Advertisement

Der Radiologe

, Volume 54, Issue 12, pp 1159–1169 | Cite as

Klassische Muster der interstitiellen Lungenerkrankungen

  • C. Mueller-MangEmail author
Leitthema

Zusammenfassung

Hintergrund

Die hochauflösende CT (High-resolution[HR]-CT) ist das wichtigste nichtinvasive Verfahren zur Identifikation und Verlaufsbeurteilung von Patienten mit interstitiellen Lungenerkrankungen („interstitial lung diseases“, ILD).

Ziel der Arbeit

Systematische Darstellung der HRCT-Muster interstitieller Lungenerkrankungen und Diskussion der relevanten Differenzialdiagnosen, um dem Radiologen eine erfolgreiche Analyse der komplexen CT-Morphologie der ILD zu ermöglichen.

Ergebnisse

Mit der HRCT können 4 Grundmuster interstitieller Grunderkrankungen identifiziert werden: das retikuläre und lineare Muster, das noduläre Muster, das Muster mit erhöhter Lungendichte und das Muster mit verminderter Lungendichte. Diese Muster können anhand ihrer Lage im sekundären pulmonalen Lobulus (SPL, z. B. zentrilobulär oder perilymphatisch) und ihrer bevorzugten Lokalisation innerhalb der Lunge (z. B. Ober- oder Unterlappen) weiter differenziert werden. Anamnestische Daten, wie Nikotinabusus und klinischer Verlauf, sind wesentliche Zusatzinformationen bei der ILD-Diagnostik.

Schlussfolgerung

Die Analyse des HRCT-Musters ermöglicht in Zusammenschau mit der anatomischen Verteilung bei einigen ILD eine spezifische Diagnose. Aufgrund bildmorphologischer und klinischer Überlappungen erfordert die endgültige Diagnose vieler ILD allerdings eine enge Kooperation zwischen Klinikern, Radiologen und Pathologen.

Schlüsselwörter

Hochauflösende CT Retikuläres Muster Lineares Muster Milchglastrübung „Honeycombing“ 

Classical patterns of interstitial lung diseases

Abstract

Background

High resolution computed tomography (HRCT) is the most important non-invasive tool in the diagnostics and follow-up of patients with interstitial lung disease (ILD).

Objectives

A systematic review of the HRCT patterns of ILD was carried out and the most relevant differential diagnoses are discussed in order to provide a road map for the general radiologist to successfully navigate the complex field of ILD.

Results

Using HRCT four basic patterns of ILD can be identified: linear and reticular patterns, the nodular pattern, the high attenuation and low attenuation patterns. These patterns can be further differentiated according to their localization within the secondary pulmonary lobule (SPL), e.g. centrilobular or perilymphatic and their distribution within the lungs (e.g. upper or lower lobe predominance). Relevant clinical data, such as smoking history and course of the disease provide useful additional information in the diagnosis of ILD.

Conclusion

On the basis of the pattern and anatomical distribution on HRCT, an accurate diagnosis can be achieved in some cases of ILD; however, due to morphological and clinical overlap the final diagnosis of many ILDs requires close cooperation between clinicians, radiologists and pathologists.

Keywords

High-resolution computed tomography Nodular pattern Reticular pattern Opacity Honeycombing 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt. C. Müller-Mang gibt an, dass kein Interessenkonflikt besteht. Dieser Beitrag beinhaltet keine Studien an Menschen oder Tieren.

Literatur

  1. 1.
    Hansell DM, Bankier AA, MacMahon H et al (2008) Fleischner Society: glossary of terms for thoracic imaging. Radiology 246:697–722. doi:10.1148/radiol.2462070712PubMedCrossRefGoogle Scholar
  2. 2.
    Prakash P, Kalra MK, Sharma A et al (2010) FDG PET/CT in assessment of pulmonary lymphangitic carcinomatosis. AJR Am J Roentgenol 194:231–236. doi:10.2214/AJR.09.3059PubMedCrossRefGoogle Scholar
  3. 3.
    Rossi SE, Erasmus JJ, Volpacchio M et al (2003) „Crazy-paving“ pattern at thin-section CT of the lungs: radiologic-pathologic overview. Radiographics 23:1509–1519. doi:10.1148/rg.236035101PubMedCrossRefGoogle Scholar
  4. 4.
    Raoof S, Amchentsev A, Vlahos I et al (2006) Pictorial essay: multinodular disease: a high-resolution CT scan diagnostic algorithm. Chest 129:805–815. doi:10.1378/chest.129.3.805PubMedCrossRefGoogle Scholar
  5. 5.
    Gosset N, Bankier AA, Eisenberg RL (2009) Tree-in-bud pattern. AJR Am J Roentgenol 193:W472–W477. doi:10.2214/AJR.09.3401PubMedCrossRefGoogle Scholar
  6. 6.
    Remy-Jardin M, Giraud F, Remy J et al (1993) Importance of ground-glass attenuation in chronic diffuse infiltrative lung disease: pathologic-CT correlation. Radiology 189:693–698. doi:10.1148/radiology.189.3.8234692PubMedCrossRefGoogle Scholar
  7. 7.
    Worthy SA, Muller NL, Hartman TE et al (1997) Mosaic attenuation pattern on thin-section CT scans of the lung: differentiation among infiltrative lung, airway, and vascular diseases as a cause. Radiology 205:465–470. doi:10.1148/radiology.205.2.9356630PubMedCrossRefGoogle Scholar
  8. 8.
    Franquet T, Hansell DM, Senbanjo T et al (2003) Lung cysts in subacute hypersensitivity pneumonitis. J Comput Assist Tomogr 27:475–478PubMedCrossRefGoogle Scholar
  9. 9.
    Pallisa E, Sanz P, Roman A et al (2002) Lymphangioleiomyomatosis: pulmonary and abdominal findings with pathologic correlation. Radiographics 22(Spec No):S185–S198. doi:10.1148/radiographics.22.suppl_1.g02oc13s185PubMedCrossRefGoogle Scholar
  10. 10.
    Cantin L, Bankier AA, Eisenberg RL (2010) Multiple cystlike lung lesions in the adult. AJR Am J Roentgenol 194:W1–W11. doi:10.2214/AJR.09.3540PubMedCrossRefGoogle Scholar
  11. 11.
    Watadani T, Sakai F, Johkoh T et al (2013) Interobserver variability in the CT assessment of honeycombing in the lungs. Radiology 266:936–944. doi:10.1148/radiol.12112516PubMedCrossRefGoogle Scholar
  12. 12.
    Arakawa H, Honma K (2011) Honeycomb lung: history and current concepts. AJR Am J Roentgenol 196:773–782. doi:10.2214/AJR.10.4873PubMedCrossRefGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2014

Authors and Affiliations

  1. 1.Institut für CT und MRTGänserndorfÖsterreich
  2. 2.Universitätsklinik für Radiologie und NuklearmedizinMedizinische Universität WienWienÖsterreich

Personalised recommendations