossRefGoogle Scholar
  6. 6.
    Würslin C, et al. Topography mapping of whole body adipose tissue using a fully automated and standardized procedure. J Magn Reson Imaging. 2010;31(2):430–9.CrossRefGoogle Scholar
  7. 7.
    Szumowski J, et al. Phase unwrapping in the three-point Dixon method for fat suppression MR imaging. Radiology. 1994; p. 555–61.Google Scholar
  8. 8.
    Wald D, et al. Effiziente Methode zur Generierung von Ganzkörperdaten für die Fettgewebsanalyse. Proc BVM. 2010; p. 226–30.Google Scholar
  9. 9.
    Gong L, et al. Automatic arm removal in PET and CT images for deformable registration. Comput Med Imaging Graph. 2006;30:469–77.CrossRefGoogle Scholar
  10. 10.
    Heimann T, Münzing S, Meinzer HP, et al. A shape-guided deformable model with evolutionary algorithm initialization for 3D soft tissue segmentation. Lect Notes Computer Sci. 2007;4584:1–12.CrossRefGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2011

Authors and Affiliations

  • D. Wald
    • 1
  • T. Schwarz
    • 1
  • J. Dinkel
    • 2
  • B. Teucher
    • 3
  • M. Müller
    • 1
  • S. Delorme
    • 2
  • R. Kaaks
    • 3
  • H.-P. Meinzer
    • 1
  • T. Heimann
    • 1
  1. 1.Abteilung für Medizinische und Biologische Informatik, DKFZHeidelbergDeutschland
  2. 2.Abteilung Radiologie, DKFZHeidelbergDeutschland
  3. 3.Abteilung Epidemiologie von Krebserkrankungen, DKFZHeidelbergDeutschland

Personalised recommendations