Skip to main page content
U.S. flag

An official website of the United States government

Dot gov

The .gov means it’s official.
Federal government websites often end in .gov or .mil. Before sharing sensitive information, make sure you’re on a federal government site.

Https

The site is secure.
The https:// ensures that you are connecting to the official website and that any information you provide is encrypted and transmitted securely.

Access keys NCBI Homepage MyNCBI Homepage Main Content Main Navigation
Review
. 2024 Oct;196(10):1046-1054.
doi: 10.1055/a-2263-1501. Epub 2024 Apr 3.

Body composition analysis by radiological imaging - methods, applications, and prospects

[Article in English, German]
Nicolas Linder  1   2 , Timm Denecke  1 , Harald Busse  1
Affiliations
Free article
Review

Body composition analysis by radiological imaging - methods, applications, and prospects

[Article in English, German]
Nicolas Linder et al. Rofo. 2024 Oct.
Free article

Abstract
in English, German

Background: This review discusses the quantitative assessment of tissue composition in the human body (body composition, BC) using radiological methods. Such analyses are gaining importance, in particular, for oncological and metabolic problems. The aim is to present the different methods and definitions in this field to a radiological readership in order to facilitate application and dissemination of BC methods. The main focus is on radiological cross-sectional imaging.

Methods: The review is based on a recent literature search in the US National Library of Medicine catalog (pubmed.gov) using appropriate search terms (body composition, obesity, sarcopenia, osteopenia in conjunction with imaging and radiology, respectively), as well as our own work and experience, particularly with MRI- and CT-based analyses of abdominal fat compartments and muscle groups.

Results and conclusion: Key post-processing methods such as segmentation of tomographic datasets are now well established and used in numerous clinical disciplines, including bariatric surgery. Validated reference values are required for a reliable assessment of radiological measures, such as fatty liver or muscle. Artificial intelligence approaches (deep learning) already enable the automated segmentation of different tissues and compartments so that the extensive datasets can be processed in a time-efficient manner - in the case of so-called opportunistic screening, even retrospectively from diagnostic examinations. The availability of analysis tools and suitable datasets for AI training is considered a limitation.

Key points: · Radiological imaging methods are increasingly used to determine body composition (BC).. · BC parameters are usually quantitative and well reproducible.. · CT image data from routine clinical examinations can be used retrospectively for BC analysis.. · Prospectively, MRI examinations can be used to determine organ-specific BC parameters.. · Automated and in-depth analysis methods (deep learning or radiomics) appear to become important in the future..

Citation format: · Linder N, Denecke T, Busse H. Body composition analysis by radiological imaging - methods, applications, and prospects. Fortschr Röntgenstr 2024; 196: 1046 - 1054.

Hintergrund: Die vorliegende Arbeit stellt die quantitative Erfassung der Gewebezusammensetzung im menschlichen Körper (Body Composition) mit den Mitteln der Radiologie vor. Derartige Analysen gewinnen vor allem bei onkologischen und metabolischen Fragestellungen an Bedeutung. Zielsetzung ist es, einer radiologischen Leserschaft die unterschiedlichen Methoden und Definitionen auf diesem Gebiet vorzustellen, um deren Anwendung und Verbreitung zu erleichtern. Das Hauptaugenmerk gilt dabei der radiologischen Schnittbildgebung.

Methoden: Die Übersicht stützt sich auf eine aktuelle Literaturrecherche im Katalog der US-amerikanischen National Library of Medicine (pubmed.gov) mit entsprechenden Suchbegriffen (body composition, obesity, sarcopenia, osteopenia in Verbindung mit imaging bzw. radiology), sowie auf eigene Arbeiten und Erfahrungen, insbesondere mit der MRT- und CT-gestützten Analyse abdomineller Fettkompartimente und Muskelgruppen.

Ergebnisse und schlussfolgerung: Zentrale Nachverarbeitungsmethoden wie die Segmentierung von tomografischen Datensätzen sind inzwischen gut etabliert und finden in zahlreichen klinischen Studien Anwendung, u. a. in der Adipositas-Chirurgie. Für die verlässliche Beurteilung der radiologischen Messgrößen, z. B. einer Verfettung von Leber oder Muskulatur, sind validierte Referenzwerte erforderlich. Ansätze der Künstlichen Intelligenz (Deep Learning) ermöglichen bereits heute die automatisierte Segmentierung unterschiedlicher Gewebe und Kompartimente, damit die umfänglichen Datensätze zeiteffizient bearbeitet werden können – beim sogenannten opportunistischen Screening sogar retrospektiv aus diagnostischen Untersuchungen. Als Limitation gilt die Verfügbarkeit von Analyse-Werkzeugen sowie geeigneter Datensätze für das KI-Training.

Kernaussagen: · Radiologische Bildgebungsmethoden werden zunehmend zur Bestimmung der Körperzusammensetzung (Body Composition, BC) herangezogen.. · Die BC-Parameter sind in der Regel quantitativ und gut reproduzierbar. · CT-Bilddaten aus klinischen Routineuntersuchungen lassen sich retrospektiv für eine BC-Analyse verwenden. · Prospektiv bieten sich MRT-Untersuchungen an, um auch organspezifische BC-Parameter zu bestimmen. · Perspektivisch bedeutsam erscheinen automatisierte und vertiefte Analyseverfahren (Deep Learning bzw. Radiomics).

Zitierweise: · Linder N, Denecke T, Busse H. Body composition analysis by radiological imaging – methods, applications, and prospects. Fortschr Röntgenstr 2024; 196: 1046 – 1055.

PubMed Disclaimer

Conflict of interest statement

The authors declare that they have no conflict of interest.

Comment in

References

MeSH terms