Summary
この研究の目的は、医師と患者の間のコミュニケーションブリッジとして機能し、診断前と予後評価のための最先端のツールでもある肺結節の新しい3Dデジタルモデルを開発することです。
Abstract
医用画像を用いた肺結節の3次元(3D)再構成は、肺結節の診断と治療のための新しい技術的アプローチを導入し、これらのアプローチは医師や患者によって徐々に認められ、採用されています。それにもかかわらず、診断と治療のために肺結節の比較的普遍的な3Dデジタルモデルを構築することは、デバイスの違い、撮影時間、および結節の種類のために困難です。本研究の目的は、医師と患者の架け橋となり、診断前・予後評価の最先端ツールとなる肺結節の新しい3次元デジタルモデルを提案することである。多くのAI駆動型肺結節検出および認識方法は、ディープラーニング技術を使用して肺結節の放射線学的特徴をキャプチャし、これらの方法は良好な曲線下面積(AUC)性能を達成できます。ただし、偽陽性と偽陰性は、放射線科医と臨床医にとって依然として課題です。肺結節の分類と検査の観点からの特徴の解釈と表現は依然として不十分です。本研究では、既存の医用画像処理技術を組み合わせて、肺全体を水平位置と冠位置で連続的に3次元再構成する手法を提案する。他の適用可能な方法と比較して、この方法は、肺結節を多角的に観察しながら、肺結節を迅速に特定し、その基本的な特性を特定することができるため、肺結節の診断と治療のためのより効果的な臨床ツールを提供します。
Introduction
肺結節の世界的な発生率はさまざまですが、一般に、成人の約30%が胸部X線写真に少なくとも1つの肺結節が見えると推定されています1。肺結節の発生率は、ヘビースモーカーや肺がんやその他の肺疾患の病歴のある人など、特定の集団で高くなります。すべての肺結節が悪性であるわけではないことに注意することが重要ですが、悪性腫瘍を除外するには徹底的な評価が必要です2。肺がんの早期発見と診断は生存率の向上に不可欠であり、高リスク者には低線量コンピュータ断層撮影(LDCT)による定期的なスクリーニングが推奨されます。多くのAI駆動型肺結節検出および認識方法3,4,5,6,7は、ディープラーニング技術を使用して肺結節の放射線学的特徴をキャプチャし、これらの方法は良好な曲線下面積(AUC)性能を達成することができる。ただし、偽陽性と偽陰性は、放射線科医と臨床医にとって依然として課題です。肺結節の分類と検査の観点からの特徴の解釈と表現は依然として不十分です。同時に、LDCTに基づく肺結節の3次元再構成は、様々なタイプの結節のデジタルモデルとしてますます注目を集めています。
肺結節の3D再構成は、肺の小さな成長またはしこりの3D表現を生成するプロセスです。このプロセスには通常、医療の専門知識とデータインテリジェンスアプローチの両方を活用する医用画像分析技術の適用が含まれます。結果として得られる3Dデジタルモデルは、結節のより詳細で正確な描写を提供し、そのサイズ、形状、および周囲の肺組織との空間的関係の改善された視覚化および分析を可能にする8,9,10,11,12。このような情報は、肺結節、特に癌性が疑われる肺結節の診断とモニタリングに役立ちます。より正確な分析を促進することにより、肺結節の3D再構成は、診断の精度を高め、治療の決定に情報を提供する可能性があります。
最大強度投影(MIP)は、肺結節の3D再構成の分野で一般的な技術であり、3D画像8,9,10,11,12の2D投影を作成するために使用され、CTによってスキャンされたデジタルイメージングおよび医療における通信(DICOM)ファイルから抽出された体積データの視覚化に特に有用である。MIP 手法は、表示方向に沿って最も高い強度を持つボクセル (3D ボリューム データの最小単位) を選択し、それらを 2D 平面に投影することによって機能します。これにより、強度が最も高い構造を強調し、強度の低い構造を抑制する2D画像が得られ、関連する特徴の識別と分析が容易になります9、10、11、12。ただし、MIPには制限がないわけではありません。たとえば、投影プロセスによって情報が失われる可能性があり、結果の2D画像は、下にあるオブジェクトの3D構造を正確に表していない可能性があります。それにもかかわらず、MIPは依然として医用画像と視覚化のための貴重なツールであり、その使用はテクノロジーとコンピューティングパワーの進歩とともに進化し続けています11。
本研究では、肺結節を可視化するための逐次MIPモデルを開発し、放射線科医、医師、患者にとって使いやすく、使いやすく、肺結節の特性の識別と推定を可能にします。この処理アプローチの主な利点には、次の側面が含まれます:(1)パターン認識から生じる偽陽性と偽陰性を排除し、医師が肺結節の位置、形状、3Dサイズ、および周囲の血管系との関係に関するより包括的な情報を取得できるように支援することに焦点を当てることができます。(2)専門医が放射線科医の支援がなくても肺結節の特徴に関する専門知識を習得できるようにする。(3)医師と患者のコミュニケーション効率と予後評価の両方を高める。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
注意: データの前処理段階では、元のDICOMデータを並べ替えてインターセプトして、さまざまなデバイスとの互換性と一貫した結果を確保する必要があります。強度処理には十分な調整可能な容量を確保する必要があり、観察には連続的な3Dパースペクティブが不可欠です。このプロトコルでは、研究アプローチの系統的な説明が提供され、肺結節を呈する84歳の女性患者が関与する症例が詳述されています。この患者は、デジタルモデリング を介して 診断にインフォームドコンセントを提供し、科学研究目的でのデータの利用を許可しました。モデル再構成関数は、LungmonaryNoduleソフトウェアツールから派生しています(詳細については、 材料表 を参照してください)。倫理的クリアランスは、北京中医薬大学に所属する東直門病院の倫理委員会から取得されました(DZMEC-KY-2019.90)。
1. データの収集と準備
- 肺結節の検出のためのLDCTデータ
注:パラメータ値に見られる違いは、使用する調査方法に依存しません。- DICOMデータの取得について患者の同意を得ます。すべてのデータを指定された作業ディレクトリに転送します。
- スキャン層の数が最も多く、層の厚さが最も薄いデータディレクトリを特定し、ファイル情報に基づいて精度を最適化します。一般に、患者のDICOMスキャンファイルが多いほど、スキャン層の厚さは薄くなります。
- Dicominfo 関数を実装し、DICOM ファイルを関数パラメーターとして使用することで、MATLAB 環境でスライスの厚さとピクセル間隔のパラメーターを取得します。これらのパラメータは、3Dボリュームの表示速度を設定するために不可欠です。本研究で利用したサンプルデータでは、スライスの厚さを1mm、ピクセル間隔を0.5mmとし、合計200層をスキャンした。
- スキャンしたデータのソートを修正する
注:すべてのイメージのシーケンスは、ボリューム構築のためにソートする必要があります。- 関数Dicominfoを使用して、すべての画像の位置データを読み取ります。情報を入力して場所を取得します 。スライスロケーション を MATLAB ワークスペースに取り込みます。
- SliceLocation 関数を実装して、変数の位置配列を格納し、そのプロットを作成します (図 1)。
- GUIの右上にあるデータヒントボタンを使用して、通常のシーケンスの最大位置値を表すポイント上のプロットに データヒント を追加します(患者の画像の上部位置; 図1)。
- すべての画像を並べ替え、関数 VolumeResort を実装して、1 から始まる画像を最大位置値まで抽出します。
- ソートされたインデックスを持つ有効な画像のボリュームを保存し、重要な結節までさかのぼるのに役立ちます。
- 胸部容積の検査
注: データ保存構造を明確に定義すると、フォローアップ作業がより便利になります。- VolumeInspect 関数を実装して、構築されたボリュームの 3 つのビューを表示します。十字線の交点を冠軸で上下にドラッグして、水平軸のすべての画像をすばやく参照します(図2)。
- 十字線を水平軸に移動して、冠状軸のすべての画像を参照します。十字線は、3D ボリューム内の同じ空間座標にあります。したがって、1つの軸に移動すると、他の2つの軸の画像の位置が変更されます。
- ボリューム検査機能の場合は、GUI で肺のデフォルトの強度ウィンドウを使用します。実際のフィルターのパフォーマンスを調整するには、マウスの左ボタンを押したまま軸内をドラッグします。
2. 水平3D再構成のためのデジタルモデル
注:3Dlung_Horizonサブプロセスは、水平方向の観点から肺結節の徹底的な検査を実行します。
- MATLAB職場に Build_3Dlung_Horizon 機能を実装して、肺のフィルターウィンドウの下にある肺結節の3Dデジタルモデルを再構築し、GUIを開いて水平3Dモデルを確認します(図3)。
- ステップ1.3.2とは異なり、 図3 のGUIは、さまざまなタイプの肺結節と肺組織との相対的な空間的関係をはっきりと見ることができる連続的な3D肺構造です。GUIのスクロールバーをマウスでドラッグすると、連続した3D肺構造を観察できます。
- 図 3 の GUI の右上隅には、ズームイン、ズームアウト、グローバルビューへの復帰、および選択したピクセルの座標のマーク付けを行うためのアイコンがあります。ズーム機能を使用して、病変の局所的な特徴を観察し、関連する3D構造出力画像を出力します。[ピクセル座標のマーク] ボタンを使用して 2 点間の距離を計算し、結節のサイズを測定します。
- デフォルトのカラーバーはジェットカラーマップで、青から赤は低から高の値を表します。ポップアップメニューのカラー バー を右クリックして、一般的なグレーのカラーマップを選択し、GUI全体をリセットします。
- フィルターウィンドウが満たされない場合は、マウスの左ボタンを使用して図の中央を上下にドラッグし、ウィンドウレベルを調整します。左右にドラッグしてウィンドウの幅を調整すると、対応する正確なフィルタリング範囲がカラーバーに表示されます。
3.特定の結節の3Dデジタルモデルを構築する
注:スライス番号は関数3D_Nodulesのパラメータであり、あらゆる視点から見ることができる3Dデジタルモデルを再構築します。
- 図 3 のようにスライス番号を決定するには、スクロール バーの右上を確認します。図 3 では、スライス番号は 70 です。ステップ1.3で作成したスライス番号と胸部容積を含む2つのパラメータを持つ関数Build_3D_Nodulesを使用して、特定の結節の3Dデジタルモデルを再構築します。入力スライス番号は可変であり、ユーザーに依存するため、これはユーザー定義モデルです。
- Build_3D_Nodules機能が正しく実行されると、ユーザーはポップアップGUIでさまざまな視点から特定のスライス番号にある肺結節を確認できます(図4)。これを行うには、次の操作を実行します。
- 図4の中央のようにマウスの左ボタンを押したまま、任意の方向にドラッグして、肺結節の遠近法を変更します。観察角度は解剖学的考慮事項を考慮に入れ、肺結節の医学的特徴と結節と周囲の組織との関係の両方を示すことを試みるべきであることに注意すべきである。
- 右上隅にあるズーム アイコンと移動アイコンを使用します ( 図 3 参照)。さらに、マウスの中ボタンを回すことで、ユーザーはモデルのビューを連続的にズームインまたはズームアウトできます。
- 図4のGUIは、左下隅にモデルの座標表示を示しており、z軸の正の方向は水平位置でのスキャン方向です。オペレーティングシステムが提供するスクリーンショットツールを実装して、結節の必要な3D投影を保存します。
4. コロナ3D再構成のデジタルモデル
注:Build_3Dlung_Coronalサブプロセスは、代替冠状の観点から肺結節を評価するために実行されるため、臨床医と患者が結節の位置と属性をより正確かつ包括的に理解するのに役立ちます。
- MATLABの職場に Build_3Dlung_Coronal 機能を実装して、肺のフィルターウィンドウの下で肺結節の3Dデジタルモデルを再構築し、関数によって準備されたGUIを開いて、冠状3Dモデルを確認します(図5)。
- 図5のGUIは、さまざまなタイプの肺結節と肺組織との相対的な空間的関係がはっきりと見える連続冠状3D肺構造を示しています。GUIのスクロールバーをマウスでドラッグして、連続した冠状動脈3D肺構造を観察します。
- 図 5 に示すように、GUI の右上隅には、ズームイン、ズームアウト、グローバルビューへの復帰、および選択したピクセルの座標のマーク付けを行うためのアイコンもあります。これらの機能を使用して、病変の局所的な特徴を観察し、関連する3D構造画像を生成します。ピクセル座標をマークして、結節のサイズを測定するためによく使用される2点間の距離を計算します。
- デフォルトのカラーバーはジェットカラーマップで、青から赤までの色が低から高の値を表します。ポップアップメニューのカラーバーを右クリックして、共通のグレーカラーマップを選択し、GUI全体をリセットします。
- フィルター ウィンドウが適切でない場合は、マウスの左ボタンを使用して図の中央を上下にドラッグし、ウィンドウ レベルを調整します。左右にドラッグしてウィンドウの幅を調整すると、対応する正確なフィルタリング範囲がカラーバーに表示されます。
5.優性肺結節の3Dビデオを出力する
注:肺結節の最適な3Dデジタルモデルをダイナミック3Dビデオに変換することで、医師と患者は状態をよりよく理解し、正確な判断を下すことができ、これは効果的な治療計画を策定するために特に重要です。
- ワークスペースで、必要な3Dデジタルモデルを準備し、肺結節と肺組織の間の相対的な空間的関係を事前に視覚化して、さまざまな角度から表示します(図3 および 図4)。
- この調査では、Adobe Captivate 2019を使用して、すべてのGUIインタラクションプロセスを記録しました。まず、ソフトウェアを開き、新しい画面記録プロジェクトを作成します。カメラの電源を切ると、画面操作のみを記録するための赤い画面の記録範囲ボックスがポップアップ表示されます。この調査では、バージョン5.1のGUIがボックスに含まれていました。録画ボタンをクリックしてGUIを操作し、画面録画のデジタルビデオファイルを生成します。
- 肺結節の動的表示を記録した後、タスクバーのアイコンをクリックしてソフトウェアの動作環境に戻ります。
- ビデオパブリッシング機能を使用して、肺結節の3Dデジタルモデルの記録された動的ビデオを保存します。[ ファイル] > [配布 ] をクリックし、ファイルの保存パスを構成します。ファイルに名前を付け、目的のデジタル ビデオ ファイルを保存します。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
この方法をより幅広いデバイスに適用できるようにするには、DICOMファイルシステムの内部座標に基づいて各スキャンのスタック順序を再編成し(図1)、正しい3Dボリュームを生成する必要があります(図2)。正確な体積データに基づいて、患者の肺結節の正確な診断と治療のために、患者の肺水平MIPと冠状MIPのアルゴリズムによる連続再建(図4 および 図5)を利用しました。
異なるデバイスからのDICOMデータは、通常、患者の解剖学的位置に沿って低から高への正しい順序でソートされません。ただし、モデルを再構築するには、各画像を低順から順方向に並べ替える必要があります。 図1 は、DICOMシーケンス位置の典型的な分布だけでなく、画像シーケンスの位置境界を決定するために必要なGUI相互作用も示しています。この手順は、モデルの再構築プロセスにおけるデータ準備の重要な部分です。
図2 は、基本的に、軸面、冠状面、矢状面における肺全体の3D体積の3つのビューを表しています。以前のデータ準備と体積計算が正しければ、 図2のように、各ビューの肺画像を表示できます。このGUIでは、マウスをドラッグしてさまざまなウィンドウレベルで画像を表示することにより、ウィンドウレベルのフィルタリングを行うこともできます。 図2に示すように、基礎となるボリュームは、3Dモデル再構築のデータベースとして機能します。
図3 は、軸方向図での連続3D再構成結果を示しています。このGUIでは、医師は患者の肺構造を軸方向のビューに沿って連続的に観察し、肺結節をすばやく見つけ、結節と周囲の肺組織との関係を観察することができます。 図3に示すように、結節ビューの局所的な拡大、ウィンドウレベルの回復、ピクセル位置のマーキングなどの操作も実行できます。カラーバーには、画像内のさまざまな強度値に対応する色が表示されます。
図4に示すGUIにより、医師は関心のある肺結節をあらゆる視点から観察することができます。
図5 は、コロナルビューでの連続3D再構成結果を示しています。このGUIでは、医師は冠状図に沿って患者の肺構造を継続的に観察し、肺結節をすばやく見つけ、結節と周囲の肺組織との関係を観察することができます。 図5に示すように、結節ビューの局所的な拡大、ウィンドウレベルの回復、ピクセル位置のマーキングなどの操作も実行できます。カラーバーには、画像内のさまざまな強度値に対応する色が表示されます。
図1:ファイル名シーケンスに従った画像位置プロット。 この図は、DICOMシーケンス位置の典型的な分布を示し、画像シーケンスの位置境界を決定するために必要なGUI相互作用を示しています。 この図の拡大版を表示するには、ここをクリックしてください。
図2:肺3Dボリュームの3つのビューのGUI。 この図は、軸面、冠状面、矢状面における肺全体の3D体積の3つのビューを表しています。以前のデータ準備と体積計算が正しければ、各ビューの肺画像を表示できます。 この図の拡大版を表示するには、ここをクリックしてください。
図3:肺結節を水平視から確認するためのGUI。 この図は、軸方向ビューでの連続3D再構成結果を示しています。医師は、軸方向のビューに沿って患者の肺構造を継続的に観察し、肺結節を特定し、結節と周囲の肺組織との関係を観察することができます。カラーバーの色は、画像内のさまざまな強度値に対応しています。 この図の拡大版を表示するには、ここをクリックしてください。
図4:特定の肺結節の3Dデジタルモデルの確認。 GUIにより、ユーザーは関心のある肺結節を任意の視点から観察できます。 この図の拡大版を表示するには、ここをクリックしてください。
図5:コロナビューから肺結節を確認するためのGUI。 図は、コロナルビューでの連続3D再構成結果を示しています。このGUIでは、医師は冠状図に沿って患者の肺構造を継続的に観察し、肺結節をすばやく見つけ、結節と周囲の肺組織との関係を観察することができます。カラーバーの色は、画像内のさまざまな強度値に対応しています。 この図の拡大版を表示するには、ここをクリックしてください。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
LDCTデバイスが異なれば、出力するDICOMイメージシーケンス、特にファイルシステム管理に関して大きな違いがあります。したがって、プロトコルの後期段階で肺結節の主要な3Dデジタルモデルを再構築するには、データの前処理ステップが特に重要です。データの準備と前処理の段階(ステップ1.2.2)では、 図1に示すシーケンスを使用してシーケンスz軸座標を正しくソートすることができ、モデリングに必要な正しい画像順序を適切に配置し、後続のモデリング作業のために正しい3Dボリュームを生成するためにも使用できます。水平軸と冠軸の3D再構成(ステップ2.1とステップ4.1)は、医師と患者に、最も一般的に使用される2つの視点から肺結節のダブルチェックを提供します。結節を検出し、その空間的特徴と肺組織、特に肺動脈との関係を提示し、ソフトウェアツールを使用して、病気の診断と治療計画の策定に不可欠です。医師と患者のコミュニケーションの観点から、優れた3Dダイナミックビデオ(ステップ5.2)は、患者が自分の状態と予後を理解するのをサポートする優れたコミュニケーションツールです。
本研究の臨床・研究シナリオを議論する際には、治療中の肺結節を専門医と患者に明確かつ包括的に理解させる方法を検討すべき重要な課題である。通常、患者はさまざまなデバイスや過去の期間からの検査結果を医師に持ち込み、放射線科医のサポートがない場合、医師は適切な治療計画を提供するために、患者の肺結節のサイズ、位置、および特性について正確な判断を下す必要があります。一方、患者は、自分の肺結節の発生状況と治療効果を効果的に理解し、追跡する必要があります。したがって、さまざまなデバイスと時間からのCTデータを理解する必要がある場合、放射線科医と専門医の間のギャップを埋める必要がある場合、または医師と患者のより良いコミュニケーションを支援する必要がある場合、この研究はこれらのシナリオに対処するための理想的なソリューションと技術的手段を提供します。
現在のツールは、肺結節の3Dモデリングと特徴の視覚化において優れた性能を示していますが、進化と改善の余地はまだあります。まず、2Dトライビューと3Dモデル間の相互インデックスを備えたGUIを開発して、2つのパースペクティブのクロス検証を容易にすることができます。第二に、任意の視野角からの連続3Dモデルもさらに開発する価値があります。第三に、患者の治療計画と予後の長期的な追跡と管理を統合することも、肺結節の分野における完全な医用画像ソリューションに役立つため、進化の重要な方向性です。
異なるタイプの肺結節13の多数の一貫した医用画像シーケンスサンプルを生成するための機械学習の要件、およびかなりの規模のAI計算能力のために、3Dボリューム特徴14、15に基づいて肺結節を認識し、自動的に分類することはまだ不可能である。これは、この作業の後の段階で引き続き焦点を当てる研究の方向性です。
この研究の重要性は、肺結節の診断と治療のための連続3Dデジタルモデルを提供することにあります。医師や患者は、結節の特徴を3次元空間で様々な視点から観察することで、病態をよりよく理解し、より合理的な判断を下すことができ、結節の予後評価の重要な参考値でもあります。既存の研究に基づいて、深層機械学習を導入して、より多次元的な視点から肺結節を分類することができます。臨床治療例を使用することにより、この方法を使用して薬物やその他の治療の有効性を追跡し、肺結節の予後評価のためのますます正確な定量的基礎を提供することができます。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
肺結節モデル再構成のためのソフトウェアツールであるPulmonaryNoduleは、Beijing Intelligent Entropy Science & Technology Co Ltd.の商用ソフトウェアです。このソフトウェアツールの知的財産権は会社に帰属します。著者は、開示すべき利益相反はありません。
Acknowledgments
この出版物は、国家中医薬総局(http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html)が主催する第5回全国漢方薬臨床優秀才能研究プログラムによってサポートされました。
Materials
| Name | Company | Catalog Number | Comments |
| MATLAB | MathWorks | 2022B | Computing and visualization |
| Tools for Modeling | Intelligent Entropy |
PulmonaryNodule V1.0 | Beijing Intelligent Entropy Science & Technology Co Ltd. Modeling for CT/MRI fusion |
References
- Mazzone, P. J., Lam, L. Evaluating the patient with a pulmonary nodule: A review. JAMA. 327 (3), 264-273 (2022).
- MacMahon, H., et al. Guidelines for management of incidental pulmonary nodules detected on CT images: From the Fleischner Society 2017. Radiology. 284 (1), 228-243 (2017).
- Ather, S., Kadir, T., Gleeson, F. Artificial intelligence and radiomics in pulmonary nodule management: Current status and future applications. Clinical Radiology. 75 (1), 13-19 (2020).
- Bianconi, F., et al. Comparative evaluation of conventional and deep learning methods for semi-automated segmentation of pulmonary nodules on CT. Quantitative Imaging in Medicine and Surgery. 11 (7), 3286-3305 (2021).
- Christe, A., et al. Computer-aided diagnosis of pulmonary fibrosis using deep learning and CT images. Investigative Radiology. 54 (10), 627-632 (2019).
- Kim, Y., Park, J. Y., Hwang, E. J., Lee, S. M., Park, C. M. Applications of artificial intelligence in the thorax: A narrative review focusing on thoracic radiology. Journal of Thoracic Disease. 13 (12), 6943-6962 (2021).
- Schreuder, A., Scholten, E. T., van Ginneken, B., Jacobs, C. Artificial intelligence for detection and characterization of pulmonary nodules in lung cancer CT screening: Ready for practice. Translational Lung Cancer Research. 10 (5), 2378-2388 (2021).
- Gruden, J. F., Ouanounou, S., Tigges, S., Norris, S. D., Klausner, T. S. Incremental benefit of maximum-intensity-projection images on observer detection of small pulmonary nodules revealed by multidetector CT. American Journal of Roentgenology. 179 (1), 149-157 (2002).
- Guleryuz Kizil, P., Hekimoglu, K., Coskun, M., Akcay, S. Diagnostic importance of maximum intensity projection technique in the identification of small pulmonary nodules with computed tomography. Tuberk Toraks. 68 (1), 35-42 (2020).
- Valencia, R., et al. Value of axial and coronal maximum intensity projection (MIP) images in the detection of pulmonary nodules by multislice spiral CT: Comparison with axial 1-mm and 5-mm slices. European Radiology. 16, 325-332 (2006).
- Jabeen, N., Qureshi, R., Sattar, A., Baloch, M. Diagnostic accuracy of maximum intensity projection in diagnosis of malignant pulmonary nodules. Cureus. 11 (11), e6120 (2019).
- Naeem, M., et al. Comparison of maximum intensity projection and volume rendering in detecting pulmonary nodules on multidetector computed tomography. Cureus. 13 (3), e14025 (2021).
- Armato, S. G., et al. The lung image database consortium (LIDC) and image database resource initiative (IDRI): A completed reference database of lung nodules on CT scans. Medical Physics. 38 (2), 915-931 (2011).
- Xie, Y., et al. Knowledge-based collaborative deep learning for benign-malignant lung nodule classification on chest CT. IEEE Transactions on Medical Imaging. 38 (4), 991-1004 (2018).
- Zheng, S., et al. Automatic pulmonary nodule detection in CT scans using convolutional neural networks based on maximum intensity projection. IEEE Transactions on Medical Imaging. 39 (3), 797-805 (2019).
