Einzeltreffer — DigiBib

Magnetic resonance imaging (MRI) is the clinical method of choice for cartilage imaging in the context of degenerative and nondegenerative joint diseases. The MRI-based definitions of osteoarthritis rely on the detection of osteophytes, cartilage pathologies, bone marrow edema and meniscal lesions but currently a scientific consensus is lacking. In the clinical routine proton density-weighted, fat-suppressed 2D turbo spin echo sequences with echo times of 30-40 ms are predominantly used, which are sufficiently sensitive and specific for the assessment of cartilage. The additionally acquired T1-weighted sequences are primarily used for evaluating other intra-articular and periarticular structures. Diagnostically relevant artifacts include magic angle and chemical shift artifacts, which can lead to artificial signal enhancement in cartilage or incorrect representations of the subchondral lamina and its thickness. Although scientifically validated, high-resolution 3D gradient echo sequences (for cartilage segmentation) and compositional MR sequences (for quantification of physical tissue parameters) are currently reserved for scientific research questions. The future integration of artificial intelligence techniques in areas such as image reconstruction (to reduce scan times while maintaining image quality), image analysis (for automated identification of cartilage defects), and image postprocessing (for automated segmentation of cartilage in terms of volume and thickness) will significantly improve the diagnostic workflow and advance the field further.

Titel:	[Current MR imaging of cartilage in the context of knee osteoarthritis (part 1) : Principles and sequences].
Autor/in / Beteiligte Person:	Lemainque, T ; Huppertz, MS ; Yüksel, C ; Siepmann, R ; Kuhl, C ; Roemer, F ; Truhn, D ; Nebelung, S
Link:	View record at Springer (Volltext)
Zeitschrift:	Radiologie (Heidelberg, Germany), Jg. 64 (2024-04-01), Heft 4, S. 295-303
Veröffentlichung:	[Heidelberg, Germany] : Springer Medizin, [2022]-, 2024
Medientyp:	academicJournal
ISSN:	2731-7056 (electronic)
DOI:	10.1007/s00117-023-01252-2
Schlagwort:	Humans Artificial Intelligence Magnetic Resonance Imaging methods Osteoarthritis, Knee pathology Cartilage, Articular pathology Cartilage Diseases pathology
Sonstiges:	Nachgewiesen in: MEDLINE Sprachen: German Transliterated Title: Aktuelle MRT-Bildgebung des Knorpels im Kontext der Gonarthrose (Teil 1) : Grundlagen und Sequenzen. Publication Type: English Abstract; Journal Article; Review Language: German [Radiologie (Heidelb)] 2024 Apr; Vol. 64 (4), pp. 295-303. <i>Date of Electronic Publication: </i>2023 Dec 29. MeSH Terms: Osteoarthritis, Knee* / pathology ; Cartilage, Articular* / pathology ; Cartilage Diseases* / pathology ; Humans ; Artificial Intelligence ; Magnetic Resonance Imaging / methods References: Alsayyad MaI, Ali Shehata KA, Khattab RT (2021) Role of adding T2 mapping sequence to the routine MR imaging protocol in the assessment of articular knee cartilage in osteoarthritis. Egypt J Radiol Nucl Med 52:1–9. ; Braun HJ, Gold GE (2012) Diagnosis of osteoarthritis: imaging. Bone 51:278–288. (PMID: 10.1016/j.bone.2011.11.01922155587) ; Buchanan ME, Markhardt BK (2023) Systematic review of techniques in cartilage imaging. J Cartil Joint Preserv 100155:. ; Bydder M, Rahal A, Fullerton GD et al (2007) The magic angle effect: a source of artifact, determinant of image contrast, and technique for imaging. J Magn Reson Imaging: Off J Int Soc Magn Reson Med 25:290–300. (PMID: 10.1002/jmri.20850) ; Chalian M, Li X, Guermazi A et al (2021) The QIBA profile for MRI-based compositional imaging of knee cartilage. Radiology 301:423–432. (PMID: 10.1148/radiol.202120458734491127) ; Chaudhari AS, Grissom MJ, Fang Z et al (2021) Diagnostic accuracy of quantitative multicontrast 5‑minute knee MRI using prospective artificial intelligence image quality enhancement. AJR Am J Roentgenol 216:1614. (PMID: 10.2214/AJR.20.2417232755384) ; Dėdinaitė A (2012) Biomimetic lubrication. Soft Matter 8:273–284. (PMID: 10.1039/C1SM06335A) ; Ebrahimkhani S, Jaward MH, Cicuttini FM et al (2020) A review on segmentation of knee articular cartilage: from conventional methods towards deep learning. Artif Intell Med 106:101851. (PMID: 10.1016/j.artmed.2020.10185132593389) ; Eckstein F, Guermazi A, Gold G et al (2014) Imaging of cartilage and bone: promises and pitfalls in clinical trials of osteoarthritis. Osteoarthr Cartil 22:1516–1532. (PMID: 10.1016/j.joca.2014.06.023) ; Fritz B, Paul HY, Kijowski R et al (2023) Radiomics and deep learning for disease detection in musculoskeletal radiology: an overview of novel MRI-and CT-based approaches. Invest Radiol 58:3–13. (PMID: 10.1097/RLI.000000000000090736070548) ; Genesis-Online (2023) Krankheitskosten, Krankheitskosten je Einwohner: Deutschland, Jahre, Krankheitsdiagnosen (ICD-10). In: Statistisches Bundesamt (Destatis). ; Gorbachova T, Melenevsky Y, Cohen M et al (2018) Osteochondral lesions of the knee: differentiating the most common entities at MRI. Radiogr : A Rev Publ Radiol Soc N Am Inc 38:1478–1495. (PMID: 10.1148/rg.2018180044) ; Gustas CN, Blankenbaker DG, Rio AMD et al (2015) Evaluation of the articular cartilage of the knee joint using an isotropic resolution 3D fast spin-echo sequence with conventional and radial reformatted images. Am J Roentgenol 205:371–379. (PMID: 10.2214/AJR.14.14265) ; Hannila I, Räinä SS, Tervonen O et al (2009) Topographical variation of T2 relaxation time in the young adult knee cartilage at 1.5 T. Osteoarthr Cartil 17:1570–1575. (PMID: 10.1016/j.joca.2009.05.011) ; He B, Wu JP, Kirk TB et al (2014) High-resolution measurements of the multilayer ultra-structure of articular cartilage and their translational potential. Arthritis Res Ther 16:1–16. (PMID: 10.1186/ar4506) ; Herrmann J, Keller G, Gassenmaier S et al (2022) Feasibility of an accelerated 2D-multi-contrast knee MRI protocol using deep-learning image reconstruction: a prospective intraindividual comparison with a standard MRI protocol. Eur Radiol 32:6215–6229. (PMID: 10.1007/s00330-022-08753-z353890469381615) ; Hunter DJ, Arden N, Conaghan PG et al (2011) Definition of osteoarthritis on MRI: results of a Delphi exercise. Osteoarthr Cartil 19:963–969. (PMID: 10.1016/j.joca.2011.04.017) ; Huppertz S et al (2023) Aktuelle MRT-Bildgebung des Knorpels im Kontext der Gonarthrose (Teil 2) - Knorpelpathologien und deren Beurteilung. Die Radiologie. https://doi.org/10.1007/s00117-023-01253-1. ; Johnson PM, Lin DJ, Zbontar J et al (2023) Deep learning reconstruction enables prospectively accelerated clinical knee MRI. Radiology 307:e220425. (PMID: 10.1148/radiol.22042536648347) ; Kijowski R, Blankenbaker DG, Munoz Del Rio A et al (2013) Evaluation of the articular cartilage of the knee joint: value of adding a T2 mapping sequence to a routine MR imaging protocol. Radiology 267:503–513. (PMID: 10.1148/radiol.1212141323297335) ; Klaan B, Wuennemann F, Kintzelé L et al (2019) MR-und CT-Arthrographie zur Knorpeldiagnostik: Indikationen und Durchführung. Radiologe 59:. ; Klein H‑M Low-Field Magnetic Resonance Imaging Niederfeld-Magnetresonanztomografie. ; Lemainque T, Pridoehl N, Huppertz MS et al (2023) Two for one—combined morphologic and quantitative knee joint MRI using a versatile turbo spin-echo platform. ; Liew JW, Rabasa G, Lavalley M et al (2023) Development of a magnetic resonance imaging—based definition of knee osteoarthritis: data from the multicenter osteoarthritis study. Arthritis Rheumatol. ; Linka K, Itskov M, Truhn D et al (2017) T2 MR imaging vs. computational modeling of human articular cartilage tissue functionality. J Mech Behav Biomed Mater 74:477–487. (PMID: 10.1016/j.jmbbm.2017.07.02328760354) ; Long H, Liu Q, Yin H et al (2022) Prevalence trends of site-specific osteoarthritis from 1990 to 2019: findings from the Global Burden of Disease Study 2019. Arthritis Rheumatol 74:1172–1183. (PMID: 10.1002/art.42089352339759543105) ; Lopez Schmidt I, Haag N, Shahzadi I et al (2023) Diagnostic image quality of a low-field (0.55 T) knee MRI protocol using deep learning image reconstruction compared with a standard (1.5 T) knee MRI protocol. JCM 12:1916. (PMID: 10.3390/jcm120519163690270410003576) ; Mackay JW, Low SBL, Smith TO et al (2018) Systematic review and meta-analysis of the reliability and discriminative validity of cartilage compositional MRI in knee osteoarthritis. Osteoarthritis Cartilage 26:1140–1152. (PMID: 10.1016/j.joca.2017.11.01829550400) ; Markhardt BK, Huang BK, Spiker AM et al (2022) Interpretation of cartilage damage at routine clinical mri: how to match arthroscopic findings. Radiogr : A Rev Publ Radiol Soc N Am Inc 42:1457–1473. (PMID: 10.1148/rg.220051) ; Nevitt M, Felson D, Lester G (2006) The osteoarthritis initiative. Protocol for the cohort study 1. ; Nolte T, Westfechtel S, Schock J et al (2023) Getting cartilage thickness measurements right: a systematic inter-method comparison using MRI data from the osteoarthritis initiative. Cartilage. ; Roemer FW, Kwoh CK, Hannon MJ et al (2011) Semiquantitative assessment of focal cartilage damage at 3 T MRI: a comparative study of dual echo at steady state (DESS) and intermediate-weighted (IW) fat suppressed fast spin echo sequences. Eur J Radiol 80:e126–e131. (PMID: 10.1016/j.ejrad.2010.07.02520833493) ; Roemer FW, Demehri S, Omoumi P et al (2020) State of the art: imaging of osteoarthritis—revisited 2020. Radiology 192498:. ; Schmidt AM, Desai AD, Watkins LE et al (2023) Generalizability of deep learning segmentation algorithms for automated assessment of cartilage morphology and MRI relaxometry. J Magn Reson Imaging 57:1029–1039. (PMID: 10.1002/jmri.2836535852498) ; Schock J, Kopaczka M, Agthe B et al (2020) A method for semantic knee bone and cartilage segmentation with deep 3D shape fitting using data from the osteoarthritis initiative. In: International Workshop on Shape in Medical Imaging. Springer, S 85–94. (PMID: 10.1007/978-3-030-61056-2_7) ; Thoenen J, Mackay JW, Sandford HJ et al (2022) Imaging of synovial inflammation in osteoarthritis, from the AJR special series on inflammation. AJR Am J Roentgenol 218:405. (PMID: 10.2214/AJR.21.2617034286595) ; Thuring J, Linka K, Itskov M et al (2018) Multiparametric MRI and computational modelling in the assessment of human articular cartilage properties: a comprehensive approach. Biomed Res Int 2018:9460456. (PMID: 10.1155/2018/9460456298623005976938) ; Vahlensieck M, Peterfy CG, Wischer T et al (1996) Indirect MR arthrography: optimization and clinical applications. Radiology 200:249–254. (PMID: 10.1148/radiology.200.1.86579218657921) ; Zoga AC, Schweitzer ME (2003) Indirect magnetic resonance arthrography: applications in sports imaging. Top Magn Reson Imaging 14:25–33. (PMID: 10.1097/00002142-200302000-0000312606867) Contributed Indexing: Keywords: Artificial intelligence; Computer-assisted image processing; Joint cartilage; Magnetic resonance imaging; Osteoarthritis ; Local Abstract: [Publisher, German] Für die Knorpelbildgebung im Rahmen degenerativer und nichtdegenerativer Gelenkerkrankungen stellt die Magnetresonanztomographie (MRT) die klinische Methode der Wahl dar. MR-basierte Definitionen der Arthrose gründen auf dem Nachweis von Osteophyten, Knorpelpathologien, Knochenmarködemen und Meniskusläsionen, sind aber derzeit nicht wissenschaftlich konsentiert. In der klinischen Routine werden überwiegend protonendichtegewichtete (PDw), fettsupprimierte (fs) 2D-Turbo-Spin-Echo-Sequenzen eingesetzt mit Echozeiten von 30 bis 40 ms, die ausreichend sensitiv und spezifisch für die Beurteilung des Knorpels sind. Die zudem akquirierten T1-gewichteten (T1w) Sequenzen dienen primär der Beurteilung der übrigen intra- und periartikulärer Strukturen. Diagnostisch relevante Artefakte sind die Magic-Angle- und Chemical-Shift-Artefakte, die zu einer artifiziellen Signalerhöhung im Knorpelgewebe bzw. einer falschen Abbildung der Dicke der subchondralen Lamelle führen können. Obwohl wissenschaftlich validiert, sind hochaufgelöste 3D-Gradientenecho(GRE)-Sequenzen (zur Segmentierung des Knorpels) und kompositionelle MR-Sequenzen (zur Quantifizierung physikalischer Gewebeparameter) derzeit primär wissenschaftlichen Fragestellungen vorbehalten. Die zukünftige Integration von Techniken der künstlichen Intelligenz wird in Bereichen wie der Bildrekonstruktion (zur Verkürzung der Scanzeiten bei gleichbleibender Bildqualität), der Bildanalyse (zur automatisierten Identifikation von Knorpeldefekten) und der Bildnachverarbeitung (zur automatisierten Segmentierung des Knorpels hinsichtlich Volumen und Dicke) den diagnostischen Workflow signifikant verbessern und das Feld weiterentwickeln. Entry Date(s): Date Created: 20231229 Date Completed: 20240328 Latest Revision: 20240328 Update Code: 20240329

Klicken Sie ein Format an und speichern Sie dann die Daten oder geben Sie eine Empfänger-Adresse ein und lassen Sie sich per Email zusenden.

BibTeX Citavi, JabRef, u.a.
(Literaturverwaltung)

PDF kein Volltext!
(Merkzettel, Notizen)

RIS Endnote, Citavi u.a.
(Literaturverwaltung)

MODS
(XML zur Weiterverarbeitung)

oder

Wählen Sie das für Sie passende Zitationsformat und kopieren Sie es dann in die Zwischenablage, lassen es sich per Mail zusenden oder speichern es als PDF-Datei.

Gewünschter Zitations-Stil:

oder

Bitte prüfen Sie, ob die Zitation formal korrekt ist, bevor Sie sie in einer Arbeit verwenden. Benutzen Sie gegebenenfalls den "Exportieren"-Dialog, wenn Sie ein Literaturverwaltungsprogramm verwenden und die Zitat-Angaben selbst formatieren wollen.

[Current MR imaging of cartilage in the context of knee osteoarthritis (part 1) : Principles and sequences].