Quantitative assessment of regional pulmonary perfusion using three-dimensional ultrafast dynamic contrast-enhanced magnetic resonance imaging: pilot study results in 10 patients

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Background. Currently there is a high demand in reliable noninvasive diagnostic technique assessing the physiological parameters of the lungs. We are exploring the three-dimensional ultrafast MRI sequence as a novel diagnostic modality allowing the assessment of regional quantitative perfusion parameters in pulmonary tissue.

Aim. To assess regional differences in quantitative pulmonary perfusion parameters in 10 volunteers with no evidence of interstitial lung disease by computed tomography, clinical, and laboratory data.

Materials and methods. 10 volunteers with no signs of interstitial lung disease were examined by three-dimensional ultrafast dynamic contrast-enhanced MR imaging using 3D T1-weighted images. The values of pulmonary blood flow (PBF), mean transit time (MTT), and pulmonary blood volume (PBV) for the targeted regions of interest were calculated based on the dynamic image series. For calculations, arterial input function (AIF) was used, as well as the time-intensity curves.

Results. The values of PBF, MTT, and PBV showed statistically significant differences between central and peripheral sections of lungs. Provided model can be implemented for quantitative assessment of regional pulmonary perfusion allows it to be used to determine the reliability of PBF, MTT and PBV values.

Conclusions. Three-dimensional ultrafast MRI sequence is a novel diagnostic modality allowing the assessment of regional quantitative pulmonary perfusion parameters in pulmonary tissue, regardless of physiological features of blood supply mechanisms in different lung regions.

About the authors

Anna V. Zakharova

St. Petersburg State Pediatric Medical University; City Multidisciplinary Hospital No. 2

Email: ellin-ave@yandex.ru

Assistant Professor of the Department of Medical Biophysics; Radiologist

Russian Federation, Saint Petersburg; Saint Petersburg

Victoria V. Prits

City Mariinsky Hospital, Saint Petersburg; Academician A.M. Granov Russian Scientific Center for Radiology and Surgical Technologies

Author for correspondence.
Email: brockendex.666@gmail.com

Medical Physicist

Russian Federation, Saint Petersburg

Alexander V. Pozdnyakov

St. Petersburg State Pediatric Medical University; Academician A.M. Granov Russian Scientific Center for Radiology and Surgical Technologies

Email: pozdnyakovalex@yandex.ru

MD, PhD, Dr. Med. Sci., Professor, Head of the Department of Radiology Diagnostic

Russian Federation, Saint Petersburg; Saint Petersburg

References

  1. Bagrov VG, Belov VV, Zadorozhnyy VN, et al. Metody matematicheskoy fiziki. III. Spetsial’nye funktsii Tomsk: Izd-vo NTL; 2002. 352 p. (In Russ.)
  2. Gaydes MA. Regulyatsiya ventilyatsii i perfuzii v legkikh. Medicina-Online.Ru. 2006. (In Russ.) Режим доступа: http://www.medicina-online.ru/articles/ 40247.
  3. German IP. The physics of humans body. Dolgoprudnyy: Intellekt; 2014. 991 p. (In Russ.)
  4. Grippi MA. Patofiziologiya legkikh. 2nd ed. Moscow: Izdatel’stvo BINOM; 2016. 304 p. (In Russ.)
  5. Dzgoev LB. Chetyrekhfaznaya model’ dykhaniya (novoe v fiziologii dykhaniya cheloveka). Vladikavkazskiy mediko-biologicheskiy vestnik. 2002:2(3):5–30. (In Russ.)
  6. Zenkov A.V. Chislennye metody. Moscow: Izdatel’stvo Yurayt, 2019. 122 p. (In Russ.)
  7. Kolos AI, Saygel’dina LL, Zhaynorov NE, et al. Pulmonary arteriovenous shunt: the difficulty of diagnosis and treatment tactics. Klinicheskaya Meditsina Kazakhstana. 2015;(4(38)):74–78. (In Russ.)
  8. Kondrashov VE, Korolev SB. MATLAB kak sistema programmirovaniya nauchno-tekhnicheskikh raschetov Moscow: Mir, In-t strategicheskoy stabil’nosti Minatoma RF; 2002. 350 p. (In Russ.)
  9. Kontorovich MB, Zislin BD, Chistyakov AV, et al. The respiratory dead space and realization of physiological effects of high frequency stream pulmonary ventilation. Kazan Medical journal. 2009;90(3): 313–318. (In Russ.)
  10. Mamonov SS. Solving of matrix equations. Bulletin of Ryazan State University Named For S.A. Yessenin. 2009;1:115–136. (In Russ.)
  11. Naumenko ZhK, Chernyak AV, Neklyudova GV, et al. Ventilation-perfusion ratio. Prakticheskaya Pul’monologiya. 2018;(4):86–90. (In Russ.)
  12. Axel L. Cerebral blood flow determination by rapid-sequence computed tomography: theoretical analysis. Radiology. 1980;137(3):679–686. doi: 10.1148/radiology.137.3.7003648
  13. Engblom H, Kanski M, Kopic S, et al. Importance of standardizing timing of hematocrit measurement when using cardiovascular magnetic resonance to calculate myocardial extracellular volume (ECV) based on pre- and post-contrast T1 mapping. J Cardiovasc Magn Reson. 2018;20(1):46. doi: 10.1186/s12968-018-0464-9
  14. Fishman AP. Pulmonary diseases and disorders. 2nd ed. New York: McGraw-Hill, 1988.
  15. Hakim TS, Dean GW, Lisbona R. Effect of body posture on spatial distribution of pulmonary blood flow. J Appl Physiol (1985). 1988;64(3):1160–1170. doi: 10.1152/jappl.1988.64.3.1160
  16. Hakim TS, Lisbona R, Dean GW. Gravity-independent inequality in pulmonary blood flow in humans. J Appl Physiol (1985). 1987;63(63):1114–1121. doi: 10.1152/jappl.1987.63.3.1114
  17. Hatabu H, Gaa J, Kim D, et al. Pulmonary perfusion: qualitative assessment with dynamic contrast-enhanced MRI using ultra-short TE and inversion recovery turbo FLASH. Magn Reson Med. 1996;36(4):503–508. doi: 10.1002/mrm.1910360402
  18. Hatabu H, Tadamura E, Levin DL, et al. Quantitative assessment of pulmonary perfusion with dynamic contrast-enhanced MRI. Magn Reson Med. 1999;42(6):1033–1038. doi: 10.1002/(sici)1522-2594(199912)42:6<1033::aid-mrm7>3.0.co;2-7
  19. Hermann I, Uhrig T, Chacon-Caldera J, Akçakaya M. Towards measuring the effect of flow in blood T1 assessed in a flow phantom and in vivo. Phys Med Biol. 2020;65:095001.
  20. Janson N. Non-linear dynamics of biological systems. Contemporary Physics. 2012;53(2):137–168. doi: 10.1080/00107514.2011.644441
  21. Jerosch-Herold M, Wilke N, Stillman AE. Magnetic resonance quantification of the myocardial perfusion reserve with a Fermi function model for constrained deconvolution. Med Phys. 1998;25(1):73–84. doi: 10.1118/1.598163
  22. Kikuchi K, Murase K, Miki H, et al. Quantitative evaluation of mean transit times obtained with dynamic susceptibility contrast-enhanced MR imaging and with (133)Xe SPECT in occlusive cerebrovascular disease. AJR Am J Roentgenol. 2002;179(1):229–235. doi: 10.2214/ajr.179.1.1790229
  23. Korfiatis P, Hu L, Kelm Z, et al. A DSC Digital Brain Phantom for Assessment of Leakage Correction Methods. Proceedings of the Radiological Society of North America and Scientific Assembly and Annual Meeting. 2013.
  24. Larsson HBW, Hansen AE, Berg HK, et al. Dynamic contrast-enhanced quantitative perfusion measurement of the brain using T1-weighted MRI at 3T. J Magn Reson Imaging. 2008;27(4):754–762. doi: 10.1002/jmri.21328
  25. Levin DL, Chen Q, Zhang M, et al. Evaluation of regional pulmonary perfusion using ultrafast magnetic resonance imaging. Magn Reson Med 2001;46(1):166–171. doi: 10.1002/mrm.1172
  26. Ley-Zaporozhan J, Molinari F, Risse F, et al. Repeatability and reproducibility of quantitative whole-lung perfusion magnetic resonance imaging. J Thorac Imaging. 2011;26(3):230–239. doi: 10.1097/RTI.0b013e3181e48c36
  27. Malkov V, Rogers D, Jaffray D. TH-AB-BRA-05: Lung Cannot Be Treated as Homogeneous in Radiation Transport Simulations in Magnetic Fields. Medical Physics. 2016; 43(6):3854–3854.
  28. Meier P, Zierler KL. On the theory of the indicator-dilution method for measurement of blood flow and volume. J Appl Physiol. 1954;6(12):731–744. doi: 10.1152/jappl.1954.6.12.731
  29. Murase K, Kikuchi K, Miki H, et al. Determination of arterial input function using fuzzy clustering for quantification of cerebral blood flow with dynamic susceptibility contrast-enhanced MR imaging. J Magn Reson Imaging. 2001;13(5):797–806. doi: 10.1002/jmri.1111
  30. Murase K, Shinohara M, Yamazaki Y. Accuracy of deconvolution analysis based on singular value decomposition for quantification of cerebral blood flow using dynamic susceptibility contrast-enhanced magnetic resonance imaging. Phys Med Biol. 2001;46(12): 3147–3159. doi: 10.1088/0031-9155/46/12/306
  31. Nyrén S, Mure M, Jacobsson H, et al. Pulmonary perfusion is more uniform in the prone than in the supine position: scintigraphy in healthy humans. J Appl Physiol (1985). 1999;86:1135–1141. doi: 10.1152/jappl.1999.86.4.1135
  32. Ohno Y, Hatabu H, Takenaka D, et al. Contrast-enhanced MR perfusion imaging and MR angiography: utility for management of pulmonary arteriovenous malformations for embolotherapy. Eur J Radiol. 2002;41:136–146. doi: 10.1016/s0720-048x(01)00419-3
  33. Ohno Y, Hatabu H, Takenaka D, et al. Solitary pulmonary nodules: potential role of dynamic MR imaging in management initial experience. Radiology. 2002;224(2): 503–511. doi: 10.1148/radiol.2242010992
  34. Ostergaard L, Sorensen AG, Kwong KK, et al. High resolution measurement of cerebral blood flow using intravascular tracer bolus passages. Part II: Experimental comparison and preliminary results. Magn Reson Med. 1996;36(5):726–736. doi: 10.1002/mrm.1910360511
  35. Ostergaard L, Weisskoff RM, Chesler DA, et al. High resolution measurement of cerebral blood flow using intravascular tracer bolus passages. Part I: Mathematical approach and statistical analysis. Magn Reson Med. 1996;36:715–725.
  36. Pistolesi M, Miniati M, Di Ricco G, et al. Perfusion lung imaging in the adult respiratory distress syndrome. J Thorac Imaging. 1986;1(3):11–24. doi: 10.1097/00005382-198607000-00004
  37. Schuster DP. ARDS: clinical lessons from the oleic acid model of acute lung injury. Am J Respir Crit Care Med. 1994;149(1):245–260. doi: 10.1164/ajrccm.149.1.8111590
  38. Schuster DP, Kaplan JD, Gauvain K, et al. Measurement of regional pulmonary blood flow with PET. J Nucl Med. 1995;36(3):371–377.
  39. Wagner EM. Bronchial Circulation. Encyclopedia of Respiratory Medicine. 2006:255–259. doi: 10.1016/B0-12-370879-6/00503-2
  40. Wake N, Chandarana H, Rusinek H, et al. Accuracy and precision of quantitative DCE-MRI parameters: How should one estimate contrast concentration? Magn Reson Imaging. 2018;52:16–23. doi: 10.1016/j.mri.2018.05.007
  41. Weinmann HJ, Brasch RC, Press WR, et al. Characteristics of gadolinium-DTPA complex: a potential NMR contrast agent. AJR Am J Roentgenol. 1984;142(3):619–624. doi: 10.2214/ajr.142.3.619
  42. West JB. Regional differences in the lung. Chest. 1978;74(4):426–437. doi: 10.1378/chest.74.4.426
  43. Wilson JE, Bynum LJ, Ramanathan M. Dynamic measurement of regional ventilation and perfusion of the lung with Xe-133. J Nucl Med. 1977;18(7):660–668.
  44. Zhang LJ, Zhou CS, Schoepf UJ, et al. Dual-energy CT lung ventilation/perfusion imaging for diagnosing pulmonary embolism. Eur Radiol. 2013;23:2666–2675. doi: 10.1007/s00330-013-2907-x
  45. Zierler K. Indicator dilution methods for measuring blood flow, volume, and other properties of biological systems: a brief history and memoir. Ann Biomed Eng. 2000;28(8):836–848. doi: 10.1114/1.1308496

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Axial reconstructions of image with dynamic contrast enhancement. а – Selection of ROI in the area of the pulmonary trunk and ascending aorta for a qualitative assessment of the suitability of the data; b, c – Selection of areas of interest in the left lung: peripheral and central sections of the apical-posterior segment of the left lung at different levels are demonstrated; d – the same for the right lung with separate examination in the upper lobe of the apical and posterior segments. These are mirror images of classic-oriented CT/MRI projections

Download (106KB)
Indexing metadata
3. Fig. 2. Coronal reconstructions of image with dynamic contrast enhancement. а – The choice of ROI for AIF. When selecting this area of interest, MPR reconstructions should be used to exclude pulmonary arteries from the area of interest; b – selection of areas of interest in the coronal plane for comparison with the published data

Download (78KB)
Indexing metadata
4. Fig. 3. Time-intensity curves in the area of interest. The signal received for ROI in the area of the pulmonary trunk is depicted as the dashed line. Other lines are the areas of interest selected in the pulmonary parenchyma. The image obtained with integrated FireVoxel tools

Download (48KB)
Indexing metadata
5. Fig. 4. Graphs of the dependence of the relative content of the contrast agent in the area of interest. The dashed line corresponds to the pulmonary trunk. Other lines reflect signal intensity in different ROI in pulmonary parenchyma

Download (64KB)
Indexing metadata
6. Fig. 5. Schematical representation of functional zones in the supine and standing positions [14]. Palv – alveolar pressure; Ppa — pulmonary arterial pressure; Ppv — pulmonary venus pressure

Download (170KB)
Indexing metadata

Copyright (c) 2022 Zakharova A.V., Prits V.V., Pozdnyakov A.V.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.
 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».