Summary
Het doel van deze studie is om een nieuw 3D digitaal model van longknobbels te ontwikkelen dat dient als een communicatiebrug tussen artsen en patiënten en ook een geavanceerd hulpmiddel is voor pre-diagnose en prognostische evaluatie.
Abstract
De driedimensionale (3D) reconstructie van longknobbels met behulp van medische beelden heeft nieuwe technische benaderingen geïntroduceerd voor het diagnosticeren en behandelen van longknobbeltjes, en deze benaderingen worden geleidelijk erkend en overgenomen door artsen en patiënten. Niettemin is het construeren van een relatief universeel 3D digitaal model van longknobbels voor diagnose en behandeling een uitdaging vanwege apparaatverschillen, opnametijden en knobbeltypen. Het doel van deze studie is om een nieuw 3D digitaal model van longknobbels voor te stellen dat dient als een brug tussen artsen en patiënten en ook een geavanceerd hulpmiddel is voor pre-diagnose en prognostische evaluatie. Veel AI-gestuurde longknobbeldetectie- en herkenningsmethoden maken gebruik van deep learning-technieken om de radiologische kenmerken van longknobbels vast te leggen, en deze methoden kunnen een goede area under-the-curve (AUC) -prestatie bereiken. Vals-positieven en vals-negatieven blijven echter een uitdaging voor radiologen en clinici. De interpretatie en expressie van kenmerken vanuit het perspectief van longknobbelclassificatie en -onderzoek zijn nog steeds onbevredigend. In deze studie wordt een methode voorgesteld voor continue 3D-reconstructie van de hele long in horizontale en coronale posities door bestaande medische beeldverwerkingstechnologieën te combineren. In vergelijking met andere toepasbare methoden stelt deze methode gebruikers in staat om snel pulmonale knobbeltjes te lokaliseren en hun fundamentele eigenschappen te identificeren, terwijl ze ook longknobbels vanuit meerdere perspectieven observeren, waardoor ze een effectiever klinisch hulpmiddel bieden voor het diagnosticeren en behandelen van longknobbels.
Introduction
De globale incidentie van longknobbels is variabel, maar over het algemeen wordt geschat dat ongeveer 30% van de volwassenen ten minste één longknobbel heeft die zichtbaar is op thoraxfoto's1. De incidentie van longknobbels is hoger in specifieke populaties, zoals zware rokers en mensen met een voorgeschiedenis van longkanker of andere longziekten. Het is belangrijk op te merken dat niet alle longknobbels kwaadaardig zijn, maar een grondige evaluatie is noodzakelijk om maligniteit2 uit te sluiten. De vroege detectie en diagnose van longkanker zijn cruciaal voor het verbeteren van de overlevingskansen, en regelmatige screening met lage dosis computertomografie (LDCT) wordt aanbevolen voor personen met een hoog risico. Veel AI-gestuurde longknobbeldetectie- en herkenningsmethoden 3,4,5,6,7 maken gebruik van deep learning-technieken om de radiologische kenmerken van longknobbels vast te leggen, en deze methoden kunnen goede area under the curve (AUC) -prestaties bereiken. Vals-positieven en vals-negatieven blijven echter een uitdaging voor radiologen en clinici. De interpretatie en expressie van kenmerken vanuit het perspectief van longknobbelclassificatie en -onderzoek zijn nog steeds onbevredigend. Tegelijkertijd heeft de 3D-reconstructie van longknobbels op basis van LDCT steeds meer aandacht gekregen als digitaal model voor verschillende soorten knobbeltjes.
De 3D-reconstructie van longknobbels is een proces dat een 3D-weergave genereert van een kleine groei of knobbel in de long. Dit proces omvat meestal de toepassing van medische beeldanalysetechnieken die gebruikmaken van zowel medische expertise als data-intelligentiebenaderingen. Het resulterende digitale 3D-model biedt een meer gedetailleerde en nauwkeurige weergave van de knobbel, waardoor de grootte, vorm en ruimtelijke relatie met de omliggende longweefsels 8,9,10,11,12 beter kunnen worden gevisualiseerd en geanalyseerd. Dergelijke informatie kan helpen bij de diagnose en monitoring van longknobbels, met name die waarvan wordt vermoed dat ze kankerachtig zijn. Door een nauwkeurigere analyse mogelijk te maken, heeft de 3D-reconstructie van longknobbels het potentieel om de nauwkeurigheid van de diagnose te verbeteren en behandelingsbeslissingen te informeren.
Maximale intensiteitsprojectie (MIP) is een populaire techniek op het gebied van 3D-reconstructie van longknobbels en wordt gebruikt om een 2D-projectie van een 3D-beeld te maken 8,9,10,11,12 Het is vooral nuttig bij de visualisatie van volumetrische gegevens die zijn geëxtraheerd uit digitale beeldvorming en communicatie in de geneeskunde (DICOM) -bestanden die door CT zijn gescand. De MIP-techniek werkt door de voxels (de kleinste eenheden van 3D-volumegegevens) met de hoogste intensiteit langs de kijkrichting te selecteren en op een 2D-vlak te projecteren. Dit resulteert in een 2D-beeld dat de structuren met de hoogste intensiteit benadrukt en die met een lagere intensiteit onderdrukt, waardoor het gemakkelijker wordt om relevante kenmerkente identificeren en te analyseren 9,10,11,12. MIP is echter niet zonder beperkingen. Het projectieproces kan bijvoorbeeld leiden tot verlies van informatie en het resulterende 2D-beeld geeft mogelijk niet nauwkeurig de 3D-structuur van het onderliggende object weer. Niettemin blijft MIP een waardevol hulpmiddel voor medische beeldvorming en visualisatie, en het gebruik ervan blijft evolueren met de vooruitgang in technologie en rekenkracht11.
In deze studie wordt een opeenvolgend MIP-model ontwikkeld om longknobbels te visualiseren dat gemakkelijk te gebruiken is, gebruiksvriendelijk voor radiologen, artsen en patiënten, en de identificatie en schatting van de eigenschappen van longknobbels mogelijk maakt. De belangrijkste voordelen van deze verwerkingsaanpak omvatten de volgende aspecten: (1) het elimineren van valse positieven en valse negatieven die voortvloeien uit patroonherkenning, waardoor een focus op het helpen van artsen mogelijk is om meer uitgebreide informatie te verkrijgen over de locatie, vorm en 3D-grootte van longknobbels, evenals hun relatie tot de omliggende vasculatuur; (2) gespecialiseerde artsen in staat te stellen professionele kennis van de kenmerken van longknobbels te verwerven, zelfs zonder de hulp van radiologen; en (3) het verbeteren van zowel de communicatie-efficiëntie tussen artsen en patiënten als de prognose-evaluatie.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
OPMERKING: Tijdens de voorbewerkingsfase van de gegevens moeten de originele DICOM-gegevens worden gesorteerd en onderschept om compatibiliteit met verschillende apparaten en consistente resultaten te garanderen. Voor intensiteitsverwerking moet voldoende instelbare capaciteit worden gereserveerd en een continu 3D-perspectief is essentieel voor observatie. In dit protocol wordt een methodische beschrijving van de onderzoeksaanpak gegeven, met een beschrijving van een geval waarbij een 84-jarige vrouwelijke patiënt zich presenteert met longknobbels. Deze patiënte gaf geïnformeerde toestemming voor haar diagnose via digitale modellering en gaf toestemming voor het gebruik van haar gegevens voor wetenschappelijke onderzoeksdoeleinden. De modelreconstructiefunctie is afgeleid van de PulmonaryNodule software tool (zie de Tabel met materialen voor details). Ethische goedkeuring werd verkregen van de ethische commissie van het Dongzhimen-ziekenhuis, verbonden aan de Beijing University of Chinese Medicine (DZMEC-KY-2019.90).
1. Gegevensverzameling en -voorbereiding
- LDCT-gegevens voor de detectie van longknobbels
OPMERKING: De verschillen in de parameters zijn niet afhankelijk van de gebruikte onderzoeksmethode.- Verkrijg toestemming van de patiënt voor het verkrijgen van DICOM-gegevens. Breng alle gegevens over naar de aangewezen werkmap.
- Identificeer de gegevensmap met het hoogste aantal scanlagen en de dunste laagdikte om de nauwkeurigheid te optimaliseren op basis van de bestandsinformatie. Over het algemeen geldt dat hoe meer DICOM-scanbestanden een patiënt heeft, hoe dunner de dikte van de scanlaag.
- Door de functie Dicominfo te implementeren en de DICOM-bestanden als functieparameters te gebruiken, verkrijgt u de segmentdikte en pixelafstandsparameters in de MATLAB-omgeving. Deze parameters zijn essentieel voor het instellen van de 3D-volumeweergavesnelheid. Voor de voorbeeldgegevens die in dit onderzoek werden gebruikt, was de plakdikte 1 mm, de pixelafstand 0,5 mm en werden in totaal 200 lagen gescand.
- De sortering van de gescande gegevens corrigeren
OPMERKING: De volgorde van elke afbeelding moet worden gesorteerd op volumeconstructie.- Lees de locatiegegevens van elke afbeelding met behulp van de functie Dicominfo. Verkrijg de locatie door informatie in te voeren . SliceLocation in de MATLAB-werkruimte.
- Implementeer de functie SliceLocation om de locatiearray voor een variabele op te slaan en er een plot van te maken (afbeelding 1).
- Met behulp van de knop Gegevenstips in de rechterbovenhoek van de GUI voegt u een gegevenstip toe aan de plot op het punt dat de maximale locatiewaarde van de normale reeks vertegenwoordigt (de bovenste locatie van de beeldvorming van de patiënt; Figuur 1).
- Sorteer alle afbeeldingen en extraheer de afbeeldingen vanaf 1 tot de maximale locatiewaarde door de functie VolumeResort te implementeren.
- Sla de volumes van de geldige afbeeldingen op met de gesorteerde index, wat handig is om terug te gaan naar de belangrijke knobbeltjes.
- Inspectie van het thoracale volume
OPMERKING: Het hebben van een goed gedefinieerde structuur voor gegevensopslag maakt vervolgwerk gemakkelijker.- Implementeer de functie VolumeInspect om drie weergaven van het geconstrueerde volume weer te geven. Sleep het viziersnijding omhoog en omlaag in de coronale as om snel door alle afbeeldingen op de horizontale as te bladeren (afbeelding 2).
- Verplaats het vizier naar de horizontale as om door alle afbeeldingen in de coronale as te bladeren. Het vizier bevindt zich in dezelfde ruimtelijke coördinaten in het 3D-volume; Als u het op de ene as verplaatst, verandert daarom de locatie van de afbeeldingen in de andere twee assen.
- Gebruik voor de functie VolumeInspect het standaardintensiteitsvenster voor de long in de GUI. Pas de werkelijke filterprestaties aan door de linkermuisknop ingedrukt te houden en in de as te slepen.
2. Digitaal model voor horizontale 3D-reconstructie
OPMERKING: Het subproces 3Dlung_Horizon voert een grondig onderzoek uit van longknobbels vanuit een horizontaal perspectief.
- Implementeer de Build_3Dlung_Horizon-functie in de MATLAB-werkplek om het digitale 3D-model van de longknobbels onder het filtervenster van de long te reconstrueren en open vervolgens de GUI om het horizontale 3D-model te controleren (figuur 3).
- Anders dan in stap 1.3.2 is de GUI in figuur 3 een continue 3D-longstructuur waarin verschillende soorten longknobbels en hun relatieve ruimtelijke relaties met het longweefsel duidelijk te zien zijn. Wanneer u de schuifbalk op de GUI met de muis sleept, kan de continue 3D-longstructuur worden waargenomen.
- De rechterbovenhoek van de GUI in afbeelding 3 bevat pictogrammen voor inzoomen, uitzoomen, terugkeren naar de globale weergave en het markeren van de coördinaten van de geselecteerde pixel. Gebruik de zoomfunctie om de lokale kenmerken van de laesies te observeren en relevante 3D-structurele uitvoerfoto's uit te voeren. Gebruik de knop Pixelcoördinaten markeren om de afstand tussen twee punten te berekenen om de grootte van de knobbeltjes te meten.
- De standaardkleurenbalk is de jet-kleurenkaart, wat betekent dat blauw tot rood waarden van laag naar hoog vertegenwoordigt. Klik met de rechtermuisknop op Kleurenbalk in het pop-upmenu om de algemene grijze kleurenkaart te selecteren en de hele GUI opnieuw in te stellen.
- Als het filtervenster niet tevreden is, gebruikt u de linkermuisknop om omhoog en omlaag te slepen in het midden van de afbeelding om het vensterniveau aan te passen. Sleep naar links en rechts om de vensterbreedte aan te passen en het bijbehorende nauwkeurige filterbereik wordt weergegeven op de kleurenbalk.
3. Het bouwen van een 3D digitaal model voor een specifieke knobbel
OPMERKING: Het segmentnummer is een parameter van de functie 3D_Nodules, die een digitaal 3D-model reconstrueert dat vanuit elk perspectief kan worden bekeken.
- Om het segmentnummer te bepalen, zoals in figuur 3, controleert u rechtsboven in de schuifbalk; in figuur 3 is het segmentnummer 70. Gebruik de functie Build_3D_Nodules met twee parameters, waaronder het segmentnummer en het thoracale volume dat in stap 1.3 is gemaakt, om een digitaal 3D-model voor specifieke knobbeltjes te reconstrueren. Dit is een door de gebruiker gedefinieerd model, omdat het invoersegmentnummer variabel is en afhankelijk is van de gebruiker.
- Als de functie Build_3D_Nodules correct wordt uitgevoerd, kan de gebruiker de longknobbel in een bepaald segmentnummer vanuit verschillende perspectieven in de pop-up-GUI controleren (figuur 4). Voer hiervoor de volgende acties uit:
- Houd de linkermuisknop ingedrukt, zoals in het midden van figuur 4, en sleep deze in elke richting om het perspectief van de longknobbels te wijzigen. Opgemerkt moet worden dat de observatiehoek rekening moet houden met de anatomische overwegingen en moet proberen zowel de medische kenmerken van de longknobbels als de relatie tussen de knobbeltjes en de omliggende weefsels aan te tonen.
- Gebruik de zoom- en verplaatspictogrammen in de rechterbovenhoek, zoals gedaan in Figuur 3. Bovendien kan de gebruiker door met de middelste muisknop te rollen continu in- of uitzoomen op de weergave van het model.
- De GUI in figuur 4 toont de coördinaatindicatie van het model in de linkerbenedenhoek, waarbij de positieve richting op de z-as de scanrichting in de horizontale positie is. Implementeer de screenshot-tool van het besturingssysteem om de vereiste 3D-projectie van de knobbeltjes op te slaan.
4. Digitaal model van een coronale 3D-reconstructie
OPMERKING: Het Build_3Dlung_Coronal subproces wordt uitgevoerd om pulmonale knobbeltjes te evalueren vanuit een alternatief coronaal perspectief, waardoor clinici en patiënten worden geholpen bij het ontwikkelen van een nauwkeuriger en inclusiever begrip van de locatie en kenmerken van de knobbeltjes.
- Implementeer de Build_3Dlung_Coronal functie op de MATLAB-werkplek om het digitale 3D-model van longknobbels onder het filtervenster van de long te reconstrueren en open vervolgens de GUI, zoals voorbereid door de functie, om het coronale 3D-model te controleren (figuur 5).
- De GUI in figuur 5 toont een continue coronale 3D-longstructuur waarin verschillende soorten longknobbels en hun relatieve ruimtelijke relaties met het longweefsel duidelijk te zien zijn. Sleep de schuifbalk op de GUI met de muis om de continue coronale 3D-longstructuur te observeren.
- De rechterbovenhoek van de GUI, zoals weergegeven in afbeelding 5, bevat ook pictogrammen voor inzoomen, uitzoomen, terugkeren naar de globale weergave en het markeren van de coördinaten van de geselecteerde pixel. Gebruik deze functies om de lokale kenmerken van de laesies te observeren en om relevante 3D-structurele afbeeldingen te genereren. Markeer de pixelcoördinaten om de afstand tussen twee punten te berekenen, die vaak wordt gebruikt om de grootte van de knobbeltjes te meten.
- De standaardkleurenbalk is de jet-kleurenkaart, waarin de kleuren van blauw naar rood waarden van laag naar hoog vertegenwoordigen. Klik met de rechtermuisknop op de kleurenbalk in het pop-upmenu om de algemene grijze kleurenkaart te selecteren en de hele GUI opnieuw in te stellen.
- Als het filtervenster niet geschikt is, gebruikt u de linkermuisknop om omhoog en omlaag te slepen in het midden van de afbeelding om het vensterniveau aan te passen; Sleep naar links en rechts om de vensterbreedte aan te passen en het bijbehorende nauwkeurige filterbereik wordt weergegeven op de kleurenbalk.
5. Voer 3D-video uit voor dominante longknobbels
OPMERKING: Het omzetten van het optimale 3D digitale model van een longknobbel in een dynamische 3D-video stelt artsen en patiënten in staat om de aandoening beter te begrijpen en nauwkeurige beoordelingen te maken, wat vooral van cruciaal belang is voor het formuleren van effectieve behandelplannen.
- Bereid in de werkruimte het vereiste digitale 3D-model voor en visualiseer vooraf de relatieve ruimtelijke relaties tussen de longknobbels en het longweefsel dat vanuit verschillende hoeken moet worden weergegeven (figuur 3 en figuur 4).
- In dit onderzoek is Adobe Captivate 2019 gebruikt om alle GUI-interactieprocessen vast te leggen. Open om te beginnen de software en maak een nieuw schermopnameproject. Schakel de camera uit en het rode schermopnamebereikvak verschijnt voor het opnemen van alleen de schermbewerking. In dit onderzoek werd de versie 5.1 GUI in de doos opgenomen. Klik op de opnameknop om de GUI te bedienen en genereer een digitaal videobestand van de schermopname.
- Na het opnemen van de dynamische weergave van de longknobbels, keert u terug naar de besturingsomgeving van de software door op het pictogram in de taakbalk te klikken.
- Met behulp van de videopublicatiefunctie slaat u de opgenomen dynamische video van het digitale 3D-model van de longknobbels op. Klik op Bestand > Distribueer en configureer het pad voor bestandsopslag. Geef het bestand een naam en sla het gewenste digitale videobestand op.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Om de methode toepasbaar te maken op een breder scala aan apparaten, moet de stapelvolgorde van elke scan worden gereorganiseerd op basis van de interne coördinaten van het DICOM-bestandssysteem (figuur 1) om het juiste 3D-volume te genereren (figuur 2). Op basis van de nauwkeurige volumegegevens gebruikten we algoritmische continue reconstructie van de horizontale en coronale MIPs van de long van de patiënt (figuur 4 en figuur 5) voor de precieze diagnose en behandeling van de longknobbels van de patiënt.
DICOM-gegevens van verschillende apparaten worden meestal niet in de juiste volgorde van laag naar hoog gesorteerd langs de anatomische positie in de patiënt. Voor modelreconstructie moet elke afbeelding echter in een lage naar hoge volgorde worden gesorteerd. Figuur 1 toont niet alleen de typische verdeling van DICOM-sequentieposities, maar ook voor GUI-interactie die nodig is om de positiegrenzen van de beeldsequentie te bepalen. Deze stap is een belangrijk onderdeel van de datavoorbereiding in het modelreconstructieproces.
Figuur 2 geeft in wezen de drie weergaven weer van het 3D-volume van de gehele long in het axiale, coronale en sagittale vlak. Als de vorige gegevensvoorbereiding en de volumeberekening correct zijn, kunnen de longbeelden in elke weergave worden bekeken, zoals in figuur 2. Deze GUI maakt het ook mogelijk om op vensterniveau te filteren door de muis te slepen om de afbeeldingen op verschillende vensterniveaus te bekijken. Het onderliggende volume, zoals weergegeven in figuur 2, dient als basis voor de reconstructie van 3D-modellen.
Figuur 3 toont de continue 3D-reconstructieresultaten in de axiale weergave. In deze GUI kan de arts de longstructuur van de patiënt continu langs het axiale beeld observeren, snel longknobbels lokaliseren en de relatie tussen de knobbeltjes en het omliggende longweefsel observeren. Zoals weergegeven in figuur 3, kunnen ook bewerkingen zoals de lokale vergroting van knobbelweergaven, het herstel van het vensterniveau en het markeren van pixelposities worden uitgevoerd. Op de kleurenbalk worden kleuren weergegeven die overeenkomen met de verschillende intensiteitswaarden in de afbeelding.
De GUI in figuur 4 biedt artsen de mogelijkheid om de geïnteresseerde longknobbels vanuit elk perspectief te observeren.
Figuur 5 toont de continue 3D-reconstructieresultaten in de coronale weergave. In deze GUI kan de arts de longstructuur van de patiënt continu langs het coronale beeld observeren, snel longknobbels lokaliseren en de relatie tussen de knobbeltjes en het omliggende longweefsel observeren. Zoals te zien is in figuur 5, kunnen ook bewerkingen zoals de lokale vergroting van knobbelweergaven, het herstel van het vensterniveau en het markeren van pixelposities worden uitgevoerd. Op de kleurenbalk worden kleuren weergegeven die overeenkomen met de verschillende intensiteitswaarden in de afbeelding.
Figuur 1: De afbeeldingslocatieplot volgens de bestandsnaamvolgorde. De afbeelding toont de typische verdeling van DICOM-sequentieposities en geeft de GUI-interactie aan die nodig is om de positiegrenzen van de afbeeldingsreeks te bepalen. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 2: De GUI van drie weergaven van het pulmonale 3D-volume. De figuur geeft de drie weergaven weer van het 3D-volume van de gehele long in het axiale, coronale en sagittale vlak. Als de vorige gegevensvoorbereiding en de volumeberekening correct zijn, kunnen longbeelden in elke weergave worden bekeken. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 3: De GUI voor het controleren van de longknobbels vanuit een horizontale weergave. De figuur toont de continue 3D-reconstructie resulteert in de axiale weergave. De arts kan de longstructuur van de patiënt continu observeren langs het axiale beeld, longknobbels lokaliseren en de relatie tussen de knobbeltjes en het omliggende longweefsel observeren. De kleuren in de kleurenbalk komen overeen met verschillende intensiteitswaarden in de afbeelding. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 4: Het controleren van het digitale 3D-model van een specifieke longknobbel. Met de GUI kan de gebruiker de pulmonale knobbeltjes van belang vanuit elk perspectief observeren. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 5: De GUI voor het controleren van de longknobbels vanuit een coronaal view. De figuur toont de continue 3D-reconstructieresultaten in de coronale weergave. In deze GUI kan de arts de longstructuur van de patiënt continu langs het coronale beeld observeren, snel longknobbels lokaliseren en de relatie tussen de knobbeltjes en het omliggende longweefsel observeren. De kleuren in de kleurenbalk komen overeen met verschillende intensiteitswaarden in de afbeelding. Klik hier om een grotere versie van deze figuur te bekijken.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Verschillende LDCT-apparaten hebben aanzienlijke verschillen in de DICOM-afbeeldingsreeksen die ze uitvoeren, vooral in termen van het beheer van het bestandssysteem. Om het belangrijkste 3D-digitale model van een longknobbel in de latere stadia van het protocol te reconstrueren, is daarom de stap voor het voorbewerken van gegevens bijzonder belangrijk. In de fase van gegevensvoorbereiding en voorbewerking (stap 1.2.2) kan de z-ascoördinaat van de reeks correct worden gesorteerd met behulp van de volgorde in figuur 1, die ook kan worden gebruikt om de juiste afbeeldingsvolgorde die nodig is voor modellering correct te rangschikken en het juiste 3D-volume te genereren voor het daaropvolgende modelleringswerk. De 3D-reconstructies (stap 2.1 en stap 4.1) in de horizontale en coronale as bieden artsen en patiënten dubbele controles van longknobbels vanuit de twee meest gebruikte perspectieven. Het detecteren van knobbeltjes en het presenteren van hun ruimtelijke kenmerken en relaties met het longweefsel, vooral met de longslagaders, en het gebruik van softwaretools zijn cruciaal voor de diagnose van de ziekte en de formulering van het behandelplan. Op het gebied van arts-patiëntcommunicatie is een goede dynamische 3D-video (stap 5.2) een uitstekend communicatiemiddel dat patiënten ondersteunt om hun eigen toestand en prognose te begrijpen.
Bij het bespreken van de klinische en onderzoeksscenario's van deze studie, is een belangrijke kwestie die moet worden aangepakt, hoe een duidelijk en uitgebreid begrip van pulmonale knobbeltjes onder behandeling kan worden geboden aan zowel gespecialiseerde artsen als patiënten. Meestal brengen patiënten onderzoeksresultaten van verschillende apparaten en historische perioden naar hun artsen, en bij gebrek aan ondersteuning van een radioloog moeten artsen nauwkeurige oordelen vellen over de grootte, locatie en kenmerken van de longknobbels van de patiënt om geschikte behandelplannen te bieden. Patiënten daarentegen moeten de ontwikkelingsstatus en behandelingseffecten van hun eigen longknobbels effectief begrijpen en volgen. Daarom, of het geval nu het begrijpen van CT-gegevens van verschillende apparaten en tijden vereist, het overbruggen van de kloof tussen radiologen en gespecialiseerde artsen, of het helpen van betere communicatie tussen arts en patiënt, deze studie biedt een ideale oplossing en technische middelen om deze scenario's aan te pakken.
Hoewel de huidige tools uitstekende prestaties hebben laten zien in 3D-modellering en visualisatie van longknobbels, is er nog steeds ruimte voor evolutie en verbetering. Ten eerste zou een GUI met wederzijdse indexering tussen 2D-tri-views en 3D-modellen kunnen worden ontwikkeld om kruisvalidatie van de twee perspectieven te vergemakkelijken. Ten tweede zijn continue 3D-modellen vanuit willekeurige kijkhoeken ook de moeite waard om verder te ontwikkelen. Ten derde is het integreren van het volgen en beheren op lange termijn van behandelplannen en prognoses van patiënten ook een belangrijke richting voor evolutie, omdat dit nuttig zou zijn voor een complete medische beeldvormingsoplossing op het gebied van longknobbels.
Vanwege de vereiste van machine learning om een groot aantal consistente medische beeldsequentiemonsters van verschillende soorten longknobbels13 te produceren en de aanzienlijke schaal van AI-rekenkracht, is het nog niet mogelijk om longknobbels te herkennen en automatisch te classificeren op basis van 3D-volumekenmerken14,15. Dit is een onderzoeksrichting waar in de latere stadia van dit werk nog aandacht aan zal worden besteed.
Het belang van deze studie ligt in het leveren van een continu 3D digitaal model voor de diagnose en behandeling van longknobbels. Artsen en patiënten kunnen de aandoening beter begrijpen en rationelere oordelen door de kenmerken van knobbeltjes vanuit verschillende perspectieven in de 3D-ruimte te observeren, wat ook een belangrijke referentiewaarde is voor de prognose-evaluatie van de knobbeltjes. Op basis van bestaand werk zou deep machine learning kunnen worden geïntroduceerd om longknobbels vanuit een meer multidimensionaal perspectief te classificeren. Door het gebruik van klinische behandelingsgevallen kon de werkzaamheid van geneesmiddelen en andere behandelingen worden gevolgd met behulp van deze methode om een steeds nauwkeurigere kwantitatieve basis te bieden voor de prognose-evaluatie van longknobbels.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
De softwaretool voor pulmonale knobbelmodelreconstructie, PulmonaryNodule, is commerciële software van de Beijing Intelligent Entropy Science & Technology Co Ltd. De intellectuele eigendomsrechten van deze softwaretool behoren toe aan het bedrijf. De auteurs hebben geen belangenconflicten bekend te maken.
Acknowledgments
Deze publicatie werd ondersteund door het Fifth National Traditional Chinese Medicine Clinical Excellent Talents Research Program, georganiseerd door de National Administration of Traditional Chinese Medicine (http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html).
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).
