Summary
Echocardiografie wordt vaak gebruikt om veranderingen in de hartstructuur en -functie niet-invasief te karakteriseren en te kwantificeren. We beschrijven een op echografie gebaseerd beeldalgoritme dat een verbeterde surrogaatmeting van myocardmicrostructuur biedt en kan worden uitgevoerd met behulp van open-access beeldanalysesoftware.
Abstract
Echocardiografie is een breed toegankelijke beeldvormingsmodaliteit die vaak wordt gebruikt om veranderingen in de hartstructuur en -functie niet-invasief te karakteriseren en te kwantificeren. Ultrasone beoordelingen van hartweefsel kunnen analyses van backscatter signaalintensiteit binnen een bepaald gebied van belang omvatten. Eerder vastgestelde technieken zijn voornamelijk gebaseerd op de geïntegreerde of gemiddelde waarde van backscatter-signaalintensiteiten, die vatbaar kunnen zijn voor variabiliteit van aliasgegevens van lage framesnelheden en tijdvertragingen voor algoritmen op basis van cyclische variatie. Hierin beschrijven we een op echografie gebaseerd beeldalgoritme dat zich uitstrekt van eerdere methoden, kan worden toegepast op één beeldframe en de volledige verdeling van signaalintensiteitswaarden verklaart die zijn afgeleid van een bepaald myocardmonster. Wanneer toegepast op representatieve muis- en menselijke beeldvormingsgegevens, maakt het algoritme onderscheid tussen proefpersonen met en zonder blootstelling aan chronische afterloadweerstand. Het algoritme biedt een verbeterde surrogaatmeting van myocardmicrostructuur en kan worden uitgevoerd met behulp van open-access beeldanalysesoftware.
Introduction
Echocardiografie is een breed toegankelijke beeldvormingsmodaliteit die vaak wordt gebruikt om veranderingen in de hartstructuur en -functie niet-invasief te karakteriseren en te kwantificeren. Ultrasone beoordelingen van hartweefsel kunnen analyses omvatten van de intensiteit van het backscatter-signaal binnen een bepaald gebied van belang op een enkel moment, evenals in de loop van de hartcyclus. Eerdere studies hebben gesuggereerd dat metingen van sonografische signaalintensiteit de onderliggende aanwezigheid van myocardvezeldisarray, levensvatbaar versus niet-levensvatbaar myocardweefsel en interstitiële fibrose1-3kunnen identificeren. We verwijzen naar myocard 'microstructuur' als de weefselarchitectuur die met behulp van sonografische analyse kan worden gekarakteriseerd boven lineaire metingen van brutogrootte en morfologie. Dienovereenkomstig zijn analyses van sonografische signaalintensiteit gebruikt om microstructurele veranderingen van myocardweefsel te evalueren in de setting van hypertrofische en verwijde cardiomyopathie4,5, chronische coronaire hartziekte6,7en hypertensieve hartziekte8,9. Eerder vastgestelde technieken zijn echter voornamelijk gebaseerd op de geïntegreerde of gemiddelde waarde van backscattersignaalintensiteiten, die gevoelig kunnen zijn voor variabiliteit door willekeurige ruis5, aliasgegevens van lage framesnelheden10, en tijdvertragingen voor algoritmen op basis van cyclische variatie11.
Hierin beschrijven we de methode voor het gebruik van een op echografie gebaseerd beeldanalysealgoritme dat zich uitstrekt van eerdere methoden; dit algoritme richt zich op één einddiastolisch frame voor beeldanalyse en is verantwoordelijk voor de volledige verdeling van signaalintensiteitswaarden die zijn afgeleid van een bepaald myocardmonster. Door het pericardium te gebruiken als een in-frame referentie12,13, kwantificeert het algoritme reproduceerbaar variatie in sonografische signaalintensiteitsverdelingen en biedt het een verbeterde surrogaatmaat van myocardmicrostructuur. In een stapsgewijs protocol beschrijven we methoden voor het voorbereiden van afbeeldingen voor gebruik, het bemonsteren van interessegebieden en het verwerken van gegevens binnen geselecteerde regio's van belang. We tonen ook representatieve resultaten van het toepassen van het algoritme op echocardiografische beelden verkregen van muizen en mensen met variabele blootstelling aan afterload stress op de linkerventrikel.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Voorbereiding van afbeeldingen voor analyses
- Verkrijg muriene of menselijke echocardiografische B-modus beelden in de parasternale lange-as weergave. Pas de tijdwinstcompensatie-instellingen en de plaatsing van de zendfocus aan om de visualisatie van de LV en andere hartstructuren in de parasternale weergave te optimaliseren, volgens de gebruikelijke praktijk. Zorg ervoor dat alle afbeeldingen zijn opgeslagen in DICOM-bestandsindeling. Gestandaardiseerde beeldweergaven plaatsen de inferolaterale linkerventrikelwand aan de basis van het frame. Frames moeten het gehele linker ventriculaire myocard en pericardium weergeven. De resolutie moet hoog genoeg zijn om de pericardrand, myocardwand en endocardiale rand van de linkerventrikel af te bakenen. Verwijder afbeeldingen met overtollige uitval of afbeeldingsartefacten.
- Importeer een afbeeldingsbestand voor analyse in ImageJ softwareplatform v1.46 als een DICOM-bestand. Converteer het bestand naar een 8-bits afbeeldingsbestand.
- Blader door opeenvolgende frames van de hartcyclus totdat u een geschikt einddiastolisch frame van de juiste kwaliteit bereikt. U kunt ook het einddiastolische frame in een echocardiografisch weergaveprogramma selecteren en vervolgens exporteren naar een .jpg-bestandsindeling met hoge resolutie voor gebruik in ImageJ. Identificeer de frames die zich het dichtst bij end-diastole bevindt met behulp van de R-golf van de ECG-tracering en identificeer vervolgens het beste frame dat de LV vastlegt met een maximale interne dimensie. Beschouw dit enkele frame als het einddiastolische frame.
- Er wordt voorgesteld dat gebruikers verblind worden door de identiteit van het onderwerp bij het selecteren van regio's van belang.
2. ROI-bemonstering
- Pericardiale referentieselectie. Bij het selecteren van het pericardgebied van belang (ROI), streven naar de heterogeniteit van het pericardweefsel vast te leggen. Houd er rekening mee dat de helderheid en het contrast van het beeld kunnen worden aangepast voor ROI-selectie, indien nodig, zonder enig effect op de analyseresultaten.
- Selecteer met het rechthoektekengereedschap van ImageJ een rechthoek met een lengte die het middelste derde deel van de basale inferolaterale pericardwand nadert.
- Maak het formaat van de rechthoekige ROI om de breedte van het pericard te overspannen met behulp van het hulpprogramma ROI-maatvoering.
- Draai de ROI om binnen het pericardgebied te liggen met behulp van het roteergereedschap van ImageJ.
- Breng de nodige aanpassingen aan de hoeken van de pericardiale ROI aan. Leg een laatste pericardgebied van belang vast dat zich in het middelste derde deel van de pericardwand bevindt en de breedte van de pericardwand omvat zonder zich uit te breiden naar de myocard- of extra-cardiale regio's. Streef ernaar om dezelfde relatieve locatie en hetzelfde percentage van het totale pericardgebied vast te leggen voor alle metingen die in een bepaald onderzoek zijn uitgevoerd.
- Pas het algoritme toe op de selectie via ImageJ-analysetools (zie paragraaf 3).
- Myocard selectie. Probeer nogmaals de heterogeniteit van het myocardweefsel in het middelste derde deel van de basale inferolaterale myocardwand vast te leggen. Houd er rekening mee dat de helderheid en het contrast van het beeld kunnen worden aangepast voor ROI-selectie, indien nodig, zonder enig effect op de analyseresultaten.
- Selecteer een rechthoek die de breedte van de myocardwand overspant, met uitzondering van het endocardium en epicardium. Zorg ervoor dat de myocardselectie naast de pericardselectie en in dezelfde thetahoek ligt. Neem geen gebieden van papillaire spieren op binnen het selectiegebied.
- Draai de myocard ROI zodanig dat deze parallel aan de pericardiale selectie ligt.
- Breng de nodige aanpassingen aan de hoeken van de myocard ROI. Isoleer een laatste myocardgebied van belang dat zich in het middelste derde deel van de myocardwand bevindt en vangt de breedte van de muur op zonder zich uit te breiden naar de pericardiale of intraluminale gebieden.
- Pas het algoritme toe op de selectie via een ImageJ-macro.
3. Gegevensanalyse en -verwerking
- Installeer de ImageJ-macro met de naam "getHistogramValues.txt".
- Gebruik de ImageJ histogram analyse tool om een voorbeeld te bekijken van de verdeling van signaalintensiteitswaarden binnen de ROI (voer deze stap uit voor de pericardiale selectie en voor de myocardselectie).
- Gebruik de ImageJ-macro om deze signaaldichtheidswaarden op te nemen voor de ROI (voer deze stap uit voor de pericardselectie en voor de myocardselectie).
- Wijs een intensiteitswaarde van 0 (donkerste) tot 255 (helderste) eenheden toe aan elke pixel binnen de selectie.
- Rangschik de intensiteitswaarden hiërarchisch, in volgorde van toenemende intensiteit, om een verdeling van de signaalintensiteit te produceren.
- Selecteer en rapporteer de volgende percentielwaarden voor de verdeling: 20e percentiel, 50e percentiel (mediaan) en 80e percentiel.
- Normaliseer myocardintensiteiten met behulp van de pericardverwijzing.
- Normaliseer door de myocard percentielwaarden van intensiteit te delen door de overeenkomstige pericardiale percentielwaarden van intensiteit12, of door de myocard percentielwaarde van intensiteit af te trekken van de pericardiale percentielwaarde van intensiteit13.
- Rapporteer waarden voor de vier analytische methoden: genormaliseerde myocard-naar-pericardiale waarden voor het 20e percentiel, 50e percentiel (mediaan) en 80e percentiel waarden.
4. Cyclische variabiliteit kwantificeren
- Pas algoritme toe op myocardselecties via opeenvolgende frames van het DICOM-bestand en beweeg door de hartcyclus. Vergelijk verschillen in intensiteitsverdelingen tussen frames, met aandacht voor end-systolische en enddiastolische frames.
Alle hierboven beschreven beeldanalyses worden offline uitgevoerd op niet-invasieve echocardiografische afbeeldingen die eerder zijn verkregen en digitaal zijn opgeslagen in DICOM-formaat. Alle onderzoeksprotocollen werden goedgekeurd door de Brigham and Women's Institutional Review Board en de Harvard Medical Area Standing Institutional Animal Care and Use Committee.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Signaalintensiteitsanalyse wordt uitgevoerd in 4 hoofdstappen(figuur 1),waaronder: 1) beeldselectie en -opmaak, 2) bemonstering roi en referentiegebieden, 3) algoritmetoepassing en 4) verwerking van eindwaarden om myocard-tot-pericardiale intensiteitsverhoudingen op te leveren. Selectie en grootte van de ROI is gestandaardiseerd om interuser- en intrauservariabiliteit te beperken (Figuur 2). De positionering van elke ROI is ook gestandaardiseerd met betrekking tot de anatomische structuren van elk onderwerp om intersubjecte en intrasubjecte variabiliteit te beperken.
Als maat voor de myocarddichtheid wordt verwacht dat het algoritme veranderingen in signaalintensiteit tijdens de hartcyclus zal onthullen, wat overeenkomt met de verwachte toename van de myocarddichtheid in systole in vergelijking met diastole. Zoals weergegeven in figuur 3, accentueren hogere percentielwaarden van signaalintensiteit de cyclische variabiliteit bij muizen met en zonder 7 weken blootstelling aan afterloadweerstand(d.w.z. een muis die een stijgende aortavernauwing onderging in vergelijking met een voertuigbesturingsmuis die een schijnoperatie onderging).
Uit de analyse van een enkel end-diastolisch frame(figuur 4)worden ook significante verschillen opgemerkt voor zowel muizen- als menselijke proefpersonen die worden blootgesteld aan chronische nabelastingsstress (gevallen) in vergelijking met hun representatieve tegenhangers (controles). Zowel het bereik als de omvang van de signaalintensiteit verschillen tussen gevallen en controles. Zoals blijkt uit analyses van cyclische variabiliteit, suggereren 80e in vergelijking met 50e percentielwaarden binnen elke signaalintensiteitsverdeling een groter relatief verschil in signaalintensiteit tussen gevallen en controles.
Het hierin gepresenteerde algoritme biedt output in de vorm van myocard-tot-pericardiale verhoudingen van signaalintensiteit, waarbij de pericardwaarden dienen als de in-frame referent (Figuur 5). De myocard-pericardiale signaalintensiteitsverhouding werd bepaald op basis van een frameanalyse van beelden verkregen uit representatieve controles en gevallen van afterload stress. In overeenstemming met de bovenstaande resultaten biedt de myocard-pericardiale verhouding van 80e percentiel signaalintensiteitswaarden het grootste vermogen om onderscheid te maken tussen controles en gevallen. Verwachte verschillen in myocardmicrostructuur, gebaseerd op onze beeldanalyseresultaten, waren consistent met bevindingen uit de myocardweefselhistologie in controle en casemuizen na respectievelijk schijn- of aortabandoperaties (figuur 6).
Figuur 1. Workflowproces voor een afzonderlijke afbeelding. Het proces omvat vier hoofdstappen die kunnen worden herhaald bij het vergelijken van onderwerpen of bij het kwantificeren van cyclische variabiliteit.
Klik hier om een grotere afbeelding te bekijken.
Figuur 2. Regio van belang (ROI) bemonsteringstechniek. Het algoritme voor beeldanalyse is gestandaardiseerd voor toepassing bij muizen (A) en bij mensen (B). Myocard- en pericardselecties voor respectievelijk representatieve muis- en menselijke afbeeldingen worden weergegeven.
Klik hier om een grotere afbeelding te bekijken.
Figuur 3. Variatie van sonografische signaalintensiteit gedurende de hartcyclus. Het algoritme werd toegepast op een myocardgebied van belang over opeenvolgende frames van DICOM-afbeeldingen verkregen van een representatieve besturingsmuis (A) en een aorta-gestreepte muis (B). De framesnelheid was 212 voor beide afbeeldingen. Voor deze afbeeldingen werd de cyclische variabiliteit beoordeeld met behulp van 3 snijpunten:20 e percentiel (diamant), 50e percentiel (vierkant) en 80e percentiel (driehoek). De relatieve conjuncturele variabiliteit is hoger voor de 80e percentielwaarden dan voor de lagere cutpointwaarden. Klik hier om een grotere afbeelding te bekijken.
Figuur 4. Signaalintensiteitsverdelingen worden weergegeven uit analyse met één frame van representatieve muis- en menselijke beelden. De histogrammen tonen verdelingen van de signaalintensiteit afgeleid van myocardium van een controlemuis op 7 weken na schijnchirurgie (A), een aorta-gestreepte muis op 7 weken na de operatie (B), een normotensieve mens (C) en een hypertensieve mens (D). Blauwe verticale lijnen duiden op 20e percentiel, 50e percentiel en 80e percentielwaarden. De verdelingen van de signaalintensiteit zijn rechts verschoven en zijn groter in bereik, voor de proefpersonen met chronische nabelastingsstress(d.w.z. aortaband in vergelijking met controlemuis en hypertensieve in vergelijking met normotensieve mens).
Klik hier om een grotere afbeelding te bekijken.
Figuur 5. Representatieve gegevens geproduceerd door het algoritme voor beeldanalyse. (A) toont gegevens van een schijnbediende (controle) in vergelijking met aorta-gestreepte (case) muis na 7 weken. (B) toont gegevens van een mens met een normale bloeddruk (controle) in vergelijking met een mens met chronische hypertensie (geval). De myocard-tot-pericardiale signaalintensiteitsverhouding werd bepaald met behulp van 3 analytische methoden binnen het algoritme: verhouding van 20e percentielwaarden; verhouding van 50e percentielwaarden; en verhouding van 80e percentielwaarden. Het grootste verschil tussen controles en gevallen wordt aangetoond door de verhoudingen van de 80e percentielwaarden van de signaalintensiteit te gebruiken.
Klik hier om een grotere afbeelding te bekijken.
Figuur 6. Verschillen in myocardweefsel histologie tussen muizen met en zonder blootstelling aan afterload stress. De trichrome bevlekte delen van de linkerventrikel van Vertegenwoordiger Masson worden getoond voor een muis die een schijnoperatie onderging (A: controle) en een muis die aortabanding onderging (B: geval) op 7 weken na de operatie. Secties tonen de aanwezigheid van aanzienlijke collageenafzetting en interstitiële fibrose in de zaak in vergelijking met de controle. Schaalbalken vertegenwoordigen 50 μm.
Klik hier om een grotere afbeelding te bekijken.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
We beschrijven het protocol voor een beeldanalysealgoritme dat de sonografische signaalintensiteitsverdeling kwantificeert en op zijn beurt een surrogaatmaat van myocardmicrostructuur biedt. Gestandaardiseerde functies van het protocol, waaronder selectie, grootte en positionering van de ROI en referentieregio, dienen om de variabiliteit tussen gebruikers en onderwerpen te minimaliseren. We tonen aan dat wanneer toegepast op end-diastolische echocardiografische beelden met één frame, het algoritme op de juiste manier onderscheid kan maken tussen normaal myocardium versus myocardium dat wordt blootgesteld aan stress na belasting.
Het protocol beschrijft hoe het algoritme kan worden gebruikt met behulp van het open-source ImageJ-softwarepakket. Binnen deze beeldanalyseomgeving kan het algoritme worden gebruikt om gegevens te produceren over de verdeling van signaalintensiteitswaarden uit een bepaald myocardweefselmonster. De resulterende signaalintensiteitsverdelingen kunnen worden weergegeven in de vorm van histogrammen. Histogrammen van intensiteitswaarden binnen myocardselecties tonen aan dat zieke myocardweefsels een juiste verschuiving in distributie en een groter bereik van waarden vertonen in vergelijking met niet-gediseaseerd myocardium. Dit patroon wordt gezien wanneer het algoritme wordt toegepast op zowel menselijke als muriene echocardiografische afbeeldingen.
Variabiliteit in signaalintensiteit over de hartcyclus wordt waargenomen om te corresponderen met fysiologische veranderingen in myocarddichtheid. Een analytische methode die consequent dichtheidsveranderingen in de hartcyclus onderscheidt, wordt verondersteld gevoelig te zijn voor verschillen in myocarddichtheid die optreden als reactie op pathologische processen1,6. Inderdaad, cyclische variabiliteit wordt waargenomen bij toepassing van het algoritme op opeenvolgende frames binnen muriene echocardiogrammen. Een grotere variatie in intensiteit over de hartcyclus wordt waargenomen voor beeldvormingsintensiteitswaarden bij hoger in vergelijking met lagere percentielen binnen de totale signaalintensiteitsverdeling.
Wanneer het algoritme wordt toegepast op representatieve monsters van echocardiografische beelden die zijn verkregen van proefpersonen met en zonder blootstelling aan nabelastingsweerstand, wordt de myocard-pericardiale ratiodichtheid bij geselecteerde percentielwaarden waargenomen als bijzonder effectief bij het onderscheiden van proefpersonen in vergelijking met zonder blootstelling aan chronische afterloadweerstand. Deze bevinding wordt waargenomen in analyses van representatieve muis- en menselijke gegevens. Verhoogde myocarddichtheden zullen naar verwachting worden waargenomen in het myocardweefsel van personen die worden blootgesteld aan chronische afterloadstress, aangezien bekend is dat dergelijke stress interstitiële collageendepositie en de ontwikkeling van myocardfibrose14bevordert. Meting van myocardweefselveranderingen in de loop van de tijd kan worden gebruikt om een beter begrip te geven van de weefselrespons op langdurige stress en ziekteprogressie. Verdere studies zijn nodig om te evalueren of variaties in signaalintensiteit correleren met histologische veranderingen in de loop van de tijd en met toenemende ernst van een bepaald ziektefenotype.
Het algoritme voor beeldanalyse heeft beperkte toepasbaarheid op afbeeldingen met artefacten die de ROI en/of referentieselectie, onvolledige visualisatie van de endocardiale randen of algehele slechte kwaliteit zouden verstoren. Het algoritme kan mogelijk niet nauwkeurig myocard- en pericardiale gebieden van belang vergelijken wanneer percentielwaarden een niet-lineair patroon vertonen bij grijswaardentoewijzing of wanneer onvoldoende dynamisch bereik wordt gebruikt. Hoewel dergelijke gevallen naar verwachting zeldzaam zullen zijn binnen de 10e tot de 90e percentielwaarden van signaalintensiteit in de meeste fenotypen, kan een voorlopige beoordeling van de lineariteit van backscatter en dynamisch bereik gerechtvaardigd zijn voor het bestuderen van nieuwe fenotypen van belang en/ of het analyseren van beelden die zijn verkregen met behulp van onconventionele ultrasone technieken. Het algoritme wordt ook beperkt door een gebrek aan automatisering van het ROI- en referentiemonsterselectieproces. Bovendien heeft het algoritme beperkte capaciteit voor gebruik in kruisvergelijkingen van afbeeldingen die zijn vastgelegd met duidelijk verschillende echocardiografische acquisitieparameters. In het huidige rapport werden beelden bij muizen verkregen met behulp van een 18-38 MHz transducer met framesnelheden variërend van 225-247 fps; beelden bij mensen werden verkregen met behulp van een 1-5 MHz transducer met framesnelheden variërend van 34-54 fps. Verdere studies zijn nodig om mogelijke protocolherzieningen te bepalen die nodig kunnen zijn voor afbeeldingen die zijn verkregen met behulp van verschillende apparatuur en met framesnelheden die duidelijk groter zijn dan de hierboven gerapporteerde bereiken.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Geen belangenconflicten aangegeven.
Acknowledgments
We zijn dankbaar voor de middelen van de Harvard Medical School/Brigham en Women's Hospital Cardiovascular Physiology Core Laboratory. Dit werk werd gedeeltelijk ondersteund door financiering van de National Institutes of Health grants HL088533, HL071775, HL093148 en HL099073 (RL). MB ontving een American Heart Association founder affiliate postdoctorale fellowship award. KU is een ontvanger van een American Heart Association oprichters affiliate postdoctorale fellowship award. SC werd ondersteund door een prijs van de Ellison Foundation.
Materials
| Name | Company | Catalog Number | Comments |
| ImageJ v 1.46 | NIH (Bethesda, MD) | open access software | |
| Power ShowCase | Trillium Technology (Ann Arbor, MI) | commercial software |
References
- Yamada, S., Komuro, K. Integrated backscatter for the assessment of myocardial viability. Curr. Opin. Cardiol. 21, 433-437 (2006).
- Mimbs, J. W., O'Donnell, M., Bauwens, D., Miller, J. W., Sobel, B. E. The dependence of ultrasonic attenuation and backscatter on collagen content in dog and rabbit hearts. Circ. Res. 47, 49-58 (1980).
- Picano, E., et al. In vivo quantitative ultrasonic evaluation of myocardial fibrosis in humans. Circulation. 81, 58-64 (1990).
- Mizuno, R., et al. Myocardial ultrasonic tissue characterization for estimating histological abnormalities in hypertrophic cardiomyopathy: comparison with endomyocardial biopsy findings. Cardiology. 96, 16-23 (2001).
- Mizuno, R., Fujimoto, S., Saito, Y., Nakamura, S. Non-invasive quantitation of myocardial fibrosis using combined tissue harmonic imaging and integrated backscatter analysis in dilated cardiomyopathy. Cardiology. 108, 11-17 (2007).
- Marini, C., et al. Cyclic variation in myocardial gray level as a marker of viability in man. A videodensitometric study. Eur. Heart. J. 17, 472-479 (1996).
- Komuro, K., et al. Sensitive detection of myocardial viability in chronic coronary artery disease by ultrasonic integrated backscatter analysis. J. Am. Soc. Echocardiogr. 18, 26-31 (2005).
- Ciulla, M., et al. Echocardiographic patterns of myocardial fibrosis in hypertensive patients: endomyocardial biopsy versus ultrasonic tissue characterization. J. Am. Soc. Echocardiogr. 10, 657-664 (1997).
- Maceira, A. M., Barba, J., Varo, N., Beloqui, O., Diez, J. Ultrasonic backscatter and serum marker of cardiac fibrosis in hypertensives. Hypertension. 39, 923-928 (2002).
- D'Hooge, J., et al. High frame rate myocardial integrated backscatter. Does this change our understanding of this acoustic parameter. Eur. J. Echocardiogr. 1, 32-41 (2000).
- Finch-Johnston, A. E., et al. Cyclic variation of integrated backscatter: dependence of time delay on the echocardiographic view used and the myocardial segment analyzed. J. Am. Soc. Echocardiogr. 13, 9-17 (2000).
- Di Bello, V., et al. Increased echodensity of myocardial wall in the diabetic heart: an ultrasound tissue characterization study. J. Am. Coll. Cardiol. 25, 1408-1415 (1995).
- Takiuchi, S., et al. Quantitative ultrasonic tissue characterization can identify high-risk atherosclerotic alteration in human carotid arteries. Circulation. 102, 766-770 (2000).
- Querejeta, R., et al. Serum carboxy-terminal propeptide of procollagen type I is a marker of myocardial fibrosis in hypertensive heart disease. Circulation. 101, 1729-1735 (2000).
