Ad multos annos

 

 Buy Article Permissions and Reprints

Was ist Texturanalyse? Eine Geheimsprache klinikferner Ultraschallphysiker? Ein Tummelfeld für Freaks? Ein Habilomat für ehrgeizige Akademiker? Bis zu den Anfängen der Ultraschalldiagnostik datieren bereits die Bemühungen, eine Diagnose durch Daten aus der Bildstruktur oder des HF-Signals zu unterstützen [1] [2] [3] [4] [5] [6] [7] [8] [9] [10], werden wieder vergessen, erfahren eine Renaissance [11] [12]. Alte Hoffnungen werden wiederbelebt, alte Irrwege auch. Was ist dran?

Neben der Beurteilung „makroskopischer” sonographischer Kriterien wie z. B. Organgröße und -form gehört auch eine Einschätzung der Ultraschalltextur eines Organs oder einer pathologischen Veränderung zur Ultraschalluntersuchung. In der Leber wäre dies z. B. ihr charakteristisches „Salz- und Pfeffer-Muster”. Texturkriterien gehen durchaus in die Diagnose ein, indem der Untersucher sie subjektiv abschätzt. So kennzeichnen z. B. eine starke Helligkeit die Fettleber oder hohe Inhomogenität und Kontraste eine Leberzirrhose.

Die Texturanalyse wird meist auf anatomisch homogene Ausschnitte aus Ultraschallbildern von Weichteilen angewendet. Das empfangene Ultraschallsignal, das als Basis zum Aufbau des Ultraschall-B-Bildes dient, ist das Resultat komplexer Wechselwirkungen (Reflexion, Absorption, Streuung) des Gewebes mit dem eingesendeten Signal. Die Wirkung all dieser Prozesse spiegelt sich in dem resultierenden B-Bild wider. Dieses erhält dadurch eine extrem komplexe Informationsstruktur, deren klare Interpretation dem Untersucher oft deutliche Schwierigkeiten bereitet. Es setzt sich aus vielen, irregulär angeordneten hellen oder dunklen Flecken („Speckles”) zusammen, deren Charakteristika und Anordnung ( = Textur) vom untersuchten Organ, dem durchschallten Medium (z. B. der Bauchwand), dem Gerät und seiner Einstellung sowie von zufälligen Faktoren abhängen. Mit Hilfe geeigneter Programme lässt sich die Textur nun am digitalisierten Bild quantitativ durch eine Vielzahl von Parametern beschreiben [13]. Geht man noch einen Schritt weiter, greift man auf das Hochfrequenzsignal zurück, dessen Informationsgehalt naturgemäß höher ist. Die modernen Ultraschallgeräte gleichen indes elektronischen Hochsicherheitstrakten; ein Zugriff auf das HF-Signal wird durch die Hersteller eigentlich keinem mehr gewährt.

Die Fähigkeit des Untersuchers, Unterschiede in der Textur verschiedener Bilder zu erkennen, darf übrigens nicht unterschätzt werden. Mehr noch: Wo ein Untersucher im direkten Vergleich zweier Bilder keinen Unterschied sieht, wird auch eine computergestützte Analyse wenig zusätzliche Information liefern können. Der Beitrag rechnergestützter Verfahren liegt vielmehr in ihrem besseren „Gedächtnis”, vor allem im longitudinalen Vergleich, ihrer „Objektivität”, ihrer „Schnelligkeit” und ihrer „Gründlichkeit”. Die Nachteile der für die Texturanalyse eingesetzten rechnergestützten Systeme sind ihre mangelnde „Flexibilität” (es sind streng standardisierte Aufnahmebedingungen erforderlich) und ihre „Dummheit”, nämlich die Unfähigkeit, anatomische Strukturen und Artefakte zu erkennen und zu bewerten.

Zur Beschreibung einer Textur sind als visuelle Kriterien Bildhelligkeit, Kontrast, Körnigkeit und Homogenität empfohlen worden [14]. Die statistischen Pendants lassen sich grob in vier Gruppen einteilen [7] [15]. Die Grauwertstatistiken der ersten Ordnung geben weitgehend die Bildhelligkeit wieder. Gradientenstatistiken der ersten Ordnung liefern Parameter, die den lokalen Kontrast beschreiben, sowie Kanten zwischen hellen und dunklen Pixeln. Dies wird mit dem Begriff „Mikrostruktur” umschrieben. Die Statistiken aus der Grauwertabhängigkeitsmatrix beschreiben ebenfalls die Mikrostruktur, aber auch grobkörnige Texturen und teilweise die Homogenität. Diese Aspekte werden als „Makrostruktur” bezeichnet. Die Verlaufslängenstatistiken schließlich beschreiben hauptsächlich die Homogenität und damit einen weiteren Aspekt der Makrostruktur. Hinzu kommen weitere Parameter, wie z. B. fraktale Dimension u. a. [16]. Der Zusammenhang zwischen visuellen und statistischen Parametern ist in histopathologisch kontrollierten Studien untersucht worden.

Trotz intensiver Untersuchungen in vivo und am Präparat, an Leber, Schilddrüse und Lymphknoten [7] [16] [17] [18] [19] [20] [21] [22] [23] [24] stehen verschiedene Limitationen einem prospektiven, klinischen Einsatz im Wege. Zunächst erfordert der Ansatz streng konstante Untersuchungsbedingungen, so dass keine Möglichkeit besteht, am Patienten die Einstellungen anzupassen. Die variable Lage der abgebildeten Struktur (z. B. in der Leber) oder konstitutionelle Faktoren wie z. B. die Zusammensetzung der Bauchwand stellen Einflussgrößen dar, deren Auswirkung nicht vorhersehbar ist. Der Einfluss des Gerätetyps ist so groß, dass für jedes Modell Referenzdaten erstellt werden müssten [25]. Eine nachträgliche Adaptation ist methodisch außerordentlich schwierig.

Bei der Durchsicht mancher neuerer Artikel zur sonographischen Gewebedifferenzierung fällt leider auf, dass offenbar die Autoren Arbeiten aus den vergangenen 30 Jahren nicht gelesen haben, die zu Recht als Meilensteine auf diesem Gebiet gelten dürfen. Hierdurch hätten sie die Fehler nicht noch einmal zu machen brauchen, die andere vor ihnen bereits „abgearbeitet” haben. So verleitet die Vielzahl der verfügbaren Parameter schnell zum statistischen „Overkill”. Hätten die Autoren als Leitlinie zu einer „Parameter-Hygiene” die Foley-Kriterien berücksichtigt, nach denen die Zahl der Parameter nicht größer sein darf als ein Drittel der Zahl der Patienten in der kleinsten der zu vergleichenden Stichproben [26], wäre der Unsinn abzuwenden gewesen. Leider wird viel Schindluder getrieben: Bei sieben versus neun Patienten wird mit Hilfe von zehn Parametern eine Treffsicherheit von 100 % erzielt (ohne Zitat). Bei einer retrospektiven Diskriminanzanalyse kann nichts anderes herauskommen. Bis zu zwei Parameter wären erlaubt gewesen. Ganz ungeachtet der vertanen Arbeit sind diese Publikationen schädlich, denn sie bringen eine an sich seriöse Methode in Misskredit. Im Übrigen ist es für den Einsteiger unerlässlich, sachkundige, statistische Hilfe in Anspruch zu nehmen. Denn aus einem Bild Texturparameter zu berechnen, ist eines - dafür gibt es inzwischen kommerzielle Software. Aus der Vielzahl vom Programm produzierter Daten aber redundante Parameter zu eliminieren und den dann verbliebenen Satz auf eine Handvoll valider Kriterien zu kürzen, ist etwas anderes.

Nicht unterschätzt werden darf das Misstrauen der Diagnostiker gegenüber einer solch abstrakten Analyse - die Autoren sind nicht ausgenommen. Die Diagnose wird auch künftig eher mit Hilfe des „zerebralen Texturrechners” erfolgen. Gleichwohl bleiben computergestützte Methoden ein hervorragendes Mittel, um zu überprüfen, ob vermeintliche Unterschiede in der Organtextur bei verschiedenen Erkrankungen (z. B. Echoarmut der Schilddrüse bei Immunhyperthyreose) auf Legende oder Realität beruhen, also, ob das visuelle Kriterium tragfähig ist. Sehr schön wird dies in der Arbeit von Pohle, Fischer und von Rohden in diesem Heft gezeigt, in dem sie, ausgehend vom Eindruck des Diagnostikers aus seiner täglichen Arbeit, dass der kranke Muskel in der Sonographie „anders” aussieht, dies mittels Texturanalyse objektiviert haben. Hätten sie allein ihren visuellen Eindruck angeführt, wäre ihre Hypothese auf Sand gebaut geblieben. Ob sie künftig den Rechner neben dem Schallgerät stehen haben werden, kann man bezweifeln - unzweifelhaft ist aber, dass sie und die Leser, wie viele andere zuvor, durch die Texturanalyse viel über den Ultraschall gelernt haben.

Jüngeren Datums ist die Farbdoppler-Bildanalyse. Sie resultiert aus dem Bemühen, quantitative Daten auch dann zu erhalten, wenn nicht ein einzelnes Gefäß vorliegt, das durch eine winkelkorrigierte Spektraldopplermessung erfasst werden kann, sondern eine Vielzahl irregulär verlaufender Gefäße - insbesondere in Tumoren. Wie in der Grauwert-Bildanalyse wird zunächst das Bild mittels einer Digitalisierkarte auf den Rechner geladen. Für die Quantifizierung stehen zunächst die Häufigkeit farbiger Pixel in einer Region of Interest und die statistische Verteilung der Farbtöne als Ausdruck der Flussgeschwindigkeiten zur Verfügung. Letztere kann am einfachsten durch einen Mittel- oder Medianwert ausgedrückt werden. Diese „einfachen” Parameter sind am sinnvollsten, angesichts der Vielzahl an schwer kontrollierbaren Einflussgrößen wie Absorption, Winkelfehler, begrenzte zeitliche Abtastung des Pulszyklus sowie geräteinterner Bildinterpolation [27]. Vom Einfluss des Untersuchers bei der Wahl der aufgezeichneten Schnittebene gar nicht zu reden. Die Statistik erster Ordnung aus dem Farbhistogramm stellt eine Reihe weiterer Parameter bereit, wie z. B. Quantilen, Schiefe u. v. a. m. Ob diese in Anbetracht der genannten Einflussgrößen sinnvoll sind, kann bezweifelt werden. Geeignete Auswerteprogramme sind teils in London und in Heidelberg entwickelt worden [28] [29] [30], teils sind sie inzwischen in vereinfachten Versionen kommerziell als Auswertesoftware oder als Funktion auf einer Ultraschallplattform erhältlich.

Die Erfahrungen mit der computergestützten, quantitativen Farbdopplersonographie beziehen sich vor allem auf Untersuchungen bei Mammatumoren [29] [31]. Aber auch hier, wie bei verwandten Fragestellungen, darf man wie bei der Texturanalyse bezweifeln, ob der Diagnostiker sich - auch teilweise - von einem Zahlenwert leiten lassen wird, den ihm der Computer liefert. Aber diese Untersuchungen haben wiederum zeigen können, inwieweit den Berichten in der Literatur, die auf visuellen Beurteilungen beruhten, eine objektivierbare Basis zugrunde liegt, und wo Grenzen liegen.

Eine klare Domäne objektiver, quantitativer Verfahren liegt dort, wo die Grenzen visueller Beurteilung liegen, nämlich in der Verlaufsbeobachtung. Dies können z. B. Veränderungen der Durchblutung eines Tumors unter Chemotherapie sein, die sonst nur mühsam durch den Vergleich von Videobändern erkennbar sind [32], oder das „An- und Abfluten” eines Ultraschallkontrastmittels nach intravenöser Injektion [33].

Von den früheren Vorstellungen von einem Expertensystem, in das neben Organgrößen, Laborparametern, „harten” morphologischen Befunden wie das Vorhandensein eines Tumors, und Anamnese, auch quantitative, direkt aus dem Ultraschallbild extrahierte Daten einfließen, von Systemen, die eine Liste von Diagnosen ausgeben, sortiert nach Häufigkeit, spricht heute keiner mehr. Doch das Instrumentarium ist vorhanden, und mit ihm Erfahrung aus mehr als zwanzig Jahren. Wann immer die Rolle visueller, abschätzender Kriterien untersucht wird, in der B-Bild- wie in der Farbdopplersonographie, wird man auch künftig an objektiven, quantifizierenden Methoden nicht vorbeikommen.

1 Herrn Prof. Dr. Gerhard van Kaick zum 65. Geburtstag gewidmet.

Literatur

• 1 Mountford R A, Wells P NT. Ultrasonic liver scanning: the A-scan in the normal and cirrhosis.  Phys Med Biol. 1972;  17 261-269
  CrossrefPubMedGoogle Scholar
• 2 Bamber J C, Hill C R. Ultrasonic attenuation and propagation speed in mammalian tissues as a function of temperature.  Ultrasound Med Biol. 1979;  5 149-157
  CrossrefPubMedGoogle Scholar
• 3 Haralick R M. Statistical and structural approaches to texture.  Proc IEEE. 1979;  67 786-804
  PubMedGoogle Scholar
• 4 Chivers R C. Tissue characterization.  Ultrasound Med Biol. 1981;  7 1-20
  CrossrefPubMedGoogle Scholar
• 5 Parker K J. Ultrasonic attenuation and absorption in liver tissue.  Ultrasound Med Biol. 1983;  9 363-369
  CrossrefPubMedGoogle Scholar
• 6 Kuc R. Estimating reflected ultrasound spectra from quantized signals.  IEEE Trans Biomed Eng. 1985;  32 105-112
  PubMedGoogle Scholar
• 7 Räth U, Schlaps D, Limberg B, Zuna I, Lorenz A, van Kaick G, Lorenz W H, Kommerell B. Diagnostic accuracy of computerized B-scan texture analysis and conventional ultrasonography in diffuse parenchymal and malignant liver disease.  J Clin Ultrasound. 1985;  13 87-99
  PubMedGoogle Scholar
• 8 Nicholas D, Nassiri D K, Garbutt P, Hill C R. Tissue characterization from ultrasound B-scan data.  Ultrasound Med Biol. 1986;  12 135-143
  CrossrefPubMedGoogle Scholar
• 9 Thijjsen J M. Ultrasonic tissue characterization and echographic imaging.  Med Prog Technol. 1987;  13 29-46
  PubMedGoogle Scholar
• 10 Zuna I. Computerized ultrasonic tissue characterization: methods and clinical use. In: Lemke HU (Hrsg) Computer Assisted Radiology. Berlin; Springer 1987: 155-163
  Google Scholar
• 11 Bleck J S, Gebel M, Manns M P. Quantitative Sonographie. Bedeutung und Perspektiven.  Internist Berl. 2000;  41 10-16
  CrossrefPubMedGoogle Scholar
• 12 Bleck J S, Gebel M, Hebel R, Wagner S, Schmidt K, Kruip S, Westhoff B M, Wolf M, Thiesemann C, Manns M. Tissue characterization using intelligent adaptive filter in the diagnosis of diffuse and focal liver disease.  Ultrasound Med Biol. 1994;  20 521-528
  CrossrefPubMedGoogle Scholar
• 13 Delorme S, Zuna I. Quantitative Auswerteverfahren in der Sonographie.  Ultraschall Klin Prax. 1995;  10 50-61
  PubMedGoogle Scholar
• 14 Bönhof J A. Richtig benennen - besser erkennen. Ein Beitrag zur Terminologie der Sonogrammbeschreibung.  Ultraschall Klin Prax. 1987;  2 178-184
  PubMedGoogle Scholar
• 15 Schlaps D, Zuna I, Walz M, Volk J F, Räth U, Lorenz A, van Kaick G, Lorenz W J. Ultrasonic tissue characterisation by analysis: elimination of tissue-independent factors.  In: Ferrari LA (Hrsg) Proceedings of SPIE - The International Society for Optical Engineering. Vol 768: International symposium on pattern recognition and acoustical imaging. 1987: 128-134
  Google Scholar
• 16 Zahlten C, Evertsz C JG, Peitgen H O, Zuna I, Delorme S, van Kaick G. Fraktale in der Analyse von Ultraschallbildern der Leber. In: Pöppl SJ (Hrsg) Mustererkennung 1993. Heidelberg; Springer 1993: 150-157
  Google Scholar
• 17 Layer G, Zuna I, Lorenz A, Zerban H, Haberkorn U, Bannasch P, van Kaick G, Räth U. Computerized ultrasound B-scan texture analysis of experimental diffuse parenchymal liver disease: correlation with histopathology and tissue composition.  J Clin Ultrasound. 1991;  19 193-201
  PubMedGoogle Scholar
• 18 Räth U. Morphologische Grundlagen der Lebersonographie. Habil Schr Med Fakultät Univ Heidelberg. Heidelberg; 1988
  Google Scholar
• 19 Haberkorn U, Zuna I, Lorenz A, Zerban H, Layer G, van Kaick G, Räth U. Echographic tissue characterisation in diffuse parenchymal liver disease.  Ultrason Imaging. 1990;  12 155-170
  PubMedGoogle Scholar
• 20 Hirning T, Zuna I, Schlaps D, Lorenz D, Meybier H, Tschahargane C, van Kaick G. Quantification and classification of echographic findings in the thyroid gland by computerized B-mode texture analysis.  Eur J Radiol. 1989;  9 244-247
  PubMedGoogle Scholar
• 21 Reinert S. Sonographische Klassifikation vergrößerter Halslymphknoten durch rechnergestützte B-Scan-Texturanalyse und Farbdoppler-Bildanalyse. Düsseldorf; Habil Schr Med Fak. 1993
  Google Scholar
• 22 Glaser F, Layer G, van Kaick G, Schlag P, Herfarth C. Präoperative Beurteilung pararektaler Lymphknoten durch Ultraschall.  Chirurg. 1990;  61 587-591
  PubMedGoogle Scholar
• 23 Sommer G, Stern R, Chen H S. Cirrhosis: US images with narrow band filtering.  Radiology. 1987;  165 425-430
  PubMedGoogle Scholar
• 24 Sommer G, Stern R, Howes P J, Young H. Envelope amplitude analysis following narrow-band filtering: a technique for ultrasonic tissue characterization.  Med Phys. 1987;  14 627-632
  CrossrefPubMedGoogle Scholar
• 25 Kauczor H U, Fein M, Zuna I, Delorme S, Suhm N, Knopp M V, van Kaick G. Texture analysis of B-scan images: transferability between different ultrasound scanners. In: Ermert H, Harjes HP (Hrsg) Acoustical Imaging. New York; Plenum Press 1992: 393-397
  Google Scholar
• 26 Foley D H. Consideration of sample and feature size.  IEEE Trans Inf Theory. 1972;  18 618-626
  CrossrefPubMedGoogle Scholar
• 27 Delorme S, Weisser G, Zuna I, Fein M, Lorenz A, Lorenz W J, van Kaick G. Quantitative characterization of color Doppler images: reproducibility, accuracy and limitations.  J Clin Ultrasound. 1995;  23 537-550
  PubMedGoogle Scholar
• 28 Fein M, Delorme S, Weisser G, Zuna I, van Kaick G. Quantification of color Doppler for the evaluation of tissue vascularisation.  Ultrasound Med Biol. 1995;  21 1013-1019
  CrossrefPubMedGoogle Scholar
• 29 Kedar R P, Cosgrove D O, Bamber J C, Bell D S. Automated quantification of color Doppler signals: a preliminary study in breast tumors.  Radiology. 1995;  197 39-43
  PubMedGoogle Scholar
• 30 Delorme S. Beurteilung der Tumorvaskularisation mit der quantitativen Farbdopplersonographie. Heidelberg; Habil Schr Med Fak Univ 1998
  Google Scholar
• 31 Huber S, Delorme S, Knopp M V, Junkermann H, Zuna I, von Fournier D, van Kaick G. Breast tumors: computer-assisted quantitative assessment with color Doppler US.  Radiology. 1994;  192 797-801
  PubMedGoogle Scholar
• 32 Kedar R P, Cosgrove D O, Smith I E, Mansi J L, Bamber J C. Breast carcinoma: measurement of tumor response to primary medical therapy with color Doppler flow imaging.  Radiology. 1994;  190 825-830
  PubMedGoogle Scholar
• 33 Huber S, Helbich T, Kettenbach J, Dock W, Zuna I, Delorme S. Effects of a microbubble contrast agent on breast tumors: computer-assisted quantitative assessment with color Doppler US - Early experience.  Radiology. 1998;  208 485-489
  PubMedGoogle Scholar

1 Herrn Prof. Dr. Gerhard van Kaick zum 65. Geburtstag gewidmet.

Priv.-Doz. Dr. med. Stefan  Delorme

Deutsches Krebsforschungszentrum Abteilung Onkologische Diagnostik und Therapie

Im Neuenheimer Feld 280 69120 Heidelberg