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.
Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Methodenartikel
Ultraschall-Bewertung der myokarddialen Mikrostruktur
In diesem Artikel
Zusammenfassung
Zusammenfassung
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.
Einleitung
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.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Protokoll
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.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Ergebnisse
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 Stru...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Diskussion
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 angemesse...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Offenlegungen
Es wurden keine Interessenkonflikte angemeldet.
Danksagungen
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.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| ImageJ v 1.46 | NIH (Bethesda, MD) | Open-Access-Software | |
| Power ShowCase | Trillium Technology (Ann Arbor, MI) | kommerzielle Software |
Referenzen
- 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).
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Nachdrucke und Genehmigungen
