Elastografie

Elastografie je metodou neinvazivního měření tuhosti (elasticity) tkáně. Rozlišujeme dvě základní elastografické modality – strain a shear wave elastografii. V oblasti LUS se navíc objevují první práce pojednávající o tzv. surface wave elastografii.

 

Strain elastografie (SE) je pozorováním deformace tkáně při tlaku UZ sondou. Přístroj vyhodnocuje posun jednotlivých bodů obrazu vůči sobě a kvantifikuje změny jejich vzdálenosti během komprese tkáně. Vzniká pak barevná mapa překrývající 2D obraz B-mode ukazující na poddajnost (kompresibilitu) či naopak tuhost (nekompresibilitu) jednotlivých struktur v UZ obrazu. Dokáže tedy detekovat ložiska vyšší tuhosti v tkáni i přes minimální či nedetekovatelné rozdíly v jejich struktuře v B-obraze. V případě ložisek pak dokáže kvantifikovat jejich tuhost, a právě zvýšená tuhost je často spojena s maligními procesy oproti poddajným benigním afekcím. V oblasti hrudníku při vyšetření tkání schovaných za žebry je však přenos tlaku sondy na vyšetřované struktury limitovaný a SE lze použít pouze omezeně, např. použitím UZ sondy s malým otiskem umístěnou paralelně do mezižeberního prostoru s tlakem zcela mimo žebra. Výsledky vyšetření jsou semikvantitativní, protože tlak vyvinutý UZ sondou není přesně standardizován a konstantní.

Zajímavostí je studie Adamietz et al., kteří dokázali pomocí SE zobrazit metastatická ložiska uložené blízko povrchu plic (v průměru 1.5 cm), která ale nenaléhala na pleuru, byla od ní oddělena vzdušným parenchymem a pro konvenční sonografii v B-mode neviditelná(1). Metoda tedy zřejmě umožňuje nahlédnout ,,pod pokličku,, avšak s níže uvedenými riziky poranění povrchově uložené plicní tkáně.

 

Shear wave elastografie (SWE)

SWE kvantifikuje vznik a šíření tzv. příčných vln. Příčné vlny vznikají při rozkmitání solidních tkáňových struktur a šíří se do stran v kolmém směru na směr dopadu UZ vlnění. Jejich rychlosti se pohybují v řádech metrů za sekundu. Sledováním detailů struktury tkáně při vysoké zobrazovací frekvenci a dostatečném prostorovém rozlišení jsou softwarové algoritmy UZ přístrojů schopny tyto příčné vlny v detekovat a kvantifikovat. Rychlejší šíření odpovídá tkáním o vyšší tuhosti (elasticitě). Barevná mapa elasticity tkáně je opět interponována do 2D obrazu B-mode (tzv. 2D-SWE), popřípadě je pouze vyhodnocována jedna hodnota tuhosti tkáně v rámci bodu zájmu (ROI) – tzv. point-SWE (p-SWE).

Obě metody SWE vyžadují vyslání krátkého impulzu mechanické energie UZ sondou do tkáně, která vede ke vzniku detekovatelných příčných vln (tzv. acoustic radiation force impulses, ARFIs). Tato mechanická energie je vyšší intenzity, než jsou běžně používané intenzity UZ pulzů během konvenčního či Dopplerovského zobrazení, 2D-SWE dokonce využívá více pulzů než p-SWE. V plicní tkání mohou být tyto energie spojeny s poškozením zdravého plicního parenchymu (plicní kapilární hemorhagie)(2). Tvorba hemorrhagií byla nižší při UPV s použitím PEEP, použití SWE však zatím není v LUS doporučeno.

 

Surface wave elastografie (LU-SWE)

LU-SWE je metoda schopna kvantitativně změřit elastické vlastnosti povrchu plic, a to stanovením rychlosti šíření povrchové příčné vlny, která je signifikantně vyšší u méně poddajných plic postižených ILD oproti zdravé tkáni(3). Měření je prováděno sledováním šíření této povrchové vlny mechanického vlnění emitované generátorem energie přiloženým těsně vedle UZ sondy v zadrženém hlubokém nádechu. Mechanická energie je nižší než u ARFIs a neměla by vézt k traumatizaci plicní tkáně. Tužší plicní tkáň vede tyto vibrace po svém povrchu do stran rychleji než zdravá plicní tkáň. Vrstva tekutiny okolo fantomu plíce (imitující minimální lem fluidothoraxu) nemá v experimentu vliv na rychlost šíření povrchové vlny(4). Na svou integraci do klinické praxe tato metoda zatím čeká. První práce však ukazují na korelaci mezi tíží postižení u ILD a rychlostí šíření povrchové vlny(5). LU-SWE již experimentálně ukázala i možnost detekce a kvantifikace změn tuhosti plicní tkáně při jejím otoku (6).

 

Elastografii tedy můžeme bezpečně využít v TUS v těchto případech:

• Vyšetření měkkých tkání hrudní stěny, krku a axily –vyšetření lymfatických uzlin (v rámci multiparametrické predikce rizika přítomnosti malignity), fokálních lézí měkkých tkání a odhalení trigger pointů ve svalech při bolestivých afekcích svalového aparátu.
• Endosonografická elastografie mediastinálních lymfatických uzlin – predikce malignity, cílení místa odběru biopsie.
• SWE tkáňových plicních expanzí či konsolidované plicní tkáně – predikce malignity, detekce ložiskových lézí uvnitř konsolidací.
• Kvantifikace tuhosti periferní plicní tkáně pomocí LU-SWE – screening a monitoring ILD.
• Vyšetření pleury u pleurálního výpotku – predikce maligní etiologie výpotku.
• SWE bránice – v rámci hodnocení funkce bránice, detekce a vyšetření jejich ložiskových lézí (viz kap. 15).
• SE a SWE v rámci vyšetření prsu (není předmětem této publikace).

 

 

Umělá inteligence (AI) v LUS

Již jsou běžně dostupné přístroje nabízející automatickou detekci B-linií, urychlující diagnostiku hlavně v oblastech akutní medicíny či upřesňující kvantifikaci tíže IS při monitoraci pacientů s chronickým intersticiálním plicním postižením(7). Pojmem automatická LUS (automatic LUS) je označována automatická detekce a kvantifikace intersticiálního syndromu (tzv. kvantitativní LUS skóre, QLUSS)(8). Tato práce ukazuje, že QLUS dokáže lépe korelovat s hodnocením extravaskulární plicní vody pomocí CT, než je vizuální hodnocení IS pomocí LUS skóre, obzvláště u pacientů na umělé plicní ventilaci se zařazeným PEEP (9). Automatická detekce B-linií je do budoucnosti jistě vhodná i ke kontrole správnosti interpretace začátečníků v LUS či jejich limitovaných uživatelů (např. pouze pro potřeby detekce a kvantifikace plicní kongesce u kardiologů a nefrologů(10).

Objevují se dále AI algoritmy pro charakterizaci povahy pleurálního výpotku dle LUS obrazu(11) a automatickou detekci pleurální linie(12)(13). Algoritmus vyhodnocující přítomnost komunitní pneumonie byl senzitivnější i specifičtější než závěry vizuálního hodnocení LUS nálezů(14). Práce pěkně demonstruje, jak AI dokáže nahradit chybnou vizuální interpretaci uživatele. Nejjednodušší se pak jeví integrace vyšetřovacích algoritmů do počítače UZ přístroje, které nás pak samy navádějí vyšetřením pacienta. Usnadňují neopomenutí a zisk všech potřebných skenů a tím dodržení vyšetřovacích protokolů pro zisk standardizovaných dat pro vědecké účely(15).

S možností automatické detekce pleurální linie souvisí další aplikace AI, a to automatická detekce lung slidingu. V práci VanBerlo et al. dovolil algoritmus spolehlivé odlišení jeho přítomnosti od absence (AUC 0.973)(22).

Celkově jsou však t.č. metody AI v LUS na úrovni, kdy je nelze všeobecně doporučit používat. Trovato a Russo důrazně upozorňují na to, že AI analýzu obrazových dat LUS nelze kvalitativně srovnávat s analýzou např. CT obrazů (21). Jako hlavní problém vidí v nestandartní akvizici LUS obrazů s výraznými rozdíly mezi vyšetřujícími a z toho plynoucí chyby v následném vyhodnocení pomocí AI.

 

Kvantifikace lung slidingu

Podrobnější kvantifikace rozsahů pohybů pleurální linie než jen vizuálně je možná při použití pokročilejších metod, např. specle tracking (ST), kdy nám přístroj sleduje jeden dobře definovaný bod na pleurální linii a my můžeme přesně kvantifikovat rozsah pohybů tohoto bodu během dechového cyklu. Je třeba si uvědomit, že plíce vykonává jednak translační pohyb daný činností bránice, jednak dochází k její expanzi. Část pozorovaného pohybu pleurální linie v rámci plicního slidingu je tedy translace, další část pohybu je pak vlastní expanze pleury v místě přiložení sondy. Odlišit tyto pohyby umožní opět specle tracking, kdy se dva body na pleurální linii pohybují při translaci současně a zůstávají ve stejné vzájemné vzdálenosti, při expanzi pleury se pak navíc současně od sebe oddalují. Dochází k expanzi povrchu plíce, kterou lze kvantifikovat jako tzv. strain (s):

s= (l-l_o) / l_o

, kdy s je strain v %, l je vzdálenost dvou bodů na pleuře v inspiriu a l_o je jejich původní vzdálenost v exspiriu, či jako strain rate (sr):

sr = s / Dt

, kdy sr je strain rate v %/s a Dt je doba v sekundách, za kterou k uvedené změně dojde. Použití strainu nachází uplatnění hlavně v echokardiografii při hodnocení regionálních kinetik části stěn srdečních dutin. V LUS našel zatím uplatnění pouze experimentálně v hodnocení kontraktility bránice (zde je fyziologicky při kontrakci bránice strain negativní) a lze jej teoreticky využít právě i ke kvantifikaci lokální inflace plicní tkáně (a hypoteticky i k detekci lokální hyperinflace).

Zajímavé bude i nalezení normálních hodnot strainu pro jednotlivé části plic. Práce Rubin et al. např. kvantifikovala takovýto strain v experimentu na myších s bleomycinem indukovanou plicní fibrózou a u zdravých dobrovolníků(16). U myší činily normální hodnoty longitudinálního plicního strainu okolo 12.5 %, u fibrózy okolo 7 %, u zdravých dobrovolníků pak dokonce okolo 33.6 %, v jiných pracích i 44-47%(17). Normální hodnoty plicního strainu jsou tedy v pásmu desítek %, tedy v pásmu prakticky spolehlivě ,,měřitelných,, hodnot. Práce současně zmiňuje vhodnost 3D zobrazení plicního povrchu a s ním lépe měření dvourozměrné strain arey než jednorozměrného strainu nezohledňujícího všechny směry expanze plíce.

Duclos et al. prokázali, že pomocí ST lze velmi spolehlivě detekovat absenci lung slidingu u suspekce na přítomnost pneumothoraxu a to se specificitou i senzitivitou 100% a AUC=1.0(17). Cut-off hodnota pro stanovení absence slidingu byl strain ≤ 4%. Práce Fissore et al. srovnávala možnosti detekce absence lung slidingu u pneumothoraxu vizuálně a pomocí ST a ukázala, že specle tracking může být nápomocný méně zkušeným uživatelům LUS(18). U pokročilých byly výsledky vizuálního hodnocení spolehlivější a srovnatelné s hodnocením pomocí ST.

V podmínkách intenzivní péče tedy tyto možnosti mohou v budoucnosti pomoci v monitoraci regionální distribuce ventilace. Vzhledem k nutnosti vyšetření celého povrchu plic a tímto časové náročnosti však jistě dáme současně přednost např. elektrické impedanční tomografii (EIT) pro kontinuální monitoring distribuce ventilace (a perfuze) a uvedené LUS metody zatím zůstanou pouze jako experimentální. Možné uplatnění těchto metod LUS je však možno vidět v eventuální detekci lokální overdistenze provzdušněných partií plic, kdy můžeme teoreticky během a po provedení otevíracích manévrů (RM) a změn nastavení ventilátoru pozorovat distenzi pleury a následnou změnou dynamiky během ventilace. Na práce zkoumající tyto hypotézy si však musíme ještě počkat.

 

UZ spektroskopie u intersticiálního syndromu

Jak jsme zmínili v kapitole 9, vznik B-linií je podmíněn interakcí UZ vlnění a vhodné patologie v plíci (zesílení intersticia a otevření kanálů pro prostup UZ paprsku a vznik rezonance). Velikost těchto kanálů a hlouběji uložených mikroskopických struktur určuje vhodnou rezonanční frekvenci, která se může lišit u jednotlivých plicních patologií a jejich tíže. Při použití multifrekvenčního UZ vyšetření (alternující UZ vlnění o různých frekvencích) můžeme analyzovat výsledné B-linie a zjistit, na které UZ frekvenci se objevují nejvíce. Je otázkou času, zda nám tato zjištění upřesní, která patologie je podkladem zesílení intersticia a jaká je tíže postižení, a to vše pouze z analýzy podmínek pro vznik B-linií v daném konkrétním případě(19). První práce ukazují vysokou diagnostickou přesnost pro odlišení intersticiální fibrózy od tekutinové kongesce (20).

 

Charakterizace mnohočetného rozptylu UZ energie v plicní tkáni

Část UZ energie je postupně v plicní tkáni dále předávána do hloubky, podléhá rozptylu a postupně přeměněna v tepelnou energii. Takováto energetická vlna se po vyslání UZ impulzu částečně difuzně šíří plicní tkání a závisí na distribuci a hustotě rozhraní, na kterých je rozptylována, jak rychle se plící propaguje do hloubky. Kvantifikace rychlosti šíření této energie (difuze, difuzní konstanta) charakterizuje vlastnosti plicní tkáně – jak zdravé, tak patologicky změněné. Pochopení metodiky měření difuzní konstanty pomocí konvenčních UZ sond je nad možností pochopení autora a odkazuji proto na článek Demi et al. (19). Do budoucna se pomocí této metody dokonce nabízí možnost detekce patologických ložisek schovaných pod zdravým plicním parenchymem (tč. pro konvenční LUS neviditelných).

 

 

Reference

1. Adamietz BR, Fasching PA, Jud S, Schulz-Wendtland R, Anders K, Uder M, et al. Ultrasound elastography of pulmonary lesions A feasibility study. Ultraschall in der Medizin. 2014;35(1):33–7.
2. Miller DL, Dong Z, Dou C, Patterson B, Raghavendran K. Pulmonary Capillary Hemorrhage Induced by Acoustic Radiation Force Impulse Shear Wave Elastography in Ventilated Rats. Journal of Ultrasound in Medicine. 2019;38(10):2575–87.
3. Zhang X, Osborn T, Zhou B, Meixner D, Kinnick RR, Bartholmai B, et al. Lung Ultrasound Surface Wave Elastography: A Pilot Clinical Study. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control. 2017;64(9):1298–304.
4. Zhou J, Zhang X. Effect of a thin fluid layer on surface wave speed measurements: A lung phantom study. Journal of Ultrasound in Medicine. 2019;38(5):1361–5.
5. Wei H, Lu Y, Ji Q, Zhou H, Zhou X. The application of conventional us and transthoracic ultrasound elastography in evaluating peripheral pulmonary lesions. Experimental and Therapeutic Medicine. 2018 Aug 1;16(2):1203–8.
6. Zhang X, Zhou B, Zhang AX. Quantification of lung surface wave speed in a water-filled lung: An ex vivo swine lung study. The Journal of the Acoustical Society of America. 2019 Nov 14;146(4):3070.
7. Baloescu C, Toporek G, Kim S, McNamara K, Liu R, Shaw MM, et al. Automated Lung Ultrasound B-Line Assessment Using a Deep Learning Algorithm. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control. 2020 Nov 1;67(11):2312–20.
8. Brusasco C, Santori G, Bruzzo E, Trò R, Robba C, Tavazzi G, et al. Quantitative lung ultrasonography : a putative new algorithm for automatic detection and quantification of B-lines. 2019;1–7.
9. Corradi F, Brusasco C, Vezzani A, Santori G, Manca T, Ball L, et al. Computer-Aided Quantitative Ultrasonography for Detection of Pulmonary Edema in Mechanically Ventilated Cardiac Surgery Patients. Chest. 2016;150(3):640–51.
10. Russell FM, Ehrman RR, Barton A, Sarmiento E, Ottenhoff JE, Nti BK. B-line quantification: comparing learners novice to lung ultrasound assisted by machine artificial intelligence technology to expert review. The Ultrasound Journal [Internet]. 2021 Dec 30;13(1):33. Available from: https://theultrasoundjournal.springeropen.com/articles/10.1186/s13089-021-00234-6
11. Tsai CH, van der Burgt J, Vukovic D, Kaur N, Demi L, Canty D, et al. Automatic deep learning-based pleural effusion classification in lung ultrasound images for respiratory pathology diagnosis. Physica Medica. 2021 Mar 1;83:38–45.
12. Chen J, Li J, He C, Li W, Li Q. Automated Pleural Line Detection Based on Radon Transform Using Ultrasound. Ultrasonic Imaging. 2021 Jan 1;43(1):19–28.
13. Carrer L, Donini E, Marinelli D, Zanetti M, Mento F, Torri E, et al. Automatic Pleural Line Extraction and COVID-19 Scoring from Lung Ultrasound Data. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control. 2020 Nov 1;67(11):2207–17.
14. Corradi F, Brusasco C, Garlaschi A, Paparo F, Ball L, Santori G, et al. Quantitative Analysis of Lung Ultrasonography for the Detection of Quantitative Analysis of Lung Ultrasonography for the Detection of Community-Acquired Pneumonia : A Pilot Study. 2015;(February).
15. Demi L. Lung ultrasound: The future ahead and the lessons learned from COVID-19. The Journal of the Acoustical Society of America. 2020;148(4):2146–50.
16. Rubin JM, Horowitz JC, Sisson TH, Kim K, Ortiz LA, Hamilton JD. Ultrasound Strain Measurements for Evaluating Local Pulmonary Ventilation. Ultrasound in Medicine and Biology. 2016;42(11):2525–31.
17. Duclos G, Bobbia X, Markarian T, Muller L, Cheyssac C, Castillon S, et al. Speckle tracking quantification of lung sliding for the diagnosis of pneumothorax: a multicentric observational study. Intensive Care Medicine. 2019;45(9):1212–8.
18. Fissore E, Zieleskiewicz L, Markarian T, Muller L, Duclos G, Bourgoin M, et al. Pneumothorax diagnosis with lung sliding quantification by speckle tracking: A prospective multicentric observational study. The American Journal of Emergency Medicine. 2021 Nov 1;49:14–7.
19. Demi L, Egan T, Muller M. Lung ultrasound imaging, a technical review. Applied Sciences (Switzerland). 2020;10(2):1–12.
20. Mento F, Soldati G, Prediletto R, Demi M, Demi L. Quantitative Lung Ultrasound Spectroscopy Applied to the Diagnosis of Pulmonary Fibrosis: The First Clinical Study. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control. 2020 Nov 1;67(11):2265–73.
21. Trovato G, Russo M. Artificial Intelligence (AI) and Lung Ultrasound in Infectious Pulmonary Disease. Frontiers in Medicine. 2021 Nov 25;8.
22. VanBerlo B, Wu D, Li B, Rahman MA, Hogg G, VanBerlo B, et al. Accurate assessment of the lung sliding artefact on lung ultrasonography using a deep learning approach. Comput Biol Med. 2022 Sep 1;148.

 

 

Poslední aktualizace dne 20.01.2023