Análisis complementario basado en histogramas de parches para cuantificar el tejido muscular en ecografía
Este artículo es de acceso abierto y puedes leerlo íntegramente
Descargas
Resumen
Introducción: La ecografía es una herramienta ampliamente utilizada para la evaluación muscular debido a su carácter no invasivo y su capacidad para ofrecer imágenes en tiempo real. El análisis de la ecotextura mediante histogramas se ha demostrado útil para cuantificar la composición del tejido muscular, utilizando parámetros como la ecointensidad (EI) y la ecovariación (EV), especialmente en trastornos neuromusculares y neurológicos. Sin embargo, la variabilidad en la selección de la región de interés (ROI, por sus siglas en inglés) y en los métodos de procesamiento de imagen puede afectar significativamente los valores extraídos de ecotextura. Este estudio presenta un nuevo enfoque de análisis basado en histogramas para investigar los efectos de subdividir una única ROI en diferentes tamaños de parches en la evaluación del tejido muscular. Centrándose en la EI y EV del gastrocnemio medial en un paciente post ictus, esta investigación tiene como objetivo perfeccionar el análisis ecográfico cuantitativo para mejorar su aplicabilidad clínica.
Presentación del caso: Se seleccionó aleatoriamente a un paciente post ictus de un conjunto de datos previamente recogido para realizar un análisis complementario. La ROI inicial seleccionada en escala de grises fue extraída y subdividida en parches de distintos tamaños (10×10, 20×20, 30×30, 40×40 y 50×50 píxeles). Se calcularon la EI y la EV de cada parche, y sus distribuciones se analizaron mediante estadísticas descriptivas y métodos de correlación.
Resultados: Los valores de EV para los parches de tamaño 10×10, 20×20, 30×30, 40×40 y 50×50 fueron 26,48; 24,58; 20,44; 16,78 y 10,38, respectivamente, lo que se desvió significativamente del valor original de la ROI completa, que fue de 45,54. En cambio, los valores de EI se mantuvieron en torno a 81 en todos los tamaños de parches, lo que indica que la variación en el tamaño de los parches no afectó a la EI.
Conclusiones: El análisis de histogramas basado en parches ofrece un método complementario para evaluar la textura muscular mediante ecografía. Mientras que la EI parece ser una medida robusta frente a la subdivisión de la ROI, la EV muestra una variabilidad considerable, lo que plantea dudas sobre su fiabilidad cuando se utilizan parches pequeños. Se requieren métodos estandarizados y futuras investigaciones con conjuntos de datos más amplios para optimizar el análisis de ecotextura y garantizar su reproducibilidad en la práctica clínica.
Palabras clave
- Ecografía
- Tejido muscular
- Análisis de ecotextura
- Histograma
- Ictus
Referencias
Whittaker JL, Stokes M. Ultrasound imaging and muscle function. J Orthop Sports Phys Ther. 2011;41(8):572–80. doi:10.2519/jospt.2011.3682 DOI: https://doi.org/10.2519/jospt.2011.3682
Chang KV, Wu WT, Özçakar L. Ultrasound imaging and rehabilitation of muscle disorders: part 1. Traumatic injuries. Am J Phys Med Rehabil. 2019;98(12):1133–41. doi:10.1097/PHM.0000000000001307 DOI: https://doi.org/10.1097/PHM.0000000000001307
Hodges PW. Ultrasound imaging in rehabilitation: just a fad? J Orthop Sports Phys Ther. 2005;35(6):333–7. doi:10.2519/jospt.2005.0106 DOI: https://doi.org/10.2519/jospt.2005.0106
Stokes M, Hides J, Nassiri DK. Musculoskeletal ultrasound imaging: diagnostic and treatment aid in rehabilitation. Phys Ther Rev. 1997;2(2):73–92. doi: 10.1179/ptr.1997.2.2.73 DOI: https://doi.org/10.1179/ptr.1997.2.2.73
Naruse M, Trappe S, Trappe TA. Human skeletal muscle size with ultrasound imaging: a comprehensive review. J Appl Physiol (1985). 2022;132(5):1267–79. doi:10.1152/japplphysiol.00041.2022 DOI: https://doi.org/10.1152/japplphysiol.00041.2022
Materka A, Strzelecki M. Texture Analysis Methods - A Review. Technical University of Lodz, Institute of Electronics, COST B11 Report. 1998.
Paris MT, Mourtzakis M. Muscle composition analysis of ultrasound images: a narrative review of texture analysis. Ultrasound Med Biol. 2021;47(4):880–95. doi:10.1016/j.ultrasmedbio.2020.12.012 DOI: https://doi.org/10.1016/j.ultrasmedbio.2020.12.012
Nailon WH. Texture analysis methods for medical image characterisation. Biomed Imaging. 2010;75:100. doi:10.5772/8912 DOI: https://doi.org/10.5772/8912
Lubner MG, Smith AD, Sandrasegaran K, Sahani DV, Pickhardt PJ. CT texture analysis: definitions, applications, biologic correlates, and challenges. Radiographics. 2017;37(5):1483–503. doi:10.1148/rg.2017170056 DOI: https://doi.org/10.1148/rg.2017170056
Mailloux GE, Bertrand M, Stampfler R, Ethier S. Local histogram information content of ultrasound B-mode echographic texture. Ultrasound Med Biol. 1985;11(5):743–50. doi:10.1016/0301-5629(85)90108-5 DOI: https://doi.org/10.1016/0301-5629(85)90108-5
Pillen S, Van Alfen N. Muscle ultrasound from diagnostic tool to outcome measure—Quantification is the challenge. Muscle Nerve. 2015;52(3):319–20. doi:10.1002/mus.24613 DOI: https://doi.org/10.1002/mus.24613
Pillen S, Arts IM, Zwarts MJ. Muscle ultrasound in neuromuscular disorders. Muscle Nerve. 2008;37(6):679–93. doi:10.1002/mus.21015 DOI: https://doi.org/10.1002/mus.21015
Shannon CE. A mathematical theory of communication. ACM SIGMOBILE Mob Comput Commun Rev. 2001;5(1):3–55. doi:10.1145/584091.584093 DOI: https://doi.org/10.1145/584091.584093
Sogawa K, Nodera H, Takamatsu N, Mori A, Yamazaki H, Shimatani Y, et al. Neurogenic and myogenic diseases: quantitative texture analysis of muscle US data for differentiation. Radiology. 2017;283(2):492–8. doi:10.1148/radiol.2016160826 DOI: https://doi.org/10.1148/radiol.2016160826
Ismail C, Zabal J, Hernandez HJ, Woletz P, Manning H, Teixeira C, et al. Diagnostic ultrasound estimates of muscle mass and muscle quality discriminate between women with and without sarcopenia. Front Physiol. 2015;6:302. doi:10.3389/fphys.2015.00302 DOI: https://doi.org/10.3389/fphys.2015.00302
Pagán-Conesa A, García-Ortiz MT, Salmerón-Martínez EJ, Moya-Martínez A, López-Prats F. Diagnostic ultrasound shows reversal of supraspinatus muscle atrophy following arthroscopic rotator cuff repair. Arthroscopy. 2021;37(10):3039–48. doi:10.1016/j.arthro.2021.04.039 DOI: https://doi.org/10.1016/j.arthro.2021.04.039
Harris-Love MO, Gonzales TI, Wei Q, Ismail C, Zabal J, Woletz P, et al. Association between muscle strength and modeling estimates of muscle tissue heterogeneity in young and old adults. J Ultrasound Med. 2019;38(7):1757–68. doi:10.1002/jum.14864 DOI: https://doi.org/10.1002/jum.14864
Calvo-Lobo C, Useros-Olmo AI, Almazán-Polo J, Martín-Sevilla M, Romero-Morales C, Sanz-Corbalán I, et al. Quantitative ultrasound imaging pixel analysis of the intrinsic plantar muscle tissue between hemiparesis and contralateral feet in post-stroke patients. Int J Environ Res Public Health. 2018;15(11):2519. doi:10.3390/ijerph15112519 DOI: https://doi.org/10.3390/ijerph15112519
Martínez-Payá JJ, Ríos-Díaz J, Del Baño-Aledo ME, Tembl-Ferrairó JI, Vazquez-Costa JF, Medina-Mirapeix F. Quantitative muscle ultrasonography using textural analysis in amyotrophic lateral sclerosis. Ultrason Imaging. 2017;39(6):357–68. doi:10.1177/0161734617711370 DOI: https://doi.org/10.1177/0161734617711370
Asadi B, Pujol-Fuentes C, Carcasona-Otal A, Calvo S, Herrero P, Lapuente-Hernández D. Characterizing muscle tissue quality post-stroke: echovariation as a clinical indicator. J Clin Med. 2024;13(24). doi:10.3390/jcm13247800 DOI: https://doi.org/10.3390/jcm13247800
Akazawa N, Harada K, Okawa N, Kishi M, Tamura K, Moriyama H. Changes in quadriceps thickness and echo intensity in chronic stroke survivors: a 3-year longitudinal study. J Stroke Cerebrovasc Dis. 2021;30(3):105543. doi: 10.1016/j.jstrokecerebrovasdis.2020.105543 DOI: https://doi.org/10.1016/j.jstrokecerebrovasdis.2020.105543
Heckmatt JZ, Leeman S, Dubowitz V. Ultrasound imaging in the diagnosis of muscle disease. J Pediatr. 1982;101(5):656–60. doi:10.1016/s0022-3476(82)80286-2 DOI: https://doi.org/10.1016/S0022-3476(82)80286-2
Molinari F, Caresio C, Acharya UR, Mookiah MR, Minetto MA. Advances in quantitative muscle ultrasonography using texture analysis of ultrasound images. Ultrasound Med Biol. 2015;41(9):2520–32. doi:10.1016/j.ultrasmedbio.2015.04.021 DOI: https://doi.org/10.1016/j.ultrasmedbio.2015.04.021
Sahinis C, Kellis E. Hamstring muscle quality properties using texture analysis of ultrasound images. Ultrasound Med Biol. 2023;49(2):431–40. doi:10.1016/j.ultrasmedbio.2022.09.011 DOI: https://doi.org/10.1016/j.ultrasmedbio.2022.09.011
Escriche-Escuder A, Trinidad-Fernández M, Pajares B, Iglesias-Campos M, Alba E, García-Almeida JM, et al. Responsiveness of the new index muscular echotexture in women with metastatic breast cancer: an exercise intervention study. Sci Rep. 2022;12(1):15148. doi:10.1038/s41598-022-19532-7 DOI: https://doi.org/10.1038/s41598-022-19532-7
Del-Canto-Fernández A, Calleja-Martínez P, Descalzo-Hoyas B, Rodríguez-Posada S, Cuenca-Zaldívar N, Fernández-Carnero S, et al. The application of image texture analysis techniques on the effects of dry needling versus placebo in low-back pain patients: a pilot study. Appl Sci. 2022;12(11):5556. doi:10.3390/app12115556 DOI: https://doi.org/10.3390/app12115556
Shrestha B, Dunn L. The declaration of Helsinki on medical research involving human subjects: a review of seventh revision. J Nepal Health Res Counc. 2020;17(4):548–52. doi:10.33314/jnhrc.v17i4.1042 DOI: https://doi.org/10.33314/jnhrc.v17i4.1042
Caresio C, Molinari F, Emanuel G, Minetto MA. Muscle echo intensity: reliability and conditioning factors. Clin Physiol Funct Imaging. 2015;35(5):393–403. doi:10.1111/cpf.12175 DOI: https://doi.org/10.1111/cpf.12175
Bujang MA. An elaboration on sample size determination for correlations based on effect sizes and confidence interval width: a guide for researchers. Restor Dent Endod. 2024;49(2):e21. doi:10.5395/rde.2024.49.e21 DOI: https://doi.org/10.5395/rde.2024.49.e21
Hunsberger S, Long L, Reese SE, Hong GH, Myles IA, Zerbe CS, et al. Rank correlation inferences for clustered data with small sample size. Stat Neerl. 2022;76(3):309–30. doi:10.1111/stan.12261 DOI: https://doi.org/10.1111/stan.12261
Kermani A, Ayatollahi A, Talebi M. Segmentation of medical ultrasound image based on local histogram range image. In: 3rd International Conference on Biomedical Engineering and Informatics; 2010. IEEE. doi:10.1109/BMEI.2010.5639996 DOI: https://doi.org/10.1109/BMEI.2010.5639996
Zhu Q. Ultrasonic image analysis of cardiac space-occupying diseases based on grey clustering algorithm. In: 2023 International Conference on Telecommunications, Electronics and Informatics (ICTEI); 2023. IEEE. doi:10.1109/ICTEI60496.2023.00173 DOI: https://doi.org/10.1109/ICTEI60496.2023.00173
Zhang D, Liu Y, Yang Y, Xu M, Yan Y, Qin Q. A region-based segmentation method for ultrasound images in HIFU therapy. Med Phys. 2016;43(6):2975–89. doi:10.1118/1.4950706 DOI: https://doi.org/10.1118/1.4950706
Dos Santos E, Yoshizawa M, Tanaka A, Saijo Y, Iwamoto T. Detection of luminal contour using fuzzy clustering and mathematical morphology in intravascular ultrasound images. Conf Proc IEEE Eng Med Biol Soc. 2005;2005:3471–4. doi:10.1109/iembs.2005.1617226 DOI: https://doi.org/10.1109/IEMBS.2005.1617226
Descargas
Licencia
Derechos de autor 2025 Borhan Asadi, Sarkout Abdi, Luis Pérez-Espallargas, Noureddin Nakhostin Ansari, Diego Lapuente-Hernández
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.