通过全自动三维器官分割在双能CT虚拟平扫图像上自动评估肝脂肪变性
本回顾性研究纳入252例活体肝捐献候选者,利用深度学习自动分割肝脏和脾脏,在双能CT生成的虚拟平扫图像上测量容积CT衰减值及肝衰减指数,并与真平扫参数和MRI-PDFF对照。VNC参数与TNC参数一致性极好(ICC 0.957和0.968),与MRI-PDFF显著相关,识别MRI-PDFF≥5%和≥10%的AUC分别为0.795/0.806和0.916/0.932。作者认为VNC参数有望作为TNC的替代用于机会性肝脂肪变性筛查。
要点
- 自动三维分割获得的VNC肝脏衰减值和肝衰减指数与TNC一致性极好(ICC 0.957和0.968)。
- VNC参数识别MRI-PDFF≥10%的AUC高于≥5%(0.916/0.932 vs 0.795/0.806)。
- VNC参数识别MRI-PDFF≥5%的AUC低于TNC(LVNC 0.795 vs LTNC 0.825;LAIVNC 0.806 vs LAITNC 0.866,Ps<0.001)。
核心结论
- 经自动三维肝脏和脾脏分割获得的VNC容积CT衰减参数与TNC参数一致性极好,且与MRI-PDFF显著相关,对肝脂肪变性具有良好诊断性能。
- 作者认为VNC参数有潜力作为TNC图像的替代用于机会性肝脂肪变性筛查。
研究设计与样本
- 回顾性研究,纳入2018年12月至2021年12月在本机构术前检查的252例活体肝捐献候选者(男139例、女113例,平均年龄37.3岁,范围18-64岁)。
- 使用双源DECT扫描仪(SOMATOM Force;Siemens Healthineers)行肝脏CT,包括TNC、动脉期、门静脉期和延迟期;VNC图像由门静脉期DECT数据(注射对比剂后70秒采集)生成。
- 使用深度学习多器官分割软件(DeepCatch v1.2.0.0,MEDICALIP)自动分割肝脏和脾脏,计算容积平均CT衰减值(HU)。
- 以MRI-PDFF(3-T MRI,MAGNETOM Skyra;Siemens Healthineers)作为参考标准,PDFF值取三个ROI的平均值。
- 排除标准包括DECT与MRI-PDFF间隔>30天、既往肝脏或脾脏手术史、CT上肝脏或脾脏明确局灶性病变≥1 cm。
关键影像表现/征象
- 容积VNC测量与2D ROI测量一致性:LVNC的ICC为0.979,SVNC的ICC为0.862;平均偏差(95%一致性界限)LVNC为−5.1 HU(−8.7至−1.5 HU),SVNC为−5.6 HU(−10.5至−0.6 HU)。
- 容积VNC与TNC测量一致性:LVNC与LTNC的ICC为0.957,SVNC与STNC的ICC为0.809;平均偏差LVNC vs LTNC为1.0 HU(−3.8至5.7 HU),SVNC vs STNC为−4.2 HU(−9.3至0.8 HU)。
- VNC参数与TNC参数强正相关:LVNC与LTNC的r=0.917(95%CI 0.895-0.935),LAIVNC与LAITNC的r=0.938(95%CI 0.923-0.952),Ps<0.001。
- VNC参数与MRI-PDFF显著负相关:LVNC的r=−0.585(95%CI −0.661至−0.498),LAIVNC的r=−0.588(95%CI −0.663至−0.500),Ps<0.001。
诊断标准与关键数值
- MRI-PDFF≥5%定义为轻度脂肪变性,≥10%定义为中重度脂肪变性;本组分别有56例(22.2%)和16例(6.3%)满足。
- LVNC和LAIVNC识别MRI-PDFF≥5%的AUC分别为0.795和0.806;识别MRI-PDFF≥10%的AUC分别为0.916和0.932;两者AUC差异无统计学意义(P=0.626和0.328)。
- 以达到80%敏感度为目标的截断值:LVNC和LAIVNC识别MRI-PDFF≥5%分别为59.9 HU和12.5 HU;识别MRI-PDFF≥10%分别为55.9 HU和6.9 HU。
- VNC与TNC诊断性能比较:识别MRI-PDFF≥5%时,LVNC的AUC低于LTNC(0.795 vs 0.825),LAIVNC低于LAITNC(0.806 vs 0.866),Ps<0.001;识别MRI-PDFF≥10%时,LVNC的AUC低于LTNC(0.916 vs 0.948,P=0.020),LAIVNC与LAITNC的AUC差异无统计学意义(0.932 vs 0.964,P=0.114)。
临床应用与阅片要点
- 在双能CT门静脉期图像上,可利用自动三维分割获得的VNC肝脏衰减值和肝衰减指数评估肝脂肪变性,无需额外采集TNC图像。
- VNC参数识别中重度脂肪变性(MRI-PDFF≥10%)的性能优于识别轻度脂肪变性(MRI-PDFF≥5%)。
- 本研究所提出的VNC截断值尚未经外部验证,且VNC图像由门静脉期DECT生成,其截断值可能不直接适用于动脉期或延迟期衍生的VNC图像。
局限性
- 研究人群为相对少数的活体肝捐献候选者,通常健康且年轻,无人有严重肝脂肪变性,由此产生的选择偏倚可能限制研究结果的普遍性。
- 需要进一步开展涉及不同肝脂肪变性程度和更广泛基础肝病人群的大型前瞻性研究来验证和提高研究结果的普遍性。
- 本研究的VNC图像由DECT门静脉期成像生成,腹部器官的衰减值可能随衍生图像期相变化,因此结果尤其是截断值可能不直接适用于动脉期或延迟期衍生的VNC图像。
全文中译17 节 · 点击展开
引言
肝脂肪变性以肝细胞内脂肪过度蓄积为特征,是脂肪性肝病的关键组织学特征,包括代谢功能障碍相关脂肪性肝病和酒精相关性肝病[1, 2]。单纯性脂肪变性可进展为脂肪性肝炎和肝硬化,并与心血管疾病或糖尿病的发生相关[3]。此外,对肝脂肪变性进行早期干预可以阻止或逆转疾病进展,这凸显了早期检测和准确评估的重要性[4]。尽管肝活检传统上被视为诊断肝脂肪变性的金标准,但其有创性和显著的阅片者间变异性促使临床对无创方法产生了巨大需求[5]。近年来,化学位移编码MRI质子密度脂肪分数(MRI-PDFF)作为肝脏脂肪定量的无创参考标准已获得广泛认可,可提供准确可靠的测量[6, 7]。然而,它也存在缺点,包括可及性有限和成本高昂。尽管CT由于对轻度病例敏感性有限以及辐射暴露问题而未被视为肝脂肪变性的主要诊断工具,但其在各种临床情况中的广泛使用以及对中重度脂肪变性的可接受性能提示其用于机会性筛查的可行性[8]。
医学影像中自动化3D器官分割的最新进展扩大了利用容积数据的可行性,包括器官体积测量和代表整个器官的影像组学特征的自动定量[9, 10]。在使用CT评估肝脂肪变性时,传统方法涉及耗时且 labor-intensive 的基于手动2D感兴趣区(ROI)的CT衰减值测量。然而,随着基于深度学习的3D分割的实施,容积CT衰减可以自动获取,并且研究一直在积极探索该方法在大人群中基于CT的脂肪变性筛查中的应用[11, 12]。
双能CT(DECT)由于其在物质分解和生成能量选择性图像等方面的优势,在临床实践中正变得越来越突出[13]。一个显著的应用是通过物质分解提供虚拟平扫(VNC)图像[14]。具体而言,通过从增强CT图像中减去碘含量,可以获得VNC图像,从而提供非增强信息,而无需为获取真正平扫(TNC)图像增加额外辐射暴露。虽然此前对VNC的评估主要集中于定性方面,如结石或钙化检测,作为TNC成像的潜在替代[15],但近期研究强调了其在定量方面的作用。这些研究证明VNC与TNC在腹部器官CT衰减值测量之间具有极好的一致性[16, 17]。尽管当前基于CT的肝脂肪变性评估通常依赖TNC图像,但VNC图像的潜在使用可能带来益处,使得即使对接受增强DECT但未行TNC的个体也可以进行评估。在此背景下的评估已使用2D ROI方法进行[17];然而,据我们所知,尚无对VNC图像容积分析的已知研究。
因此,本研究旨在评估通过自动化三维器官分割从双能CT(DECT)的虚拟平扫(VNC)图像上获得的基于容积CT衰减参数的效能,以评估肝脂肪变性,将其与真平扫(TNC)参数进行比较,并以MRI-PDFF作为参考标准。
材料与方法
本回顾性研究获得了我院机构审查委员会的批准,由于研究的回顾性性质,免除了知情同意的要求。
研究人群
通过计算机检索图像归档和通信系统及电子病历,确定了2018年12月至2021年12月期间在我院接受术前检查的年龄≥18岁的活体肝供者候选者。肝供者候选者作为常规术前评估的一部分,接受了使用双源DECT扫描仪的肝脏CT扫描和带有MRI-PDFF评估的肝脏MRI。我们排除了以下情况:DECT与MRI-PDFF间隔>30天的患者、既往有肝脏或脾脏手术史的患者,以及CT上肝脏或脾脏存在1 cm或更大明确局灶性病变的患者(图1)。
DECT的采集和VNC图像的生成
在研究期间,活体肝供者候选者的术前肝脏CT扫描常规使用双源DECT扫描仪(SOMATOM Force;Siemens Healthineers,Erlangen,德国)进行。这些扫描包括TNC、动脉期、门静脉期和延迟期成像。增强后各期以80和150 kVp在DECT模式下采集,而TNC图像以120 kVp在单能CT模式下获得。对比剂使用碘比醇(Xenetix 350;Guerbet),剂量为520 mg/kg体重,随后进行生理盐水冲洗。详细的CT方案见补充材料1。
VNC图像由门静脉期DECT数据生成,该数据在对比剂给药后70秒采集,使用专用后处理系统(Syngo.via;Siemens Healthineers)在CT控制台上重建,层厚2 mm,重建间隔1 mm。
CT衰减测量
自动容积测量
对于VNC和TNC成像,使用商用基于深度学习的多器官分割软件(DeepCatch v1.2.0.0,MEDICALIP Co. Ltd.,首尔,韩国)自动分割肝脏和脾脏(图2)。据报道,其在VNC和TNC成像中肝脏和脾脏的分割性能均为Dice评分>0.95。生成三维器官掩膜后,软件自动计算分割器官的平均容积CT衰减值。VNC成像上肝脏和脾脏的平均CT衰减值(亨斯菲尔德单位,HU)分别记为LVNC和SVNC,TNC成像上的分别记为LTNC和STNC。
手动基于二维感兴趣区的测量
为与容积测量进行比较,在VNC图像上采用基于二维感兴趣区(ROI)的方法手动测量肝脏和脾脏的CT衰减。在肝脏中放置三个圆形ROI(一个在右前叶,一个在右后叶,一个在左叶),小心避开血管和肝脏边缘[18]。此外,在脾脏中放置一个ROI[19, 20]。ROI的大小范围为250至300 mm2,每个受试者内四个ROI的大小相同。为确定平均肝脏衰减,对三个肝脏ROI的值取平均值。为评估基于二维ROI方法的可重复性,测量在两个独立时段进行。第一次测量用作基于ROI测量的代表值,第二次时段的结果仅用于评估可重复性。
用于评估肝脂肪变性的基于CT衰减的参数
我们采用平均肝脏HU(LVNC和LTNC)和肝脏衰减指数(LAI)作为评估肝脂肪变性的基于CT衰减的参数,依据是既往评估CT对此用途效用的研究[11, 21–23]。关于LAI,其计算为平均肝脏HU减去脾脏HU(VNC和TNC图像分别记为LAIVNC和LAITNC)。据报道,使用脾脏作为内部参考,LAI在各种扫描设置下均具有稳健性[21, 22]。
MRI-PDFF的采集和测量
采用3-T MRI扫描仪(MAGNETOM Skyra;Siemens Healthineers,埃尔朗根,德国)进行化学位移编码MRI-PDFF检查,使用基于复数模型的化学位移编码水脂重建技术,采集6幅二维梯度回波图像。采集参数包括重复时间(TR)9.3 ms、回波时间(TE)1.3 ms、成像矩阵256 × 192、低翻转角(4°)和3 mm层厚。随后,使用厂商特定算法自动生成PDFF图,该算法整合了由单衰减计算得到的T2*校正和多峰脂肪模型。MRI-PDFF值被广泛接受为肝脂肪含量的无创参考标准[6],按照以下方法在PDFF图上使用ROI法测定:将三个大小为250–300 mm2的ROI策略性放置于右前段、右后段和左肝[18],同时避开大血管、胆管、肝脏边缘和伪影[1, 24]。然后计算三个ROI的平均值,并将其作为每位参与者的代表性PDFF值。
统计分析
关于肝脏和脾脏的CT衰减值,使用组内相关系数(ICC)和Bland–Altman分析评估基于容积法和手动二维ROI的VNC测量之间以及容积VNC与TNC测量之间的一致性。此外,使用ICC评估手动二维ROI的VNC测量在两次独立检查间的可重复性。ICC值的解释如下:≥ 0.90表示极好;≥ 0.75 – < 0.90表示良好;≥ 0.50 – < 0.75表示中等;< 0.50表示差[25]。
使用Pearson相关系数(r)分析肝脂肪变性的容积VNC参数(LVNC和LAIVNC)与相应TNC参数(LTNC和LAITNC)及MRI-PDFF值的相关性。相关强度的解释如下:≥ 0.7为强相关;≥ 0.4 – < 0.7为中等相关;≥ 0.2 – < 0.4为弱相关;≥ 0 – < 0.2为极小相关[26]。通过受试者工作特征(ROC)分析评估容积VNC参数(LVNC和LAIVNC)对肝脂肪变性(以MRI-PDFF ≥ 5%表示轻度脂肪变性,≥ 10%表示中重度脂肪变性)的诊断性能。分别确定对应于MRI-PDFF ≥ 5%和≥ 10%的VNC参数截断值,以最大化约登指数,并分别达到> 80%的灵敏度和> 80%的特异度。然后计算相应的灵敏度和特异度值。使用DeLong检验比较VNC参数之间(LVNC vs. LAIVNC)以及VNC与TNC参数之间(LVNC vs. LTNC和LAIVNC vs. LAITNC)的ROC曲线下面积(AUC)。
所有统计分析均使用MedCalc 19.4.0版(MedCalc Software,奥斯坦德,比利时)进行,显著性阈值设定为P < 0.05。
结果
研究人群
共纳入252名活体肝移植供体候选者,其中男性139名、女性113名,平均年龄37.3岁(范围18–64岁)。其MRI-PDFF平均值(±标准差)为4.0%(± 3.1),范围为0.5–23.8%。在该人群中,56例患者(22.2%)患有肝脂肪变性(MRI-PDFF ≥ 5%),其中16例为中重度肝脂肪变性(MRI-PDFF ≥ 10%)。
肝脏和脾脏的CT衰减值
VNC成像上容积法与二维ROI based测量的比较
对于LVNC,容积测量的结果与基于2D ROI的测量结果显示出极好的一致性,ICC为0.979。关于SVNC,容积测量与基于2D ROI的测量显示出良好的一致性,ICC为0.862(表1)。与基于ROI的测量相比,容积测量的平均偏差(95%一致性界限)在LVNC中为−5.1 HU(−8.7 HU至−1.5 HU),在SVNC中为−5.6 HU(−10.5 HU至−0.6 HU)(补充图1)。基于2D ROI的测量可重复性在LVNC中极好(ICC = 0.982 [95% CI 0.977–0.986]),在SVNC中良好(ICC = 0.895 [95% CI 0.865–0.918])。
VNC成像与TNC成像上的容积测量
容积LVNC与LTNC显示出极好的一致性,ICC为0.957,而容积SVNC与STNC显示出良好的一致性,ICC为0.809(表1)。平均偏差(95%一致性界限)在LVNC与LTNC之间为1.0 HU(−3.8–5.7 HU),在SVNC与STNC之间为−4.2 HU(−9.3–0.8 HU)(补充图2)。
用于肝脂肪变性的容积VNC参数
与用于肝脂肪变性的TNC参数的相关性
用于肝脂肪变性的VNC参数,即LVNC和LAIVNC,与相应的TNC参数(LTNC和LAITNC)显示出强正相关(分别为r = 0.917 [95% CI 0.895‒0.935]和0.938 [95% CI 0.923‒0.952];Ps < 0.001)(图3)。LVNC和LAIVNC与LTNC和LAITNC显示出极好的一致性(ICC分别为0.957 [95% CI 0.945‒0.966]和0.968 [95% CI 0.959‒0.975])。
与MRI-PDFF值的相关性
LVNC和LAIVNC均与MRI-PDFF值显示出显著负相关(分别为r = −0.585 [95% CI −0.661 ‒ −0.498]和−0.588 [95% CI −0.663 ‒ −0.500];Ps < 0.001)(图4)。
以MRI-PDFF作为参考标准的诊断性能
表2总结了用于评估肝脂肪变性的容积虚拟平扫(VNC)参数的诊断性能,以及各参数分别用于识别MRI-PDFF ≥ 5%和≥ 10%的截断值。LVNC和LAIVNC在MRI-PDFF ≥ 5%时的AUC分别为0.795和0.806(图5)。对于MRI-PDFF ≥ 10%,与识别MRI-PDFF ≥ 5%相比,这些参数分别表现出相对更高的AUC,为0.916和0.932(图5)。LVNC和LAIVNC在MRI-PDFF ≥ 5%和≥ 10%时的AUC均无显著差异(P分别为0.626和0.328)。LVNC和LAIVNC以达到80%灵敏度为目标的截断值分别为:MRI-PDFF ≥ 5%时为59.9 HU和12.5 HU;MRI-PDFF ≥ 10%时为55.9 HU和6.9 HU(表2)。
在比较VNC和TNC参数的诊断性能时,对于MRI-PDFF ≥ 5%,LVNC和LAIVNC的AUC低于LTNC和LAITNC(AUC分别为0.795 vs. 0.825和0.806 vs. 0.866;Ps < 0.001)。对于MRI-PDFF ≥ 10%,LVNC的AUC低于LTNC(0.916 vs. 0.948,P = 0.020),而LAIVNC与LAITNC的AUC无显著差异(0.932 vs. 0.964,P = 0.114)。
讨论
本研究聚焦于由双能CT(DECT)扫描生成的VNC成像,提示通过自动器官分割获得的肝脏和脾脏容积CT衰减值所衍生的VNC参数,有望成为一种有价值的肝脂肪变性评估方法。具体而言,本研究表明LVNC和LAIVNC等VNC参数与以金标准MRI-PDFF定量的肝脏脂肪含量之间存在显著相关性。此外,这些参数在评估肝脂肪变性方面表现出良好的诊断性能,检测轻度脂肪变性(MRI-PDFF ≥ 5%)的AUC约为0.8,检测中度脂肪变性(MRI-PDFF ≥ 10%)的AUC超过0.9。鉴于DECT在临床实践中的使用日益增多,本研究结果的意义重大,尤其是在扩大机会性CT筛查肝脂肪变性的范围方面。此外,本研究揭示了在VNC成像上测量的肝脏和脾脏容积CT衰减值与其各自基于手动ROI的VNC测量值和容积TNC测量值之间具有良好的一致性,ICC均 > 0.8。这些发现强调了基于容积的自动VNC测量的可靠性,提示基于容积的测量方法有潜力取代基于2D的测量。此外,在接受DECT的患者中,本研究结果表明肝脂肪变性评估可以利用VNC成像替代TNC,从而无需额外进行TNC成像采集。
利用CT进行人群水平的肝脂肪变性筛查已成为一个备受关注的话题。评估主要在非增强成像环境下进行,以避免对比剂的混杂效应,利用基于肝脏衰减值或校正值的指标,并以脾脏作为参考。既往采用基于自动体积测量的研究已在大规模队列中强调了基于CT衰减值的参数在平扫(TNC)中评估肝脂肪变性的有效性,包括平扫肝脏衰减值(LTNC)和平扫肝脏衰减指数(LAITNC)[11, 27]。在虚拟平扫(VNC)应用方面,有报道提示基于手动二维感兴趣区(ROI)的肝脂肪变性参数,如虚拟平扫肝脏衰减值(LVNC)和虚拟平扫肝脏衰减指数(LAIVNC),与平扫参数表现出强相关性,并在识别显著肝脂肪变性方面显示出良好的诊断性能[17, 28]。这些发现与我们的基于三维的VNC结果一致,显示与TNC测量值强相关,并对肝脂肪变性表现出令人满意的诊断性能。然而,在我们的研究中,虽然LVNC表现出良好性能,但在MRI-PDFF ≥ 5%和 ≥ 10%时,其AUC值相较于TNC相对较低。这可能归因于从增强双能CT(DECT)成像生成VNC过程中碘提取的不一致和欠佳,影响了VNC上肝脏的CT衰减值,从而可能干扰基于CT衰减值的肝脂肪变性预测。对于LAI,尽管其在VNC中评估肝脂肪变性的性能也略低于TNC,但在MRI-PDFF ≥ 10%时未观察到统计学显著差异。当比较LAIVNC与LVNC时,LAIVNC在肝脂肪变性评估中往往表现略好。这一趋势可能归因于以脾脏作为参考的校正效应,此前的基于二维的VNC研究[17, 29, 30]以及TNC研究[22, 31]也有类似报道。
我们的研究表明,VNC参数在识别MRI-PDFF ≥ 10%时的AUC优于MRI-PDFF ≥ 5%时的AUC。这一结果可以用CT检测轻度脂肪变性的敏感性有限来解释[32, 33]。该研究结果提出了特定条件下LVNC和LAIVNC的截断值,旨在提供最大约登指数、> 80%灵敏度和 > 80%特异度,这有助于解读测量值。然而,需要注意的是,这些截断值的性能尚未经过外部验证。根据最近一项 introducing 适用于120 kVp下TNC成像的CT-MRI转换方程的研究,相当于MRI-PDFF 5%和10%的肝脏CT衰减值分别为57.2 HU和48.6 HU [23]。然而,考虑到CT衰减值可能受CT扫描仪类型和kVp设置的影响[34],并且考虑到如我们的研究所示VNC与TNC之间测量值存在虽小但确实存在的系统性差异,需要进一步研究以确定VNC应用的适当截断值。
在我们的研究中,容积性虚拟平扫(VNC)测量值与基于手动感兴趣区(ROI)的测量值表现出高度一致性,其组内相关系数(ICC)值较高,与此前一项针对肝脏的真平扫(TNC)研究结果一致[11]。然而,我们的研究还显示,容积性测量值较基于手动ROI的测量值略低,肝脏和脾脏的平均偏差分别为−5.1 HU和−5.5 HU。这一差异可能与采用自动容积性方法时部分纳入肝内血管有关,导致HU值呈下降趋势,尤其是当肝实质HU值超过血池HU值时[11]。与选择肝脏相对均匀区域放置ROI的方法不同,容积性方法涉及全肝分割,涵盖包膜下外周肝实质以及镰状韧带和肝门附近区域,这些区域常有较多脂肪沉积[35]。鉴于所观察到的测量值差异,直接将基于二维的截断值用于基于容积的方法可能并不理想。因此,建立针对三维方法的专用截断值并加以应用可被视为更为合适的方法。
本研究存在若干局限性。首先,我们的研究人群由数量相对较少的潜在活体肝供者候选人组成,这些人总体健康且年轻,均无严重肝脂肪变性。选择该人群是出于本机构可同时获得CT和MRI质子密度脂肪分数(MRI-PDFF)值,从而能够以金标准评估CT参数。然而,这一选择导致患者人群存在固有选择偏倚,可能限制了本研究结果的普适性。需要开展纳入不同程度肝脂肪变性及更广泛基础肝病人群的大型前瞻性研究,以验证并增强我们研究结果的普适性。其次,本研究中的VNC图像是使用双能CT门静脉期(DECT-PVP)成像生成的。既往研究表明,腹部器官的衰减值可能因所衍生的成像期相而异[36]。因此,我们的结果,尤其是截断值,可能不直接适用于由动脉期或延迟期衍生的VNC图像。然而,随着未来在VNC生成过程中实现准确碘提取的技术可行性不断进步,有望解决这些局限性。
总之,通过自动三维分割肝脏和脾脏、由DECT获得的VNC图像所得到的基于容积性CT衰减的参数,有潜力作为TNC图像的替代方法用于肝脂肪变性的机会性筛查。尽管前景可观,但必须承认本研究所概述的局限性,例如研究人群相对较小且具有选择性,以及VNC生成所衍生的成像期相可能导致衰减值存在潜在差异。解决这些局限性以及VNC生成技术可行性的进一步进步,可能为该 method 在临床实践中的更广泛应用铺平道路。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 188 kb)
引用
- Jeon SK, Joo I, Park J, et al. Automated hepatic steatosis assessment on dual-energy CT-derived virtual non-contrast images through fully-automated 3D organ segmentation. Radiol Med. 2024. PMID: 38869829. doi:10.1007/s11547-024-01833-8
- 全文:PMC11252222(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11252222/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。