Quantifizierung des Lungenemphysems in der Mehrschicht-CT mittels verschiedener Softwareverfahren

Zusammenfassung

Ziel: Die Datensätze der Dünnschicht-MS-CT der Lunge sind mit ca. 300 Bildern für eine manuelle Auswertung schwer zu handhaben. Eine computergestützte Vordiagnose kann bei der Befundung helfen. Auch können Nachverarbeitungstechniken wie die Emphysemquantifizierung mithilfe dreidimensionaler anatomischer Informationen verbessert und der Programmablauf weiter automatisiert werden. Material und Methoden: Es wurden die Ergebnisse von 4 Programmen (Pulmo®, Volume®, YACTA und PulmoFUNC) zur quantitativen Analyse des Emphysems (Lungen- und Emphysemvolumen, mittlere Lungendichte und Emphysemindex) bei 30 konsekutiven Dünnschicht-MSCT-Datensätzen mit verschiedenen Schweregraden eines Emphysems miteinander verglichen. Zusätzlich wurde das Klassifikationsergebnis des Programms YACTA für verschiedene Emphysemtypen analysiert. Ergebnisse: Pulmo® und Volume® haben wegen notwendiger manueller Korrektur der Lungensegmentierung eine mediane Bearbeitungszeit von 105 bzw. 59 Minuten. Die weitgehend automatisierten Programme PulmoFUNC und YACTA laufen im Median in 26 bzw. 16 Minuten ab. Die Auswertung mit Pulmo® und Volume® führte bei je 2 unterschiedlichen Datensätzen zu nicht plausiblen Werten. PulmoFUNC stürzte bei 2 anderen Datensätzen reproduzierbar ab. Nur mit YACTA ließen sich alle Bilddatensätze auswerten. Die von YACTA und PulmoFUNC ermittelten Lungen-, Emphysemvolumina, Emphysemindices und mittlere Lungendichte sind signifikant größer als die entsprechenden Werte von Volume® und Pulmo® (Differenzen: Volume®: 119 cm³/65 cm³/1 %/17 HE, Pulmo®: 601 cm³/96 cm³/1 %/37 HE). Bei der Klassifikation der Emphysemtypen fanden sich 26 Übereinstimmungen zum Radiologen beim panlobulären, 22 beim paraseptalen und 15 beim zentrilobulären Emphysem. Schlussfolgerung: Der erhebliche Zeitaufwand behindert den Einsatz der quantitativen Emphysemanalyse in der klinischen Routine. Die Ergebnisse von YACTA und PulmoFUNC basieren auf einer Vorsegmentierung der Lunge mit dediziertem Ausschluss des Tracheobronchialsystems. Diese vollautomatischen Werkzeuge ermöglichen nicht nur eine schnelle Quantifizierung ohne manuelle Interaktion, sondern damit auch eine reproduzierbare Messung ohne Benutzerabhängigkeit.

Abstract

Purpose: The data records of thin-section MSCT of the lung with approx. 300 images are difficult to use in manual evaluation. A computer-assisted pre-diagnosis can help with reporting. Furthermore, post-processing techniques, for instance, for quantification of emphysema on the basis of three-dimensional anatomical information might be improved and the workflow might be further automated. Materials and Methods: The results of 4 programs (Pulmo®, Volume®, YACTA and PulmoFUNC) for the quantitative analysis of emphysema (lung and emphysema volume, mean lung density and emphysema index) of 30 consecutive thin-section MSCT datasets with different emphysema severity levels were compared. The classification result of the YACTA program for different types of emphysema was also analyzed. Results: Pulmo® and Volume® have a median operating time of 105 and 59 minutes respectively due to the necessity for extensive manual correction of the lung segmentation. The programs PulmoFUNC and YACTA, which are automated to a large extent, have a median runtime of 26 and 16 minutes, respectively. The evaluation with Pulmo® and Volume® using 2 different datasets resulted in implausible values. PulmoFUNC crashed with 2 other datasets in a reproducible manner. Only with YACTA could all graphic datasets be evaluated. The lung volume, emphysema volume, emphysema index and mean lung density determined by YACTA and PulmoFUNC are significantly larger than the corresponding values of Volume® and Pulmo® (differences: Volume®: 119 cm³/65 cm³/1 %/17 HU, Pulmo®: 60 cm³/96 cm³/1 %/37 HU). Classification of the emphysema type was in agreement with that of the radiologist in 26 panlobular cases, in 22 paraseptalen cases and in 15 centrilobular emphysema cases. Conclusion: The substantial expenditure of time obstructs the employment of quantitative emphysema analysis in the clinical routine. The results of YACTA and PulmoFUNC are affected by the dedicated exclusion of the tracheobronchial system. These fully automatic tools enable not only fast quantification without manual interaction, but also a reproducible measurement without user dependence.

Key words

Technical aspects - tracheobronchial tree - thorax - tissue characterization - CT quantitative - CT high resolution

Literatur

• 1 Kemerink G J, Kruize H H, Lamers R J. et al . CT lung densitometry: dependence of CT number histograms on sample volume and consequences for scan protocol comparability.  J Comput Assist Tomogr. 1997;  21 948-954
• 2 Gierada D S, Yusen R D, Pilgram T K. et al . Repeatability of quantitative CT indexes of emphysema in patients evaluated for lung volume reduction surgery.  Radiology. 2001;  220 448-454
• 3 Bankier A A, Madani A, Gevenois P A. CT quantification of pulmonary emphysema: assessment of lung structure and function.  Crit Rev Comput Tomogr. 2002;  43 399-417
• 4 Coxson H O, Rogers R M, Whittall K P. et al . A quantification of the lung surface area in emphysema using computed tomography.  Am J Respir Crit Care Med. 1999;  159 851-856
• 5 Kalender W A, Fichte H, Bautz W. et al . Semiautomatic evaluation procedures for quantitative CT of the lung.  J Comput Assist Tomogr. 1991;  15 248-255
• 6 Zagers R, Vrooman H A, Aarts N J. et al . Quantitative analysis of computed tomography scans of the lungs for the diagnosis of pulmonary emphysema. A validation study of a semiautomated contour detection technique.  Invest Radiol. 1995;  30 552-562
• 7 Markstaller K, Arnold M, Döbrich M. et al . Software zur automatischen Quantifizierung von Belüftungszuständen bei akutem Lungenversagen in dynamischen CT-Aufnahmen der Lunge.  Fortschr Röntgenstr. 2001;  173 830-835
• 8 Kinsella M, Muller N L, Abboud R T at al. Quantitation of emphysema by computed tomography using a „density mask” program and correlation with pulmonary function tests.  Chest. 1990;  97 315-321
• 9 Stolk J, Dirksen A, van der Lugt A A. et al . Repeatability of lung density measurements with low-dose computed tomography in subjects with alpha-1-antitrypsin deficiency-associated emphysema.  Invest Radiol. 2001;  36 648-651
• 10 Stolk J, Ng W H, Bakker M E. et al . Correlation between annual change in health status and computer tomography derived lung density in subjects with alpha1-antitrypsin deficiency.  Thorax. 2003;  58 1027-1030
• 11 Achenbach T, Weinheimer O, Buschsieweke C. et al . Vollautomatische Detektion und Quantifizierung des Lungenemphysems in Dünnschicht-MD-CT des Thorax durch eine neue, speziell entwickelte Software.  Fortschr Röntgenstr. 2004;  176 1409-1415
• 12 Diederich S, Heußel C P. Werkzeuge Thorax-CT Standardempfehlungen der AG-Thorax der DRG Toolbox.  Fortschr Röntgenstr. 2005;  177 473
• 13 Gevenois P A, De Vuyst P, de Maertelaer V. et al . Comparison of computed density and microscopic morphometry in pulmonary emphysema.  Am J Respir Crit Care Med. 1996;  154 187-192
• 14 Achenbach T, Buschsieweke C, Gerhards A. et al . Repräsentiert der HRCT-Emphysemindex die gesamte Lunge?.  Fortschr Röntgenstr. 2005;  177 655-659
• 15 Blechschmidt R A, Werthschutzky R, Lorcher U. Automated CT image evaluation of the lung: a morphology-based concept.  IEEE Trans Med Imaging. 2001;  20 434-442
• 16 Kauczor H U, Heussel C P, Mildenberger P. et al . Was heißt wie? Ansatz und Glossar zu Befundung und Verständnis in der HRCT der Lunge.  Fortschr Röntgenstr. 1996;  165 428-437
• 17 Kuhnigk J M, Dicken V, Zidowitz S. et al . New Tools for Computer Assistance in Thoracic CT - Part I: Functional analysis of lungs lung lobes and bronchopulmonary segments.  Radiographics. 2005;  25 525-536
• 18 Brown M S, Goldin J G, McNitt-Gray M F. et al . Knowledge-based segmentation of thoracic computed tomography images for assessment of split lung function.  Med Phys. 2000;  27 592-598
• 19 Cederlund K, Bergstrand L, Hogberg S. et al . Visual grading of emphysema severity in candidates for lung volume reduction surgery Comparison between HRCT, spiral CT and „density-masked” images.  Acta Radiol. 2002;  43 48-53
• 20 Gast K K, Heussel C P, Schreiber W G. et al . Funktionelle Bildgebung der Lunge mit gasförmigem Kontrastmittel: ³Helium-Magnetresonanztomographie.  Fortschr Röntgenstr. 2005;  177 660-669
• 21 Zaporozhan J, Ley S, Gast K K. et al . Visuelle Abschätzung der funktionellen Lungenanteile in der HRCT und 3He-MRT bei Patienten nach Einzel-Lungentransplantation: Vergleich mit der absoluten Volumetrie.  Fortschr Röntgenstr. 2005;  177 516-523
• 22 Stoel B C, Stolk J. Optimization and standardization of lung densitometry in the assessment of pulmonary emphysema.  Invest Radiol. 2004;  39 681-688
• 23 Zielinski J, Bednarek M. Know the Age of Your Lung Study Group Early detection of COPD in a high-risk population using spirometric screening.  Chest. 2001;  119 731-736
• 24 Christie P. Roflumilast: A selective phosphodiesterase 4 inhibitor Drugs Today.  Barc. 2005;  41 667-675
• 25 Dirksen A, Friis M, Olesen K P. et al . Progress of emphysema in severe alpha 1-antitrypsin deficiency as assessed by annual CT.  Acta Radiol. 1997;  38 826-832
• 26 Sashidhar K, Gulati M, Gupta D. et al . Emphysema in heavy smokers with normal chest radiography Detection and quantification by HCRT.  Acta Radiol. 2002;  43 60-65
• 27 Achenbach T, Vomweg T, Heussel C P. et al . Computerunterstützte Diagnostik in der Thoraxradiologie - aktuelle Schwerpunkte und Techniken.  Fortschr Röntgenstr. 2003;  175 1471-1481
• 28 Uppaluri R, Hoffman E A, Sonka M. et al . Interstitial lung disease: A quantitative study using the adaptive multiple feature method.  Am J Respir Crit Care Med. 1999;  159 519-525
• 29 Muller N L, Staples C A, Miller R R. et al . „Density mask”. An objective method to quantitate emphysema using computed tomography.  Chest. 1988;  94 782-787
• 30 Bakker M E, Stolk J, Putter H. et al . Variability in densitometric assessment of pulmonary emphysema with computed tomography.  Invest Radiol. 2005;  40 777-783
• 31 Uppaluri R, Hoffman E A, Sonka M. et al . Computer recognition of regional lung disease patterns.  Am J Respir Crit Care Med. 1999;  160 648-654
• 32 Robbesom A A, Versteeg E M, Veerkamp J H. et al . Morphological quantification of emphysema in small human lung specimens: comparison of methods and relation with clinical data.  Mod Pathol. 2003;  16 1-7

3 Die Nachbarschaft eines Voxels beschreibt die Morphologie der zusammenhängenden, ausgewerteten Nachbarschaftsvoxel in 2D oder 3D. Die zugehörige Zahl gibt dabei an, welche Nachbarschaftsbeziehung im Raum berücksichtigt wurde [z. B. N4 = in 2D orthogonal benachbarte Voxel exkl. des zentralen Voxels, N7 = in 3D orthogonal benachbarte Voxel inkl. des zentralen Voxels, N8 = in 2D orthogonal und schräg benachbarte Voxel exkl. des zentralen Voxels, N27 = in 3D orthogonal und schräg benachbarte Voxel inkl. des zentralen Voxels] [11].

4 Die Boxplotdiagramme stellen Mediane, Maximum und Minimum (falls diese keine Ausreißer sind), das 25 %- und 75 %-Perzentile dar. Der offene Kreis repräsentiert Ausreißer mit einer Differenz zwischen dem 1,5- und 3fachen des Interquartilabstands vom Median. Sternchen repräsentieren Extremwerte mit einen Abstand von mehr als dem 3fachen des Interquartilabstands vom Median. Die unterste und die oberste horizontale Linie stellen den jeweils kleinsten und größten Messwert dar, die noch keine Ausreißer sind.

5 In den Bland-Altmann-Diagrammen sind die intraindividuellen Differenzen der jeweiligen Daten zweier Programme gegen deren Mittelwert aufgetragen. Markiert sind der Median der intraindividuellen Differenz (durchgezogene Linie) und - sofern vorhanden - die intraindividuelle Differenz von 0 (gestrichelte Linie).