Вообще-то, мужская и женская мышечная ткань идентичны.

Мышечная ткань достаточно атрофирована.

Может ли быть, что мышечная ткань не вырабатывает такой тип молекул?

То есть в мышце находились крошечные опухоли, но их размер — всего 0.16 от величины нормального метастаза, что свидетельствует о том, что мышечная ткань

Это мышечная ткань, которая вас соединяет.

Межреберная мышечная ткань и соединенные с ней мышцы удаляются.

мышечная ткань быстрее и сильнее в 5 раз.

После тщательного обследования в 13 лет врачи, как утверждается, установили, в частности, что его нервная система и мышечная ткань были нарушены в результате того, что на крайне важном этапе развития они подверглись воздействию электрического тока.

Соединенная с ребрами и покрывающая их мышечная ткань (зубчатая грудная мышца) оставляется.

В некоторых статьях даже говорилось, что мышечная ткань устойчива к раку, более того, не только к раку, но и к метастазам.

Может ли быть, что мышечная ткань не вырабатывает такой тип молекул?

В некоторых статьях даже говорилось, что мышечная ткань устойчива к раку, более того, не только к раку, но и к метастазам.

То есть в мышце находились крошечные опухоли, но их размер — всего 0.16 от величины нормального метастаза, что свидетельствует о том, что мышечная ткань способна контролировать ангиогенез, то есть способна контролировать захват опухолью кровяных сосудов.

Медицинский центр Стимул — Антицеллюлитный массаж в СПб, отзывы, фото до и после

Что это:

Антицеллюлитный массаж в СПб, как правило, ассоциируется с болевыми ощущениями и дискомфортом. Но на самом деле эффективность этой процедуры зависит не от болезненности (чем сильнее, тем надежнее), а от выбранной методики. Именно поэтому столь убедительны результаты, которые обеспечивает общий антицеллюлитный массаж.

Антицеллюлитный массаж в СПб не случайно называют многофункциональным, ведь он позволяет справиться с такими проблемами, как:

• избыточные локальные жировые отложения;
• отечный и фиброзный целлюлит;
• мышечная гипотония проблемных зон;
• потеря эластичности кожи.

Данная методика в течение сеанса решает две задачи – расщепление и выведение избыточной подкожно-жировой клетчатки. Антицеллюлитный массаж, отзывы о котором очень положительны, активизирует процесс липолиза, не разрушая адипоцит: клетка не повреждается под воздействием липолиза, а «худеет». Техника массажа помогает также нормализовать микроциркуляцию, своевременно обеспечить вывод продуктов расщепления жировой ткани и токсинов, вывести лишнюю жидкость, снять отек.

Массаж длится 1-2 часа и, так как он не доставляет болезненных ощущений, переносится пациентом легко, что подтверждают отзывы об антицеллюлитном массаже. Кстати, многие удивляются, что получают значительный эстетический эффект без боли и дискомфорта. Результат, действительно, весьма убедительный: курс из 8–10 сеансов антицеллюлитного массажа позволяет похудеть на 2–4 размера.

Цель массажа – не просто «убрать» лишние килограммы, но прежде всего сделать фигуру подтянутой и привлекательной, проследив результат по фотографиям до и после антицеллюлитного массажа. Поэтому во время массажа особое внимание уделяется энергичным стимулирующим манипуляциям, которые более глубоко воздействуют на мышечную ткань и заставляют работать мышцы. Таким образом удается восстановить мышечный тонус, укрепить и повысить тонус тканей, вернуть коже упругость. Перед стартовой процедурой желательно выполнить пилинг, чтобы обеспечить более эффективное воздействие масел, применяемых во время массажа.

Основным для антицеллюлитного массажа является кунжутное масло, используются также антицеллюлитные и дренажные сборы: эфирные компоненты подбираются для каждого индивидуально, что может оказать определенное влияние на цену антицеллюлитного массажа в СПб. По желанию клиента может использоваться также антицеллюлитный крем. Конечно, чтобы добиться гармоничного и выраженного результата в работе над силуэтом, клиент должен стать союзником массажиста: придерживаться разумного питания, соблюдать питьевой режим. Очень уместны будут физические нагрузки – в этом случае массаж лучше выполнять после тренировки. Желательно, чтобы сеансы проводились 3 раза в неделю.

Активный многофункциональный антицеллюлитный массаж, видео которого вы сможете найти в глобальной сети, рекомендован для решения целого комплекса проблем:

• Избыточные локальные жировые отложения;
• Мышечная гипотония проблемных зон;
• Отечный и фиброзный целлюлит.

Проблемы локального жирового отложения, мышечной гипотонии, отечного и фиброзного целлюлита решаются с помощью общего антицеллюлитного массажа, цена которого относительно невелика.

Подобные состояния организма возникают при нарушении микроциркуляции, тканевой дистрофии и естественном старении организма.

Техника процедуры, которую можно наблюдать по видео антицеллюлитного массажа, позволяет при своевременном применении максимально эффективно вывести продукты распада жировых клеток, убрать отек и привести в норму процессы, происходящие в пораженной зоне тела.

Массаж дает антицеллюлитный эффект, который сопровождается похудением, что подтверждается фотографиями антицеллюлитного массажа до и после. Массаж восстанавливает мышечный тонус, укрепляет и тонизирует ткани тела, делая кожу упругой и гладкой.

Время выполнения процедуры зависит от комплекции пациента (час – полтора). В течение процедуры, как видно по фото антицеллюлитного массажа, тщательно обрабатывается область живота на уровне подкожно – жировой клетчатки, затем бедра спереди и сзади, ягодицы и бока.

Общий антицеллюлитный массаж, цену которого вы сможете узнать в медицинском центре, не только положительно воздействует на эмоциональное состояние человека, но является превосходным способом профилактики против ожирения и целлюлита.

Если Вас заинтересовало наше предложение, и Вы хотите записаться на цервико-краниального массаж, или подводный душ-массаж, а также узнать цену антицеллюлитного массажа в СПб, позвоните по телефону 8 (812) 369-75-45, или отправьте свою заявку на электронный ящик [email protected], вежливый администратор ответит на все интересующие Вас вопросы!

Доброкачественные опухоли шеи (киста, липома) » Отделение эндокринной хирургии

Опухоли шеи — это небольшая, но очень многообразная группа образований по клиническим проявлениям. Среди них могут быть выделены опухоли органов шеи и внеорганные опухоли, которые возникают из мягких тканей шеи. В области шеи располагается один из основных лимфатических коллекторов, поражение узлов которого часто возникает при поражении лимфоретикулярной ткани.

Опухоль шеи может быть доброкачественной и злокачественной. Лечение оперативное с последующей лучевой терапией. Из других заболеваний часто встречаются различные формы зоба.

Классификация опухоли шеи

Различают органные опухоли, внеорганные опухоли, опухолевые поражения лимфатических узлов шеи — первичные и вторичные (метастатические).

• Органные опухоли сохраняют элементы структуры нормального органа (например, опухоли щитовидной железы, каротидного гломуса). Злокачественные опухоли исходят главным образом из органов, расположенных в шее.
• Внеорганные опухоли являются производными мезенхимы, мышечной и нервной ткани. Они могут быть доброкачественными (фиброма, липома, невринома) или злокачественными (метастазы в лимфатические узлы).
• Отдельную группу представляют кисты шеи: боковая киста шеи и срединная киста шеи, являющиеся доброкачественными опухолями, однако быстро растущими с деформацией и сдавлением органов шеи. Нагноение кист шеи может привести к серьезному осложнению – флегмоне шеи.
• Опухолевые поражения шейных лимфатических узлов (первичные при гемобластозах, вторичных — при метастазах).

Симптомы опухоли шеи

Любое уплотнение под кожей на шее всегда настораживает и тревожит. Каждый человек, однажды столкнувшийся с этим, может подтвердить, что с началом таких изменений начинает прислушиваться к ним и даже по-своему толковать появляющиеся симптомы или пытаться предугадать следующий этап своих ощущений.

Чтобы избавить себя от лишних тревог, важно знать, развивается ли опухоль на шее и что это может быть на самом деле. Другими словами, речь идёт о самодиагностике, поскольку на основании анализа всех изменений можно определить степень их опасности. Если вы заметили или прощупали опухоль в шее, которая растет или не уменьшается в течении 2 недель, необходима обязательная консультация врача. Абсолютными показаниями для консультации специалиста является наличие болевых ощущений в области опухоли.

Диагностика: как диагностируют опухоль шеи

На долю злокачественных опухолей головы и шеи приходится 5% случаев ежегодно выявляемых злокачественных новообразований. Если у больного старше 40 лет объемное образование сохраняется более 4 недель, его следует считать злокачественным, пока не доказано обратное.

Как и в любом другом случае, начинают с подробного расспроса и физикального исследования. С биопсией (инцизионной или тотальной) спешить не стоит, так как при большинстве злокачественных опухолей она повышает риск местного рецидива. Проводят поиск первичной опухоли. При подозрении на злокачественную опухоль головы и шеи больного направляют к оториноларингологу или эндокринному хирургу.

Обнаружив первичную опухоль шеи, проводят ее биопсию (ТАПБ). Для определения распространенности и выявления метастазов выполняют КТ или МРТ — от основания черепа до верхней апертуры грудной клетки. Чтобы исключить метастазы в легкие, делают рентгенографию грудной клетки.

Для подтверждения диагноза образование можно пунктировать. В отличие от инцизионной биопсии, пункция не повышает риск местного рецидива. Однако при лимфоме диагностическая ценность пункции невелика, и подозрение на лимфому служит одним из немногих показаний к тотальной биопсии лимфоузла. При увеличении надключичного лимфоузла показаны маммография (у женщин) и обследование органов ЖКТ и мочеполовой системы.

Если первичную опухоль найти не удается, выполняют прямую ларингоскопию, бронхоскопию, эзофагоскопию и заднюю риноскопию с биопсией подозрительных участков слизистой.

Лечение: как лечат опухоль шеи

Лечение зависит от локализации образования и от стадии заболевания. При растущей опухоли шеи необходимо проведение хирургического лечения, операция должна производиться в специализированном центре, радикально с проведением экспресс гистологического исследования, узкоспециализированным хирургом головы и шеи или эндокринным хирургом, при необходимости с проведением лучевой терапии либо сочетанной химиотерапии и лучевой терапии. В отличие от взрослых, у детей лишь 10% объемных образований шеи имеют злокачественную природу, поэтому прежде всего исключают воспалительные заболевания и врожденные аномалии.

Опухоль шеи бывает различного происхождения и нередко об ее злокачественном или доброкачественном характере можно судить только во время операции, после гистологического исследования. Перед ее удалением необходимо выяснить характер процесса (злокачественный или доброкачественный).

Мышечную ткань у пациентов с сердечной недостаточностью можно восстановить

Ткани способны в определенных пределах восстанавливать свою структуру — регенерировать. Это происходит в результате деления и специализации стволовых клеток организма, которые дают начало нескольким типам клеток. Однако при сердечной недостаточности стволовые клетки скелетной мускулатуры повреждаются, их регенераторный потенциал снижается. То же самое происходит с возрастом. Стимуляция восстановления скелетных мышц при помощи активации стволовых клеток стала перспективной стратегией лечения мышечных дисфункций. Для этого нужно определить, сохраняет ли скелетная мускулатура пациентов с сердечной недостаточностью способность к регенерации и росту. Такое исследование провели ученые. Они взяли биопсию мышечной ткани от 3 здоровых доноров и 12 пациентов с сердечной недостаточностью. Из полученного материала выделили мРНК для обнаружения маркеров мышечной дисфункции и дальнейших исследований. Также ученые выделили стволовые клетки мышечной ткани для сравнительного анализа потенциала к дифференцировке в группах здоровых доноров и пациентов с сердечной недостаточностью.

Результаты анализа маркеров позволяют сделать вывод о хронической активации работы эмбриональных и неонатальных мышечных белков-миозинов, что в норме не наблюдается у взрослых. Это характерно для хронических патологических состояний.

«Иными словами, в нашем случае усиление работы эмбриональных и неонатальных миозинов является маркером длительного разрушения мышечной ткани у пациентов с хронической сердечной недостаточностью. В норме, когда регенерация проходит успешно, например при травме, рост экспрессии эмбриональных и неонатальных белков — явление временное», — пояснила Рената Дмитриева, руководитель группы клеточной биологии Института молекулярной биологии и генетики НМИЦ имени В. А. Алмазова Минздрава России.

Сравнительный анализ способности к делению и специализации стволовых клеток здоровых доноров и пациентов с сердечной недостаточностью позволяет сделать вывод о том, что мышечная ткань таких больных сохраняет потенциал к росту и регенерации. Следовательно, стволовые клетки мышечной ткани могут рассматриваться в качестве перспективных мишеней для коррекции потери мышечной массы при сердечно-сосудистых заболеваниях.

Миозит: симптомы, диагностика и лечение

Под миозитом мышц у взрослых понимают целую группу патологических изменений в скелетной мускулатуре. Если брать узкий термин, то это воспаление мышечной ткани, отвечающей за работу опорно-двигательного аппарата. Но миозит мышц у взрослых бывает не только воспалительного характера, но и токсического либо травматического. Наиболее распространенная форма – это шейный миозит (более 50% всех случаев этого заболевания). Второе место занимает миозит суставов спины, особенно поясничный.

Симптомы и признаки

Симптомы и лечение миозита мышц у взрослых полностью взаимосвязаны. Терапию подбирают с учетом формы недуга. Симптомы миозита будут отличаться в зависимости от распространения болезни. Выделяют 2 основные разновидности – локальная и полимиозит. В первом случае воспалительные процессы затрагивают только одну мышцу. Если они распространяются на целую группу, то это уже полимиозит. Он встречается намного чаще локальной формы болезни.

Шейный миозит возникает обычно чаще, чем в остальных местах тела. Боли при миозите такого типа очень сильные. Из-за этого сковываются движения головы. Также неприятные ощущения распространяются не только на шею, но и на затылок, уши либо в лопатки, а также могут переходить в миозит плеча и грудной клетки.

Миозит мышц шеи и спины – самые распространенные варианты заболевания, однако встречаются и другие формы, например, миозит ног и икроножный, а также челюстно-лицевой области и рук.

Миозит суставов спины занимает второе место по распространенности среди всех остальных форм этой болезни. Недуг затрагивает мышцы поясничной области. Симптомы миозита спины менее выражены, чем при проблеме шеи, боли носят ноющий характер. При пальпации проблемной области врач обнаружит уплотнения. Во время этой процедуры боли при миозите только усиливаются. Эта форма патологии больше распространена среди людей пенсионного возраста.

Миозит ног и рук встречается тоже часто, особенно это касается генерализованной формы. Локальные встречаются намного чаще, это в основном миозит плеча или икроножный. При генерализованной форме в этом случае больному очень сложно передвигаться – ходить, поднимать руки выше головы. При любом напряжении этих мышц появляются боли.

Миозит может развиваться как самостоятельное заболевание, так и в качестве проявления другой болезни, например, из-за туберкулеза может развиться миозит грудной клетки. Часто воспалительные процессы в мышцах появляются на фоне аутоиммунной реакции. Одна из самых тяжелых форм болезни – дерматомиозит либо синдром Вагнера. В этом случае поражены не только мышечные и соединительные волокна, но и кожные ткани.

У вас появились симптомы миозита?

Почему появляется заболевание

Причины миозита условно разделяются на эндогенные и экзогенные. Первые возникают внутри организма, а вторые вызваны окружающей средой.

Эндогенные причины миозита, следующие:

• аутоиммунные болезни. Сюда относится системная красная волчанка и ревматоидный артрит. Патологический процесс соединительной прослойки (эндомизием) распространяется на мышечные волокна. Антигеном, который может вызвать аллергическую реакцию, могут выступать грибки, микробы, бактерии. Чаще всего у пациента развивается подострый миозит на этом фоне;
• инфекции. Заболевание может быть вызвано энтеровирусной инфекцией, гриппом, тифом. Инфекция попадает по крови и лимфе на мышечную ткань. В этом случае миозит может быть гнойным и негнойным. Первый вариант развивается на фоне сифилиса, ОРВИ, тифа, туберкулеза, а второй – из-за генерализованной стрептококковой или стафилококковой инфекции. Последняя форма является очень тяжелой и требуется проведения операции;
• паразиты. Чаще всего возникает на фоне трихинеллеза, токсоплазмоза или эхинококкоза. В мышцах обнаруживаются цисты и кальцинированные участки, а это место для жизни паразитов. Из-за их внедрения в мускулатуру начинается воспаление;
• интоксикация разного рода. Острый миозит может развиться из-за воздействия токсичных веществ, причем это может быть не только спиртное, но и укусы насекомых.

Экзогенные причины миозита бывают следующего типа:

• травмы. На месте, где травма, разрываются мышечные волокна, из-за чего в дальнейшем начинается отек и воспаление. Из-за травм также развивается и нестандартная форма болезни – оссифицирующий миозит. В этом случае в мышечных тканях, точнее в местах, где есть соединительная, начинается окостенение;
• чрезмерное постоянное мышечное напряжение. Обычно это происходит у музыкантов или спортсменов. Из-за неудобного положения тела мышцы напрягаются и уплотняются. Процесс поступления полезных веществ нарушен из-за того, что кровоток замедлен. Из-за недостатка кислорода и микроэлементов начинаются дистрофические процессы;
• резкое переохлаждение. Очень частая причина развития острого миозита – сквозняки. Чаще всего страдают мышцы спины, шеи. Воспалительные процессы распространяются и на нервные окончания.

Лечение миозита мышц зависит от того, какие причины вызвали его развитие и распространение воспалительных процессов. Вот почему необходимо сначала выявить, что побудило патологию активизироваться.

Факторы риска

Миозит называют офисной болезнью современности. Обычно от него страдают те, кто ведет сидячий образ жизни из-за профессии. У людей с более подвижной работой он возникает гораздо реже. У офисных сотрудников часто развивается миозит из-за того, что им приходится находиться в неудобной позе, работая за столом по 6-8 часов. Часто рядом еще и кондиционер работает. Из-за этого развивается шейный или поясничный миозит. Различными формами такой болезни страдают более половины городских жителей.

Осложнения

Лечение грудного миозита или любого другого должно быть своевременным. Это связано с особенностями функционирования мышц. Из-за воспаления возникает боль, а это в свою очередь активирует рефлекторный механизм, ограничивающий подвижность пострадавшего участка. Если мышечные ткани не будут активно двигаться, то начинается кислородное голодание, замедляется метаболизм, а без полезных веществ функциональность утратится. Если не начинать лечение миозита шеи или другой части тела, то могут развиться атрофические или даже некротические процессы, так как ткани начнут отмирать.

Помимо этого, мышечная ткань также влияет не биомеханические процессы в суставах. Если в течение длительного времени ограничивается его работа (из-за боли в мышцах не сгибается и не разгибается сустав), то его функциональность нарушается, например, из-за шейного миозита может развиться критическое ослабление, то есть больной уже не сможет держать голову ровно без поддерживающего корсета.

Но самая большая опасность миозита связана с его влиянием на наиболее важные для жизни процессы в организме. Если отсутствует своевременное лечение миозита шеи, то воспалительные процессы распространяются на гортань, приводят к проблемам с дыханием. Если вовремя не начать лечение миозита спины или ребер, то может начинаться одышка, дыхательная недостаточность.

Когда следует обратиться к врачу

Обратиться к доктору необходимо в случае, если чувствуется боль в мышце. Она может быть локализованной или распространяться на другие части тела. Сначала болевые ощущения незначительные, но потом постепенно усиливаются. В некоторых случаях боль сразу возникает в острой форме, ограничивается подвижность. Необходимо как можно быстрее обратиться в больницу.

Для диагностики и лечения понадобится терапевт, хирург или невролог. В АО «Медицина» (клиника академика Ройтберга), которая располагается в центре Москвы, работают врачи с большим опытом работы.

Подготовка к посещению врача

Для посещения терапевта, хирурга или невролога не понадобится специальная предварительная подготовка. Если есть подозрения на миозит, необходимо вспомнить все симптомы и детально записать их, а потом уже рассказать доктору, чтобы он смог установить точный диагноз и подобрать лекарства при миозите.

Диагностика

Прежде чем решать, как лечить миозит, врач проводит детальный осмотр пострадавшей области, выслушивает жалобы пациента и сверяется с анамнезом. После этого проводится диагностика. Она включает такие обследования:

• рентген;
• компьютерную и магнитно-резонансную томографию;
• УЗИ;
• лабораторные анализы, чтобы подтвердить или опровергнуть наличие инфекции, отравления, наличия паразитов или аутоиммунной реакции организма.

Опытный врач даже без таких обследований по первому осмотру пациента может определить наличие заболевания. Однако дальнейшая диагностика требуется, чтобы подтвердить теорию и максимально эффективно подобрать лекарства при миозите. В зависимости от полученных данных в ходе обследования в дальнейшем может понадобиться консультация у эндокринолога, иммунолога или других специалистов узкого профиля. Все перечисленные процедуры можно сделать в АО «Медицина» (клиника академика Ройтберга), которая располагается в ЦАО, недалеко от станций метро Тверская, Белорусская, Новослободская, Маяковская.

Лечение

Лечение миозита мышц осуществляется медикаментозным способом. Врач прописывает лекарства, которые направлены на то, чтобы устранить воспалительные процессы. Как правило, используются при миозите препараты нестероидного типа. Они не только обладают противовоспалительным действием, но еще и жаропонижающим, а также обезболивают. Врачи могут подобрать эффективные средства с локальным воздействием – мази, гели. Также выбирают лекарства с системным эффектом – это таблетки либо растворы для инъекций. Использование первого или второго типа лекарств зависит о степени поражения тканей и распространенности воспалительных процессов.

Если заболевание имеет инфекционное происхождение, то дополнительно назначают антибиотики, противовирусные или противопаразитарные средства – это уже зависит от возбудителя недуга. Если миозит возник на фоне аутоиммунной реакции, то выбирают цитостатики и глюкокортикостероиды. Дополнительно используют витаминно-минеральные комплексы, чтобы укреплять организм.

Домашние средства лечения

Дополнительно для лечения назначают лечебную физкультуру (когда проходит острая стадия болезни) и массаж. Также в домашних условиях можно делать компрессы и примочки из вареного картофеля, капусты, а также протирать проблемные места отварами донника, ромашки, липы, хвоща. Помните, все домашние и народные средства можно начинать использовать только после консультации у специалиста.

Профилактика

В качестве профилактики больному необходимо:

• обеспечить правильное, сбалансированное питание, употребление достаточного количества воды;
• вести активный образ жизни, устраивать частые прогулки на свежем воздухе, заниматься спортом;
• проводить своевременное лечение простуды и других болезней.

Не допускается постоянное пребывание в сидячем положении, нахождение на сквозняке, переохлаждение организма.

Как записаться к терапевту, хирургу, неврологу

Записаться на прием к терапевту, хирургу, неврологу в АО «Медицина» (клиника академика Ройтберга), которая располагается в центре Москвы, можно с помощью специальной формы на сайте, позвонить по телефону +7 (495) 775-73-60 либо +7 (495) 229-00-03 (скорая помощь). Оба номера работают круглосуточно, при необходимости специалист ответит на все ваши вопросы и поможет записаться к врачу. Также вы можете лично приехать в клинику по адресу: Москва, 2-й Тверской-Ямской пер. 10.

Продлеваем молодость. Какие упражнения помогают бороться со старением :: Лайфстайл :: РБК Спорт

О пользе физических упражнений известно каждому, но не все знают, что регулярная легкая разминка может замедлить старение. Какие упражнения помогут продлить молодость — об этом в материале РБК

Читайте нас в

Photo by Ian MacNicol/Getty Images for IRONMAN

Физические упражнения полезны не только тем, что могут улучшить здоровье сердца и легких. Даже умеренная физическая активность полезна для костных и мышечных тканей, мозговой активности и настроения.

Как утверждается в исследовании лаборатории Колд-Спринг-Харбор (занимается исследованиями в области онкологии, нейробиологии, генетики растений, геномики и биоинформатики, в ней работали девять лауреатов Нобелевской премии), физические упражнения могут замедлять развитие около 40 хронических заболеваний, предотвращать когнитивные отклонения, бороться с депрессией, стрессом и в целом способствовать увеличению продолжительности жизни.

«Упражнения — лучшая стратегия защиты и восстановления, которой мы обладаем, чтобы противостоять разного рода факторам старения», — цитирует издание Time Натан Лебрассер, профессор физической медицины и реабилитации в клинике Майо в Рочестере, штат Миннесота. Он подчеркивает, что спорт не может прекратить старение, но «есть явные доказательства того, что физические упражнения могут активировать механизмы, необходимые для восстановления ДНК».

Чем раньше начать заниматься физкультурой, тем лучше. Однако физическая активность важна в любом возрасте. Так, в исследовании, опубликованном в журнале Американского гериатрического общества, отмечается улучшение физических и когнитивных способностей постояльцев домов престарелых при регулярном выполнении физических упражнений. Ученые также выявили улучшение психологического состояния.

Чтобы бороться со старостью, нет необходимости бегать марафон или ходить в тренажерный зал, поскольку даже скромная физическая активность — подъем по лестнице пешком вместо лифта, работа в саду или выгуливание собаки — имеет физические и когнитивные преимущества при регулярном выполнении.

Приведем лишь некоторые способы, улучшающие состояние здоровья, эффективность которых доказана исследователями.

Для укрепления мышечных тканей

С возрастом люди склонны терять мышечную массу. Ученые говорят, что тренировка с отягощением — один из лучших способов замедлить процесс ослабления мышечного корсета. Такой тип нагрузок не только поддержит силу мышц, но и сделает привычную деятельность (вроде уборки или подъема по лестнице) менее трудной, а также поможет снизить восприимчивость к болезням, улучшить здоровье мозга и настроение.

Как утверждают исследователи из Университета штата Алабама, тренировки с отягощением безопасны и эффективны для пожилых людей, потому что имеют чрезвычайно низкий уровень травматизма, но при этом одинаково эффективны для всех возрастов.

Для улучшения плотности костной ткани

Чтобы сохранить кости крепкими, организм разрушает старую костную ткань и заменяет новой. Однако примерно в возрасте 30 лет костная масса перестает увеличиваться, а с 40–50 лет постепенно начинается сокращаться. Физические упражнения могут помочь увеличить плотность костной ткани в раннем возрасте и предотвратить остеопороз — болезнь, которая ослабляет кости и с возрастом увеличивает риск переломов.

Почти половина всех взрослых в возрасте 50 лет и старше рискуют получить переломы из-за остеопороза. Такие данные приводит Национальный фонд остеопороза. Но это не означает, что пожилые люди бессильны в борьбе с недугом. Выполнение упражнений с весом на протяжении всей жизни помогает увеличить массу и выносливость костных тканей.

Поскольку остеопороз поражает женщин чаще, чем мужчин, такие виды деятельности, как ходьба или аэробика, особенно важны после менопаузы. Физическая активность может помочь предотвратить потерю костной массы. Более легкие нагрузки, такие как езда на велосипеде, йога и плавание, недостаточно влияют на потерю костной массы, но в сочетании с упражнениями с отягощением могут помочь достичь баланса и снизить риск переломов.

Упражнения могут удлинить теломеры

Теломеры — это колпачки на концах нитей ДНК, похожие на колпачки на шнурках. Их длина уменьшается с возрастом, и это способствует старению клеток. То есть клетки теряют способность делиться. Длина теломер связана с определенными хроническими недугами (особенно с высоким давлением, инсультом и сердечно-сосудистыми заболеваниями).

В ходе исследований ученые выяснили, что между уровнем физической активности и длиной теломер есть зависимость: чем выше уровень, тем больше длина. Особенно это касается пожилых людей. Вполне вероятно, что на длину теломер могут влиять не один, а сразу несколько процессов. Однако уже доказано, что более длинные теломеры считаются плюсом для снижения риска возрастных заболеваний.

Для улучшения познавательной способности

Способность быстро переключаться с одной задачи на другую, планировать деятельность и игнорировать не относящуюся к делу информацию — все это признаки хорошей когнитивной функции. Такие данные приводит Национальный институт старения. Физическая активность в настоящее время рассматривается как один из наиболее перспективных методов улучшения когнитивных способностей. Хотя исследователи пока не могут с уверенностью сказать, что физические упражнения действительно могут предотвратить деменцию, исследования показывают, что большая физическая активность связана со снижением риска развития деменции, включая болезнь Альцгеймера.

Ученые, по мере того как продолжают исследовать возможные эффекты физических упражнений, находят все больше их преимуществ. Так считает Стивен Остад, старший научный директор Американской федерации исследований старения и заведующий кафедрой биологии Университета Алабамы в Бирмингеме. «Тренировка мышц производит миокины, которые представляют собой небольшие молекулы, имеющие все виды преимуществ в вашем мозге, — говорит он. — Это также один из способов действительно улучшить качество вашего сна, и мы знаем, что оно связано с качеством здоровья».

До сих пор не все известно о влиянии физических упражнений на процесс старения. Однако уже понятно следующее: тренировать и дисциплинировать свое тело регулярно — пять раз в неделю хотя бы 30 минут в день — лучше, чем не делать этого. А сочетание аэробных и силовых упражнений, по-видимому, приносит максимальную пользу большинству людей. Но не стоит делать все упражнения сразу. И конечно же, перед началом занятий стоит проконсультироваться с врачом.

При увеличении мышечных клеток получено первое трехмерное изображение саркомера с высоким разрешением

Международная группа под руководством Стефана Раунсера, директора Института молекулярной физиологии Макса Планка в Дортмунде, в сотрудничестве с Матиасом Готелем из Королевского колледжа в Лондоне, создала первое трехмерное изображение саркомера, основного сократительного элемента, с высоким разрешением. единиц скелетных и сердечных мышечных клеток с помощью электронной крио-томографии.Возможность электронной крио-томографии визуализировать структуры непосредственно в замороженных мышечных клетках может быть использована в будущих методах лечения мышечных заболеваний и в лучшем понимании процесса старения.

Саркомеры — это небольшие повторяющиеся субъединицы миофибрилл, длинные цилиндры, которые соединяются вместе, образуя мышечные волокна. Внутри саркомеров волокна миозина и актина взаимодействуют, вызывая сокращение и расслабление мышц.До сих пор традиционные экспериментальные подходы к исследованию структуры и функции мышечной ткани проводились на реконструированных белковых комплексах или имели низкое разрешение. «Электронная крио-томография, напротив, позволяет нам получать подробные и без артефактов трехмерные изображения замороженной мышцы», — говорит Раунсер.

Электронная крио-томография долгое время была устоявшейся, но нишевой методологией. Но недавние технические достижения в электронной криомикроскопии, а также новая разработка фрезерования крио-сфокусированным ионным пучком (FIB) повышают разрешающую способность электронной крио-томографии.Подобно электронной криомикроскопии, исследователи быстро замораживают биологический образец при очень низкой температуре (-175 ° C). Благодаря этому процессу образец сохраняет гидратацию и тонкую структуру и остается близким к своему естественному состоянию. Затем применяется фрезерование FIB для удаления лишнего материала и получения идеальной толщины около 100 нанометров для просвечивающего электронного микроскопа, который получает несколько изображений при наклоне образца вдоль оси. Наконец, вычислительные методы восстанавливают трехмерное изображение с высоким разрешением.

Команда Раунсера выполнила электронную крио-томографию миофибрилл мыши, выделенных в Королевском колледже, и получила разрешение в один нанометр (миллионная миллиметра, достаточная, чтобы увидеть тонкие структуры внутри белка): «Теперь мы можем посмотрите на миофибриллы с невероятными деталями всего четыре года назад.Это потрясающе! », — говорит Раунсер.

Волокна в их естественном контексте

Рассчитанная реконструкция миофибрилл показала трехмерную организацию саркомера, включая субрегионы M-, A- и I- полос, а также Z-диск, который неожиданно формирует более неправильную сетку и принимает различные формы. Ученые использовали образец с миозином, прочно связанным с актином, представляющий стадию сокращения мышцы, которая называется состоянием окоченения.И действительно, они впервые смогли визуализировать в нативной клетке, как две головки одного и того же миозина связываются с актиновой нитью. Они также обнаружили, что двойная головка не только взаимодействует с одной и той же актиновой нитью, но также обнаруживается, что она разделена между двумя актиновыми нитями. Это никогда не наблюдалось раньше и показывает, что близость к следующему актиновому филаменту сильнее, чем кооперативный эффект между соседними головками.

«Это только начало. Электронная крио-томография движется из ниши к широко распространенной технологии в структурной биологии», — говорит Раунсер.«Скоро мы сможем исследовать мышечные заболевания на молекулярном и даже на атомном уровне». Мышцы мыши очень похожи на человеческие, но ученые планируют исследовать мышечную ткань на основе биопсий или полученных из плюрипотентных стволовых клеток.

Ссылка : При увеличении мышечных клеток получено первое трехмерное изображение саркомера с высоким разрешением (2021, 24 марта). получено 25 ноября 2021 г. с https: // физ.org / news / 2021-03-muscle-cells-high-resolution-3d-image.html

Этот документ защищен авторским правом. За исключением честных сделок с целью частного изучения или исследования, никакие часть может быть воспроизведена без письменного разрешения. Контент предоставляется только в информационных целях.

Сравнительное исследование гистологической и гистохимической обработки изображений в срезах мышечных волокон цыплят-бройлеров

Обработка изображений мышечных волокон значительно улучшилась за последние десятилетия, от получения световой микроскопии до виртуальной микроскопии и от ручной сегментации и типирования волокон до автомат.Настоящее исследование направлено на обсуждение основных инструментов, используемых на различных этапах обработки гисто-энзимологических изображений, применяемых к мышечным волокнам, а именно: получение, сегментация и типирование волокон, а также их эффективность при определении морфометрических параметров.

Во-первых, сбор данных: для подсчета количества клеток в срезах мышечных волокон оптические микроскопические изображения с разным увеличением (x100, x200, x250 и x400) сравнивали с виртуальными слайдами, оцифрованными с помощью сканера слайдов.Во-вторых, сегментация: три программы (Fiji «Digitizing pen, Mouse», Image Pro Plus 10 [полуавтоматический] и Cytoinformatics LLC [автоматический]) сравнивались на предмет качества сегментации изображения и определения количества волокон. В-третьих, ручное типирование волокна: использование сегментированных изображений Фиджи с использованием трех ранее упомянутых программных средств было выполнено для расчета точности морфометрического параметра (площадь поперечного сечения [ CSA ], периметр и минимальный диаметр ферета [ MFD ]).Результаты сбора данных показали, что слайды сканера имеют лучшее разрешение и обнаруживают большее количество клеток, чем при использовании оптических микроскопов с разным увеличением; в последнем случае обработка может производиться только с приемлемым разрешением, когда количество ячеек меньше, что, к сожалению, требует нескольких повторений и изнурительной работы. Наши выводы относительно сегментации показывают, что Cytoinformatics LLC показала лучшее время обработки и самое высокое качество, за ней следуют IP и Fiji.Наконец, и на последнем этапе, расчет морфометрических параметров: показал, что наилучшая точность была достигнута при использовании Фиджи, затем цитоинформатики и, наконец, IP. Результаты этого исследования показывают, что Fiji (полуавтоматический) показал лучшее соотношение цена / качество (программное обеспечение с открытым доступом) для сегментации и типирования волокон, но оказалось, что это требует много времени по сравнению с Image Pro Plus 10 (полуавтоматический). и ООО «Цитоинформатика» (автоматически).

Графеновая «камера» отображает активность живых клеток сердца

Команде также удалось зафиксировать механическое движение всего сердца — сжатие всех клеток в начале сердцебиения и их последующее расслабление.Когда клетки сердца пульсировали, они тянулись к листу графена. Это привело к тому, что свет, покидающий поверхность графена, слегка преломлялся, в дополнение к изменениям, которые электрические поля ячеек уже оказали на его отражательную способность. Это привело к интересному наблюдению: когда исследователи использовали лекарство-ингибитор мышц, называемое блеббистатином, для предотвращения движения клеток, их записи на основе света показали, что сердце остановилось, но напряжение все еще распространялось через его клетки.

Одним из будущих вариантов использования графеновой «камеры» может стать тестирование аналогичных лекарственных соединений, говорит Макгуайр. «Существует целый мир измерений фармацевтической безопасности, когда они хотят понять, как новое потенциальное лекарство влияет на клетки сердца», — говорит он. «Две важные вещи, которые они ищут, — это то, как это влияет на сократимость — силу и частоту биений клеток — и как это влияет на потенциал действия [напряжение]».

Большинство современных методов, добавляет Балч, требуют одновременного использования двух устройств, таких как электрод и тензодатчик, чтобы ответить на оба вопроса одновременно.Устройство ее команды, напротив, записывает всю эту информацию само.

Хотя графен, вероятно, останется важным игроком в биосенсорных исследованиях, новый дизайн потребует некоторой совместной работы в сочетании физики и биологии, прежде чем его можно будет использовать за пределами лаборатории. «Графен и другие двумерные материалы имеют действительно большие возможности для различных применений», — говорит Дмитрий Киреев, исследователь биоэлектроники из Техасского университета в Остине, который не принимал участия в исследовании. «Вы можете комбинировать их, вы можете сделать их переменными и гибкими, и они не меняют своих свойств.Вы можете иметь их in vivo, на коже, во всех сферах применения ». В своем собственном исследовании он даже создает графеновые «татуировки» для ношения для измерения пульса и уровня кислорода в крови.

Киреев говорит, что графен менее токсичен, чем многие существующие устройства на основе кремниевых чипов, что делает его хорошим кандидатом для имплантатов, которые пациенты носят в течение более длительных периодов времени для регистрации электрической активности внутри их сердца или мозга. По его словам, поскольку графен тонкий, но нелегко ломается, он может хорошо подойти для человеческого тела, потому что вряд ли вызовет реакцию иммунной системы, которая попытается создать на нем рубцовую ткань.«Тело понимает, когда внутри него что-то жесткое, что это не принадлежит тебе, и пытается вытолкнуть это наружу», — объясняет Киреев. «Графен настолько тонкий, что организм не воспринимает его как посторонний».

В то же время сложность нового устройства, в котором используются лазеры и другие компоненты, необходимые для управления светом, кажется ему ограничением. Киреев затрудняется представить, как именно вся «камера» может взаимодействовать с пациентом, например, для определения электрической активности, связанной с аритмией или нерегулярным сердцебиением, или для изучения долгосрочных эффектов сердечного лекарства.По его словам, хотя способность устройства отображать все клетки сердца одновременно была бы преимуществом, его размер и сложность усложнили бы использование в любом случае.

Произошла ошибка при настройке пользовательского файла cookie

Этот сайт использует файлы cookie для повышения производительности. Если ваш браузер не принимает файлы cookie, вы не можете просматривать этот сайт.

Настройка вашего браузера для приема файлов cookie

Существует множество причин, по которым cookie не может быть установлен правильно.Ниже приведены наиболее частые причины:

• В вашем браузере отключены файлы cookie. Вам необходимо сбросить настройки вашего браузера, чтобы он принимал файлы cookie, или чтобы спросить вас, хотите ли вы принимать файлы cookie.
• Ваш браузер спрашивает вас, хотите ли вы принимать файлы cookie, и вы отказались. Чтобы принять файлы cookie с этого сайта, нажмите кнопку «Назад» и примите файлы cookie.
• Ваш браузер не поддерживает файлы cookie. Если вы подозреваете это, попробуйте другой браузер.
• Дата на вашем компьютере в прошлом.Если часы вашего компьютера показывают дату до 1 января 1970 г., браузер автоматически забудет файл cookie. Чтобы исправить это, установите правильное время и дату на своем компьютере.
• Вы установили приложение, которое отслеживает или блокирует установку файлов cookie. Вы должны отключить приложение при входе в систему или проконсультироваться с системным администратором.

Почему этому сайту требуются файлы cookie?

Этот сайт использует файлы cookie для повышения производительности, запоминая, что вы вошли в систему, когда переходите со страницы на страницу.Чтобы предоставить доступ без файлов cookie потребует, чтобы сайт создавал новый сеанс для каждой посещаемой страницы, что замедляет работу системы до неприемлемого уровня.

Что сохраняется в файле cookie?

Этот сайт не хранит ничего, кроме автоматически сгенерированного идентификатора сеанса в cookie; никакая другая информация не фиксируется.

Как правило, в cookie-файлах может храниться только информация, которую вы предоставляете, или выбор, который вы делаете при посещении веб-сайта.Например, сайт не может определить ваше имя электронной почты, пока вы не введете его. Разрешение веб-сайту создавать файлы cookie не дает этому или любому другому сайту доступа к остальной части вашего компьютера, и только сайт, который создал файл cookie, может его прочитать.

Документ без названия

БИО 378
Скелетная мышца

Характеристики мышцы:

• возбудимость — реагирует на раздражители (напр.г., нервные импульсы)
• сократимость — возможность укорочения
• растяжимость — растягивается при вытягивании

Типы мышц:

• скелет:
• прикреплен к костям и перемещает скелет
• также называется поперечно-полосатой мышцей (из-за его внешнего вида под микроскопом, как показано на фото слева)
• произвольная мышца

• гладкая (фото справа)
• Непроизвольная мышца
• мышца внутренних органов (e.g., в стенках кровеносных сосудов, кишечника и других «полых» структур и органов тела)
• сердечный:
• Сердечная мышца
• принудительное

Строение скелетных мышц

Структура скелетных мышц:

Скелетные мышцы обычно прикрепляются к кости сухожилиями, состоящими из соединительной ткани.Эта соединительная ткань также покрывает всю мышцу и называется эпимизием. Скелетные мышцы состоят из множества субъединиц или пучков, называемых фасиклами (или пучками). Фасцикулы также окружены соединительной тканью (называемой перимизием), и каждый пучок состоит из многочисленных мышечных волокон (или мышечных клеток). Мышечные клетки, заключенные в оболочку эндомизия, состоят из множества фибрилл (или миофибрилл), а эти миофибриллы состоят из длинных белковых молекул, называемых миофиламентами. В миофибриллах есть два типа миофиламентов: толстые миофиламенты и тонкие миофиламенты.

Клеточная мембрана мышечной клетки называется сарколеммой, и эта мембрана, как и мембрана нейронов, поддерживает мембранный потенциал.Итак, импульсы проходят по мембранам мышечных клеток так же, как и по мембранам нервных клеток. Однако «функция» импульсов в мышечных клетках — вызывать сокращение. Чтобы понять, как сокращается мышца, вам нужно немного узнать о структуре мышечных клеток.

SARCOLEMMA имеет уникальную особенность: в ней есть отверстия. Эти «отверстия» ведут в трубки, называемые ПОПЕРЕЧНЫМИ ТРУБКАМИ (или сокращенно Т-ТРУБКАМИ).Эти канальцы проходят вниз в мышечную клетку и огибают МИОФИБРИЛЛЫ. Однако эти канальцы НЕ открываются внутрь мышечной клетки; они полностью проходят и открываются где-то еще на сарколемме (т. е. эти канальцы не используются, чтобы вводить и выводить предметы в мышечную клетку). Функция Т-ТРУБОК — проводить импульсы с поверхности клетки (SARCOLEMMA) вниз в клетку и, в частности, в другую структуру клетки, называемую SARCOPLASMIC RETICULUM.

SARCOPLASMIC RETICULUM (SR) немного похож на эндоплазматический ретикулум других клеток, например.г., он полый. Но основная функция SARCOPLASMIC RETICULUM — ХРАНЕНИЕ ИОНОВ КАЛЬЦИЯ. Саркоплазматический ретикулум очень богат клетками скелетных мышц и тесно связан с МИОФИБРИЛАМИ (и, следовательно, МИОФИЛАМЕНТАМИ). Мембрана SR хорошо приспособлена для обработки кальция: существуют «насосы» (активный транспорт) для кальция, так что кальций постоянно «закачивается» в SR из цитоплазмы мышечной клетки (так называемая SARCOPLASM). В результате в расслабленной мышце наблюдается очень высокая концентрация кальция в SR и очень низкая концентрация в саркоплазме (и, следовательно, среди миофибрилл и миофиламентов).Кроме того, мембрана имеет специальные отверстия или «ворота» для кальция. В расслабленной мышце эти ворота закрыты, и кальций не может проходить через мембрану. Итак, кальций остается в SR. Однако, если импульс проходит по мембране SR, кальциевые «ворота» открываются, и, следовательно, кальций быстро диффундирует из SR в саркоплазму, где расположены миофибриллы и миофиламенты. Как вы увидите, это ключевой шаг в сокращении мышц.

Миофибриллы состоят из миофиламентов двух типов: толстых и тонких.В скелетных мышцах эти миофиламенты расположены очень правильным и точным образом: толстые миофиламенты обычно окружены 6 тонкими миофиламентами (вид с торца). На виде сбоку тонкие миофиламенты можно увидеть над и под каждым толстым миофиламентом.

Поперечный разрез миофибрилл, показывающий расположение толстых и тонких миофиламентов.
Бар = 100 нм. Изображение Widrick et al. (2001)

Источник: Цховребова и Триник (2003).

Каждая миофибрилла состоит из множества субъединиц, выстроенных встык. Эти субъединицы, конечно, состоят из миофиламентов и называются SARCOMERES. На рисунках выше и ниже показан только очень небольшой участок всей длины миофибриллы, поэтому вы можете увидеть только один полный SARCOMERE.

В каждом саркомере тонкие миофиламенты проходят с каждого конца.Толстые миофиламенты находятся в середине саркомера и не доходят до концов. Из-за такого расположения, когда скелетные мышцы просматриваются под микроскопом, концы саркомера (где обнаруживаются только тонкие миофиламенты) кажутся светлее, чем центральный участок (который темный из-за наличия толстых миофиламентов). Таким образом, миофибрилла имеет чередующиеся светлые и темные области, потому что каждая из них состоит из множества саркомеров, выстроенных встык. Вот почему скелетная мышца называется ПОЛОСКОЙ МЫШЦЫ (т.е. чередующиеся светлые и темные участки выглядят как полосы или полосы). Рядом с центром каждой I-BAND есть тонкая темная линия, называемая Z-LINE. Z-LINE — это место, где соседние саркомеры сходятся вместе, и тонкие миофиламенты соседних саркомеров слегка перекрываются. Таким образом, саркомер можно определить как область между Z-линиями.

Используется с разрешения Джона В. Кимбалла

Толстые миофиламенты состоят из белка под названием МИОЗИН. Каждая молекула МИОЗИНА имеет хвост, который образует сердцевину толстой миофиламента, и головку, которая выступает из сердцевины волокна.Эти МИОЗИНОВЫЕ головы также обычно называют ПЕРЕКРЕСТНЫМИ МОСТАМИ.

МИОЗИНОВАЯ ГОЛОВКА имеет несколько важных характеристик:

• он имеет АТФ-связывающие сайты, в которые вписываются молекулы АТФ. АТФ представляет собой потенциальную энергию.
• он имеет сайты связывания ACTIN, в которые подходят молекулы ACTIN. Актин входит в состав тонкой миофиламента.
• он имеет «шарнир» в месте выхода из ядра толстой миофиламента.Это позволяет голове поворачиваться вперед и назад, и, как будет вскоре описано, именно «вращение» на самом деле вызывает сокращение мышц.

Молекулы актина (или G-актин, как указано выше) имеют сферическую форму и образуют длинные цепи. Каждая тонкая миофиламент содержит две такие цепи, которые наматываются друг на друга. Молекулы ТРОПОМИОЗИНА — это одиночные тонкие молекулы, которые обвивают цепь АКТИНА.В конце каждого тропомиозина находится молекула ТРОПОНИНА. Молекулы ТРОПОМИОЗИНА и ТРОПОНИНА связаны друг с другом. Каждый из этих 3 белков играет ключевую роль в сокращении мышц:

• АКТИН — когда актин соединяется с ГОЛОВКОЙ МИОЗИНА, АТФ, связанный с головкой, распадается на АДФ. Эта реакция высвобождает энергию, которая заставляет МИОЗИНОВУЮ ГОЛОВУ ПОВЕРНУТЬСЯ.

• ТРОПОМИОЗИН — В расслабленной мышце МИОЗИНОВЫЕ ГОЛОВКИ толстой миофиламента лежат напротив молекул ТРОПОМИОЗИНА тонкой миофиламента.Пока МИОЗИНОВЫЕ ГОЛОВКИ остаются в контакте с ТРОПОМИОЗИНОМ, ничего не происходит (т. Е. Мышца остается расслабленной).

• ТРОПОНИН — Молекулы тропонина имеют участки связывания для ионов кальция. Когда ион кальция заполняет это место, он вызывает изменение формы и положения ТРОПОНИНА. И когда ТРОПОНИН смещается, он тянет ТРОПОМИОЗИН, к которому он прикреплен. Когда ТРОПОМИОЗИН перемещается, ГОЛОВКА МИОЗИНА, которая касалась тропомиозина, теперь входит в контакт с лежащей в основе молекулой АКТИНА.

Нити раздвижные

Сокращение мышц

1 — Поскольку скелетная мышца является произвольной мышцей, сокращение требует нервного импульса. Итак, шаг 1 в сокращении — это когда импульс передается от нейрона к SARCOLEMMA мышечной клетки.

2 — Импульс проходит по САРКОЛЕММЕ и вниз по Т-ТРУБКАМ. От Т-ТРУБОК импульс проходит к САРКОПЛАЗМИЧЕСКОЙ СЕТЧИКЕ.

3 — Когда импульс проходит по саркоплазматической сети (SR), кальциевые ворота в мембране SR открываются. В результате КАЛЬЦИЙ диффундирует из SR и между миофиламентами.

4 — Кальций заполняет участки связывания в молекулах ТРОПОНИНА. Как отмечалось ранее, это изменяет форму и положение ТРОПОНИНА, что, в свою очередь, вызывает движение прикрепленной молекулы ТРОПОМИОЗИНА.

5 — Движение ТРОПОМИОЗИНА позволяет ГОЛОВЕ МИОЗИНА связываться с АКТИНОМ.

6 — При контакте с ACTIN ГОЛОВКА МИОЗИНА поворачивается.

7 — Во время поворота ГОЛОВКА МИОЗИНА надежно прикреплена к ACTIN. Итак, когда ГОЛОВКА поворачивается, она тянет АКТИН (и, следовательно, всю тонкую миофиламент) вперед. (Очевидно, что одна МИОЗИНОВАЯ ГОЛОВКА не может тянуть всю тонкую миофиламент. Многие МИОЗИНОВЫЕ ГОЛОВКИ вращаются одновременно или почти так, и их коллективных усилий достаточно, чтобы вытянуть всю тонкую миофиламент).

8 — В конце вертлюга АТФ входит в сайт связывания на поперечном мостике, и это разрывает связь между поперечным мостиком (миозином) и актином. ГОЛОВА МИОЗИНА затем поворачивается назад. Когда он поворачивается назад, АТФ распадается на АДФ и Ф, и поперечный мостик снова связывается с молекулой актина.

9 — В результате HEAD снова прочно привязан к ACTIN. Однако, поскольку ГОЛОВА не была прикреплена к актину при повороте назад, ГОЛОВКА будет связываться с другой молекулой АКТИНА (т.е.е., еще один назад на тонкой миофиламенте). После того, как ГОЛОВКА присоединена к ACTIN, поперечный мост снова поворачивается, ТАК, ШАГ 7 ПОВТОРЯЕТСЯ.

Пока присутствует кальций (присоединенный к ТРОПОНИНУ), шаги с 7 по 9 будут продолжаться. И при этом тонкая миофиламент «тянется» МИОЗИНОВЫМИ ГОЛОВКАМИ толстой миофиламента. Таким образом, ТОЛСТЫЕ и ТОНКИЕ миофиламенты фактически скользят друг мимо друга. При этом расстояние между Z-линиями саркомера уменьшается.Чем короче саркомеры, тем короче миофибриллы. И, естественно, мышечные волокна (и вся мышца) становятся короче.

Скелетные мышцы расслабляются, когда прекращается нервный импульс. Отсутствие импульса означает, что мембрана SARCOPLASMIC RETICULUM больше не проницаема для кальция (т.е. отсутствие импульса означает, что КАЛЬЦИЕВЫЕ ВОРОТА закрываются). Итак, кальций больше не диффундирует. НАСОС КАЛЬЦИЯ в мембране теперь будет транспортировать кальций обратно в SR. Когда это происходит, ионы кальция покидают сайты связывания на МОЛЕКУЛАХ ТОПОНИНА.Без кальция ТРОПОНИН возвращается к своей исходной форме и положению, как и прикрепленный ТРОПОМИОЗИН. Это означает, что ТРОПОМИОЗИН теперь снова на своем месте и находится в контакте с ГОЛОВКОЙ МИОЗИНА. Таким образом, головка MYOSIN больше не контактирует с ACTIN, и, следовательно, мышца перестает сокращаться (т.е. расслабляется).

Итак, в большинстве случаев кальций является «переключателем», который включает и выключает мышцы (сокращение и расслабление).Когда мышца используется в течение длительного периода, запасы АТФ могут уменьшиться. Когда концентрация АТФ в мышцах снижается, МИОЗИНОВЫЕ ГОЛОВКИ остаются связанными с актином и больше не могут поворачиваться. Это снижение уровня АТФ в мышцах вызывает УСТАЛОСТЬ МЫШЦ. Несмотря на то, что кальций все еще присутствует (и нервный импульс передается мышцам), сокращение (или, по крайней мере, сильное сокращение) невозможно.

Контрольные вопросы:

Что такое пучок (или фасция), мышечное волокно, миофибрилла, миофиламент? Что такое сарколемма? Что такое тубула? Что такое саркоплазматический ретикулум? Какие бывают 2 типа миофиламентов? Почему скелетные мышцы выглядят поперечно-полосатыми? Что такое саркомер? Какие 3 белка составляют тонкие миофиламенты и как эти белки расположены в тонких миофиламентах? Какой тип белка состоит из толстых миофиламентов? Что такое поперечный мост? Что происходит с расстоянием между Z-линиями во время сокращения? Какова роль каждого из следующих элементов в сокращении скелетных мышц: сарколемма, t-канальцы, саркоплазматический ретикулум, кальций, тропонин, тропомиозин, актин, поперечные мостики, АТФ? Что происходит с кальцием, когда мышцы расслабляются?

Анимация, иллюстрирующая сокращение мышц:

Механизм скольжения нити при сокращении миофибриллы (Wiley)

границ | Обзор стратегий сегментации МР-изображений при нервно-мышечных заболеваниях

1.Введение

Нервно-мышечные патологии — редкие заболевания, которые могут возникать как у детей, так и у взрослых. На сегодняшний день предложено очень мало терапевтических стратегий. По-прежнему отсутствуют надежные критерии исходов, которые могли бы быть достаточно чувствительными для выявления терапевтических эффектов. Диагностика нервно-мышечной патологии обычно основывается на клинической картине, генетическом тестировании и гистологической оценке биопсии мышц. Учитывая его неинвазивность и способность различать жировые и мышечные ткани, магнитно-резонансная томография (МРТ) и, в частности, количественная МРТ (кМРТ), в последние годы стала предпочтительным инструментом для исследования нервно-мышечных заболеваний (1). .За последние 20 лет были разработаны исследовательские проекты для определения релевантных и чувствительных параметров МРТ, которые можно было бы использовать при диагностической классификации и последующем наблюдении за нервно-мышечными заболеваниями (2–6). Первоначальные подходы были основаны на визуальном анализе гиперсигналов, иллюстрирующих патологические процессы, и на этой основе были предложены паттерны изменений. При медленно прогрессирующих заболеваниях, таких как нервно-мышечные расстройства, чувствительность таких визуальных качественных оценок в значительной степени сомнительна и может быть недостаточно мощной для выявления умеренных изменений мышечной функции, происходящих из года в год.

Совсем недавно кМРТ стали использовать для создания параметрических карт, иллюстрирующих различные патологические процессы, происходящие в скелетных мышцах, то есть в основном воспаление и жировую инфильтрацию (4, 5). По сравнению с визуальными оценками такой количественный подход проложил путь к более чувствительной оценке дистрофий и невропатий. Помимо диагностического интереса, эти подходы предоставляют чувствительные и воспроизводимые биомаркеры, которые использовались для последующих исследований (6–8).В дополнение к созданию параметрических карт, qMRI необходимо объединить с сегментацией изображений, если кто-то намеревается извлечь релевантную информацию в различных областях интереса. Сегментация относится к разграничению представляющих интерес мышечных областей, которые необходимо отличать от подкожной и околимышечной жировой ткани, с одной стороны, и от костей, с другой стороны. Сегментация в целом и сегментация МР-изображений в частности — это трудоемкий процесс, поэтому автоматические процедуры очень востребованы.Однако автоматизация сегментации мышц на МРТ-изображениях является очень сложной задачей из-за плохого контраста между разными мышцами и большого разнообразия форм мышц (9). В патологических ситуациях проблема может быть еще выше, учитывая, что границы между различными отделами могут быть скрыты серьезной жировой инфильтрацией. Учитывая сложность задачи, большинство исследований, связанных с исследованием нервно-мышечных заболеваний, основывались на ручной сегментации отдельных мышц или мышечных отделов.Следует иметь в виду, что такой подход зависит от оператора и требует много времени. В результате количественный анализ в основном проводился на ограниченном количестве срезов, а не на всех наборах трехмерных данных (4, 10) или на ограниченном количестве отдельных мышц (6). В нескольких клинических исследованиях, в которых ручная сегментация выполнялась в трехмерном поле зрения, было обнаружено противоречивое распределение значений биомаркеров МРТ вдоль проксимально-дистальной оси (2, 11–13).Кроме того, также было задокументировано, что отдельные мышцы могут поражаться по-разному, и что эта разница также может иметь место среди пациентов и нервно-мышечных расстройств (5, 14–16). Эти результаты ясно подчеркнули необходимость надежных методов автоматической 3D-сегментации и важность оценки мышц индивидуально, а не по группам мышц.

За последние 15 лет в литературе было описано несколько автоматизированных методов с целью сегментирования групп мышц или отдельных мышц на МР-изображениях.Хотя многие из этих методов были многообещающими, они были протестированы на МРТ-изображениях здоровых добровольцев, у которых отсутствовали жировая инфильтрация и атрофия, поэтому соответствующие смешивающие факторы не могли быть приняты во внимание. Совсем недавно несколько автоматических методов обратились к проблеме сегментирования МРТ-изображений пациентов с нервно-мышечными расстройствами, но только для определения границ мышечного компартмента.

Совсем недавно появились сообщения о полуавтоматических методах сегментации отдельных мышц для достижения оптимального баланса между точностью сегментации и самоотдачей пользователя.Эти полностью трехмерные методы успешно используются в клинической практике. Следует признать некоторые ограничения для такого рода методов. Они по-прежнему отнимают много времени и требуют ручной инициализации, поэтому надежные полностью автоматические методы сегментации по-прежнему применяются для отдельных мышц.

Методы глубокого обучения очень редко используются в области нервно-мышечных расстройств, и, учитывая результаты, полученные в других областях науки, они могут представлять собой очень интересную альтернативу для полной трехмерной сегментации МР-изображений.Следует иметь в виду, что для такого подхода должны быть доступны большие базы данных, и это может быть ограничением при редких заболеваниях.

Ручные методы сегментации не применимы для наборов данных 3D и наблюдения за нервно-мышечными заболеваниями. Было признано, что они требуют много времени (5 часов на каждого пациента для трехмерной сегментации 4 мышц вручную) и зависят от оператора (ошибка объема 3,1% для четырехглавой мышцы бедра у здоровых субъектов) (9). Исходя из этого, эти методы выходили за рамки настоящего обзора.Учитывая, что нервно-мышечные расстройства в основном изучались с помощью МРТ бедер и ног, только автоматизированные методы, которые использовались для сегментации изображений нижних конечностей, являются частью настоящего обзора.

Основная цель этого обзора — предоставить обзор методов, посвященных сегментации отдельных скелетных мышц на МР-изображениях, и обсудить их достоверность и надежность. Мы уделяем особое внимание эволюции стратегий сегментации, от разделения мышечных и жировых отложений до сегментации отдельных мышц, а также их клиническому потенциалу и применимости в контексте нервно-мышечных расстройств.Наконец, мы познакомим вас с полуавтоматическими методами, которые потенциально могут преодолеть барьер между исследованиями и клиниками. Эти методы могут предоставить клиницистам удобные инструменты, которые генерируют биомаркеры для отдельных мышц по всему набору трехмерных данных. Новые методы сегментации, основанные на подходах глубокого обучения, включены в специальный раздел, поскольку они все еще появляются.

2. Проблемы сегментации мышечной ткани

2.1. Тип МРТ-изображений для сегментации

С момента появления МРТ качество и тип изображений, доступных с помощью этого метода получения, значительно изменились и, как следствие, повлияли на методы автоматизированной сегментации.Первые методы сегментации были связаны с серьезными артефактами на МР-изображениях, поэтому сегментация контура нижних конечностей и мышечной области была сложной задачей (17). С годами качество изображения значительно улучшилось благодаря усовершенствованию оборудования и методов обработки изображений. Метод коррекции неоднородности интенсивности, такой как N3 и, совсем недавно, алгоритм N4 (18), также внес большой вклад в улучшение качества изображения, и такие алгоритмы в настоящее время являются обычным этапом предварительной обработки для метода сегментации мышц.Методы сегментации МР-изображений нижних конечностей были впервые посвящены изображениям, взвешенным по T ₁ , которые обычно используются в клиниках. Затем использовались параметрические изображения из последовательностей qMRI, поскольку они могут отображать различную информацию о природе ткани (рис. 3). В большинстве исследований, обсуждаемых в этом обзоре, параметрические карты, используемые для методов сегментации, были извлечены из МР-последовательностей разделения воды и жира на основе мультиэхо-химического сдвига (19).

2.2. Области интересов

Как показано на Рисунке 1, на МР-изображении нижней конечности видны различные ткани.Для ясности эти ткани будут обозначены в соответствии с номенклатурой (20). Подкожная жировая ткань (SAT) и внутренняя жировая ткань (IAT) разделены широкой фасцией , бедра и несколькими глубокими фасциями голени. В рамках IAT внутримышечная жировая ткань определяется как жировая ткань, содержащаяся в мышцах, в то время как перимускулярная жировая ткань (PAT) обозначает оставшуюся жировую ткань, в основном жировые отложения между мышцами.

Рисунок 1 . Карта жировой фракции бедра пациента с миотонической дистрофией 1 типа (слева) и соответствующая сегментация основных областей интереса (справа) . Бедренная кость белая. Отдельные мышцы разгибателей колена, сгибателей колена и медиального отдела выделены красным, синим и зеленым цветом соответственно. Подкожная (оранжевая) и перимускулярная (пурпурная) ткани разделены широкой фасцией , (пунктирная линия темно-синего цвета).Пациент участвовал в рандомизированном контролируемом исследовании OPTIMISTIC (5).

У здоровых субъектов жир в основном присутствует в виде SAT, тогда как IAT почти отсутствует (рис. 2A). Напротив, при нервно-мышечных заболеваниях мышечная ткань подвергается гистологическим изменениям, ведущим к постепенному замещению мышечной ткани адипоцитами. Внутримышечная жировая инфильтрация может даже привести к некрозу и фиброзу мышц (рис. 2D).

Рисунок 2 . Примеры T ₁ -взвешенных изображений бедер (первый ряд) и голеней (второй ряд) здорового субъекта (A, F) и пациентов с болезнью Шарко – Мари – Тута типа 1A (B, G) , миотоническая дистрофия 1 типа (C, H) , фациоскапуло-плечевая мышечная дистрофия (D, I) и миозит с тельцами включения (E, J) .

Стратегии сегментации развивались с годами с улучшением качества изображений и клинических потребностей. Первые подходы предназначались для разделения мышечных и жировых отложений без различия подкожного и внутреннего жировых отложений. Клинические исследования показали, что перимышечная и внутримышечная жировая ткань не являются частью одних и тех же метаболических процессов (21), но их вклад еще не полностью изучен (22). Поэтому стратегии сегментации эволюционировали в сторону сегментации мышечных областей или отдельных мышц, чтобы позволить точную количественную оценку каждого жирового отдела.Этому также способствовало улучшенное качество изображения, которое позволило лучше визуализировать границы между тканями. Следует отметить, что номенклатура различных жировых тканей все еще четко не определена в области исследований стратегий сегментации. Термины «межмышечный жир» и «внутримышечный жир» были перепутаны и вводили в заблуждение во многих статьях, которые мы рассмотрели в этом исследовании.

2.3. Проверка подходов к сегментации

Валидация — важный шаг в развитии методов автоматической сегментации.Он предназначен для оценки эффективности метода автоматической сегментации на основе сравнительного анализа между автоматической сегментацией, обеспечиваемой алгоритмом, и достоверной информацией, полученной одним или несколькими экспертами в данной области, обычно радиологами.

Обычно используются несколько дополнительных показателей. Они могут оценить перекрытие между сегментациями, расстояние между точками контура сегментации или объемы, вычисленные на основе сегментов. Каждая метрика на самом деле чувствительна к одному типу ошибок сегментации (размеру, расположению и форме), и ни одна из них не может учитывать все типы ошибок (23).

Для методов сегментации мышц, описанных в настоящем обзоре, наиболее часто используемыми показателями являются относительная разность объемов (RVD), коэффициент подобия игральных костей (DSC), расстояние Хаусдорфа (HD) и среднее поверхностное расстояние (ASD).

Пусть X будет сегментацией, полученной в результате алгоритма, а Y — основной истиной. RVD рассчитывается с учетом объемов, определенных при ручной и автоматической сегментации. Фактически это относится к соотношению между | X — Y | разница и | Y |.Оценка RVD является важным показателем в клинических областях, связанных с мышцами, поскольку во многих исследованиях в качестве биомаркера использовалось изменение объема мышц. Тем не менее, эта метрика не позволяет проводить геометрический и пространственный анализ между ручной и автоматической сегментацией.

DSC измеряет относительное перекрытие между X и Y . Он рассчитывается как отношение двойного пересечения между X и Y к количеству комбинированных элементов X и Y .Как определено в (1), DSC также может быть выражен в терминах истинно положительных (TP), ложноотрицательных (FN) и ложноположительных (FP). Значения DSC могут варьироваться от 0 до 1, 1 указывает на наибольшее сходство между сегментами.

В дополнение к DSC, расстояние между границами сегментации может быть вычислено для оценки устойчивости сегментации независимо от объема. Пусть ∂ X будет границей сегмента X , а ∂ Y будет границей Y .Для HD и ASD наименьшее расстояние, разделяющее границы, измеряется между каждой точкой ∂ X и ∂ Y . Расстояние между двумя точками x и y — это евклидово расстояние δ ( x, y ) = || x — y ||. HD рассчитывается как максимальное из этих расстояний (2), а ASD как среднее из расстояний (3). Оба расстояния выражены в миллиметрах, и для точной сегментации желательны низкие значения.

Три геометрических показателя, DSC, HD и ASD, дополняют друг друга и должны быть оценены для правильной проверки метода сегментации. DSC и ASD предоставляют глобальную информацию о сегментации, то есть о перекрытии и расстоянии между границами, соответственно. В отличие от DSC и ASD, HD очень чувствителен к выбросам и небольшим различиям формы.

3. Развитие стратегий сегментации

3.1. Автоматическое разделение мышечных и жировых отложений

За последние 15 лет в литературе было сообщено о нескольких автоматизированных методах разделения мышечной и жировой ткани на МР-изображениях нижних конечностей.

3.1.1. Разделение между мышечной и жировой тканью

Ранние автоматизированные методы сегментации использовали контраст между жировой, мышечной и костной тканями. Соответственно, Mattei et al.предложили метод полуавтоматической сегментации мышечного отдела бедра на основе гистограммного представления T ₁ -взвешенных изображений (24). Основываясь на заданных пользователем пороговых значениях интенсивности пикселей в мышцах и жирах, метод был проверен посредством исследования воспроизводимости результатов между 3 экспертами, но никаких показателей, связанных с точностью сегментации, не сообщалось. Becker et al. предложили автоматический метод разделения между мышцами и жиром с использованием серии пороговых, морфологических и связных операций, улучшенных за счет использования четырех различных типов изображений, обеспечиваемых последовательностями DIXON с химическим сдвигом (25).Они сообщили, что оценка DSC больше 0,95 для сегментации мышц, выполненной в семи срезах, выбранных вдоль нижних конечностей четырех субъектов.

Пороговые методы быстрые и простые в реализации, но они довольно чувствительны к шуму, артефактам изображения и, прежде всего, требуют эмпирического определения пороговых значений. Для решения этой проблемы были разработаны автоматические методы, такие как кластеризация K-средних (26). Эти методы классифицируют ткани по интенсивности каждого пикселя. Сообщалось о других автоматических методах, основанных на анализе гистограмм модели смеси Гаусса (GMM) (27).Соответствующие результаты были лучше из-за неконтролируемого обучения, которое позволяет алгоритму адаптироваться к каждому изображению и делает его более надежным.

Поскольку подходы кластеризации K-средних основаны на предположении, что вектор признаков принадлежит только одному классу, они были признаны плохо подходящими для сегментации МР-изображений, когда классы перекрываются или когда информация нечеткая и неопределенная (28). Эффекты частичного объема между мышцами и жиром вблизи границ мышц и инфильтрация меж- или внутримышечного жира приводят к неопределенности класса.Алгоритм кластеризации нечетких c-средних (FCM) был разработан для решения этой проблемы. Алгоритм кластеризации FCM был предложен Barra et al. для оценки трехмерных объемов мышц и жира на изображениях бедер (29). Метод был воспроизводим в отношении оценок объема на пяти изображениях, полученных в один и тот же день от трех субъектов, но сравнение с наземными сегментами правды не проводилось.

Методы, основанные на кластеризации или анализе гистограмм, позволяли различать жировые и мышечные ткани, но SAT и IAT оставались неразличимыми.Это важно, учитывая, что IAT напрямую связана с патологическим процессом нервно-мышечных расстройств, а SAT — нет.

3.1.2. Разделение перимускулярной и подкожной жировой ткани

Поскольку необходимо различать подкожную и внутреннюю жировую ткань, было предложено несколько подходов для сегментации внутренней границы SAT в дополнение к разделению жировой и мышечной ткани.

Хотя Valentinitsch et al. (30) последовательно применили кластеризацию К-средних к различным изображениям, полученным в результате МР-последовательностей разделения воды и жира на основе химического сдвига, Yang et al.(31) предложили алгоритм машинного обучения, использующий сразу весь набор изображений. Оба этих подхода позволили отличить IAT от SAT с помощью основных морфологических операций, таких как дилатация, эрозия и связанные компоненты. Эти методы были оценены на одном выбранном положении среза для Valentinish et al. и на трехмерной стопке срезов бедра для Yang et al. Для обоих методов хорошие результаты были получены для сегментации мышечной ткани на «здоровых» изображениях со значениями DSC выше 0.94 и ASD около 0,80 мм. Однако Валентиниш и др. подчеркнули, что такие подходы могут не идентифицировать правильную мышечную оболочку, если мышца рядом с областью SAT инфильтрирована жиром или окружена значительным количеством жира, что является обычным сценарием у пациентов с нервно-мышечными расстройствами (рис. 2). Более того, определение границы между IAT и SAT как мышечной оболочки вводило в заблуждение, учитывая, что истинной естественной границей является большая фасция (20), которая может не казаться близко к мышце.

Для решения проблемы сегментирования широкой фасции , которая представляет собой очень тонкую ткань, плохо контрастирующую и частично невидимую на МР-изображениях, было предложено несколько методов, основанных на активных геодезических контурах змеи (32).

Этот вид алгоритма может быть в состоянии выполнить активную оценку контура по направлению к слабым краям, например, широкой фасции (рис. 1). Алгоритм змейки использовался в аналогичных методах на изображениях, взвешенных по T ₁ , в работах (33, 34) с разницей в инициализации контура.Хотя Макрогианнис и др. использовали границу ноги, сегментированную морфологическими операциями, Orgiu et al. реализовали грубую сегментацию широкой фасции , определяемую мышечной оболочкой, сегментированной с помощью кластеризации FCM с последующими морфологическими операциями. Positano et al. использовали змейки вектора градиента потока (35), расширение активных контуров змейки, которое не нужно инициализировать близко к границе и способно сходиться к граничным вогнутостям (27). Последовательность активных контуров, инициализированных кругом, окружающим ногу, применялась для сегментации внешнего контура SAT, внутреннего контура SAT и, наконец, контура кости.Внешняя сила змей использовала карту границ, полученную из жирной карты, ранее созданной с помощью кластеризации FCM. Внутри внутренней границы SAT Positano et al. использовали подход GMM для разделения жира и мышц в перимускулярной области, тогда как Makrogiannis et al. применил кластеризацию K-средних к объединенному пространству жирного изображения и изображения воды. Эти подходы были оценены на МРТ здоровых добровольцев (33) и пациентов с ожирением (27, 34). Прямого сравнения с наземной сегментацией не проводилось, но хорошие корреляции для количественной оценки объема между ручными и автоматическими сегментами были обнаружены для мышечной и жировой ткани в пределах внутренней границы SAT.Orgiu et al. сообщили о среднем значении ASD 0,81 мм для сегмента широкой фасции , но не указали на HD.

Совсем недавно было предложено несколько подходов для улучшения методов активного контура для сегментации широкой фасции с помощью методов обучения и фильтров обнаружения линий.

Метод случайного леса в сочетании с ограничениями разреженности для устранения шума, вызванного прожилками, был предложен Tan et al. с целью обучения детектора 2D fasia lata и включения его во внешние энергетические составляющие змейки градиентного вектора потока (36).Они сообщили о высоком среднем DSC 0,97 и среднем ASD 1,37 мм на изображениях бедер пациентов с остеоартритом. Этот метод явно превзошел методы, основанные на классической модели активного контура (37). В двух других подобных методах геодезические активные контуры, также инициализированные мышечной оболочкой, были усилены фильтром обнаружения линий, который извлекает точек-кандидатов широкой фасции, точек (38) и фильтрацией расширения сосудов, которая распознает пластинчатые формы (39). Ковач и др. проанализировали свой метод на T ₁ -взвешенных изображениях миопатических пациентов, и DSC для сегментации непораженных и слабо пораженных мышц был равен 0.93, тогда как для сильно пораженных мышц он был снижен (0,80). Эти результаты можно объяснить зависимостью DSC от объема и тем фактом, что объем мышц был ниже у пациентов с тяжелым поражением. Для определения истинной оболочки мышцы (т.е. широкой фасции ) показатели HD были систематически высокими, в среднем 13 мм, независимо от тяжести патологии. Чаудри и др. предложили полуавтоматический метод, основанный на проводе под напряжением, для уточнения автоматического определения границ fascia lata в дополнение к их автоматическому подходу.Ручная коррекция была частично необходима для 40% наборов данных (23 здоровых молодых человека и 50 пожилых мужчин с саркопенией с умеренным уровнем жировых отложений). Прямого сравнения с наземными сегментациями не проводилось.

Хотя обнаружение оболочки мышцы с помощью кластеризации на основе интенсивности или подходов с активным контуром плохо подходит для изображений пациентов с нервно-мышечными расстройствами, эти методы использовались как этап инициализации в большинстве исследований, посвященных обнаружению широкой фасции .Как и ожидалось, сегментация изображений с серьезной жировой инфильтрацией была низкого качества. Поэтому пришлось предложить другие подходы.

Chambers et al. (40) представили метод, основанный на подходе под напряжением для сегментации мышечной области. Алгоритм на основе отпечатков пальцев был использован для преодоления ограничений базовых подходов к проводам под напряжением, которые чувствительны к аддитивному шуму и небольшой текстурной информации. Затем граница мышечной области была идентифицирована с использованием экспоненциальной функции стоимости, связанной с информацией о краях.Внутренняя граница SAT была сначала обнаружена, когда края находились ближе всего к границе ноги. Процедура была выполнена на срезе с наибольшей площадью поперечного сечения, а затем поиск границы был ограничен соседними срезами, предполагая, что расположение границ довольно похоже от одного среза к другому. Метод был проверен на 10 T ₁ -взвешенных изображениях пациентов с фасциально-плечевой мышечной дистрофией (FSHD), а значения DSC и ASD составили 0,89 и 0,10 мм соответственно.Они также продемонстрировали, что современные методы кластеризации FCM и активного контура были менее надежными, чем их метод, когда присутствовала жировая инфильтрация.

Совсем недавно Gadermayr et al. (41) оценили современные подходы к сегментации всей мышечной области в наборах данных пациентов с нервно-мышечными расстройствами. Для пациентов с легкой и средней степенью инфильтрации все протестированные подходы позволили провести точную сегментацию со средними значениями DSC выше 0,90. Для изображений с серьезной инфильтрацией жира они продемонстрировали, что подход нарезки графа, включающий знание формы, демонстрирует более точную сегментацию, чем другие методы со средним значением DSC, равным 0.80.

3.1.3. К измерению инфильтрации жира

В целом, было предложено несколько исследований для сегментации мышечной и внутренней жировой ткани на МР-изображениях нижних конечностей. Лишь немногие из них были проверены для изображений пациентов с нервно-мышечными расстройствами с довольно ограниченным количеством изображений и показателей, связанных с сегментацией. Следует иметь в виду, что первоначальная клиническая движущая сила, связанная с этими методами сегментации, была связана с автоматической количественной оценкой объема мышц без воздействия жира.Соответственно, Müller et al. использовали подходы сегментации на основе интенсивности к изображениям, взвешенным по T ₁ , для количественной оценки оставшейся мышечной ткани. Соответствующий показатель позволял отличить пациентов с миопатиями и невропатиями от контрольных субъектов (42). Подобные методы использовались для оценки жировой инфильтрации на изображениях пациентов с нервно-мышечными расстройствами. Эта клиническая цель столкнулась с несколькими проблемами. Lareau-Trudel et al. сообщили в клиническом исследовании, что разделение между SAT и IAT с использованием методов активного контура не удалось для пациентов с тяжелой жировой инфильтрацией, и ручная коррекция должна быть выполнена в 20% когорты (15).Кроме того, во многих рассмотренных исследованиях авторы утверждали, что предлагают количественную оценку фракции межмышечного жира с использованием соотношений между объемом мышц, не затронутых жиром, и объемом жировой ткани, содержащейся в широкой фасции . Никакого разделения между межмышечными и внутримышечными жирами не проводилось, и этого вряд ли можно было ожидать при таких подходах, основанных на интенсивности. Оценка внутримышечной жировой ткани имеет первостепенное значение при нервно-мышечных заболеваниях, учитывая, что это отличительный признак процесса болезни.

В целом, рассмотренные выше подходы к сегментации не подходят для автоматической количественной оценки жировой инфильтрации, тогда как автоматическая сегментация отдельных мышц необходима, если кто-то намеревается тщательно оценить патологический процесс.

3,2. Автоматическая сегментация мышечных областей

Сегментация отдельных мышц имеет два основных преимущества. Инфильтрацию жира и другие патологические изменения можно было оценить в отдельных мышцах. Кроме того, обработка наборов 3D-данных может быть полезна для исследования потенциальных изменений вдоль проксимально-дистальной оси.Соответственно, образцы жировой инфильтрации отдельных мышц были описаны в нескольких клинических исследованиях (5, 16).

Как степень жировой инфильтрации, так и зависящее от времени прогрессирование могут в значительной степени варьироваться между мышцами у данного пациента или между пациентами с данным заболеванием (Рисунок 3) и между различными мышечными расстройствами (Рисунок 2). Исходя из этого, количественная оценка любого интересующего биомаркера МРТ в отдельных мышцах и в наборе данных 3D имеет решающее значение, чтобы можно было должным образом провести поперечные, а также продольные исследования и терапевтические испытания.Поскольку большинство предстоящих терапевтических стратегий с большей вероятностью остановят или замедлят прогрессирование заболевания, а не обратят вспять уже установленное повреждение тканей, может быть целесообразно исключить наблюдение за полностью инфильтрованными мышцами, чтобы уделять более пристальное внимание тем мышцам, которые не полностью проникли.

Рисунок 3 . Примеры T ₁ -взвешенных изображений (A, F) и изображений, полученных с помощью МР-последовательностей разделения воды и жира на основе химического сдвига для бедра двух пациентов (первый и второй ряд) с различной степенью тяжести фациально-плечевой мышечной дистрофии.Иллюстрации соответствуют синфазным изображениям (B, G) , не синфазным изображениям (C, H) , воде (D, I) и количественной карте фракции жира (E, J) .

Кроме того, автоматизированные методы необходимы для изучения больших групп пациентов с нервно-мышечными заболеваниями, учитывая, что ручная сегментация невозможна с учетом необходимого времени (9).

Как упоминалось выше, автоматическая сегментация отдельных мышц на МР-изображениях является сложной задачей по нескольким причинам.Мышцы на МР-изображении здоровых людей имеют одинаковую интенсивность и текстуру, поэтому их трудно различить. Кроме того, границы между мышцами очень тонкие и могут быть прерывистыми или невидимыми на МР-изображениях. Как показано на рисунке 2, границы мышц могут быть еще менее заметными в случае инфильтрации жира. Различные формы и текстуры мышц внутри и между пациентами также усложняют задачу автоматической сегментации. Кроме того, учитывая, что мышцы состоят из мягких тканей, можно ожидать больших изменений формы из-за внешних ограничений, налагаемых положением ноги и / или катушки в МР-сканере.

За последние годы в нескольких исследованиях предложены автоматизированные подходы для преодоления этих трудностей и обеспечения точного сегментации мышц индивидуально или сгруппированных по регионам. Большинство методов были основаны на подходах, основанных на форме, учитывая, что подходы, основанные на интенсивности, не могут различать отдельные мышцы.

Метод кодирования на основе вейвлетов был предложен Essafi et al. (43), чтобы обеспечить иерархическое кодирование изменчивости формы. Этот подход был оценен для сегментации gastrocnemius medialis у 20 здоровых субъектов и пяти пациентов.Соответствующие результаты были плохого качества со средним значением DSC 0,55.

Baudin et al. оценили метод, основанный на случайном блуждании, чтобы решить проблему неполных контуров, которые могут возникнуть между мышцами. Такой метод основан на позиционировании семян на этапе инициации, который может выполняться вручную или автоматически с использованием атласов. Этот метод был оценен на изображениях, не совпадающих по фазе, которые имеют особенность показывать четкие контуры между тканями и, следовательно, между отдельными мышцами на изображениях здоровых людей.Соответствующие значения DSC были высокими, т.е. 0,80 ± 0,19 у 15 контрольных субъектов (44). Включение предварительных знаний о форме и достоверной карты контуров мышц привело к более высоким значениям DSC [0,86 ± 0,07; (45)]. Хотя такой метод не был опробован на пациентах с нервно-мышечными расстройствами, можно было ожидать гораздо более низких значений DSC, учитывая, что жировая инфильтрация должна стирать границы мышц. Эндрюс и др. (46) обратились к этой проблеме, разработав детектор случайных границ леса, который пытается определить общий вид границ раздела между мышцами, чтобы отличить их от внутримышечного жира.Этот детектор межмышечной границы был объединен со статистической моделью формы в пространстве обобщенных представлений логарифмических соотношений и подходом предварительного выравнивания, основанным на GMM-сегментации мышечной ткани. Они оценили свой метод сегментации отдельных мышц бедра у 10 здоровых субъектов и 10 пациентов с хронической обструктивной болезнью легких и сообщили о значениях DSC в диапазоне от 0,70 ± 0,16 до 0,93 ± 0,06.

Метод, основанный на модели активного контура с инициализацией через модель активной формы, был оценен для сегментации мышечных областей бедра пациентов с остеоартрозом коленного сустава (47).Модель активной формы была обучена на 113 аксиальных МР-срезах для оценки на 20 изображениях. Они сообщили, что 50 обучающих наборов данных было достаточно для получения точной сегментации. Сообщалось о хороших значениях DSC для сегментации каждой мышечной области. Однако их метод был разработан только для сегментации уникального среднего среза. Кроме того, для уточнения этапов инициализации как активной модели формы, так и модели активного контура требовалось ручное взаимодействие в течение 3-5 минут на каждый срез.

3.2.1. Подходы на основе Атласа

Основанные на Атласе подходы были предложены для автоматической сегментации отдельных мышц, поскольку они могут включать пространственные предшествующие анатомические знания на уровне отдельных мышц. Сегментация на основе атласа — это хорошо зарекомендовавшая себя концепция (48), которая широко применяется к структурам мозга. Эти подходы рассматривают сегментацию как проблему совмещения изображений, которая направлена ​​на вычисление оптимальных полей преобразования из предварительно помеченных атласов в новое изображение, которое будет сегментировано.Метки атласа после переноса в новый домен изображения объединяются и приводят к окончательной уникальной сегментации.

Такой подход использовался для количественной оценки регионального объема мышц на МРТ всего тела (49). Для регистрации был выбран многомасштабный и фазовый морфонный метод, поскольку он менее чувствителен к неоднородностям МРТ. Использовались изображения воды, поскольку они отображают наименьшие анатомические вариации и содержат наибольшее количество информации о форме мышц.Процесс мультиатласа был выполнен дважды: один раз со всеми изображениями атласа, чтобы получить первую грубую сегментацию, а затем второй раз, используя только атласы, имеющие аналогичные объемы с грубыми сегментами. Метки из атласов были объединены в вероятностную карту, и порог был установлен эмпирически для получения окончательной сегментации. Затем объемы мышц и жира были разделены внутри сегментированных областей с порогом. При использовании стратегии «исключить один-единственный» у 20 здоровых субъектов была обнаружена хорошая корреляция для количественной оценки объема мышц.Среднее значение TPVF составляло 93% для голени, заднего и переднего отделов бедра, а среднее значение FPVF составляло 5% для голени и 8% для заднего и переднего отделов бедра. Не сообщалось о геометрических показателях, связанных с сегментацией оболочки мышц с помощью мультиатласного процесса. В недавнем исследовании этот мультиатласный подход также был оценен как достаточно чувствительный, чтобы обнаруживать значительные изменения в объеме мышц после тренировок (50).

Подходы с использованием нескольких атласов сильно зависят от используемой модели регистрации.Le Troter et al. (51) оценили различные методы регистрации из хорошо известных библиотек с открытым исходным кодом для сегментации четырех мышц четырехглавой мышцы бедра и . Они продемонстрировали, что процесс мультиатласа может быть улучшен с помощью первоначальной регистрации, управляемой сегментацией SAT, мышечной оболочки и кости, с использованием метода, описанного Positano et al. (27). Подобно Karlsson et al., Результаты сегментации всего quadriceps femoris у 25 здоровых субъектов были хорошими со средним баллом DSC 0.94 ± 0,03. Результаты были ниже для мышц broadus lateralis и rectus femoris , т.е. средние значения DSC составили 0,88 ± 0,08 и 0,84 ± 0,12. Кроме того, сообщалось о 20% -ной ошибке объема с оценками RVD 0,17 ± 0,18 и 0,21 ± 0,24.

Мультиатласный подход, основанный на нежестких регистрациях B-сплайна, был описан Belzunce et al. (52) с целью сегментирования ягодичных мышц на изображениях бедра и бедра. Регистрацию выполняли на мышечной оболочке, предварительно сегментированной с помощью алгоритма Оцу.Подход оценивался как на мультиатласе T ₁ -взвешенных, так и на синфазных изображениях DIXON 15 здоровых субъектов со значениями DSC 0,94 ± 0,01 и значениями RVD 1,5 ± 4,3%. Оценка проводилась только на медиальных срезах набора данных, за исключением конечностей, которые считались более сложными для сегментации из-за большей вариабельности и неопределенности.

Совсем недавно Mesbah et al. (53) представили марковскую модель случайного поля, объединяющую модели внешнего вида и пространственные модели с предварительной информацией о форме из атласов, чтобы сегментировать три основные группы мышц бедра.Они сообщили о хороших показателях DSC (от 0,89 ± 0,05 до 0,95 ± 0,03), но показатели HD были низкого качества со средним значением от 10,51 ± 6,37 до 31,53 ± 14,24 мм для медиального отдела. Кроме того, их метод был протестирован на изображениях здоровых людей и пациентов с травмой спинного мозга, у которых не происходит жировой инфильтрации. Учитывая, что часть их метода основана на подходе, основанном на интенсивности, он может плохо подходить для изображений пациентов с нервно-мышечными расстройствами. Однако они продемонстрировали, что их подход может превзойти подходы, основанные на большинстве голосов или слияние STAPLE после нелинейных регистраций на основе атласа.

Основное преимущество мультиатласных методов состоит в том, что любой тканевый компартмент может быть сегментирован в соответствии с данным атласом. Это представляет большой интерес для изучения нервно-мышечных заболеваний, при которых отдельные мышцы поражаются по-разному в зависимости от патологии. Однако подходы с использованием нескольких атласов предложили смешанные результаты для сегментации отдельных мышц и были подтверждены только на изображениях здоровых людей. Во всех представленных выше методах на заключительном этапе слияния этикеток использовались только части атласов, т.е.е., наиболее близкие к сегментированному изображению. Были использованы различные стратегии слияния, например, большинство голосов (52) или более продуманные алгоритмы, такие как STEPS (51) или марковская модель случайного поля (53). Следует иметь в виду, что параметры, выбранные эмпирически, оптимизированы для данной обучающей базы данных и, возможно, придется перенастроить для других изображений. Исходя из этого, может потребоваться доступ к различным подгруппам атласов, которые можно адаптировать к различным типам изображений. Эта особенность может быть проблематичной для обобщения этих методов сегментации патологических изображений с учетом большой межмышечной и межгрупповой фенотипической изменчивости.Поскольку нервно-мышечные заболевания классифицируются как редкие заболевания, в настоящее время нет базы данных, достаточно большой, чтобы охватить все разнообразие патологий, поскольку она может быть доступна для мозга (54).

Рассмотренные выше подходы были разработаны для поперечных исследований, а версия для последующего наблюдения была первоначально представлена ​​Le Troter et al. В так называемом подходе с одним атласом они использовали ручную сегментацию первой временной точки как атласа для следующих временных точек (51). Поскольку последовательные МРТ-изображения одного и того же объекта могут показывать небольшие анатомические вариации, нелинейная регистрация на основе одного атласа может правильно передавать сегментацию изображений первой временной точки на другие.При оценке на изображениях здоровых людей они показали гораздо лучшие результаты, чем подходы на основе мультиатласа. Показатели DSC были выше 0,89 для каждой отдельной мышцы quadriceps femoris с оценками RVD ниже 5%. Ограничением этого метода является то, что полностью автоматический аспект теряется из-за необходимости первоначальной сегментации вручную.

3.2.2. К измерению инфильтрации внутримышечного жира

Хотя несколько автоматических подходов сообщили о многообещающих результатах сегментации мышечных областей у здоровых субъектов, ни один из них не был оценен для изображений пациентов с нервно-мышечными расстройствами.Насколько нам известно, только одно исследование было посвящено сегментации мышц у пациентов с хронической обструктивной болезнью легких, у которых жировая инфильтрация была умеренной, а подход не был достаточно точным, чтобы его можно было рассматривать для клинического применения.

В целом, надежные методы автоматической сегментации по-прежнему применяются для отдельных мышц в контексте нервно-мышечных патологий. Это подтверждает вывод обзора Pons et al. (55).Хотя и многообещающие, результаты, уже полученные на изображениях здоровых людей, не гарантируют аналогичных результатов на изображениях пациентов, для которых такие факторы, как жировая инфильтрация, могут быть проблематичными. Еще одна важная проблема — доступность предварительно размеченных наборов данных МРТ-изображений мышц. Для валидации метода требуется, чтобы сегментация, сделанная экспертами вручную, рассматривалась как базовая сегментация. Как мы уже упоминали, ручная сегментация занимает много времени, и проверка методов часто выполняется с использованием одного среза (47).

Отсутствие автоматизированных методов сегментации, вероятно, является причиной того, что только ограниченное количество клинических исследований оценили показатели qMRI на уровне отдельных мышц в наборах данных 3D. Большинство исследований проводилось с учетом только нескольких срезов (4, 10) или ограниченного числа отдельных мышц (6).

3.3. Полуавтоматическая сегментация мышечных областей

Поскольку ни один автоматический метод не был проверен для точной сегментации отдельных мышц при нервно-мышечных расстройствах, были предложены полуавтоматические методы для достижения оптимального баланса между точностью сегментации и самоотдачей пользователя.

Полуавтоматический метод сегментации всего quadriceps femoris был предложен с ручным очерчиванием линии, отделяющей эту группу мышц от остальной мышечной оболочки, автоматически предварительно сегментированной с адаптивным порогом на T ₁ -взвешенных изображениях (56). Метод был протестирован на здоровых и пожилых людях, и ему удалось достичь экономии времени 87% при среднем значении DSC 0,98. Как мы ранее указывали, этот вид методов, основанных на интенсивности, плохо подходит для изображений пациентов с нервно-мышечными расстройствами.

Два аналогичных метода были предложены для создания трехмерных мышечных сегментов путем ручной сегментации на ограниченном количестве двухмерных срезов. Одним из преимуществ этих подходов является то, что любой тканевый компартмент может быть сегментирован в соответствии с ручной сегментацией, определенной на нескольких осевых срезах, используемых в качестве инициализации процесса.

Jolivet et al. (57) предложили модель, основанную на методе параметрических объектов. Только быстрое грубое контурирование мышцы с использованием многоугольников было необходимо на начальных аксиальных срезах.Затем многоугольники были сопоставлены с формой мышц с использованием автоматической оптимизации контуров на основе локального градиента, взвешенного по сходству интенсивности и расстоянию до грубого контура. После того, как сегментация была хорошо настроена на начальных срезах, параметрический объект был сконструирован и деформирован в соответствии с ручной сегментацией мышц. Процесс был итеративным с последовательным введением маски осевой интерполированной сегментации после автоматической оптимизации контура в параметрический объект.Ручная сегментация только 5 аксиальных срезов заняла 21 минуту (против 80 минут для ручной сегментации всех срезов) и была достаточной для получения точной трехмерной сегментации всех отдельных мышц с оценками RVD ниже 5%. Этот метод не был протестирован на пациентах, и можно ожидать, что автоматическая оптимизация контура может пострадать от жировой инфильтрации, поскольку это подход, основанный на градиенте.

Распространение первоначальной ручной сегментации на оставшиеся срезы посредством комбинации подходов нелинейной регистрации было первоначально сообщено Ogier et al.Метод использует информацию о форме из начальных сегментов вручную без какой-либо другой предыдущей информации о формах мышц. Он также основан на анатомической информации от одного изображения к другому, чтобы учесть соответствующие изменения вдоль проксимально-дистальной оси. На этой основе начальная сегментация может автоматически распространяться вдоль этой оси. Первоначальную сегментацию вручную необходимо повторять каждый раз, когда мышца появляется или исчезает.Первоначально метод был предложен и проверен для сегментации четырех мышц группы quadriceps femoris на T ₁ -взвешенных изображениях 11 здоровых субъектов (58). Затем валидация была расширена для сегментации всех отдельных мышц бедра у здоровых субъектов (59). Средний балл DSC 0,90 ± 0,03 был зарегистрирован при ручном вводе только для 30% срезов. Полуавтоматический метод был также оценен для сегментации отдельных мышц бедра и голени у 10 пациентов с миотонической дистрофией 1 типа (60).Используя изображения Диксона, записанные как на бедре, так и на голени, только 9 из 50 срезов были сегментированы вручную. Используя изображения воды, было получено среднее значение DSC 0,91 ± 0,04, и результаты были аналогичными независимо от типа используемого изображения Диксона. Кроме того, превосходная надежность была также определена количественно на основе сравнительного анализа между фракцией жира, вычисленной на основе сегментированных изображений, и на основе сегментации вручную. Метод был признан достаточно надежным для клинического применения и протестирован в поперечных исследованиях, в которых оценивался характер жировой инфильтрации в мышцах при двух различных нервно-мышечных патологиях (12, 16).

Нелинейные регистрации также использовались для полуавтоматических методов сегментации, предназначенных для продольных исследований.

Подход с использованием одного атласа был впервые испытан для трехмерной сегментации переднего и заднего отделов бедра в 2-летнем последующем исследовании пациентов с фациоскапуло-плечевой мышечной дистрофией, некоторые из которых находились на тяжелых стадиях внутримышечной жировой инфильтрации (61). Никаких показателей точности сегментации не сообщалось, но количественное определение жира, оцененное с помощью полуавтоматической сегментации, показало хорошую воспроизводимость и повторяемость, а также хорошую корреляцию с клиническими показателями.

На основе подхода единого атласа Ogier et al. (60) сообщили о последующем исследовании с участием 10 пациентов с миотонической дистрофией 1 типа, которые оценивались дважды с интервалом в 10 месяцев. Трехмерная сегментация первой временной точки под наблюдением с использованием оригинального полуавтоматического метода, предложенного ранее (58), была использована в качестве шаблона для автоматического распространения на вторую временную точку. Комбинированные методы позволили провести точную сегментацию с DSC 0,87 ± 0,07. Подобно тому, что было получено для полуавтоматической сегментации исходных изображений, также наблюдалась превосходная надежность между фракцией жира, определенной количественно из автоматической и ручной сегментации.Комбинированные методы предоставили первую полную структуру, посвященную сегментации отдельных мышц и последующему наблюдению за пациентами с нервно-мышечными расстройствами. И сегментация, и количественный показатель (фракция жира) в отдельных мышцах были точными, в то время как количество сегментов, сегментированных вручную, было значительно сокращено. Последующая сегментация проводилась без дополнительных ручных сегментов, и ее можно было преобразовать для нескольких повторяющихся временных точек.

4. Методы сегментации на основе глубокого обучения

В предыдущих разделах были представлены доказательства того, что полностью автоматические методы неэффективны для надежной сегментации отдельных мышц с инфильтрацией жира.Напротив, полуавтоматические методы могут быть надежными и применимыми для клинических приложений, но ручная инициализация остается проблемой с точки зрения преданности делу пользователя. Учитывая недавние многообещающие результаты в области медицинской визуализации, методы сегментации на основе глубокого обучения являются привлекательными (62).

Методы глубокого обучения являются частью методов машинного обучения, доказавших свою эффективность в диагностике нервно-мышечных заболеваний. Алгоритмы машинного обучения, такие как модели случайного леса, смогли обойти экспертов для сложных диагностических задач (63).Методы глубокого обучения обычно основаны на искусственных нейронных сетях, которые контролируются для изучения процесса сегментации из вручную сегментированных изображений, представленных в качестве обучающих примеров. Нейронные сети полагаются на интенсивность пикселей и характеристики изображения для вычисления окончательной сегментации. Для задач сегментации изображений сетевая архитектура строится на основе сети сверточного кодировщика-декодера (CED). Этот тип сетей сочетает в себе парные сети кодировщика и декодера и имеет то преимущество, что дает результат с разрешением, аналогичным исходным изображениям.Эту архитектуру можно рассматривать как ассоциацию сужающегося пути для захвата контекста и симметричного расширяющегося пути, который позволяет реконструировать изображение. Для сегментации изображений использовались различные CED. Среди них U-Net считается стандартной архитектурой CED для задач классификации изображений (64) из-за ее эффективного способа восстановления сегментации с использованием информации из контрактного пути.

Подобно традиционным методам, обсуждавшимся в предыдущих разделах, методы сегментации на основе глубокого обучения применялись для различных стратегий сегментации, т.е.е., от разделения мышечных и жировых отложений до сегментации отдельных мышц.

Самый первый подход глубокого обучения, примененный к МРТ нижних конечностей, был использован для обнаружения широкой фасции . Два исследования, направленные на решение этой проблемы, с использованием 5-уровневой сети в сочетании с моделью двойного активного контура (65) или архитектурой U-Net (66). Yao et al. использовали T ₁ -взвешенные изображения, в то время как Amer et al. проявили интерес к объединению T ₂ -взвешенных изображений и изображений частичного разряда для своего исследования.Оба они дали качественные результаты со значениями DSC более 0,97 ± 0,02. Различие между жировой и здоровой мышечной тканью проводилось с использованием тех же сетей, и соответствующие значения DSC также были высокими, то есть 0,91 (66) и 0,94 ± 0,07 (65) для обнаружения мышц. Недавно впечатляющие баллы DSC 0,97 были получены с улучшенной структурой U-Net с использованием остаточных соединений и плотных блоков (67). Однако такая классификация не позволяла различать перимышечную и внутримышечную жировую ткань.Используя архитектуру U-Net, Gadermayr et al. предназначен для сегментирования здоровых и инфильтрированных жиром мышц вместе на изображениях, взвешенных по T ₁ , что позволяет отличить внутримышечную жировую ткань от перимышечной (68). Учитывая сложность этой задачи, соответствующие значения DSC были меньше (около 0,88 ± 0,05), что свидетельствует о более низком качестве сегментации.

С аналогичной целью различения внутримышечного и перимышечного жира были проведены исследования с целью сегментирования отдельных мышц.Сеть AlexNet использовалась Ghosh et al. (69) для проведения анализа основных компонентов сегментации, что привело к плохим результатам со средним значением DSC 0,85 ± 0,09. Оценка стандартного отклонения проиллюстрировала высокую вариабельность результатов, которая известна как главный недостаток методов глубокого обучения (70). Лучшие результаты были получены с архитектурой U-Net на T ₁ -взвешенных изображениях (71) со средним значением DSC, достигающим 0,95 ± 0,03. Совсем недавно Ding et al. (72) использовали U-Net на МР-изображениях разложения жир-вода для сегмента 4 мышечных областей и получили оценку DSC около 0.89 ± 0,03 как у здоровых, так и у больных. Однако, поскольку сеть тренировалась с одним положением среза, нельзя было принять во внимание высокую изменчивость формы мышц вдоль проксимо-дистальной оси. Один из способов учесть изменчивость проксимально-дистальной формы — рассмотреть мышцу как объем, что можно сделать с помощью нейронной сети трехмерной сегментации. В этой области Conze et al. (73) продемонстрировали интерес к трехмерной сегментации для сегментации отдельных мышц плеча.Ограничением 3D CED является память, необходимая для его обучения. Ni et al. (74) использовали ограничивающие рамки вокруг органов, чтобы уменьшить разрешение и предотвратить рост памяти. Этот метод был применен с 3D U-Net к полным изображениям нижних конечностей спортсменов, получив среднее значение DSC для 35 мышц 0,89 ± 0,03. В совсем недавнем исследовании предлагалось использовать сеть с распознаванием границ, основанную на U-Net, и было достигнуто значение DSC 0,90 ± 0,09 и ASD 1,37 ± 0,92 как у здоровых, так и у пострадавших субъектов (75).

Решение проблемы нехватки данных

Представленные методы обнаружения широкой фасции , классификации жировой ткани или сегментации отдельных мышц показали многообещающие результаты.Однако все они столкнулись с проблемой доступности данных из-за нехватки аннотированных изображений пациентов с патологическими изменениями. Действительно, общедоступные наборы данных с аннотированными МРТ-изображениями конечностей скудны, в отличие от других органов, таких как мозг (76).

Интересное решение этой проблемы основывается либо на использовании немаркированных данных, либо на создании искусственных обучающих примеров. Amer et al. (66) предложили полу-контролируемый метод обучения, который использует как помеченные, так и немаркированные наборы данных.В этом случае каждое изображение не нужно аннотировать перед этапом обучения сети, и можно увеличить базу данных без вмешательства человека для процесса маркировки. Анвар и др. (67) предложили использовать CED для немаркированных данных для создания меток и, таким образом, расширения их набора данных. Однако немаркированные данные не всегда доступны, особенно при изучении редких заболеваний. С этой целью методы, основанные на генерации данных с помощью нейронных сетей, появляются после выхода в свет статьи о генеративных состязательных сетях (GAN) (77).Недавно Yi et al. (78) сделали обзор применения таких методов в медицинской визуализации. Для сегментации мышц нижних конечностей решения на основе GAN оценивались с целью создания патологических изображений (68). Еще предстоит решить многие вопросы, связанные с реалистичностью создаваемых изображений и их изменчивостью.

Следует иметь в виду, что фаза обучения нейронной сети сильно зависит от фазы настройки сетевых гиперпараметров, которая должна выполняться эмпирически, тем самым уменьшая полностью автоматический аспект метода.Другими словами, данная сеть должна быть оптимизирована для данного набора данных. Решения для глубокого обучения должны быть оптимизированы экспертами, а на внедрение обычно уходит несколько часов. Кроме того, этапы обучения могут занимать много времени, а конечные результаты могут быть эквивалентны результатам, полученным с помощью более традиционных методов (53).

В целом, хотя инструменты глубокого обучения для сегментации пропитанных жиром мышц обладают большим потенциалом, следует помнить о двух основных проблемах, связанных с доступностью большого количества аннотированных данных и необходимостью специальной настройки сети для каждого набора данных.Полуавтоматические методы распространения доказали свою эффективность (60) и могут использоваться для аннотирования большого количества изображений. Эти методы могут быть объединены с увеличением данных для создания баз данных, совместимых с методами глубокого обучения. Соответствующий потенциал для сегментации мышц с инфильтрацией жира еще предстоит доказать.

5. Заключение

В этом обзоре подчеркивается отсутствие полностью автоматизированных подходов, которые могли бы производить точные сегменты изображений мышц пациентов с нервно-мышечными расстройствами.Несколько проверенных методов, направленных на решение проблемы сегментирования изображений с сильно инфильтрированными мышцами, были предложены только для всей мышцы. Это может быть неоптимальным при нервно-мышечных расстройствах, при которых видно, что отдельные мышцы поражаются по-разному. Однако для сегментации отдельных мышц подходы, которые проверяли сегментацию, которая была достаточно точной для клинического использования, оценивались только на здоровых субъектах. Необходимы специальные исследования для экстраполяции этих подходов к изображениям патологических мышц, поскольку смешивающие факторы различаются.Действительно, проблема различения мышц, внутримышечной жировой ткани и подкожной жировой ткани, по-видимому, имеет решающее значение для наблюдения за пациентами с тяжелой жировой инфильтрацией. Полуавтоматические методы доказали некоторую эффективность в клиническом контексте. Но даже если они уменьшат ручную нагрузку, необходимую для изучения больших когорт, некоторые ручные вмешательства все равно необходимы. В качестве новейших методов подходы, основанные на глубоком обучении, являются многообещающими, но для них необходимы базы данных, которые достаточно репрезентативны для типичных изображений нервно-мышечных заболеваний.Сообщество должно способствовать появлению общих специализированных баз данных изображений.

Авторские взносы

AO, M-EB и DB: гаранты целостности всего исследования. Все авторы: концепции исследования, составление рукописи или пересмотр рукописи для важного интеллектуального содержания, утверждение окончательной версии представленной рукописи, соглашаются обеспечить надлежащее решение любых вопросов, связанных с работой, исследование литературы и редактирование рукописи.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Список литературы

1. Mercuri E, Pichiecchio A, Allsop J, Messina S, Pane M, Muntoni F. МРТ мышц при наследственных нервно-мышечных расстройствах: прошлое, настоящее и будущее. Дж. Магнитно-резонансная томография . (2007) 25: 433–40. DOI: 10.1002 / jmri.20804

CrossRef Полный текст | Google Scholar

2. Janssen BH, Voet NB, Nabuurs CI, Kan HE, de Rooy JW, Geurts AC, et al. Отчетливые фазы заболевания в мышцах пациентов с фациоскапуло-плечевой дистрофией, идентифицированные с помощью МРТ, выявляли жировую инфильтрацию. PLOS ONE . (2014) 9: e85416. DOI: 10.1371 / journal.pone.0085416

PubMed Аннотация | CrossRef Полный текст | Google Scholar

3. Вокке Б., Ван Ден Берген Дж., Верслуис М., Никс Э., Миллес Дж., Уэбб А. и др. Количественные измерения МРТ и силы в оценке качества мышц при мышечной дистрофии Дюшенна. Нервно-мышечное расстройство . (2014) 24: 409–16. DOI: 10.1016 / j.nmd.2014.01.015

PubMed Аннотация | CrossRef Полный текст | Google Scholar

4.Морроу Дж. М., Синклер С. Д., Фишманн А., Мачадо П. М., Рейли М. М., Юсри Т. А. и др. Оценка биомаркера МРТ прогрессирования нервно-мышечного заболевания: проспективное наблюдательное когортное исследование. Ланцет Нейрол . (2016) 15: 65–77. DOI: 10.1016 / S1474-4422 (15) 00242-2

PubMed Аннотация | CrossRef Полный текст | Google Scholar

5. Хескамп Л., ван Нимвеген М., Плоегмейкерс М.Дж., Бассез Г., Деукс Дж.Ф., Камминг С.А. и др. Патология мышц нижних конечностей при миотонической дистрофии 1 типа оценивается с помощью количественной МРТ. Неврология . (2019) 92: e2803–14. DOI: 10.1212 / WNL.0000000000007648

PubMed Аннотация | CrossRef Полный текст | Google Scholar

6. Наардинг К.Дж., Рейнгудт Х., ван Цвет Э.В., Хойманс М.Т., Тиан С., Рыбальский И. и др. Жировая фракция МРТ обширной мышцы латеральной мышцы прогнозирует потерю способности передвигаться при мышечной дистрофии Дюшенна. Неврология . (2020) 94: e1386–94. DOI: 10.1212 / WNL.0000000000008939

PubMed Аннотация | CrossRef Полный текст | Google Scholar

7.Янссен Б., Воет Н., Геуртс А., ван Энгелен Б., Хеершап А. Количественная МРТ выявляет замедленную жировую инфильтрацию в мышцах активных пациентов с ЛЛПД. Неврология . (2016) 86: 1700–7. DOI: 10.1212 / WNL.0000000000002640

PubMed Аннотация | CrossRef Полный текст | Google Scholar

8. Хескамп Л., Оккерсен К., ван Нимвеген М., Плоегмейкерс М.Дж., Бассез Г., Деукс Дж.Ф. и др. Количественная МРТ мышц показывает увеличение мышечной массы после изменения поведения при миотонической дистрофии 1 типа. Радиология . (2020) 2020: 1925 18. DOI: 10.1148 / radiol.2020192518

PubMed Аннотация | CrossRef Полный текст | Google Scholar

9. Барнуин И., Батлер-Браун Дж., Войт Т., Реверсат Д., Аззабу Н., Леру Дж. И др. Ручная сегментация отдельных мышц четырехглавой мышцы бедра с использованием МРТ: переоценка. Дж. Магнитно-резонансная томография . (2014) 40: 239–47. DOI: 10.1002 / jmri.24370

PubMed Аннотация | CrossRef Полный текст | Google Scholar

10.Карлье П.Г., Марти Б., Шайдеггер О., Лоурейро де Соуза П., Баудин П. Ю., Снежко Е. и др. Количественная ядерно-магнитно-резонансная томография и спектроскопия скелетных мышц в качестве критерия оценки результатов клинических испытаний. J Neuromusc Dis . (2016) 3: 1–28. DOI: 10.3233 / JND-160145

PubMed Аннотация | CrossRef Полный текст | Google Scholar

11. Hooijmans M, Niks E, Burakiewicz J, Anastasopoulos C., van den Berg S, van Zwet E, et al. Неравномерное замещение мышечного жира вдоль проксимодистальной оси при мышечной дистрофии Дюшенна. Нервно-мышечное расстройство . (2017) 27: 458–64. DOI: 10.1016 / j.nmd.2017.02.009

PubMed Аннотация | CrossRef Полный текст | Google Scholar

12. Ансари Б., Салорт-Кампана Е., Ожье А., Ле Тротер, доктор философии А., Де Сент-Мари Б., Гай М. и др. Количественное МРТ-исследование мышц пациентов со спорадическим миозитом с тельцами включения. Мышечный нерв . (2020) 61: 496–503. DOI: 10.1002 / mus.26813

PubMed Аннотация | CrossRef Полный текст | Google Scholar

13. Chrzanowski SM, Baligand C, Willcoks RJ, Deol J, Schmalfuss I., Lott DJ, et al.Многосрезовая МРТ выявляет неоднородность распределения заболевания по длине мышцы при мышечной дистрофии Дюшенна. Акта Миол . (2017) 36: 151.

PubMed Аннотация | Google Scholar

14. Корнблюм С., Латтербей Г., Богданов М., Кеспер К., Шильд Н., Шредер Р. и др. Отчетливые нервно-мышечные фенотипы при миотонической дистрофии 1 и 2 типов. J Neurol . (2006) 253: 753–61. DOI: 10.1007 / s00415-006-0111-5

PubMed Аннотация | CrossRef Полный текст | Google Scholar

15.Lareau-Trudel E, Le Troter A, Ghattas B, Pouget J, Attarian S, Bendahan D, et al. Количественная МРТ-визуализация и кластерный анализ мышц у пациентов с фасциально-плечевой мышечной дистрофией 1 типа. PLoS ONE . (2015) 10: e0132717. DOI: 10.1371 / journal.pone.0132717

PubMed Аннотация | CrossRef Полный текст | Google Scholar

16. Bas J, Ogier AC, Le Troter A, Delmont E, Leporq B, Pini L, et al. Распределение жировой фракции в мышцах нижних конечностей пациентов с CMT1A: количественное МРТ-исследование. Неврология . (2020) 94: e1480–7. DOI: 10.1212 / WNL.0000000000009013

PubMed Аннотация | CrossRef Полный текст | Google Scholar

17. Бруннер Г., Намби В., Ян Э., Кумар А., Вирани С.С., Кугиас П. и др. Автоматическая количественная оценка объема мышц при магнитно-резонансной томографии нижних конечностей. Магнитно-резонансная томография . (2011) 29: 1065–75. DOI: 10.1016 / j.mri.2011.02.033

PubMed Аннотация | CrossRef Полный текст | Google Scholar

18.Tustison NJ, Avants BB, Cook PA, Zheng Y, Egan A, Yushkevich PA и др. N4ITK: улучшена коррекция смещения N3. IEEE Trans Med Imaging . (2010) 29: 1310–20. DOI: 10.1109 / TMI.2010.2046908

PubMed Аннотация | CrossRef Полный текст | Google Scholar

20. Шен В., Ван З., Пуньянита М., Лей Дж., Синав А., Крал Дж. Г. и др. Количественная оценка жировой ткани методами визуализации: предлагаемая классификация. Obes Res . (2003) 11: 5–16. DOI: 10.1038 / oby.2003.3

PubMed Аннотация | CrossRef Полный текст | Google Scholar

22.Огава М., Лестер Р., Акима Х., Горжи А.С. Количественная оценка межмышечной и внутримышечной жировой ткани с помощью магнитно-резонансной томографии после нейродегенеративных расстройств. Neural Regener Res . (2017) 12: 2100. DOI: 10.4103 / 1673-5374.221170

PubMed Аннотация | CrossRef Полный текст | Google Scholar

23. Егиазарян В., Войкулеску ID. Семейство показателей перекрытия границ для оценки сегментации медицинских изображений. Дж. Медицина . (2018) 5: 015006.DOI: 10.1117 / 1.JMI.5.1.015006

PubMed Аннотация | CrossRef Полный текст | Google Scholar

24. Маттей Дж., Фур Ю.Л., Кьюдж Н., Гуис С., Коззон П., Бендахан Д. Сегментация фасций, жира и мышц по изображениям магнитного резонанса у людей: программное обеспечение DISPIMAG. Магнитно-резонансный материал, физ. Биол., Медицина . (2006) 19: 275–9. DOI: 10.1007 / s10334-006-0051-1

PubMed Аннотация | CrossRef Полный текст | Google Scholar

25. Беккер М., Магненат-Тальманн Н. Мечение мышечной ткани нижней конечности человека в многоканальной МРТ-визуализации mDixon: концепции и приложения. IEEE / ACM Trans Comput Biol Bioinformatics . (2015) 14: 290–9. DOI: 10.1109 / TCBB.2015.2459679

PubMed Аннотация | CrossRef Полный текст | Google Scholar

26. Грей С., МакГилливрей Т.Дж., Или С., Стивенс Н.А., Беггс И., Фирон К.С. и др. Магнитно-резонансная томография с кластеризацией k-средних объективно измеряет объемные компартменты всей мышцы при саркопении / раковой кахексии. Clin Nutr . (2011) 30: 106–11. DOI: 10.1016 / j.clnu.2010.07.012

PubMed Аннотация | CrossRef Полный текст | Google Scholar

27.Позитано В., Кристиансен Т., Сантарелли М.Ф., Ринггаард С., Ландини Л., Гастальделли А. Точная сегментация подкожной и межмышечной жировой ткани по МР-изображениям бедра. Дж. Магнитно-резонансная томография . (2009) 29: 677–84. DOI: 10.1002 / jmri.21699

PubMed Аннотация | CrossRef Полный текст | Google Scholar

28. Ди Джезу В., Ромео Л. Применение интегрированной кластеризации для сегментации МРТ. Письмо Распознавания Образцов . (1994) 15: 731–8. DOI: 10.1016 / 0167-8655 (94)