Contrast Ultrasonography: Necessity of Linear Data Processing for the Quantification of Tumor Vascularization

Zusammenfassung

Ziel: Ziel der Studie war der Vergleich der Wertigkeit nicht komprimierter Ultraschalldaten, die mittels linearer Powerdetektion von Ultraschallfrequenzen erhoben wurden und im Folgenden lineare Daten genannt werden, mit normal komprimierten Videodaten zur Quantifizierung von Tumorperfusion, insbesondere zur Verlaufskontrolle antivaskulärer Therapien. Material und Methoden: Um ein klinisch verwendbares Ultraschallbild zu generieren, wird die detektierte Ultraschallenergie der empfangenen Signale ( = lineare Daten) quasi-logarithmisch komprimiert, um diese bei limitiertem dynamischem Bereich des Monitors überhaupt darstellbar zu machen. Die daraus resultierende reduzierte Signalpalette könnte die Sensitivität für Änderungen von Zeit-Intensitätskurven nach Kontrastinjektion limitieren. Der theoretischen Einschätzung von Kompressionseffekten auf Zeit-Intensitätskurven folgend wurde im In-vivo-Modell der Effekt eines antivaskulären Wirkstoffs, der Melanom-tragenden Mäusen verabreicht wurde, zu unterschiedlichen Zeitpunkten gemessen. Die mittleren Zeit-Intensitätskurven im Tumor nach Bolusgabe des Kontrastmittels wurden sowohl aus linearen wie auch aus Videodaten errechnet. Die linearen Daten wurden mithilfe der Umkehrfunktion des tatsächlichen Kompressionssatzes der Gerätesoftware zurückgerechnet, welcher experimentell bestimmt wurde. Drei Parameter wurden aus den Zeit-Intensitätskurven bestimmt: Maximalintensität (PI), Zeit-bis-zur-Maximalintensität (TPI) und Fläche-unter-der-Kurve während der Kontrast-Einwaschphase (AUC_wash-in). Zum Zeitpunkt der maximalen Kontrastintensität im Tumor wurde der Variationskoeffizient, der die Heterogenität der Kontrastaufnahme innerhalb des Tumors reflektiert, anhand beider Datensätze errechnet. Ergebnisse: Die TPI war in beiden Datensätzen vergleichbar (r = 0,98, p < 0,05, Faktor = 1,09). Die lineare PI und der lineare AUC_wash-in zeigten eine signifikant frühere Abnahme nach der Wirkstoffgabe im Vergleich zu den Videodaten (p = 0,015 bzw. p = 0,03). Der Variationskoeffizient war bei den Videodaten signifikant geringer als der der linearen Daten (p < 10^–4). Schlussfolgerung: Die Verwendung linearer Daten ist die einzige mathematisch valide Methode zur Bestimmung von Tumor-Zeit-Intensitätskurven und erlaubt in praxi eine frühere Darstellung von Perfusionsänderungen unter antivaskulärer Therapie.

Abstract

Purpose: This study is intended to compare the value of uncompressed ultrasonic data, obtained after linear power detection of the ultrasonic radiofrequencies that we call linear data, with usual compressed video data for the quantification of tumor perfusion, particularly for monitoring antivascular therapy. Materials and Methods: To form a clinically useful ultrasonic image, the detected power of the received signals (linear data) is compressed in a quasi-logarithmic fashion in order to match the limited dynamic range of the video monitor. The resulting reduced range of signals from an injected contrast agent may limit the sensitivity to changes in the time-intensity curves. Following a theoretical evaluation of the effects of compression on time-intensity curves and as an in vivo example, we measured at different times the effects of an antivascular drug administered to mice bearing melanoma tumors. The mean time-intensity curves within the tumors after bolus injection of a contrast agent were determined using both linear and video data. Linearized data was recovered using the inverse of the true scanner’s compression law, which was experimentally determined. Three features were extracted from the time-intensity curves: peak intensity (PI), time to peak intensity (TPI) and area under the curve in the wash-in phase (AUC_wash-in). When contrast reached its maximum value, the coefficient of variation reflecting the heterogeneity of the intensity of contrast uptake within the tumor, was computed using both data sets. Results: TPI was found to be similar with either data set (r = 0.98, p < 0.05, factor of 1.09). Linear PI and AUC_wash-in had significantly earlier decreases after drug administration than video data (p = 0.015 and p = 0.03, respectively). The coefficient of variation was significantly lower when using video rather than linear data (p < 10^–4). Conclusion: In conclusion, the use of linear data is the only mathematically valid methodology for determining a tumor’s time-intensity curve and, in practice, it allows earlier demonstration of responses to antivascular drugs.

Key words

ultrasound 2D - tumor - contrast agents

References

• 1 Folkman J. What is the evidence that tumors are angiogenesis dependent?.  J Natl Cancer Inst. 1990;  82 4-6
• 2 Ferrara N, Kerbel R S. Angiogenesis as a therapeutic target.  Nature. 2005;  438 967-974
• 3 Hochedez P, Lassau N, Bonvalot S et al. Treatment of local recurrent melanomas by isolated limb perfusion: value of Doppler ultrasonography.  J Radiol. 2003;  84 597-603
• 4 Provenzale J M. Imaging of angiogenesis: clinical techniques and novel imaging methods.  Am J Roentgenol. 2007;  188 11-23
• 5 Cosgrove D. Angiogenesis imaging-ultrasound.  Br J Radiol. 2003;  76 S43-S49
• 6 Li J, Dong B W, Yu X L et al. Gray scale contrast enhancement and quantification in different positions of rabbit liver.  J Ultrasound Med. 2006;  25 7-14
• 7 Miller J C, Pien H H, Sahani D et al. Imaging angiogenesis: applications and potential for drug development.  J Natl Cancer Inst. 2005;  97 172-187
• 8 Broillet A, Hantson J, Ruegg C et al. Assessment of microvascular perfusion changes in a rat breast tumor model using SonoVue to monitor the effects of different anti-angiogenic therapies.  Acad Radiol. 2005;  12 S28-S33
• 9 McCarville M B, Streck C J, Dickson P V et al. Angiogenesis inhibitors in a murine neuroblastoma model: quantitative assessment of intratumoral blood flow with contrast-enhanced gray-scale US.  Radiology. 2006;  240 73-81
• 10 Wells P. Ultrasonic imaging of the human body.  Rep Prog Phys. 1999;  62 671-722
• 11 Lavisse S, Lejeune P, Rouffiac V et al. Early quantitative evaluation of a tumor vasculature disruptive agent AVE8062 using dynamic contrast-enhanced ultrasonography.  Invest Radiol. 2008;  43 100-111
• 12 Lassau N, Chami L, Peronneau P. Current events about echography in 2006: position of the ultrasound functional imaging for the early evaluation of targeted therapeutics.  Bull Cancer. 2006;  93 1207-1211
• 13 Bogin L, Margalit R et al. ”Parametric imaging of tumor perfusion using flow and permeability-limited tracers”.  J Magn Reson Imaging. 2002;  16 289-299
• 14 Cosgrove D, Eckersley R, Blomley M et al. Quantification of blood flow.  Eur Radiol. 2001;  11 1338-1344
• 15 Delorme S, Krix M. Contrast-enhanced ultrasound for examining tumor biology.  Cancer Imaging. 2006;  6 148-152
• 16 Phillips P, Gardner E. Contrast-agent detection and quantification.  Eur Radiol. 2004;  14 P4-P10
• 17 Sanches J M, Marques J S. Compensation of log-compressed images for 3-D ultrasound.  Ultrasound Med Biol. 2003;  29 239-253
• 18 Thijssen J M, Korte C L. Modeling ultrasound contrast measurement of blood flow and perfusion in biological tissue.  Ultrasound Med Biol. 2005;  31 279-285
• 19 Verbeek X A, Willigers J M, Prinzen F W et al. High-resolution functional imaging with ultrasound contrast agents based on RF processing in an in vivo kidney experiment.  Ultrasound Med Biol. 2001;  27 223-233
• 20 Lassau de N, Chami L, Peronneau P. Imaging of melanoma: accuracy of ultrasonography before and after contrast injection for diagnostic and early evaluation of treatments.  Bull Cancer. 2007;  94 93-98
• 21 Meyer-Wiethe K, Cangur H, Seidel G U. Comparison of different mathematical models to analyze diminution kinetics of ultrasound contrast enhancement in a flow phantom.  Ultrasound Med Biol. 2005;  31 93-98
• 22 Gillies R J, Schornack P A, Secomb T W et al. Causes and effects of heterogeneous perfusion in tumors.  Neoplasia. 1999;  1 197-207
• 23 Schmidt J, Ryschich E, Daniel V et al. Vascular structure and microcirculation of experimental pancreatic carcinoma in rats.  Eur J Surg. 2000;  166 328-335
• 24 Seidel G, Cangur H, Meyer-Wiethe K et al. On the ability of ultrasound parametric perfusion imaging to predict the area of infarction in acute ischemic stroke.  Ultraschall in Med. 2006;  27 543-548
• 25 Kolios M C, Czarnota G J, Lee M et al. Ultrasonic spectral parameter characterization of apoptosis.  Ultrasound Med Biol. 2002;  28 589-597
• 26 Lassau N, Lacroix J, Azizza R et al. French multicentric Prospective Evaluation of Dynamic Contrast-enhanced Ultrasound (DCE-US) for the Evaluation of Antiangiogenic Treatments.  RSNA. 2009;  (In press)