Subscribe to RSS
DOI: 10.1055/s-2008-1027190
© Georg Thieme Verlag KG Stuttgart · New York
Bolus Harmonic Imaging zur automatischen Erkennung ischämiebedingter Perfusionsdefizite im Gehirn
Automatic Detection of Perfusion Deficits with Bolus Harmonic ImagingPublication History
eingereicht: 22.2.2007
angenommen: 24.12.2007
Publication Date:
28 February 2008 (online)
![](https://www.thieme-connect.de/media/ultraschall/200806/lookinside/thumbnails/10.1055-s-2008-1027190-1.jpg)
Zusammenfassung
Ziel: Die Diagnose zerebrovaskulärer Erkrankungen stützt sich zunehmend auf den Einsatz ultraschallbasierter Verfahren. Das kontrastmittelgestützte, transkranielle Bolus Harmonic Imaging (BHI) hat hierbei einen hohen Stellenwert. Die Auswertung der aufgezeichneten Bildsequenz erfolgt durch geübte Ärzte jedoch manuell und ist somit zeitaufwendig. Das Ziel der hier beschriebenen drei Verfahren ist die sichere, vollautomatische Erkennung von Perfusionsdefekten des Gehirns. Material und Methoden: Mit dem BHI werden Ultraschallbildsequenzen aufgezeichnet, die die Kontrastmitteldynamik im Gehirn wiedergeben. Diese Bilder werden mit drei verschiedenen Verfahren automatisch ausgewertet. Zum einen wird ein regelbasiertes System beschrieben, welches aus den aufgezeichneten Ultraschallbildern Parameterbilder extrahiert und diese mithilfe von Expertenwissen nach perfundierten und minderperfundierten Gehirnarealen klassifiziert. Zum zweiten erfolgt die Klassifikation der Gehirngebiete unüberwacht mit dem K-Means-Verfahren. Hierzu wird jedes der Parameterbilder als eine Dimension des zu klassifizierenden Merkmalsraums betrachtet, sodass eine unüberwachte Segmentierung der minderperfundierten Gehirnbereiche möglich ist. Drittens wird die gesamte Bildsequenz anhand der Kontrastmitteldynamik pixelweise klassifiziert. Hierbei kann darauf verzichtet werden, Parameterbilder extrahieren zu müssen. In allen drei Fällen ist es im Anschluss notwendig, die beim HI auftretenden Streifenartefakte automatisch zu erkennen. Abschließend wird ein Aussagenbild generiert, in dem die gefundenen Minderperfusionen markiert sind. Ergebnisse: Die drei Verfahren wurden auf einem 26 Patienten umfassenden Kollektiv klinisch validiert. Hierbei hat sich herausgestellt, dass insbesondere die Segmentierung anhand der Kontrastmitteldynamik dazu geeignet ist, Minderperfusionen automatisch zu erkennen. Es konnte auf diesem Patientenkollektiv eine Sensitivität von 100 % bei einer Spezifität von 100 % erreicht werden. Schlussfolgerungen: Alle drei Verfahren erscheinen geeignet, ischämische Gehirngebiete zu erkennen. Hierbei liefert die Klassifikation von Gehirngebieten nach der Kontrastmitteldynamik die besten Ergebnisse, da sie robust gegenüber Rauschen ist. Zudem ist es das schnellste Verfahren, da die Extraktion von Parameterbildern entfällt. Es ist notwendig, die Sensitivität und Spezifität auf einem größeren Patientenkollektiv zu validieren. Eine sichere, vollautomatische Erkennung von Perfusionsdefekten direkt am Patientenbett scheint somit möglich zu sein.
Abstract
Purpose: The diagnosis of ischemic stroke relies increasingly on the usage of ultrasound-based methods. One of the recent methods is the transcranial, contrast agent-based Bolus Harmonic Imaging (BHI) method. The captured image sequence is manually examined by clinical experts thus resulting in a time-consuming procedure. The purpose of this study is to evaluate three different methods to analyze BHI image sequences automatically for the detection of ischemic brain tissue. Materials and Method: BHI captures an image sequence that provides information on the dynamic behavior of the ultrasound contrast agents. This image sequence is analyzed using three different procedures. First a system relying on expert knowledge is used to determine perfusion defects. This procedure requires parametric images, which are previously extracted from the image sequence. The parameter images are then categorized by an unsupervised classification method in well-perfused and ischemic tissue by regarding the parametric images as features describing the perfusion. Thirdly, the whole image sequence can be interpreted as a pixel-by-pixel behavior out of contrast agents. The dynamic curve of each pixel can be automatically classified as perfused and ischemic tissue by the K-Means method without extracting parametric images. In all three cases a closing step is necessary for the accurate interpretation of the results. Transcranial ultrasound imaging produces typical stripe artifacts that have to be detected and eliminated. A result image is then created and provides a conclusion about perfusion reduction in brain tissue. Results: All three methods have been validated on the basis of 26 patients by clinical experts. The segmentation on the contrast agent kinetics has proven to be most effective. According to our patient database, it provides the highest detection accuracy, resulting in a sensitivity of 100 % and a specificity of 100 %. Conclusion: The presented methods seem to be adequate for detecting ischemic brain tissue. The classification of contrast agent kinetics provides the best results and has further advantages. It is robust with respect to noise and the calculation is fast because the extraction of parametric images is omitted. The very high sensitivity and specificity must be validated in a larger patient population. Reliable and automated detection of perfusion defects at the bedside seems to be possible.
Key words
brain - ultrasound - contrast agents - ischemia/infarction - image manipulation/reconstruction
Literatur
- 1 Nanda N C, Schlief R. Advances in Echo Imaging Using Contrast Enhancement. Kluwer Academic Publishers 1993
- 2 Martina A D, Seidel G, Meyer-Wiethe K. et al . Ultrasound Contrast Agents for Brain Perfusion Imaging and Ischemic Stroke Therapy – Instrumentation in Practice. Journal of Neuroimaging. 2005; 33 1530-1537
- 3 Eyding J, Wilkening W, Reckhard M. Contrast Burst Depletion Imaging – A new Imaging Procedure and Analysis Method for Semiquantitative Ultrasonic Perfusion Imaging. Stroke. 2002; 34 77-83
- 4 Berdien G. Transkraniell-sonographische Darstellung der Hirnperfusion mit dem Harmonic Imaging Verfahren bei Patienten mit akutem Hirninfarkt oder intrakraniellem Tumor. Lübeck; Universität zu Lübeck, Medizinische Fakultät 2004
- 5 Katzer T. Sonographische Darstellung zerebraler Mikrozirkulation unter Anwendung eines okafluorpropanhaltigen Ultraschallkontrastmittels. Lübeck; Universität zu Lübeck, Medizinische Fakultät 2004
- 6 Harrer J U, Klötzsch C, Stracke C P. et al . Zerebrale Perfusionssonographie im Vergleich zur Perfusions-MRT: Eine Normalprobandenstudie. Ultraschall in Med. 2004; 25 263-269
- 7 Wiesmann M, Meyer K, Albers T. et al . Parametric Perfusion Imaging with contrast-enhanced ultrasound in acute ischemic stroke. Stroke. 2004; 35 508-513
- 8 Wiesmann M, Seidel G. Ultrasound perfusion imaging of the human brain. Stroke. 2000; 31 2421-2425
- 9 Bartels E, Bittermann H J. Kontrastverstärkte transkranielle sonographische Darstellung der zerebralen Perfusion bei Schlaganfallpatienten nach dekompressiver Kraniotomie. Ultraschall in Med. 2004; 25 206-213
- 10 Bartels E, Henning S, Wellmer A. et al . Bestimmung des zerebralen Perfusionsdefizits bei Schlaganfall-Patienten mittels der neuen transkraniellen kontrastmittelverstärkten CPS™-Technologie – Vorläufige Ergebnisse. Ultraschall in Med. 2005; 26 478-486
- 11 Burns P N. Harmonic imaging with ultrasound contrast agents. Clinical Radiology. 1996; 51 50-55
- 12 Eyding J, Postert T, Wilkening W. Brain perfusion and ultrasonic imaging techniques. European Journal of Ultrasound. 2002; 16 91-104
- 13 Seidel G, Meyer-Wiethe K. Harmonic Imaging – Eine neue Methode zur sonographischen Darstellung der Hirnperfusion. Nervenarzt. 2001; 72 600-610
- 14 Nolte C H, Gruss J, Steinbrink J. et al . Ultrasound Perfusion Imaging of Cysts in the Midbrain. Ultraschall in Med. 2006; 26 527-529
- 15 Seidel G, Algermissen C, Christoph A. et al . Visualization of brain perfusion using harmonic grey scale and Power Doppler technology: An animal pilot study. Stroke. 2000; 31 1728-1734
- 16 Grolimund P. Transmission of Ultrasound through the Temporal Bone. Aaslid R Transcranial doppler sonography Wien, New York; Springer-Verlag 1986: 10-18
- 17 Wilkening W. Konzepte zur Signalverarbeitung für die Kontrastmittelspezifische Ultraschallabbildung. Bochum; Ruhr-Universität, Fakultät für Elektrotechnik und Informationssysteme 2003
- 18 De Jong N, Frinking P J, Bouakaz A. Detection Procedures of Ultrasound Contrast Agents. Ultrasonics. 2000; 38 87-92
- 19 Wilkening W, Postert T, Federlein J. et al . Ultrasonic assessment of perfusion conditions in the brain and in the liver. IEEE Ultrasonics Symposium. 2000 (2); 1545-1548
- 20 Meves S, Wilkening W, Thies T. et al . Comparison between Echo Contrast Agent-Specific Imaging Modes and Perfusion-Weighted Magnetic Resonance Imaging for Assessment of Brain Perfusion. Stroke. 2002; 33 2433-2437
- 21 Metzler V, Seidel G, Meyer-Wiethe K. et al . Perfusion Harmonic Imaging of the Human Brain. SPIE Medical Imaging: Ultrasonic Imaging and Signal Processing. 2003; 5035 337-348
- 22 Kier C, Toth D, Schindler L A. et al . Cerebral Perfusion Imaging with Bolus Harmonic Imaging. Ultrasonic Imaging and Signal Processing. 2005; 5750 437-446
- 23 Seidel G, Cangür 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
- 24 Mehldau H, Zerfowski D, Klappenecker A. Waveletbasierte Rauschreduktion in medizinischen Ultraschalldaten. In: Bildverarbeitung für die Medizin Aachen. 1998; 229-233
- 25 Caloope P B, Medeiros F NS, Marques R CP. et al .A Comparison of Filters for Ultrasound Images. Berlin, Heidelberg; Springer-Verlag 2004
- 26 Maciak A, Kier C, Seidel G. et al . Parameterfreie Erkennung von Ischämien mit ultraschallbasiertem Harmonic Imaging. Proceedings Biomedizinische Technik Zürich. 2006; 1 V76
- 27 Maciak A, Kier C, Seidel G. et al . Robuste Ermittlung parametrischer Bilder für die Ultraschall-Perfusionsbildgebung basierend auf einem Model der Boluskinetik von Kontrastmitteln. Biomedizinische Technik Aachen. 2007; 1 Fo2
- 28 Handels H. Medizinische Bildverarbeitung. Stuttgart; B. G. Teubner 2000
- 29 Mac Queen J. Some Methods for Classification and Analysis of Multivariate Observations. Proceedings of the Fifth Berkeley Symposium in Mathemetical Statistics and Probability. 1967; 1 281-297
- 30 Maciak A, Kier C, Seidel G. et al . Automatische Erkennung von Ischämien mit Bolus Harmonic Imaging. Bildverarbeitung für die Medizin. 2007; 1 81-86
- 31 Maciak A, Kier C, Seidel G. et al . Stripe Artifacts Detection in Ultrasound Images. Proceedings of the Society of Imaging Informatics in Medicine. 2007; 1 15-19
- 32 Jähne B. Digital Image Processing. Berlin, Heidelberg; Springer-Verlag 2005
- 33 Jain A K. Fundamentals of Digital Image Processing. New Jersey; Prentice-Hall 1989
- 34 Kier C, Meyer-Wiethe K, Aach T. et al . Ultraschall-Perfusionsbildgebung für die Schlaganfalldiagnostik auf Basis eines Modells für die Destruktionskinetik von Kontrastmittel. Bildverarbeitung für die Medizin. 2006; 1 41-45
- 35 Maciak A, Kier C, Seidel G. et al . Detecting Stripe Artifacts in Ultrasound Images. Journal of Digital Imaging. 2007; 20: published 25 Jul 2007 Online DOI: 10.1007 /s10278 – 007 – 9049 – 0
Adam Maciak
Institut für Signalverarbeitung, Universität zu Lübeck
Ratzeburger Allee 160
23560 Lübeck
Phone: ++ 49/67 21/98 89 41
Fax: ++ 49/4 51/5 00 58 02
Email: am@avallia.com