Rechnergestützte Verarbeitung von Ultraschallbildern der Leber: Möglichkeiten und potentieller diagnostischer Beitrag

  • Ulrich Ranft
Conference paper

Zusammenfassung

Die Hauptaufgabe einer rechnergestützten Verarbeitung von Ultraschall-(US-)Bildern ist, wie im folgenden näher erläutert wird, ihre quantitative Auswertung mit dem Ziel der Diagnoseunterstützung. Die Bemühungen, die Echosignale quantitativ im Hinblick auf eine Charakterisierung des beschallten Gewebes auszuwerten, reichen bis in die Anfänge der Sonographie in der Medizin zurück und haben inzwischen zu einer kaum noch überschaubaren Fülle verschiedenster methodischer Ansätze und Verfahren mit z.T. beachtlichen Erfolgen geführt. Seit gut anderthalb Jahrzehnten führt der Computer einen unaufhaltsamen und überwältigenden Siegeszug in allen Bereichen der Medizin. Warum findet bis jetzt der Praktiker oder zumindest die klinische Routine bei der US-Diagnostik so wenig bzw. gar keine Unterstützung durch US-Geräte, mit denen durch den Verbund mit einem Digitalrechner eine quantitative Analyse der Echosignale möglich sein könnte? Ist überhaupt ein nennenswerter diagnostischer Beitrag durch eine rechnergestützte Verarbeitung der US-Signale zu erwarten? Diese Fragen zu beantworten, soll mit der folgenden kurz gefaßten Übersicht zur rechnergestützten Sonographie der Leber versucht werden. Es ist dabei anzumerken, daß der Begriff der Bildverarbeitung etwas allgemeiner im Sinne einer US-Signalverarbeitung aufgefaßt wird.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 1.
    Bamber JC, Daft C (1985) Intelligent filtering for the suppression of speckle in ultrasonic pulse-echo images. In: Gill RW, Dadd MJ (eds) Proc WFUMB’ 85. Pergamon, Sydney, p 545.Google Scholar
  2. 2.
    Chivers RC (1981) Tissue characterization. Ultrasound Med Biol 7: 1–20.PubMedCrossRefGoogle Scholar
  3. 3.
    Hayashi N, Tamaki N, Yamamoto K, Senda M, Yonekura Y, Torizuka K, Ogawa T, Katakura K, Umemura S (1985) In vivo measurement of sound speed in normal and abnormal livers using a high-resolution ultrasonic scanner. In: Gill RW, Dadd MJ (eds) Proc WFUMB’ 85. Pergamon, Sydney, p 520.Google Scholar
  4. 4.
    Kimme-Smith C, Jones JP (1984) The relative effects of system parameters on texture in gray-scale ultrasonograms. Ultrasound Med Biol 10: 299–307.PubMedCrossRefGoogle Scholar
  5. 5.
    Kuc R, Taylor KJW (1982) Variation of acoustic attenuation coefficient slope estimates for in vivo liver. Ultrasound Med Biol 8: 403–412.PubMedCrossRefGoogle Scholar
  6. 6.
    Lerski RA (1982) Ultrasonic tissue characterization. Diagnostic Imaging 51: 238–248.PubMedGoogle Scholar
  7. 7.
    Lerski RA, Smith MJ, Morley P, Barnett E, Mills PR, Watkinson G, MacSween RNM (1981) Discriminant analysis of ultrasonic texture data in diffuse alcoholic liver disease. Ultrasonic Imaging 3: 164–172.PubMedCrossRefGoogle Scholar
  8. 8.
    Lizzi F, Feleppa E, Yaremko M, Coleman DJ, King DL (1985) Tissue characterization imaging. In: Gill RW, Dadd MJ (eds) Proc WFUMB’ 85. Pergamon, Sydney, p 497.Google Scholar
  9. 9.
    Lorenz WJ (1982) Computerunterstützte echographische Gewebsdifferenzierung. In: Kratochwil A, Reinold E (Hrsg) Ultraschalldiagnostik 81. Thieme, Stuttgart, S 7–13.Google Scholar
  10. 10.
    Räth U, Schlaps D, Limberg B, Zuna I, Lorenz A, van Kaick G, Lorenz WJ, Kommerell B (1985) Diagnostic accuracy of computerized B-scan texture analysis and conventional ultrasonography in diffuse perenchymal and malignant liver disease. J Clin Ultrasound 13: 87–99.CrossRefGoogle Scholar
  11. 11.
    Ranft U (1985) Echomusteranalyse von Ultraschallbildern der Leber zur Gewebecharakterisierung mittels stochastischer Modelle. In: Otto RC, Schnaars P (Hrsg) Ultraschalldiagnostik 85. Thieme, Stuttgart, S 746–747.Google Scholar
  12. 12.
    Robinson DE (1985) Tissue characterization. In: Gill RW, Dadd MJ (eds) Proc WFUMB’ 85. Pergamon, Sydney, p 36.Google Scholar
  13. 13.
    Schuster E, Palkowitsch E, Lieber E, Wawerda C (1984) Texturuntersuchungen bei Ultraschallbildern. In: Kropatsch W (Hrsg) Mustererkennung 1984. Springer, Berlin Heidelberg New York, S 244–249.Google Scholar
  14. 14.
    Sommer FG, Joynt LF, Hayes DL, Macovski A (1982) Stochastic frequency-domain tissue characterization: application to human spleens, in ‚vivo‘. Ultrasonics 20: 82–86.PubMedCrossRefGoogle Scholar
  15. 15.
    Wiesner P, Bönhof JA, Nauth P, Linhart P, Loch EG (1985) Was ist bei der rechnergestützten Bildauswertung zu beachten? In: Judmaier G, Frommhold H, Kratochwil A (Hrsg) Ultraschalldiagnostik 84. Thieme, Stuttgart, S 388–389.Google Scholar
  16. 16.
    Wilson LS (1985) Spectral slope as a tissue charakterization tool. In: Gill RW, Dadd MJ (eds) Proc WFUMB’ 85. Pergamon, Sydney, p 527.Google Scholar
  17. 17.
    Zuna I, Schlaps D, Lorenz A, Räth U, Geissler M, Zabel H-J, Lorenz WJ, van Kaick G (1984) Computerechographische Grundlagen: Diagnostische Aussagekraft der Ultraschall-B-Bildparameter. In: Lutz H, Reichel L (Hrsg) Ultraschalldiagnostik 83. Thieme, Stuttgart, S 535–537.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1988

Authors and Affiliations

  • Ulrich Ranft

There are no affiliations available

Personalised recommendations