Summary
Echokardiographie wird häufig verwendet, um Veränderungen der Herzstruktur und -funktion nicht invasiv zu charakterisieren und zu quantifizieren. Wir beschreiben einen Ultraschall-basierten Bildgebungsalgorithmus, der ein verbessertes Ersatzmaß für die Myokardmikrostruktur bietet und mit open-access Bildanalysesoftware durchgeführt werden kann.
Abstract
Echokardiographie ist eine weithin zugängliche bildgebende Modalität, die häufig verwendet wird, um Veränderungen der Herzstruktur und -funktion nicht invasiv zu charakterisieren und zu quantifizieren. Ultraschallbewertungen von Herzgewebe können Analysen der Signalintensität der Rückstreuung innerhalb eines bestimmten Bereichs von Interesse umfassen. Bisher etablierte Techniken stützten sich vorwiegend auf den integrierten oder mittleren Wert von Backscatter-Signalintensitäten, die anfällig für Variabilität von Aliasdaten durch niedrige Bildraten und Zeitverzögerungen bei Algorithmen auf der Grundlage zyklischer Variationen sein können. Dabei beschreiben wir einen Ultraschall-basierten Bildgebungsalgorithmus, der sich von früheren Methoden aus erstreckt, auf einen einzelnen Bildrahmen angewendet werden kann und die vollständige Verteilung der Signalintensitätswerte berücksichtigt, die aus einer gegebenen Myokardprobe abgeleitet werden. Bei Anwendung auf repräsentative Maus- und menschliche Bildgebungsdaten unterscheidet der Algorithmus zwischen Probanden mit und ohne Exposition gegenüber chronischem Nachlastwiderstand. Der Algorithmus bietet ein verbessertes Ersatzmaß für die myokardische Mikrostruktur und kann mit Open-Access-Bildanalyse-Software durchgeführt werden.
Introduction
Echokardiographie ist eine weithin zugängliche bildgebende Modalität, die häufig verwendet wird, um Veränderungen der Herzstruktur und -funktion nicht invasiv zu charakterisieren und zu quantifizieren. Ultraschallbewertungen von Herzgewebe können Analysen der Rückstreusignalintensität innerhalb eines bestimmten Bereichs von Interesse zu einem bestimmten Zeitpunkt sowie im Laufe des Herzzyklus umfassen. Frühere Studien haben vorgeschlagen, dass Messungen der sonographischen Signalintensität das zugrunde liegende Vorhandensein von Myokardfaser-Disarray, lebensfähig im Vergleich zu nicht lebensfähigen Myokardgewebe, und interstitielle Fibrose1-3identifizieren können. Wir bezeichnen myokardische "Mikrostruktur" als die Gewebearchitektur, die mit Hilfe sonographischer Analysen über lineare Messungen von Bruttogröße und Morphologie hinaus charakterisiert werden kann. Dementsprechend wurden Analysen der sonographischen Signalintensität verwendet, um mikrostrukturelle Veränderungen des Myokardgewebes bei der Einstellung der hypertrophen und erweiterten Kardiomyopathie4,5, der chronischen koronaren Herzkrankheit6,7und der hypertensiven Herzkrankheit8,9zu bewerten. Bisher etablierte Techniken stützten sich jedoch hauptsächlich auf den integrierten oder mittleren Wert von Backscatter-Signalintensitäten, die anfällig für Variabilität von zufälligem Rauschen5, aliasierte Daten aus niedrigen Bildraten10und Zeitverzögerungen für Algorithmen auf der Grundlage zyklischer Variation11.
Hierin beschreiben wir die Methode der Verwendung eines Ultraschall-basierten Bildanalysealgorithmus, der sich von früheren Methoden erstreckt; Dieser Algorithmus konzentriert sich auf einen einzelnen enddiastolischen Rahmen für die Bildanalyse und berücksichtigt die vollständige Verteilung der Signalintensitätswerte, die aus einer gegebenen Myokardprobe abgeleitet werden. Durch die Verwendung des Perikards als Inframe-Referenz12,13quantifiziert der Algorithmus reproduzierbar Variationen in sonographischen Signalintensitätsverteilungen und bietet ein verbessertes Ersatzmaß für die Myokardmikrostruktur. In einem Schritt-für-Schritt-Protokoll beschreiben wir Methoden zum Vorbereiten von Bildern für die Verwendung, zur Stichprobenerhebung von Interessenbereichen und zur Verarbeitung von Daten in ausgewählten Interessensgebieten. Wir zeigen auch repräsentative Ergebnisse aus der Anwendung des Algorithmus auf echokardiographische Bilder von Mäusen und Menschen mit variabler Exposition gegenüber Nachbelastung der linken Herzkammer.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Erstellung von Bildern für Analysen
- Erhalten Sie murine oder menschliche echokardiographische B-Modus-Bilder in der parasternalen Langachsenansicht. Passen Sie die Zeit-Gewinn-Kompensationseinstellungen und die Platzierung des Sendefokus an, um die Visualisierung des LV und anderer Herzstrukturen in der parasternalen Ansicht nach gängiger Praxis zu optimieren. Stellen Sie sicher, dass alle Bilder im DICOM-Dateiformat gespeichert werden. Standardisierte Bildansichten platzieren die inferolaterale linke ventrikuläre Wand an der Basis des Rahmens. Die Rahmen müssen die Gesamtheit des linksventrikulären Myokards und Perikards anzeigen. Die Auflösung muss hoch genug sein, um die Perikardgrenze, die Myokardwand und die Endkörpergrenze des linken Ventrikels abzugrenzen. Verwerfen Sie Bilder mit überschüssigen Aussetzern oder Bildartefakten.
- Importieren Sie eine Bilddatei zur Analyse in die ImageJ-Softwareplattform v1.46 als DICOM-Datei. Konvertieren Sie die Datei in eine 8-Bit-Bilddatei.
- Scrollen Sie durch aufeinander folgende Rahmen des Herzzyklus, bis sie einen geeigneten enddiastolischen Rahmen erreichen. Alternativ können Sie den enddiastolischen Rahmen in einem echokardiographischen Anzeigeprogramm auswählen und dann in ein hochauflösendes .jpg-Dateiformat exportieren, das in ImageJ verwendet werden kann. Identifizieren Sie die Frames, die der Enddiastole am nächsten sind, mithilfe der R-Welle der EKG-Ablaufverfolgung, und identifizieren Sie dann den besten Frame, der die LV mit maximaler interner Dimension erfasst. Betrachten Sie diesen einzelframe als end-diastolischen Rahmen.
- Es wird vorgeschlagen, dass Benutzer bei der Auswahl von Interessengebieten von der Identität geblendet werden.
2. ROI-Probenahme
- Perikard-Referenzauswahl. Bei der Auswahl der Perikardregion von Interesse (ROI), ziel, die Heterogenität des Perikardgewebes zu erfassen. Beachten Sie, dass Die Bildhelligkeit und der Bildkontrast bei Bedarf an die ROI-Auswahl angepasst werden können, ohne dass sich dies auf die Analyseergebnisse auswirkt.
- Wählen Sie mit dem Rechteckzeichnungswerkzeug von ImageJ ein Rechteck mit einer Länge aus, die das mittlere Drittel der basalen inferolateralen Perikardwand nähert.
- Ändern Sie die Größe des rechteckigen ROI, um die Breite des Perikards mit dem ROI-Größenwerkzeug zu überspannen.
- Drehen Sie den ROI, um innerhalb des Perikardbereichs zu liegen, mit dem Drehwerkzeug von ImageJ.
- Nehmen Sie alle notwendigen Anpassungen an den Ecken des Perikard-ROI vor. Erfassen Sie eine letzte perikardische Interessensregion, die im mittleren Drittel der Perikardwand liegt und die Breite der Perikardwand umfasst, ohne sich in die myokard- oder extrakardialen Regionen auszudehnen. Ziel ist es, für alle in einer bestimmten Studie getroffenen Maßnahmen den gleichen relativen Standort und Prozentsatz der gesamten Perikardfläche zu erfassen.
- Wenden Sie den Algorithmus über ImageJ-Analysetools auf die Auswahl an (siehe Abschnitt 3).
- Myokardauswahl. Ziel ist es wieder, die Heterogenität des Myokardgewebes im mittleren Drittel der basalen inferolateralen Myokardwand einzufangen. Beachten Sie, dass Die Bildhelligkeit und der Bildkontrast bei Bedarf an die ROI-Auswahl angepasst werden können, ohne dass sich dies auf die Analyseergebnisse auswirkt.
- Wählen Sie ein Rechteck aus, das die Breite der Myokardwand mit Ausnahme von Endokard und Epikardie umfasst. Stellen Sie sicher, dass die myokardische Auswahl neben der Perikardauswahl und im gleichen Theta-Winkel liegt. Schließen Sie keine Bereiche des Papillenmuskels innerhalb des Auswahlbereichs ein.
- Drehen Sie den myokarden ROI so, dass er parallel zur Perikardauswahl liegt.
- Nehmen Sie alle notwendigen Anpassungen an den Ecken des myokarddialen ROI vor. Isolieren Sie eine letzte myokardische Region von Interesse, die im mittleren Drittel der Myokardwand liegt, und erfasst die Breite der Wand, ohne sich in die Perikard- oder Intraluminalenbereiche auszudehnen.
- Wenden Sie den Algorithmus über ein ImageJ-Makro auf die Auswahl an.
3. Datenanalyse und -verarbeitung
- Installieren Sie das ImageJ-Makro mit dem Namen "getHistogramValues.txt".
- Verwenden Sie das VideoJ-Histogrammanalysetool, um eine Vorschau der Verteilung der Signalintensitätswerte innerhalb des ROI anzuzeigen (führen Sie diesen Schritt für die Perikardauswahl und für die Myokardauswahl aus).
- Verwenden Sie das ImageJ-Makro, um diese Signaldichtewerte für den ROI aufzuzeichnen (führen Sie diesen Schritt für die Perikardauswahl und für die Myokardauswahl aus).
- Weisen Sie jedem Pixel innerhalb der Auswahl einen Intensitätswert von 0 (dunkel) bis 255 (hellste) Einheiten zu.
- Ordnen Sie die Intensitätswerte hierarchisch in der Reihenfolge der steigenden Intensität an, um eine Verteilung der Signalintensität zu erzeugen.
- Wählen Sie die folgenden Perzentilwerte für die Verteilung aus, und melden Sie sie:20. Perzentil,50. Perzentil (Median) und80. Perzentil.
- Normalisieren Sie myokardiale Intensitäten mit der Perikardreferenz.
- Normalisieren Sie sich, indem Sie die Myokardperzentilwerte der Intensität durch die entsprechenden perikarddialen Perzentilwerte der Intensität12dividieren oder den Myokardperzentilwert der Intensität vom Perikardperzentilwert der Intensität13subtrahieren.
- Berichtswerte für die vier Analysemethoden: normalisierte Myokard-zu-Perikardial-Werte für das20. Perzentil,50. Perzentil (Median) und80. Perzentilwerte.
4. Quantifizierung der zyklischen Variabilität
- Wenden Sie den Algorithmus auf die Myokardauswahl durch aufeinander folgende Frames der DICOM-Datei an, die sich durch den Herzzyklus bewegen. Vergleichen Sie Unterschiede in den Intensitätsverteilungen zwischen Frames, wobei die Aufmerksamkeit auf endsystolische und enddiastolische Frames zu beachten ist.
Alle oben beschriebenen Bildanalysen werden offline auf nichtinvasiven echokardiographischen Bildern durchgeführt, die zuvor aufgenommen und digital im DICOM-Format gespeichert wurden. Alle Studienprotokolle wurden vom Brigham and Women es Institutional Review Board und dem Harvard Medical Area Standing Institutional Animal Care and Use Committee genehmigt.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Die Signalintensitätsanalyse wird in 4 Hauptschritten durchgeführt (Abbildung 1), einschließlich: 1) Bildauswahl und -formatierung, 2) Stichproben-ROI und Referenzbereiche, 3) Algorithmusanwendung und 4) Verarbeitung von Endwerten, um Myokard-zu-Perikard-Intensitätsverhältnisse zu ergeben. Die Auswahl und Größe des ROI ist standardisiert, um die Interuser- sowie die Intrauser-Variabilität zu begrenzen (Abbildung 2). Die Positionierung jedes ROI ist auch in Bezug auf die anatomischen Strukturen jedes Subjekts standardisiert, um die Intersubjekt- sowie intrasubjektvariabilität zu begrenzen.
Als Maß für die Myokarddichte wird erwartet, dass der Algorithmus Veränderungen der Signalintensität während des gesamten Herzzyklus aufzeigt, was der erwarteten Zunahme der Myokarddichte in Systole im Vergleich zu Diastole entspricht. Wie in Abbildung 3dargestellt, verstärken höhere Perzentilwerte der Signalintensität die zyklische Variabilität bei Mäusen mit und ohne 7 Wochen Exposition gegenüber Nachlastwiderstand(d. h. eine Maus, die eine aufsteigende Aortenverengung erlitt, im Vergleich zu einer Fahrzeugkontrollmaus, die einer Scheinoperation unterzogen wurde).
Aus der Analyse eines einzelnen enddiastolischen Rahmens (Abbildung 4) werden auch signifikante Unterschiede sowohl bei Mäusen als auch bei Menschen festgestellt, die chronischem Nachbelastungsstress ausgesetzt sind (Fälle) im Vergleich zu ihren repräsentativen Gegenstücken (Kontrollen). Sowohl der Bereich als auch die Größe der Signalintensität unterscheiden sich zwischen Fällen und Steuerungen. Wie in Analysen der zyklischen Variabilität zu sehen ist, deuten 80th im Vergleich zu50. Perzentilwerte innerhalb jeder Signalintensitätsverteilung auf einen größeren relativen Unterschied in der Signalintensität zwischen Fällen und Steuerungen hin.
Der hier vorgestellte Algorithmus liefert die Ausgabe in Form von myokard-perikarddialen Verhältnissen der Signalintensität, wobei die Perikardwerte als Inframe-Referenzdienen dienen (Abbildung 5). Das Myokard-perikardische Signalintensitätsverhältnis wurde auf der Grundlage einer Einzelframe-Analyse von Bildern ermittelt, die aus repräsentativen Steuerungen und Fällen von Nachlastspannung gewonnen wurden. Das Myokard-Perikard-Verhältnis von80- Perzentilsignalintensitätswerten bietet die größte Fähigkeit, zwischen Steuerungen und Fällen zu unterscheiden. Erwartete Unterschiede in der myokardischen Mikrostruktur, basierend auf unseren Bildanalyseergebnissen, stimmten mit den Befunden aus der Myokardgewebe-Histologie in der Kontrolle und Fallmäusen nach 7 Wochen nach Schein- bzw. Aortenbandoperationen überein (Abbildung 6).
Abbildung 1. Workflowprozess für ein einzelnes Bild. Der Prozess umfasst vier Hauptschritte, die beim Vergleich von Probanden oder bei der Quantifizierung der zyklischen Variabilität wiederholt werden können.
Klicken Sie hier, um ein größeres Bild anzuzeigen.
Abbildung 2. Bereich of Interest (ROI) Sampling-Technik. Der Bildanalysealgorithmus ist für die Anwendung bei Mäusen (A) und beim Menschen (B) standardisiert. Es werden Myokard- und Perikardauswahlen für repräsentative Maus- bzw. Menschenbilder angezeigt.
Klicken Sie hier, um ein größeres Bild anzuzeigen.
Abbildung 3. Variation der sonographischen Signalintensität während des gesamten Herzzyklus. Der Algorithmus wurde auf eine myokardische Region von Interesse über aufeinander folgende Frames von DICOM-Bildern angewendet, die von einer repräsentativen Steuermaus (A) und einer Aortenbandmaus (B) erfasst wurden. Die Bildrate betrug 212 für beide Bilder. Für diese Bilder wurde die zyklische Variabilität anhand von 3 Schnittpunkten bewertet:20. Perzentil (Diamant),50. Perzentil (Quadrat) und80. Perzentil (Dreieck). Die relative zyklische Variabilität ist für die80- Perzentilwerte höher als für die unteren Schnittpunktwerte. Klicken Sie hier, um ein größeres Bild anzuzeigen.
Abbildung 4. Signalintensitätsverteilungen werden aus der Einzelframe-Analyse repräsentativer Maus- und Menschenbilder dargestellt. Die Histogramme zeigen Verteilungen der Signalintensität, die von Myokard einer Kontrollmaus abgeleitet werden, 7 Wochen nach einer Scheinoperation (A), einer Aortenbandmaus bei 7 Wochen nach der Operation (B), einem normotensiven Menschen (C) und einem hypertensiven Menschen (D). Blaue vertikale Linien bezeichnen20. Perzentil,50. Perzentil und80. Perzentilwerte. Die Verteilungen der Signalintensität sind rechtsverschiebt und sind größer im Bereich, für die Probanden mit chronischem Nachlaststress(d.h. Aortenband im Vergleich zur Steuermaus und hypertensiv im Vergleich zu normotensiven Menschen).
Klicken Sie hier, um ein größeres Bild anzuzeigen.
Abbildung 5. Repräsentative Daten, die durch den Bildanalysealgorithmus erzeugt werden. (A) zeigt Daten einer scheinbetriebenen (Kontrolle) im Vergleich zu einer aortenbandigen (Fall)-Maus nach 7 Wochen. (B) zeigt Daten eines Menschen mit normalem Blutdruck (Kontrolle) im Vergleich zu einem Menschen mit chronischer Hypertonie (Fall). Das Myokard-perikardische Signalintensitätsverhältnis wurde mit 3 analyselytischen Methoden innerhalb des Algorithmus bestimmt: Verhältnis von20- Perzentilwerten; Verhältnis von50. Perzentilwerten; und Verhältnis von80. Perzentilwerten. Der größte Unterschied zwischen Steuerungen und Fällen wird anhand von Verhältnissen der80- Perzentilwerte der Signalintensität demonstriert.
Klicken Sie hier, um ein größeres Bild anzuzeigen.
Abbildung 6. Unterschiede in der Myokardgewebe-Histologie zwischen Mäusen mit und ohne Exposition gegenüber Nachbelastungsstress. Vertreter Massons trichrome gebeizte Abschnitte des linken Ventrikels werden für eine Maus gezeigt, die sich einer Scheinoperation unterzogen hat(A: Kontrolle) und eine Maus, die sich einer Aortenbanding(B: Fall) nach 7 Wochen nach der Operation unterzogen hat. Abschnitte zeigen das Vorhandensein einer erheblichen Kollagenablagerung und interstitiellen Fibrose im Fall im Vergleich zur Kontrolle. Skalenbalken stellen 50 m dar.
Klicken Sie hier, um ein größeres Bild anzuzeigen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Wir beschreiben das Protokoll für einen Bildanalysealgorithmus, der die sonographische Signalintensitätsverteilung quantifiziert und wiederum ein Ersatzmaß für die myokardische Mikrostruktur bietet. Standardisierte Funktionen des Protokolls, einschließlich Auswahl, Dimensionierung und Positionierung des ROI- und Referenzbereichs, dienen der Minimierung der benutzer- und fachbasierten Variabilität. Wir zeigen, dass der Algorithmus bei anwendung auf enddiastolische Echokardiographenbilder mit einem einzigen Frame angemessen zwischen normalem Myokard und Myokard unterscheiden kann, das Nachlastbelastungen ausgesetzt ist.
Das Protokoll beschreibt, wie der Algorithmus mit dem Open-Source-Softwarepaket ImageJ verwendet werden kann. Innerhalb dieser Bildanalyseumgebung kann der Algorithmus verwendet werden, um Daten über die Verteilung von Signalintensitätswerten aus einer gegebenen Myokardgewebeprobe zu erzeugen. Die resultierenden Signalintensitätsverteilungen können in Form von Histogrammen angezeigt werden. Histogramme von Intensitätswerten innerhalb der Myokardauswahl zeigen, dass erkranktes Myokardgewebe im Vergleich zu nicht krankem Myokard eine rechte Verschiebung der Verteilung und einen größeren Wertebereich im Vergleich zu nicht krankem Myokard zeigt. Dieses Muster wird gesehen, wenn der Algorithmus sowohl auf menschliche als auch auf murine echokardiographische Bilder angewendet wird.
Die Variabilität der Signalintensität über den Herzzyklus wird beobachtet, um physiologischen Veränderungen in der Myokarddichte zu entsprechen. Eine analytische Methode, die Dichteveränderungen während des Herzzyklus konsequent unterscheidet, wird geglaubt, um empfindlich auf Unterschiede in der Myokarddichte, die als Reaktion auf pathologische Prozesse auftreten1,6. Tatsächlich wird die zyklische Variabilität bei Anwendung des Algorithmus auf aufeinander folgende Frames innerhalb muriner Echokardiogramme beobachtet. Eine größere Streuung der Intensität über den Herzzyklus wird für bildgebende Intensitätswerte bei höheren im Vergleich zu niedrigeren Perzentilen innerhalb der Gesamtsignalintensitätsverteilung beobachtet.
Wenn der Algorithmus auf repräsentative Proben von echokardiographischen Bildern angewendet wird, die von Probanden mit und ohne Exposition gegenüber Afterload-Resistenz enquiriert wurden, wird die Myokard-zu-Perikard-Verhältnisdichte bei ausgewählten Perzentilwerten als besonders effektiv bei der Unterscheidung von Probanden im Vergleich zu ohne Exposition gegenüber chronischem Nachbelastungswiderstand beobachtet. Diese Feststellung wird bei Analysen repräsentativer Maus- und Menschlicher Daten beobachtet. Erhöhte Myokarddichten werden im Myokardgewebe von Probanden erwartet, die chronischem Nachbelastungsstress ausgesetzt sind, da ein solcher Stress bekannt ist, um die interstitielle Kollagenablagerung und die Entwicklung der Myokardfibrose zu fördern14. Die Messung von Myokardgewebeveränderungen im Laufe der Zeit könnte verwendet werden, um ein besseres Verständnis der Gewebereaktion auf längeren Stress und Krankheitsprogression zu bieten. Weitere Studien sind notwendig, um zu bewerten, ob Schwankungen der Signalintensität mit histologischen Veränderungen im Laufe der Zeit sowie mit zunehmender Schwere eines bestimmten Krankheitsphänotyps korrelieren.
Der Bildanalysealgorithmus hat eine begrenzte Anwendbarkeit auf Bilder mit Artefakten, die die ROI- und/oder Referenzauswahl, die unvollständige Visualisierung der Endoskopgrenzen oder die insgesamt schlechte Qualität beeinträchtigen würden. Der Algorithmus ist möglicherweise nicht in der Lage, myokard- und perikardische Interessenbereiche genau zu vergleichen, wenn Perzentilwerte ein nichtlineares Muster bei Graustufenzuordnung aufweisen oder wenn ein unzureichender Dynamikbereich verwendet wird. Obwohl solche Fälle innerhalb des10. bis90. Perzentils bei den meisten Phänotypen selten sein dürften, kann eine vorläufige Bewertung der Rückstreulinealität und des Dynamikbereichs für die Untersuchung neuer Phänotypen von Interesse und/oder die Analyse von Bildern, die mit unkonventionellen Ultraschalltechniken aufgenommen wurden, gerechtfertigt sein. Der Algorithmus wird auch durch die mangelnde Automatisierung des ROI- und Referenzstichprobenauswahlprozesses eingeschränkt. Darüber hinaus verfügt der Algorithmus über eine begrenzte Kapazität für die Verwendung in Quervergleichen von Bildern, die mit deutlich unterschiedlichen echokardiographischen Erfassungsparametern aufgenommen wurden. Im aktuellen Bericht wurden Bilder bei Mäusen mit einem 18-38 MHz-Wandler mit Bildraten von 225-247 fps aufgenommen; Bilder beim Menschen wurden mit einem 1-5 MHz-Wandler mit Bildraten von 34-54 fps aufgenommen. Weitere Studien sind erforderlich, um mögliche Protokollrevisionen zu bestimmen, die für Bilder erforderlich sein können, die mit unterschiedlichen Geräten und mit Bildraten erworben wurden, die deutlich über den oben genannten Bereichen liegen.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Es wurden keine Interessenkonflikte angemeldet.
Acknowledgments
Wir sind dankbar für die Ressourcen, die von der Harvard Medical School/Brigham and Women es Hospital Cardiovascular Physiology Core Laboratory zur Verfügung gestellt wurden. Diese Arbeit wurde teilweise durch Fördermittel der National Institutes of Health Grants HL088533, HL071775, HL093148 und HL099073 (RL) unterstützt. MB erhielt einen American Heart Association-Gründungs-Postdoktoranden-Stipendiumspreis. KU ist Empfänger eines American Heart Association-Gründungs-Postdoktoranden-Stipendiumspreises. SC wurde durch eine Auszeichnung der Ellison Foundation unterstützt.
Materials
| Name | Company | Catalog Number | Comments |
| ImageJ v 1.46 | NIH (Bethesda, MD) | open access software | |
| Power ShowCase | Trillium Technology (Ann Arbor, MI) | commercial software |
References
- Yamada, S., Komuro, K. Integrated backscatter for the assessment of myocardial viability. Curr. Opin. Cardiol. 21, 433-437 (2006).
- Mimbs, J. W., O'Donnell, M., Bauwens, D., Miller, J. W., Sobel, B. E. The dependence of ultrasonic attenuation and backscatter on collagen content in dog and rabbit hearts. Circ. Res. 47, 49-58 (1980).
- Picano, E., et al. In vivo quantitative ultrasonic evaluation of myocardial fibrosis in humans. Circulation. 81, 58-64 (1990).
- Mizuno, R., et al. Myocardial ultrasonic tissue characterization for estimating histological abnormalities in hypertrophic cardiomyopathy: comparison with endomyocardial biopsy findings. Cardiology. 96, 16-23 (2001).
- Mizuno, R., Fujimoto, S., Saito, Y., Nakamura, S. Non-invasive quantitation of myocardial fibrosis using combined tissue harmonic imaging and integrated backscatter analysis in dilated cardiomyopathy. Cardiology. 108, 11-17 (2007).
- Marini, C., et al. Cyclic variation in myocardial gray level as a marker of viability in man. A videodensitometric study. Eur. Heart. J. 17, 472-479 (1996).
- Komuro, K., et al. Sensitive detection of myocardial viability in chronic coronary artery disease by ultrasonic integrated backscatter analysis. J. Am. Soc. Echocardiogr. 18, 26-31 (2005).
- Ciulla, M., et al. Echocardiographic patterns of myocardial fibrosis in hypertensive patients: endomyocardial biopsy versus ultrasonic tissue characterization. J. Am. Soc. Echocardiogr. 10, 657-664 (1997).
- Maceira, A. M., Barba, J., Varo, N., Beloqui, O., Diez, J. Ultrasonic backscatter and serum marker of cardiac fibrosis in hypertensives. Hypertension. 39, 923-928 (2002).
- D'Hooge, J., et al. High frame rate myocardial integrated backscatter. Does this change our understanding of this acoustic parameter. Eur. J. Echocardiogr. 1, 32-41 (2000).
- Finch-Johnston, A. E., et al. Cyclic variation of integrated backscatter: dependence of time delay on the echocardiographic view used and the myocardial segment analyzed. J. Am. Soc. Echocardiogr. 13, 9-17 (2000).
- Di Bello, V., et al. Increased echodensity of myocardial wall in the diabetic heart: an ultrasound tissue characterization study. J. Am. Coll. Cardiol. 25, 1408-1415 (1995).
- Takiuchi, S., et al. Quantitative ultrasonic tissue characterization can identify high-risk atherosclerotic alteration in human carotid arteries. Circulation. 102, 766-770 (2000).
- Querejeta, R., et al. Serum carboxy-terminal propeptide of procollagen type I is a marker of myocardial fibrosis in hypertensive heart disease. Circulation. 101, 1729-1735 (2000).
