Summary
Ekokardiografi används ofta för att noninvasively karakterisera och kvantifiera förändringar i hjärtstruktur och funktion. Vi beskriver en ultraljudsbaserad bildalgoritm som erbjuder ett förbättrat surrogatmått på myokardmikrostruktur och kan utföras med hjälp av programvara för öppen bildanalys.
Abstract
Ekokardiografi är en allmänt tillgänglig bildframställning modalitet som ofta används för att noninvasively karakterisera och kvantifiera förändringar i hjärt struktur och funktion. Ultraljud bedömningar av hjärtvävnad kan inkludera analyser av backscatter signal intensitet inom en viss region av intresse. Tidigare etablerade tekniker har främst förlitat sig på det integrerade värdet eller medelvärdet av backscatter-signalintensiteter, som kan vara mottagliga för variation från aliaserade data från låga bildhastigheter och tidsfördröjningar för algoritmer baserat på cyklisk variation. Häri beskriver vi en ultraljudsbaserad bildalgoritm som sträcker sig från tidigare metoder, kan tillämpas på en enda bildram och står för den fullständiga fördelningen av signalintensitetsvärden som härrör från ett givet kortprov. När algoritmen tillämpas på representativa mus- och humanbildsdata skiljer den mellan försökspersoner med och utan exponering för kronisk efterbelastningsresistens. Algoritmen erbjuder ett förbättrat surrogatmått på myokardmikrostruktur och kan utföras med hjälp av programvara för öppen bildanalys.
Introduction
Ekokardiografi är en allmänt tillgänglig bildframställning modalitet som ofta används för att noninvasively karakterisera och kvantifiera förändringar i hjärt struktur och funktion. Ultraljud bedömningar av hjärtvävnad kan inkludera analyser av backscatter signal intensitet inom en viss region av intresse vid en enda tidpunkt, liksom under hjärt cykeln. Tidigare studier har föreslagit att mått på sonographic signal intensitet kan identifiera underliggande förekomsten av skador fiber oordning, livskraftiga kontra icke-avundsvärda skador vävnad och interstitiell fibros1-3. Vi hänvisar till hjärtinfarkt "mikrostruktur" som den vävnadsarkitektur som kan karakteriseras, med hjälp av sonografisk analys, utöver linjära mätningar av bruttostorlek och morfologi. Följaktligen har analyser av sonographic signal intensitet använts för att utvärdera mikrostructural förändringar av skador vävnad i inställningen av hypertrophic och dilaterad kardiomyopati4,5, kronisk födans arteriell sjukdom6,7, och hypertensive hjärtsjukdomar8,9. Tidigare etablerade tekniker har dock främst förlitat sig på det integrerade värdet eller medelvärdet av backscatter-signalintensiteter, som kan vara mottagliga för variation från slumpmässigtbrus 5, aliaserade data från låga bildhastigheter10och tidsfördröjningar för algoritmer baserade på cyklisk variation11.
Häri beskriver vi metoden att använda en ultraljudsbaserad bildanalysalgoritm som sträcker sig från tidigare metoder; Denna algoritm fokuserar på en enda end-diastolisk ram för bildanalys och står för den fullständiga fördelningen av signalintensitetsvärden som härrör från ett givet kortprov. Genom att använda pericardium som en inramningsreferens12,13kvantifierar algoritmen på ett reproducerbart sätt variationen i sonografiska signalintensitetsfördelningar och erbjuder ett förbättrat surrogatmått på myokardmikrostruktur. I ett steg-för-steg-protokoll beskriver vi metoder för att förbereda bilder för användning, ta prov på intresseområden och bearbeta data inom utvalda intresseområden. Vi visar också representativa resultat från tillämpningen av algoritmen på ekokardigrafiska bilder förvärvade från möss och människor med varierande exponering för efterbelastningsstress på vänster ventrikel.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Förberedelse av bilder för analyser
- Få bilder i murin eller mänskligt ekokardiografiskt B-läge i den parasteriska långaxelvyn. Justera tidsvinstkompensationsinställningar och placering av överföringsfokus för att optimera visualiseringen av LV och andra hjärtstrukturer i parasternalvyn, enligt vanlig praxis. Se till att alla bilder sparas i DICOM-filformat. Standardiserade bildvyer placerar den inferolaterala vänstra ventrikulära väggen vid ramens botten. Ramar måste visa hela det vänstra ventrikulära myokardet och perikardiet. Upplösningen måste vara tillräckligt hög för att avgränsa perikardvätskan, kortkortsväggen och endokardgränsen på vänster ventrikel. Ignorera bilder med överflödiga avhopp eller bildartefakter.
- Importera en bildfil för analys till ImageJ-programvaruplattformen v1.46 som en DICOM-fil. Konvertera filen till en 8-bitars bildfil.
- Bläddra igenom på varandra följande ramar av hjärtcykeln tills du når en lämplig kvalitet end-diastolic ram. Du kan också välja den end-diastoliska ramen i ett ekokardiografiskt visningsprogram och sedan exportera till ett högupplöst .jpg filformat för användning i ImageJ. Identifiera de ramar som är närmast änddiastolen med hjälp av R-vågen i EKG-spårningen och identifiera sedan den enskilt bästa ramen som fångar LV med maximal intern dimension. Betrakta den här enskilda ramen som den diastoliska ramen.
- Det föreslås att användare blir blinda för ämnesidentitet när de väljer regioner av intresse.
2. ROI-provtagning
- Val av perikardvätska. Vid val av perikardvätska regionen av intresse (ROI), syftar till att fånga heterogeniteten hos perikardvätskan vävnad. Observera att bildens ljusstyrka och kontrast kan justeras för ROI-val vid behov, utan någon effekt på analysresultaten.
- Använd ImageJ:s rektangelritverktyg och välj en rektangel med längd som approximerar den mellersta tredjedelen av den basala inferolaterala perikardvätskan.
- Ändra storlek på den rektangulära AVKASTNINGEN så att den sträcker sig över perikardiets bredd med hjälp av ROI-storleksverktyget.
- Rotera ROI:t så att den ligger inom perikardvätskan med ImageJ:s rotationsverktyg.
- Gör nödvändiga justeringar i hörnen på perikardvätskan ROI. Fånga en sista perikardvätska region av intresse som ligger inom mitten tredjedel av perikardvätska väggen, och inkluderar bredden på perikardvätska väggen utan att sträcka sig in i hjärtmuskeln eller extra hjärt regioner. Sträva efter att fånga samma relativa plats och procentandel av den totala perikardvätskan för alla åtgärder som görs i en viss studie.
- Tillämpa algoritmen på urvalet via ImageJ-analysverktyg (se avsnitt 3).
- Val av kort. Återigen, sikta på att fånga heterogeniteten i hjärtmuskelvävnaden inom mitten av den basala inferolaterala hjärtinfarkt väggen. Observera att bildens ljusstyrka och kontrast kan justeras för ROI-val vid behov, utan någon effekt på analysresultaten.
- Välj en rektangel som sträcker sig över bredden på kortväggen, exklusive endokardiet och epicardiumet. Se till att det kortkortsvalet ligger intill perikardvalet och i samma theta-vinkel. Inkludera inte områden av papillär muskel inom urvalsområdet.
- Rotera hjärtinfarkten så att den ligger parallellt med det perikardiska valet.
- Gör nödvändiga justeringar i hörnen av hjärtinfarkt roi. Isolera en slutlig hjärtinfarkt region av intresse som ligger inom mitten tredjedel av hjärtinfarkt väggen, och fångar väggens bredd utan att sträcka sig in i perikardvätska eller intraluminal regioner.
- Tillämpa algoritmen på markeringen via ett ImageJ-makro.
3. Dataanalys och databehandling
- Installera ImageJ-makrot "getHistogramValues.txt".
- Använd analysverktyget ImageJ histogram för att förhandsgranska fördelningen av signalintensitetsvärden inom ROI (utför det här steget för perikardvalet och för korturvalet).
- Använd ImageJ-makrot för att registrera dessa signaldensitetsvärden för ROI (utför det här steget för perikardvalet och för korturvalet).
- Tilldela ett intensitetsvärde från 0 (mörkaste) till 255 (ljusaste) enheter till varje pixel i markeringen.
- Ordna intensitetsvärdena hierarkiskt, i ordning efter ökande intensitet, för att skapa en fördelning av signalintensiteten.
- Välj och rapportera följande percentilvärden för fördelningen:20:e percentilen, 50:e percentilen (median) och 80:e percentilen.
- Normalisera skador med hjälp av perikardvätskan.
- Normalisera genom att dividera myokard percentilvärdena för intensitet med motsvarande perikardvätska percentil värden av intensitet12, eller genom att subtrahera myokard percentilvärdet av intensitet från perikardvätskans percentilvärde för intensitet13.
- Rapportvärden för de fyra analysmetoderna: normaliserade kortikardial-till-perikardala värden för den20:e percentilen, 50:e percentilen (median) och 80:e percentilvärdena.
4. Kvantifiera cyklisk variabilitet
- Tillämpa algoritmen på kortteckenval genom på varandra följande bildrutor i DICOM-filen och gå igenom hjärtcykeln. Jämför skillnader i intensitetsfördelningar mellan bildrutor, med uppmärksamhet på end-systoliska och end-diastoliska ramar.
Alla bildanalyser som beskrivs ovan utförs offline på icke-invasiva ekokardiografiska bilder som tidigare förvärvats och lagrats digitalt i DICOM-format. Alla studieprotokoll godkändes av Brigham and Women's institutional review board och Harvard Medical Area standing Institutional Animal Care and Use Committee.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Signalintensitetsanalys utförs i 4 huvudsteg(figur 1),inklusive: 1) bildval och formatering, 2) provtagning ROI och referensområden, 3) algoritmapplikation och 4) bearbetning av slutliga värden för att ge skador till perikardvätska förhållanden. Val och storlek på avkastningen på sysselsatt företag är standardiserat för att begränsa interuser samt intrauservariation (figur 2). Positionering av varje ROI är också standardiserad med avseende på varje ämnes anatomiska strukturer för att begränsa intersubject samt intrasubject variabilitet.
Som ett mått på hjärtinfarkt förväntas algoritmen avslöja förändringar i signalintensiteten under hela hjärtcykeln, vilket motsvarar den förväntade ökningen av hjärtinfarkt i systole jämfört med diastole. Som visas i figur 3accentuerar högre percentilvärden av signalintensitet cyklisk variabilitet hos möss med och utan 7 veckors exponering för efterbelastningsmotstånd ( dvs. en mus som genomgick stigande aortaförträngning jämfört med en fordonskontrollmussom genomgick skenkirurgi).
Från analys av en enda end-diastolic ram (figur 4), betydande skillnader noteras också för både mus och människor ämnen utsätts för kronisk efterbelastning stress (fall) jämfört med deras representativa motsvarigheter (kontroller). Signalintensitetens räckvidd och omfattning skiljer sig åt mellan fall och reglage. Som ses i analyser av cyklisk variabilitet tyder 80th jämfört med 50th percentil värden inom varje signal intensitetsfördelning på en större relativ skillnad i signal intensitet mellan fall och kontroller.
Algoritmen som presenteras häri ger utdata i form av kortikardial-till-perikardala förhållanden för signalintensitet, där perikardvätskans värden fungerar som inramningsreferator (figur 5). Förhållandet mellan hjärtinfarkt och perikardvätska signal intensitet fastställdes baserat på en-ram analys av bilder förvärvat från representativa kontroller och fall av efterbelastning stress. I överensstämmelse med resultaten ovan erbjuder det myokardiska till perikardala förhållandet mellan 80:e percentilsignalintensitetsvärden den största förmågan att skilja mellan kontroller och fall. Förväntade skillnader i hjärtinfarkt mikrostruktur, baserat på våra bild analys resultat, överensstämde med resultaten från skador vävnad histologi i kontroll och fall möss 7 veckor efter sham eller aorta-banding kirurgi, respektive (Figur 6).
Figur 1. Arbetsflödesprocess för en enskild bild. Processen innehåller fyra huvudsteg som kan upprepas när försökspersoner jämförs eller när cykliska variabilitet kvantifieras.
Klicka här om du vill visa större bild.
Figur 2. Provtagningsteknik för region av intresse (ROI). Bildanalysalgoritmen är standardiserad för applicering hos möss (A) och hos människor (B). Kort- och perikardval för representativa mus- respektive mänskliga bilder visas.
Klicka här om du vill visa större bild.
Figur 3. Variation av sonographic signal intensitet under hela hjärtcykeln. Algoritmen tillämpades på en myokardregion av intresse över på varandra följande ramar av DICOM-bilder som förvärvats från en representativ kontrollmus (A) och en aortabandad mus (B). Bildhastigheten var 212 för båda bilderna. För dessa bilder bedömdes cyklisk variabilitet med 3 skärpunkter:20:e percentilen (diamant), 50:e percentilen (kvadrat) och 80:e percentilen (triangel). Relativ cyklisk variabilitet är högre för de80:e percentilvärdena än för de lägre cutpointvärdena. Klicka här om du vill visa större bild.
Figur 4. Signalintensitetsfördelningar visas från enramsanalys av representativa mus- och människobilder. Histogrammen visar fördelningar av signalintensitet som härrör från hjärtmusens hjärtmus vid 7 veckor efter skenkirurgi (A), en aortabandad mus 7 veckor efter operationen (B), en normotensiv människa (C) och en hypertensiv människa (D). Blå vertikala linjer betecknar20:e percentilen, 50:e percentilen och 80:e percentilvärdena. Fördelningarna av signalintensiteten är högerförskjutna och är större inom räckhåll förförsökspersoner med kronisk efterbelastningsstress ( dvs. aortabandade jämfört med kontrollmus och hypertensiva jämfört med normotensiv människa).
Klicka här om du vill visa större bild.
Figur 5. Representativa data som produceras av bildanalysalgoritmen. (A) visar data från en skenstyrd (kontroll) jämfört med aortabandad (fall) mus vid 7 veckor. B)visar data från en människa med normalt blodtryck (kontroll) jämfört med en människa med kronisk hypertoni (fall). Förhållandet mellan myokardisk till perikardvätskans signalintensitet fastställdes med 3 analytiska metoder inom algoritmen: förhållandet mellan20:e percentilvärdena; förhållandet mellan50:e percentilvärdena; och förhållandet mellan80:e percentilvärdena. Den största skillnaden mellan kontroller och fall visas genom att använda förhållanden för de80:e percentilvärdena för signalintensitet.
Klicka här om du vill visa större bild.
Figur 6. Skillnader i myokardvävnad histologi mellan möss med och utan exponering för efterbelastning stress. Representativa Massons trichrome färgade delar av den vänstra ventrikeln visas för en mus som genomgick sham kirurgi (A: kontroll) och en mus som genomgick aorta banding (B: fall) vid 7 veckor efter kirurgi. Avsnitt visar förekomst av betydande kollagen nedfall och interstitiell fibros i fallet jämfört med kontrollen. Skalstänger representerar 50 μm.
Klicka här om du vill visa större bild.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Vi beskriver protokollet för en bildanalysalgoritm som kvantifierar sonographic signal intensitet distribution och i sin tur erbjuder ett surrogatmått på skador mikrostruktur. Standardiserade funktioner i protokollet, inklusive val, storlek och positionering av ROI- och referensregionen, tjänar till att minimera användar- och ämnesbaserad variabilitet. Vi visar att när det tillämpas på end-diastolic single-frame ekokardiografiska bilder, algoritmen kan lämpligt skilja mellan normala skador kontra myokardium utsätts för efterbelastning stress.
Protokollet beskriver hur algoritmen kan användas med hjälp av ImageJ-programvarupaketet med öppen källkod. I den här bildanalysmiljön kan algoritmen användas för att producera data om fördelningen av signalintensitetsvärden från ett givet prov av myokardvävnad. De resulterande signalintensitetsfördelningarna kan visas i form av histogram. Histogram av intensitet värden inom skador val visar att sjuka skador vävnader visar en rätt förskjutning i distribution och ett större utbud av värden, jämfört med icke-diseased hjärtmuskeln. Detta mönster ses när algoritmen tillämpas på både mänskliga och murin ekokardiografiska bilder.
Variation i signalintensitet över hjärtcykeln observeras motsvara fysiologiska förändringar i hjärtmuskeltätheten. En analysmetod som konsekvent särskiljer densitetsförändringar under hela hjärtcykeln tros vara känslig för skillnader i hjärtinfarkt som uppstår som svar på patologiska processer1,6. I själva tiden observeras cyklisk variabilitet vid applicering av algoritmen på på varandra följande ramar inom murin ekokardiogram. En större variation i intensitet över hjärtcykeln observeras för bildintensitetsvärden som är högre jämfört med lägre percentiler inom den totala signalintensitetsfördelningen.
När algoritmen tillämpas på representativa prover av ekokardigrafiska bilder som förvärvats från försökspersoner med och utan exponering för efterbelastningsbeständighet, observeras densiteten mellan skador och perikardiska förhållanden vid utvalda percentilvärden vara särskilt effektiv för att skilja försökspersoner jämfört med utan exponering för kronisk efterbelastningsresistens. Detta konstaterande observeras i analyser av representativa mus- och humandata. Förhöjda skador densitet förväntas ses i hjärtmuskelvävnad av ämnen som utsätts för kronisk efterbelastning stress, eftersom sådan stress är känd för att främja interstitiell kollagen nedfall och utvecklingen av skador fibros14. Mätning av skador vävnad förändringar över tid kan användas för att ge en bättre förståelse för vävnad svar på långvarig stress och sjukdom progression. Ytterligare studier behövs för att utvärdera om variationer i signalintensitet korrelerar med histologic förändringar över tid samt med ökande svårighetsgraden av en given sjukdom fenotyp.
Bildanalysalgoritmen har begränsad tillämplighet på bilder med artefakter som skulle störa ROI- och/eller referensval, ofullständig visualisering av endokardiska gränser eller övergripande dålig kvalitet. Algoritmen kanske inte kan jämföra kort- och perikardområden av intresse exakt när percentilvärden visar ett icke-linjärt mönster vid gråskalemappning eller när otillräckligt dynamiskt intervall används. Även om sådana fall förväntas vara sällsynta inom10:e till 90:e percentilvärdena för signalintensitet i de flesta fenotyper, kan preliminär bedömning av backscatter linjäritet ochdynamiskt intervall vara berättigad för att studera nya fenotyper av intresse och/eller analysera bilder som förvärvats med hjälp av okonventionella ultraljud tekniker. Algoritmen begränsas också av brist på automatisering av ROI och referensprovvalsprocessen. Dessutom har algoritmen begränsad kapacitet att användas i korsjämförelser av bilder som tagits med markant olika ekokardiografiska förvärvsparametrar. I den aktuella rapporten förvärvades bilder på möss med en 18-38 MHz givare med bildhastigheter från 225-247 fps; bilder hos människor förvärvades med hjälp av en 1-5 MHz givare med bildhastigheter från 34-54 fps. Ytterligare studier behövs för att fastställa möjliga protokolländringar som kan krävas för bilder som förvärvats med hjälp av annan utrustning och med bildhastigheter som är markerade över de ovan rapporterade intervallen.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Inga intressekonflikter har deklarerats.
Acknowledgments
Vi är tacksamma för resurser från Harvard Medical School / Brigham och Women's Hospital Cardiovascular Physiology Core Laboratory. Detta arbete stöddes delvis av finansiering från National Institutes of Health grants HL088533, HL071775, HL093148 och HL099073 (RL). MB var mottagare av american heart association grundare affiliate postdoktoral fellowship award. KU är mottagare av american heart association founders affiliate postdoktoral fellowship award. SC fick stöd av en utmärkelse från Ellison Foundation.
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).
