gms | German Medical Science

Bei Laryngektomierten mit Stimmventilprothesen ist die Qualität der Ersatzstimme von der Schwingungscharakteristik des pharyngo-ösophagealen (PE) Segmentes abhängig [Ref. 1]. Durch Verwendung einer Hochgeschwindigkeitskamera in Verbindung mit einem starren Lupenendoskop lassen sich die zum Teil stark irregulären Bewegungen des PE-Segmentes während der Phonation visualisieren [Ref. 2]. In bisherigen Arbeiten wurden die zeitlichen Deformationen von PE-Segmenten jedoch vorwiegend subjektiv klassifiziert [Ref. 3]. Zur quantitativen Erfassung und Analyse von PE-Bewegungen wurde daher ein automatisches Bildverarbeitungsverfahren entwickelt, das aus Hochgeschwindigkeitsaufnahmen (HG-Aufnahmen) die zeitabhängigen Deformationen eines PE-Segmentes extrahiert [Ref. 4], [Ref. 5].

Im Hinblick auf eine spätere klinische Nutzung, z.B. beim Wunsch nach einer Verbesserung der Stimmqualität, soll in dieser Pilotstudie der Zusammenhang zwischen den dynamischen Eigenschaften des PE-Segmentes und dem akustischen Stimmsignal untersucht werden. Die Ergebnisse des verwendeten Bildverarbeitungsverfahrens werden dabei mit den subjektiven Bewertungen eines Expertengremiums verglichen.

In dieser Studie wurden von 12 laryngektomierten Patienten, im Alter zwischen 50 bis 68 Jahren, HG-Aufnahmen des PE-Segmentes durchgeführt. Es kamen dabei zwei Kamera-Systeme (KS) mit unterschiedlichen Auflösungen und Abtastraten zum Einsatz (KS I: Auflösung 64 x 128 Pixel, Abtastrate: 3704 Hz; KS II: Auflösung: 256 x 128 Pixel, Abtastrate: 4000 H). Simultan zu den Hochgeschwindigkeitsaufnahmen (HG-Aufnahmen) wird das abgestrahlte akustische Stimmsignal aufgezeichnet (Abtastrate I/II: 44.4 kHz, Auflösung I: 16/ bit, Auflösung II: 8 bit).

Für jede HG-Aufnahme wurde mit Hilfe der entwickelten Bildverarbeitung in 352 aufeinanderfolgenden Einzelbildern die sich zeitlich ändernde PE-Geometrie extrahiert. So konnten quantitative Informationen über die Lage, Form und Anzahl der PE-Schwingungen gewonnen und in Bezug zu dem akustischen Stimmsignal gesetzt werden.

Die segmentierten HG-Aufnahmen wurden zudem von einem sechsköpfigen Expertengremium bewertet. Die subjektiven Angaben über das Schwingungsmuster der PE-Bewegungen wurden mit den durch die Bildverarbeitung ermittelten Daten verglichen.

Die Bildverarbeitung ist in der Lage den Schwingungsverlauf der PE-Segmente in den HG-Aufnahmen erfolgreich zu verfolgen. Für zwei HG-Aufnahmen sind beispielhaft in Abbildung 1 [Abb. 1] jeweils ein segmentiertes Standbild (links), die extrahierten Frequenzen der PE-Schwingungen (Mitte) und die Frequenzen der akustischen Ersatzstimmsignale (rechts) dargestellt. Die charakteristischen Frequenzanteile der PE-Bewegung stimmen in allen HG-Aufnahmen mit denen des akustischen Stimmsignals überein.

Durch ein Expertengremium wurden anschließend aus den HG-Aufnahmen das zeitliche Schwingungsmuster der PE-Segmente bestimmt sowie die Qualität der PE-Segmentierung bewertet. Für jede HG-Aufnahme sind in Abbildung 2 (links) [Abb. 2] die durch die Bildverarbeitung ermittelte Anzahl der PE-Zyklen (PEZ-B) und die durch das Expertengremium bestimmte PE-Zyklenanzahl (PEZ-V) dargestellt. In allen Aufnahmen stimmen die subjektiven und quantitativen Auswertungen im hohen Maße überein.

Trotz dieser hohen Übereinstimmung schwankt die Bewertung der Segmentierungsergebnisse erheblich. Der Medianwert der Qualitätsbewertung (Q-S) ist für jede HG-Aufnahme rechts in Abbildung 2 [Abb. 2] aufgetragen und liegt zwischen den Werten 2 (schlecht) bis 4 (gut). Es fanden sich zudem nur äußerst geringe interindividuelle übereinstimmende Bewertungen.

Bei der Auswertung aller zwölf HG-Sequenzen zeigte sich eine Übereinstimmung zwischen der zeitlichen Änderung der extrahierten PE-Bewegung und des akustischen Stimmsignals. Durch die kombinierte Auswertung von PE-Bewegung und Stimmsignal lässt sich für jede Sequenz die Grundfrequenz der Ersatzstimme ableiten. Sie wird definiert als niedrigste dominante Frequenz, die sowohl in der PE-Bewegung als auch dem Stimmsignal vorliegt. Nach dieser Definition liegt die Grundfrequenz der Ersatzstimme für die HG-Sequenzen 3 und 8 somit bei 126 Hz bzw. 80 Hz (siehe [Abb. 1]). Der Mittelwert der ausgewerteten zwölf Sequenzen liegt bei 147 Hz mit einer Standardabweichung von 45 Hz.

Die Anzahl der durch das Expertengremium visuell bestimmten PE-Zyklen stimmt mit der Zyklenanzahl überein, die durch das Bildverarbeitungsverfahren ermittelt werden konnte. Diese Übereinstimmung als auch die hohe Korrelation zwischen PE-Bewegung und Ersatzstimmsignal belegen, dass der Bildverarbeitungsalgorithmus in der Lage ist, die für die Erzeugung der Ersatzstimme relevanten PE-Bewegungen zu extrahieren.

Obwohl nach obigen Kriterien grundsätzlich von einer ausreichend guten Segmentierungsqualität ausgegangen werden kann, treten dennoch große Unterschiede bei der Bewertung der Segmentierungsqualität auf. Diese Diskrepanz rührt daher, dass jeder Betrachter individuell entscheidet, welche PE-Bewegungen in einer HG-Sequenz für die Stimmgebung relevant erscheinen. Eine subjektive Bewertung der HG-Aufnahmen von PE-Segmenten, die darauf abzielt Schwingungsmuster zu klassifizieren, ist somit stets einer hohen Inter-Rater-Variabilität unterworfen.

Nach den Daten dieser Studie wird die Pathophysiologie der tracheoösophagealen Ersatzstimme durch den vorgestellten Analysevorgang auch für klinische Zwecke sinnvoll abgebildet. Die Bildverarbeitung stellt somit ein wichtiges Werkzeug zur Verfügung, mit dem eine Bewertung von HG-Aufnahmen von PE-Segmenten nach einheitlichen Kriterien quantitative und reproduzierbar durchgeführt werden kann.