gms | German Medical Science

53. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (GMDS)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

15. bis 18.09.2008, Stuttgart

Robuste physikalisch motivierte Modellierung der Zeit-Intensitätskurve bei Bolusgabe von Kontrastmitteln

Meeting Abstract

  • Adam Maciak - Institut für Neuroradiologie, Klinikum der Johannes Gutenberg-Universität Mainz, Mainz, Deutschland
  • Andrea Kronfeld - Institut für Neuroradiologie, Klinikum der Johannes Gutenberg-Universität Mainz, Mainz, Deutschland
  • Goran Vucurevic - Institut für Neuroradiologie, Klinikum der Johannes Gutenberg-Universität Mainz, Mainz, Deutschland
  • Günter Seidel - Klinik für Neurologie, Universitätskrankenhaus Schleswig-Holstein, Lübeck, Deutschland
  • Toni Vomweg - CADMEI Medizintechnik GmbH, Ingelheim, Deutschland
  • Peter Stoeter - Institut für Neuroradiologie, Klinikum der Johannes Gutenberg-Universität Mainz, Mainz, Deutschland

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. 53. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds). Stuttgart, 15.-19.09.2008. Düsseldorf: German Medical Science GMS Publishing House; 2008. DocMI6-2

Die elektronische Version dieses Artikels ist vollständig und ist verfügbar unter: http://www.egms.de/de/meetings/gmds2008/08gmds129.shtml

Veröffentlicht: 10. September 2008

© 2008 Maciak et al.
Dieser Artikel ist ein Open Access-Artikel und steht unter den Creative Commons Lizenzbedingungen (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.de). Er darf vervielf&aauml;ltigt, verbreitet und &oauml;ffentlich zug&aauml;nglich gemacht werden, vorausgesetzt dass Autor und Quelle genannt werden.


Gliederung

Text

Einleitung und Ziel

Bildgebende Verfahren stützen sich zunehmend auf Kontrastmittel zur Darstellung pathologischer oder physiologischer Strukturen. Hierbei hat sich in vielen Bereichen die Untersuchung der Zeit-Intensitätskurven als hilfreich und zum Teil unabdingbar herausgestellt. Dabei implizieren unterschiedliche Anwendungsgebiete unterschiedliche Modelle zur Darstellung des Kontrastmittelverhaltens, da zum Einen verschiedene Parameter aus den Zeit-Intensitätskurven extrahiert werden und zum anderen die Zeit-Intensitätskurve über die Zeit hinweg bezüglich des Rauschens sinnvoll geglättet wird [1], [2], [3].

Für die dynamische MRT der Brust werden einfache lineare Interpolationen bis zu 2-Kompartimentmodellen [4], [5], [6] genutzt, während die dynamische MRT des Gehirns sich auf 2 bis 4 Kompartimentmodelle nach [7], [8], [9] stützt. Hierbei ist auch zu unterscheiden, ob ein Modell die Signalintensität oder die Kontrastmittelkonzentration widergibt. Besonders für die Beschreibung der Kontrastmittelkinetik im Gehirn sind verschiedene Modellierungsansätzte plausibel und in Anwendung, je nachdem ob die Perfusion oder die Anreicherung von KM in Läsionen beschrieben werden soll [10], [11], [12]. Ähnliche Modelle finden auch Anwendung in Perfusion-CT [13], [14] oder der kontrastmittelbasierten Ultraschallbildgebung [15].

Nachfolgend zeigen wir ein rein physikalisches Modell zur Darstellung der Kinetik einer Bolusapplikation von Kontrastmitteln, welche sowohl für die Beschreibung einer schnellen Perfusion, wie auch für die Darstellung einer langsam anreichernden Läsion geeignet ist. Auf Grund seines allgemeinen und physikalisch motivierten Ansatzes ist dieses Modell für die Beschreibung unterschiedlicher Kontrastmittel bei unterschiedlichen Bildgebenden Verfahren einsetzbar. Darüber hinaus glättet das Modell den tatsächlich gemessenen Zeit-Intensitätsverlauf in sinnvoller Weise. Im Gegensatz zu pharmakokinetischen Kompartimentmodellen stützt sich dieses Modell nicht auf intravasales Verhalten, renale Auscheidungsraten oder diffusionsbedingte Wechselwirkungen verschiedener Kompartiment. Die Modellierung geht rein datengetrieben von der gemessenen Zeit-Intensitätskurve aus und setzt einen logistischen Anstieg und einen Auswaschvorgang vorraus. Durch diese Minimalvorraussetzungen wird eine adequate Wiedergabe des Kontrastmittel-Bolus auch bei einem numerischen Optimierungsverfahren gewährleistet.

Material und Methoden

Je nach Bildgebendem Verfahren und notwendiger Vorverarbeitung werden die Zeit-Intensitätswerte extrahiert für jede Koordinate Punktweise betrachtet. An die Zeit-Intensitätswerte kann das nachfolgende beschriebene physikalische Modell mit einem Optimierungsverfahren (z.B. Least Squares Fit nach Gauss-Newton oder Levenberg-Marquardt) derart angepasst, dass der quadratische Fehler minimal wird. Anschließend können verschiedene Parameter analytisch aus der angepassten Funktion ermittelt werden.

Das hierbei beschriebene Modell zeigt einen logistischen Anstieg und einen exponentiellen Abfall

Formel 1

Hierbei bezeichnet ƒ(t) die Signalintensität als Funktion über die Zeit. Mit α0 wird die Baseline Intensität bezeichnet. Der Bolusanstieg des KM liefert die logistische Funktion

Formel 2

mit α3 als durchschnittliche Steigung und t 0 als zeitliche Verschiebung zum Beginn der Steigung. Der UKM Signalabfall wird über

Formel 3

angegeben. Mit α2 wird die Halbwertzeit und mit α1 die Sättigung des UKM im Plasma bezeichnet.

Nach Bestimmung der Ableitung und einer Kurvendiskussion kann der Peak (PI), die Zeit bis zum erreichen des Peaks (TTP), Fläche unter der Kurve (Flussvolumen, BV, AUC), mittlere Verweildauer des Bolus (MTT) u.a. analytisch bestimmt werden.

Formel 4

Beispielhaft ist hier die Time To Peak angegeben:

Formel 5

Dazu werden die freien Parameter des Modells mit einer Optimierungsmethode (Levenberg-Marquardt) an die gemessenen Daten (2D+t, 3D+t) so angepasst, dass das globale Fehlerkriterium (Kleinste-Quadrate Fehler) minimal wird.

Ergebnisse

Das Verfahren wurde in drei unterschiedlichen Einsatzgebieten validiert. Zum einen auf transkraniellen Ultraschallbilddaten, anhand dieser Perfusiondefekte bestimmt werden konnten. Die Schwierigkeit bei diesem Anwendungsgebiet was das stark verrauschte B-Bild Signal, welches zudem durch die Schädelkalotte passieren musste (Abbildung 1 [Abb. 1]).

Zum zweiten konnte dieses Modell an der Dynamischen MRT der Brust zur Extraktion der Kontrastmittelaufnahme in Brustläsionen erfolgreich eingesetzt werden (Abbildung 2 [Abb. 2]). Hierbei war die geringe Menge an Stützstellen das erschwerende Maß, sowie die sehr unterschiedlichen Typen von KM-Anreicherungen.

Zum dritten konnte das Modell in der Vermessung der Myokardperfusion mit der MRT getestet werden. Die Herztätigkeit war hierbei die Schwierigkeit. Zum Zeitpunkt der Einreichung dieser Publikation standen den Autoren noch keine Bilddaten zur Verfügung.

Diskussion

In allen drei Verfahren erwies sich das vorgestellte Modell als robust und einfach zu handhaben. Die universelle Einsetzbarkeit sowohl in der Perfusionsbildgebung, als auch im Bolus Tracking oder Enhancement Messung ist ein großer Vorteil des Modells. Darüber hinaus müssen keine Daten über das KM oder einwirkende Kompartimente bekannt sein, da die Modellierung rein physikalisch motiviert ist. Für Glättung der Zeit-Intensitätsverlaufs ist diese Modell besonders gut geeignet.

Zur Quantifizierung der Kontrastmittelkonzentration im Gewebe eignet sich dieses Modell nicht. Hierzu müsste der Zufluss des Kontrastmittels in die Modellierung miteingehen, was die Komplexität deutlich erhöhen würde. Die Quantifizierung wird von den Autoren dennoch als sinnvolle Erweiterung dieses bisher einfachen Modells erachtet.


Literatur

1.
Weinmann HJ, Gries H, Speck U. Contrast Agents. In: Hg. Klaus Sartor. MR Imaging of the Skull and Brain. Berlin New York: Springer, 1992. - ISBN 038752293X.
2.
Brix G, Semmler W, Port R, Schad LR, Layer G, Lorenz WJ. Pharmacokinetic parameters in CNS Gd-DTPA enhanced MR imaging. Journal of Computer Assisted Tomography 1991; 15: 621-28.
3.
Wagner JG. Pharmacokinetiks for the Pharmaceutical Scientist. Technomic Publishing Co., Lancester, Basel,1ed., 1993. - ISBN 1566760321.
4.
Kuhl CK, Mielcareck P, Klaschnik S, Leutner C, Gieseka J, Schild HH. Dynamic Breast MR Imaging: Are Signal Intensity Time Course Data Useful for Differential Diagnosis of Enhancing Lesions? Radiology 1999; 211: 101-110.
5.
Knopp MV, Bourne MW, Sardanelli F, Wasser MN, Bonomo L, Boetes C, Müller-Schimpfle M, Hall-Craggs MA, Hamm B, Orlacchio A, Bartolozzi C, Kessler M, Fischer U. Gadobenate Dimeglumine-Enhanced MRI of the Breast: Analysis of Dose Response and Comparison with Gadopentetate Dimeglumine. American Roentgen Ray Society. April-May 2002 2002: 181 Atlanta: 663-676.
6.
Maciak AMD, Keszler T, Faber H, Rösler T, Buscema M, Mattiuzzi M, Vomweg TW. Vollautomatische Detektion und Diagnose des Mammakarzinoms in der dynamischen Brust-MRT. In: Kongress Medizin und Gesellschaft 2007. Augsburg, 17.-21.09.2007. Düsseldorf: German Medical Science GMS Publishing House; 2007. Doc 07gmds253. Externer Link
7.
Tofts PS. Quantitative MRI of the Brain. Wiley & Sons, 2003. - ISBN 0470847212.
8.
Patlak CS, Balsberg RG, Fernstmacher JD. Graphical evaluation of blood to brain transfer constants from multiple time uptake data. J Cereb Blood Flow Metab. 1983; 3: 1-7
9.
Law M, Young R, Babb J, Rad M, Sasaki T, Zagzag D, Johnson G. Comparing perfusion metrics obtained from a single compartment versus pharmacokinetic modelling methods using dynamic susceptibility contrast-enhanced perfusion MR imaging with glioma grade. Am J Neuroradiol 2000;27:1975-1982
10.
Brix G, Bahner ML, Hoffmann U, Horvath A, Schreiber W. Regional Blood Flow, Capillary Permeability, and Compartmental Volumes: Measurement with Dynamic CT - Initial Experience. Radiology 1999;210: 269-276
11.
Srikanchana R, Thomasson D, Choyke P, Dwyer A. A Comparison of Pharmacokinetic Models of Dynamic Contrast Enhanced MRI. In: 17th IEEE Symposium on Computer Based Medical Systems. 2004: Proceedings.
12.
Vijayakumar S, DiBella VE. Evaluation of Three Different Kinetic Models for Use with Myocardial Perfusion MRI Data. In: Proceedings of the 26th Annual International Conference of the IEEE EMBS. September 1-5, 2004 2004: 4 San Francisco, CA, USA: 1922-1924.
13.
Kan Z, Phongkitkarun S, Kobayashi S, Tang Y, Ellis LM, Lee TY, Charnsangavej C. Functional CT for quantifying tumor perfusion in antiangiogenic therapy in a rat model. Radiology. 2005;237:151-158. PMID: 16183931
14.
Lee TY, Purdie TG, Stewart E. CT imaging of angiogenesis. Q J Nucl Med. 2003; 41: 171-187.
15.
Maciak A, Kier C, Seidel G, Meyer-Wiethe K, Hofmann UG. Automatische Erkennung von Ischämien mit Bolus Harmonic Imaging. In: Bildverarbeitung für die Medizin 2007. 25-27 März 2007 München: Springer-Verlag ISBN: 3540710905: 81-86.