Summary
Ekokardiyografi genellikle kardiyak yapı ve fonksiyondaki değişiklikleri noninvaziv olarak karakterize etmek ve ölçmek için kullanılır. Miyokard mikro yapısının gelişmiş bir vekil ölçüsünü sunan ve açık erişimli görüntü analiz yazılımı kullanılarak gerçekleştirilebilen ultrason tabanlı bir görüntüleme algoritmasını açıklıyoruz.
Abstract
Ekokardiyografi, kardiyak yapı ve işlevdeki değişiklikleri noninvaziv olarak karakterize etmek ve ölçmek için yaygın olarak kullanılan yaygın olarak erişilebilir bir görüntüleme yöntemidir. Kardiyak dokunun ultrasonik değerlendirmeleri, belirli bir ilgi alanı içinde backscatter sinyal yoğunluğunun analizlerini içerebilir. Daha önce belirlenen teknikler ağırlıklı olarak, düşük kare hızlarından ve döngüsel varyasyona dayanan algoritmalar için zaman gecikmelerinden elde edilen diğer ad verilerinden kaynaklanan değişkenliğe duyarlı olabilecek geri dönüş sinyali yoğunluklarının entegre veya ortalama değerine dayanmıştır. Burada, önceki yöntemlerden uzanan, tek bir görüntü çerçevesine uygulanabilen ve belirli bir miyokard örneğinden elde edilen sinyal yoğunluğu değerlerinin tam dağılımını hesaplayan ultrason tabanlı bir görüntüleme algoritmasını açıklıyoruz. Temsili fare ve insan görüntüleme verilerine uygulandığında, algoritma kronik artçı direnç ile ve maruz kalmadan denekler arasında ayrımlar. Algoritma, miyokard mikro yapısının gelişmiş bir yedek ölçüsünü sunar ve açık erişimli görüntü analizi yazılımı kullanılarak gerçekleştirilebilir.
Introduction
Ekokardiyografi, kardiyak yapı ve işlevdeki değişiklikleri noninvaziv olarak karakterize etmek ve ölçmek için yaygın olarak kullanılan yaygın olarak erişilebilir bir görüntüleme yöntemidir. Kardiyak dokunun ultrasonik değerlendirmeleri, belirli bir ilgi alanı içinde, zaman içinde tek bir noktada ve kardiyak döngü boyunca backscatter sinyal yoğunluğunun analizlerini içerebilir. Önceki çalışmalar, sonografik sinyal yoğunluğu önlemlerinin miyokard lif dağınıklığının altında kalan varlığını, yaşanamaz miyokard dokusuna karşı canlı ve interstisyel fibrozis1-3'ütanımlayabileceğini ileri sürmektedir. Miyokard 'mikroyapı'yı, brüt boyut ve morfolojinin doğrusal ölçümlerinin ötesinde, sonografik analiz kullanılarak karakterize edilebilen doku mimarisi olarak adlandırıyoruz. Buna göre, hipertrofik ve genişlemiş kardiyomiyopati4,5, kronik koroner arter hastalığı6,7ve hipertansif kalp hastalığı8,9ayarlarında miyokard dokusunun mikroyapısal değişikliklerini değerlendirmek için sonografik sinyal yoğunluğu analizleri kullanılmıştır. Bununla birlikte, daha önce belirlenen teknikler ağırlıklı olarak, rastgele gürültü5,düşük kare hızlarından diğer ad verilerinden10ve döngüsel varyasyona dayalı algoritmalar için zaman gecikmelerinden11'ekadar değişkenliğe duyarlı olabilecek geri dönüş sinyali yoğunluklarının entegre veya ortalama değerine dayanmıştır.
Burada, önceki yöntemlerden uzanan ultrason tabanlı bir görüntü analizi algoritması kullanma yöntemini açıklıyoruz; Bu algoritma, görüntü analizi için tek bir son diyastolik çerçeveye odaklanır ve belirli bir miyokard örneğinden elde edilen sinyal yoğunluğu değerlerinin tam dağılımını hesaplar. Perikard çerçeve içi referans12,13olarak kullanılarak, algoritma sonografik sinyal yoğunluğu dağılımlarındaki varyasyonu yeniden ölçar ve miyokard mikro yapısının gelişmiş bir yedek ölçüsünü sunar. Adım adım bir protokolde, görüntüleri kullanıma hazırlama, ilgi alanlarını örnekleme ve seçilen ilgi alanları içindeki verileri işleme yöntemlerini açıklıyoruz. Ayrıca, sol ventrikülde yük sonrası strese değişken maruziyeti olan farelerden ve insanlardan elde edilen ekokardiyografik görüntülere algoritmanın uygulanmasından elde edilen temsili sonuçları gösteriyoruz.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Analizler için Görüntülerin Hazırlanması
- Parasternal uzun eksenli görünümde murine veya insan ekokardiyografik B modu görüntüler elde edin. LV'nin ve diğer kardiyak yapıların parasternal görünümde görselleştirilmesini optimize etmek için zaman kazanma telafi ayarlarını ve iletim odağının yerleşimini her zamanki uygulamaya göre ayarlayın. Tüm görüntülerin DICOM dosya biçiminde kaydedildiklarından emin olun. Standartlaştırılmış görüntü görünümleri, kısır sol ventrikül duvarını çerçevenin tabanına yerleştirir. Çerçeveler sol ventrikül miyokard ve perikardın tamamını göstermelidir. Çözünürlük, sol ventrikülün perikardiyal kenarlık, miyokard duvarı ve endokardiyal kenarlıklarını ayıracak kadar yüksek olmalıdır. Fazla bırakma veya görüntü yapıtları olan görüntüleri atın.
- Analiz için bir görüntü dosyasını DICOM dosyası olarak ImageJ yazılım platformu v1.46'ya içe aktarın. Dosyayı 8 bit görüntü dosyasına dönüştürün.
- Uygun kalitede bir son diyastolik çerçeveye ulaşana kadar kardiyak döngünün ardışık kareleri arasında ilerleyin. Alternatif olarak, ekokardiyografik görüntüleme programında son diyastolik çerçeveyi seçin ve ardından ImageJ'de kullanılmak üzere yüksek çözünürlüklü bir .jpg dosya biçimine dışa aktarın. EKG izlemenin R dalgasını kullanarak son diyastole en yakın kareleri tanımlayın ve ardından LV'yi maksimum iç boyutla yakalayan en iyi çerçeveyi tanımlayın. Bu tek kareyi son diyastolik çerçeve olarak düşünün.
- Kullanıcıların ilgi çekici bölgeleri seçerken konu kimliğine kör olmaları önerilir.
2. Yatırım Getirisi Örneklemesi
- Perikardiyal başvuru seçimi. Perikardiyal ilgi bölgesini (ROI) seçerken, perikardiyal dokunun heterojenliğini yakalamayı hedefleyin. Görüntü parlaklığı ve kontrastın, analiz sonuçları üzerinde herhangi bir etkisi olmadan gerektiğinde yatırım getirisi seçimi için ayarlanabileceğini unutmayın.
- ImageJ'in dikdörtgen çizim aracını kullanarak, bazal inferolateral perikardiyal duvarın orta üçte birini yaklaşık olarak yaklaşık olarak uzunluğa sahip bir dikdörtgen seçin.
- Yatırım getirisi boyutlandırma aracını kullanarak perikardiyumun genişliğini kapsayacak şekilde dikdörtgen yatırım getirisini yeniden boyutlandırın.
- ImageJ'in döndürme aracını kullanarak yatırım getirisini perikardiyal bölgeye uzanacak şekilde döndürün.
- Perikardiyal yatırım getirisinin köşelerinde gerekli ayarlamaları yapın. Perikardiyal duvarın orta üçte biri içinde yer alan ve miyokard veya ekstra-kardiyak bölgelere yayılmadan perikardiyal duvarın genişliğini içeren son bir perikardiyal ilgi alanı yakalayın. Belirli bir çalışmada yapılan tüm önlemler için toplam perikardiyal alanın aynı göreceli konumunu ve yüzdesini yakalamayı hedefleyin.
- Algoritmayı ImageJ analiz araçlarıyla seçime uygulayın (bkz. bölüm 3).
- Miyokard seçimi. Bir kez daha, bazal inferolateral miyokard duvarının orta üçte biri içinde miyokard dokusunun heterojenliğini yakalamayı hedefleyin. Görüntü parlaklığı ve kontrastın, analiz sonuçları üzerinde herhangi bir etkisi olmadan gerektiğinde yatırım getirisi seçimi için ayarlanabileceğini unutmayın.
- Endokardyum ve epikard hariç miyokard duvarının genişliğini kapsayan bir dikdörtgen seçin. Miyokard seçiminin perikardiyal seçimin bitişiğinde ve aynı teta açısında olduğundan emin olun. Seçim alanına papiller kas alanlarını dahil etmeyin.
- Miyokard yatırım getirisini perikardiyal seçime paralel olacak şekilde döndürün.
- Miyokard yatırım getirisinin köşelerinde gerekli ayarlamaları yapın. Miyokard duvarının orta üçte biri içinde yer alan son bir miyokard bölgesini izole edin ve perikardiyal veya intralüminal bölgelere yayılmadan duvarın genişliğini yakalar.
- Algoritmayı bir ImageJ makrosu aracılığıyla seçime uygulayın.
3. Veri Analizi ve İşleme
- "getHistogramValues.txt" adlı ImageJ makrosunu yükleyin.
- Sinyal yoğunluğu değerlerinin yatırım getirisi içindeki dağılımını önizlemek için ImageJ histogram analiz aracını kullanın (perikardiyal seçim ve miyokard seçimi için bu adımı gerçekleştirin).
- Yatırım getirisi için bu sinyal yoğunluğu değerlerini kaydetmek için ImageJ makrosunu kullanın (perikardiyal seçim ve miyokard seçimi için bu adımı gerçekleştirin).
- Seçimdeki her piksele 0 (en koyu) ila 255 (en parlak) birim arasında bir yoğunluk değeri atayın.
- Sinyal yoğunluğunun dağılımını üretmek için yoğunluk değerlerini hiyerarşik olarak, artan yoğunluk sırasına göre düzenleyin.
- Dağıtım için aşağıdaki yüzdelik değerleri seçin ve rapor edin:yüzde 20, yüzde 50 (ortanca) ve yüzde 80.
- Perikardiyal referansı kullanarak miyokard yoğunluklarını normalleştirin.
- Yoğunluğun miyokard yüzdelik değerlerini, yoğunluğun karşılık gelen perikardiyal yüzdelik değerlerine bölerek normalleştirin12veya yoğunluğun miyokard yüzdebirlik değerini yoğunluğun perikardiyal yüzdebirlik değerindençıkararak 13.
- Dört analitik yöntemin değerlerini rapor edin: 20. yüzdebirlik, yüzde50 yüzdelik (ortanca) ve yüzde 80'lik değerler için normalleştirilmiş miyokarddan perikardiyal değerlere.
4. Döngüsel Değişkenliğin Ölçülmesi
- Dicom dosyasının ardışık çerçeveleri aracılığıyla miyokard seçimlerine algoritma uygulayın, kardiyak döngü boyunca ilerleyin. Çerçeveler arasındaki yoğunluk dağılımlarındaki farklılıkları, son sistolik ve son diyastolik çerçevelere dikkat ederim.
Yukarıda açıklanan tüm görüntü analizleri, daha önce dicom formatında elde edilen ve dijital olarak saklanan noninvaziv ekokardiyografik görüntülerde çevrimdışı olarak gerçekleştirilir. Tüm çalışma protokolleri Brigham ve Women's institutional review board ve Harvard Medical Area ayakta Kurumsal Hayvan Bakım ve Kullanım Komitesi tarafından onaylandı.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Sinyal yoğunluğu analizi, aşağıdakiler dahil olmak üzere 4 ana adımda(Şekil 1),1) görüntü seçimi ve biçimlendirme, 2) yatırım getirisi ve referans alanlarında örnekleme, 3) algoritma uygulaması ve 4) miyokard-perikardiyal yoğunluk oranları elde etmek için nihai değerlerin işlenmesi gibi 4 ana adımda gerçekleştirilir. Yatırım getirisinin seçimi ve boyutu, kullanıcı içi değişkenliğin yanı sıra aralayıcıyı da sınırlamak için standartlaştırılmıştır (Şekil 2). Her yatırım getirisinin konumlandırılması, her bir deneğin anatomik yapılarına göre, intersubject'in yanı sıra intrasubject değişkenliğini sınırlamak için standartlaştırılmıştır.
Miyokard yoğunluğunun bir ölçüsü olarak, algoritmanın kardiyak döngü boyunca sinyal yoğunluğundaki değişiklikleri ortaya çıkarması beklenir, bu da systole'deki miyokard yoğunluğunda diastole kıyasla beklenen artışa karşılık gelir. Şekil 3'tegösterildiği gibi, sinyal yoğunluğunun daha yüksek yüzdelik değerleri, 7 hafta boyunca yük direncine maruz kalan farelerde döngüsel değişkenliği vurgular(yani, sham ameliyatı geçiren bir araç kontrol faresine kıyasla artan aort daralması geçiren bir fare).
Tek bir son diyastolik çerçevenin analizinden (Şekil 4), temsili meslektaşlarına (kontrollere) kıyasla kronik yük sonrası strese (vakalara) maruz kalan hem fare hem de insan denekler için önemli farklılıklar da göz önündedir. Sinyal yoğunluğunun hem aralığı hem de büyüklüğü durumlar ve kontroller arasında farklılık gösterir. Döngüsel değişkenlik analizlerinde görüldüğü gibi, her sinyal yoğunluğu dağılımındaki yüzde50'lik değerlere kıyasla80., vakalar ve kontroller arasındaki sinyal yoğunluğunda daha büyük bir göreceli fark olduğunu göstermektedir.
Burada sunulan algoritma, perikardiyal değerlerin çerçeve içi referans olarak hizmet ettiği sinyal yoğunluğunun miyokard-perikardiyal oranları şeklinde çıktı sağlar (Şekil 5). Miyokard-perikardiyal sinyal yoğunluğu oranı, temsili kontrollerden ve yük sonrası stres vakalarından elde edilen görüntülerin tek kare analizine göre belirlendi. Yukarıdaki sonuçlarla uyumlu olan, yüzde80'inci yüzdelik sinyal yoğunluğu değerlerinin miyokarddan perikardiyal oranı, kontroller ve vakalar arasında ayrım yapmak için en büyük yeteneği sunar. İmaj analiz sonuçlarımıza dayanarak miyokard mikro yapısında beklenen farklılıklar, sham veya aort bantlama ameliyatından sonraki 7 haftada kontrol ve vaka farelerinde miyokard doku histolojisinden elde edilen bulgularla tutarlıydı(Şekil 6).
Şekil 1. Tek bir görüntü için iş akışı işlemi. İşlem, konuları karşılaştırırken veya döngüsel değişkenliği ölçerken tekrarlanabilecek dört ana adım içerir.
Daha büyük resmi görüntülemek için burayı tıklatın.
Şekil 2. İlgi alanı (ROI) örnekleme tekniği. Görüntü analizi algoritması farelerde (A) ve insanlarda (B) uygulama için standartlaştırılmıştır. Temsili fare ve insan görüntüleri için sırasıyla miyokard ve perikardiyal seçimler gösterilir.
Daha büyük resmi görüntülemek için burayı tıklatın.
Şekil 3. Kalp döngüsü boyunca sonografik sinyal yoğunluğunun değişimi. Algoritma, temsili bir kontrol faresinden (A) ve aort bantlı bir fareden (B) alınan ardışık DICOM görüntüleri çerçeveleri üzerinden miyokard bölgesine uygulandı. Kare hızı her iki görüntü için de 212 idi. Bu görüntüler için döngüsel değişkenlik 3 kesme noktası kullanılarak değerlendirildi:yüzde 20 yüzdelik dilim (elmas), yüzde50'si (kare) ve yüzde80'i (üçgen). Göreli döngüsel değişkenlik, yüzde80'lik değerler için alt kesme noktası değerlerine göre daha yüksektir. Daha büyük resmi görüntülemek için burayı tıklatın.
Şekil 4. Sinyal yoğunluğu dağılımları, temsili fare ve insan görüntülerinin tek kare analizinden gösterilir. Histogramlar, sham ameliyatından 7 hafta sonra bir kontrol faresinin miyokardından elde edilen sinyal yoğunluğu dağılımlarını gösterir (A), ameliyattan 7 hafta sonra aort bantlı bir fare (B), normotensif bir insan (C) ve hipertansif bir insan (D). Mavi dikey çizgiler yüzde 20, yüzde50 ve yüzde80 değerlerini gösterir. Sinyal yoğunluğunun dağılımları, kronik artçı yük stresi olan denekler için doğru kaydırılır ve aralık olarak daha büyüktür(yani kontrol faresine kıyasla aort bantlı ve normotensif insana kıyasla hipertansif).
Daha büyük resmi görüntülemek için burayı tıklatın.
Şekil 5. Görüntü analizi algoritması tarafından üretilen temsili veriler. (A) 7 haftalık aort bantlı (kasa) fareye kıyasla sahte bir (kontrol) veri gösterir. (B) kronik hipertansiyonu olan bir insana (olgu) kıyasla normal kan basıncına (kontrol) sahip bir insandan gelen verileri gösterir. Miyokardiyal-perikardiyal sinyal yoğunluğu oranı algoritma içinde 3 analitik yöntem kullanılarak belirlendi: yüzde20'lik değerlerin oranı; yüzde50'lik değerlerin oranı; ve yüzde80'lik değerlerin oranı. Kontroller ve servis talepleri arasındaki en büyük fark, sinyal yoğunluğunun yüzde80'inci değerlerinin oranları kullanılarak gösterilmiştir.
Daha büyük resmi görüntülemek için burayı tıklatın.
Şekil 6. Yük sonrası strese maruz kalmadan fareler arasındaki miyokard dokusu histolojislerindeki farklılıklar. Temsilci Masson'un sol ventrikülün üç renkli lekeli bölümleri, sham ameliyatı geçiren bir fare(A: kontrol) ve ameliyattan 7 hafta sonra aort bandı(B: vaka) uygulanan bir fare için gösterilmiştir. Bölümlerde kontrole kıyasla olguda önemli kollajen birikimi ve interstisyel fibrozis varlığı göstermektedir. Ölçek çubukları 50 μm'dir.
Daha büyük resmi görüntülemek için burayı tıklatın.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Sonografik sinyal yoğunluğu dağılımını ölçen ve buna karşılık miyokard mikro yapısının taşıyıcı bir ölçüsünü sunan bir görüntü analizi algoritması protokolünü açıklıyoruz. Yatırım getirisi ve referans bölgesinin seçimi, boyutlandırılması ve konumlandırılması da dahil olmak üzere protokolün standartlaştırılmış özellikleri, kullanıcı ve konu tabanlı değişkenliği en aza indirmeye yarar. Son diyastolik tek kare ekokardiyografik görüntülere uygulandığında, algoritmanın normal miyokard ile yük sonrası strese maruz kalan miyokard arasında uygun bir ayrım yaptığını gösteriyoruz.
Protokol, algoritmanın açık kaynaklı ImageJ yazılım paketi kullanılarak nasıl kullanılabileceğini açıklar. Bu görüntü analizi ortamında algoritma, belirli bir miyokard doku örneğinden sinyal yoğunluğu değerlerinin dağılımı hakkında veri üretmek için kullanılabilir. Elde edilen sinyal yoğunluğu dağılımları histogramlar şeklinde görüntülenebilir. Miyokard seçimlerindeki yoğunluk değerlerinin histogramları, hastalıklı miyokard dokularının, denizaşırı olmayan miyokard ile karşılaştırıldığında, dağılımda doğru bir kayma ve daha fazla değer aralığı gösterdiğini göstermektedir. Bu model, algoritma hem insan hem de murine ekokardiyografik görüntülere uygulandığında görülür.
Kalp döngüsü üzerindeki sinyal yoğunluğundaki değişkenliğin miyokard yoğunluğundaki fizyolojik değişikliklere karşılık geldiği gözlenir. Kardiyak döngü boyunca yoğunluk değişikliklerini tutarlı bir şekilde ayıran analitik bir yöntemin, patolojik süreçlere yanıt olarak ortaya çıkan miyokard yoğunluğundaki farklılıklara duyarlı olduğuna inanılmaktadır1,6. Nitekim, algoritmanın murine ekokardiyogramlar içindeki ardışık karelere uygulanması üzerine döngüsel değişkenlik gözlenir. Toplam sinyal yoğunluğu dağılımındaki daha düşük yüzdelik dilimlere kıyasla daha yüksek görüntüleme yoğunluğu değerleri için kardiyak döngü üzerindeki yoğunlukta daha büyük bir değişim gözlenir.
Algoritma, yük sonrası dirence maruz kalan ve maruz kalmayan deneklerden elde edilen ekokardiyografik görüntülerin temsili örneklerine uygulandığında, seçilen yüzdelik değerlerdeki miyokard-perikardiyal oran yoğunluğunun, kronik artçı dirence maruz kalmadan, deneklerin ayırt edilmesinde özellikle etkili olduğu gözlenir. Bu bulgu, temsili fare ve insan verilerinin analizlerinde gözlenir. Kronik artçı strese maruz kalan deneklerin miyokard dokusunda yüksek miyokard yoğunluklarının görülmesi beklenmektedir, çünkü bu stresin interstisyel kollajen birikimini ve miyokard fibrozisi gelişimini teşvik ettiği bilinmektedir14. Miyokard dokusu değişikliklerinin zaman içinde ölçülerek uzun süreli stres ve hastalığın ilerlemesine karşı doku yanıtının daha iyi anlaşılması sağlanabilir. Sinyal yoğunluğundaki değişimlerin zaman içinde histolojik değişikliklerle ve belirli bir hastalık fenotipinin artan şiddetiyle ilişkili olup olmadığını değerlendirmek için daha fazla çalışmaya ihtiyaç vardır.
Görüntü analizi algoritması, yatırım getirisi ve/veya referans seçimine, endokardiyal kenarlıkların eksik görselleştirilmesine veya genel olarak düşük kaliteye engel olacak yapıtlara sahip görüntülere sınırlı uygulanabilirliğe sahiptir. Algoritma, yüzdebirlik değerler gri tonlamalı eşlemede doğrusal olmayan bir desen gösterdiğinde veya yetersiz dinamik aralık kullanılırken, ilgi çekici miyokard ve perikardiyal bölgeleri doğru bir şekilde karşılaştıramayabilir. Bu tür örneklerin çoğu fenotipte sinyal yoğunluğunun yüzde 90'ı arasında 10 ila90 arasında nadir olması beklense de, yeni ilgi fenotiplerinin incelenmesi ve/veya geleneksel olmayan ultrason teknikleri kullanılarak elde edilen görüntülerin analiz edilmesi için geri doğrusal doğrusallık ve dinamik aralığın ön değerlendirmesi garanti edilebilir. Algoritma ayrıca yatırım getirisinin otomasyon eksikliği ve referans örnek seçim süreci ile sınırlıdır. Ayrıca, algoritma belirgin şekilde farklı ekokardiyografik alma parametreleri kullanılarak yakalanan görüntülerin çapraz karşılaştırmalarında sınırlı kullanım kapasitesine sahiptir. Mevcut raporda, farelerdeki görüntüler 225-247 fps arasında değişen kare hızlarında 18-38 MHz dönüştürücü kullanılarak elde edildi; insanlardaki görüntüler 34-54 fps arasında değişen kare hızlarında 1-5 MHz dönüştürücü kullanılarak elde edilmiştir. Farklı ekipmanlar kullanılarak ve yukarıda bildirilen aralıkların belirgin fazlalığında kare hızlarında elde edilen görüntüler için gerekli olabilecek olası protokol revizyonlarını belirlemek için daha fazla çalışmaya ihtiyaç vardır.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Çıkar çatışması bildirilmedi.
Acknowledgments
Harvard Tıp Fakültesi/ Brigham ve Kadın Hastanesi Kardiyovasküler Fizyoloji Çekirdek Laboratuvarı tarafından sağlanan kaynaklar için minnettarız. Bu çalışma kısmen Ulusal Sağlık Enstitüleri hibeleri HL088533, HL071775, HL093148 ve HL099073 (RL) tarafından finanse edildi. MB, American Heart Association kurucu iştiraki doktora sonrası burs ödülünün sahibiydi. KU, Amerikan Kalp Derneği kurucuları bağlı kuruluş doktora sonrası burs ödülünün sahibidir. SC, Ellison Vakfı'nın bir ödülüyle desteklendi.
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).
