Summary
L'obiettivo di questo studio è sviluppare un nuovo modello digitale 3D dei noduli polmonari che funge da ponte di comunicazione tra medici e pazienti ed è anche uno strumento all'avanguardia per la pre-diagnosi e la valutazione prognostica.
Abstract
La ricostruzione tridimensionale (3D) dei noduli polmonari mediante immagini mediche ha introdotto nuovi approcci tecnici per la diagnosi e il trattamento dei noduli polmonari, e questi approcci vengono progressivamente riconosciuti e adottati da medici e pazienti. Tuttavia, la costruzione di un modello digitale 3D relativamente universale di noduli polmonari per la diagnosi e il trattamento è impegnativa a causa delle differenze del dispositivo, dei tempi di ripresa e dei tipi di noduli. L'obiettivo di questo studio è quello di proporre un nuovo modello digitale 3D dei noduli polmonari che funge da ponte tra medici e pazienti ed è anche uno strumento all'avanguardia per la pre-diagnosi e la valutazione prognostica. Molti metodi di rilevamento e riconoscimento dei noduli polmonari basati sull'intelligenza artificiale impiegano tecniche di deep learning per acquisire le caratteristiche radiologiche dei noduli polmonari e questi metodi possono ottenere buone prestazioni sotto la curva (AUC). Tuttavia, i falsi positivi e i falsi negativi rimangono una sfida per radiologi e clinici. L'interpretazione e l'espressione delle caratteristiche dal punto di vista della classificazione e dell'esame dei noduli polmonari sono ancora insoddisfacenti. In questo studio, viene proposto un metodo di ricostruzione 3D continua dell'intero polmone in posizioni orizzontali e coronali combinando le tecnologie di elaborazione delle immagini mediche esistenti. Rispetto ad altri metodi applicabili, questo metodo consente agli utenti di localizzare rapidamente i noduli polmonari e identificare le loro proprietà fondamentali, osservando anche i noduli polmonari da più prospettive, fornendo così uno strumento clinico più efficace per la diagnosi e il trattamento dei noduli polmonari.
Introduction
L'incidenza globale dei noduli polmonari è variabile, ma si stima generalmente che circa il 30% degli adulti abbia almeno un nodulo polmonare visibile sulle radiografie del torace1. L'incidenza dei noduli polmonari è maggiore in popolazioni specifiche, come i forti fumatori e quelli con una storia di cancro ai polmoni o altre malattie polmonari. È importante notare che non tutti i noduli polmonari sono maligni, ma è necessaria una valutazione approfondita per escludere la malignità2. La diagnosi precoce e la diagnosi del cancro del polmone sono fondamentali per migliorare i tassi di sopravvivenza e lo screening regolare con tomografia computerizzata a basso dosaggio (LDCT) è raccomandato per gli individui ad alto rischio. Molti metodi di rilevamento e riconoscimento dei noduli polmonari guidati dall'intelligenza artificiale 3,4,5,6,7 impiegano tecniche di deep learning per catturare le caratteristiche radiologiche dei noduli polmonari e questi metodi possono ottenere buone prestazioni di area sotto la curva (AUC). Tuttavia, i falsi positivi e i falsi negativi rimangono una sfida per radiologi e clinici. L'interpretazione e l'espressione delle caratteristiche dal punto di vista della classificazione e dell'esame dei noduli polmonari sono ancora insoddisfacenti. Allo stesso tempo, la ricostruzione 3D dei noduli polmonari basata su LDCT ha guadagnato crescente attenzione come modello digitale per vari tipi di noduli.
La ricostruzione 3D dei noduli polmonari è un processo che genera una rappresentazione 3D di una piccola crescita o nodulo nel polmone. Questo processo comporta in genere l'applicazione di tecniche di analisi delle immagini mediche che sfruttano sia le competenze mediche che gli approcci di data intelligence. Il modello digitale 3D risultante offre una rappresentazione più dettagliata e accurata del nodulo, consentendo una migliore visualizzazione e analisi delle sue dimensioni, forma e relazione spaziale con i tessuti polmonari circostanti 8,9,10,11,12. Tali informazioni possono aiutare nella diagnosi e nel monitoraggio dei noduli polmonari, in particolare quelli sospettati di essere cancerosi. Facilitando un'analisi più precisa, la ricostruzione 3D dei noduli polmonari ha il potenziale per migliorare l'accuratezza della diagnosi e informare le decisioni di trattamento.
La proiezione a massima intensità (MIP) è una tecnica popolare nel campo della ricostruzione 3D dei noduli polmonari e viene utilizzata per creare una proiezione 2D di un'immagine 3D 8,9,10,11,12 È particolarmente utile nella visualizzazione di dati volumetrici estratti da file di imaging digitale e comunicazioni in medicina (DICOM) scansionati da CT. La tecnica MIP funziona selezionando i voxel (le unità più piccole di dati di volume 3D) con la massima intensità lungo la direzione di visualizzazione e proiettandoli su un piano 2D. Ciò si traduce in un'immagine 2D che enfatizza le strutture con la massima intensità e sopprime quelle con intensità inferiore, il che rende più facile identificare e analizzare le caratteristiche rilevanti 9,10,11,12. Tuttavia, la procedura per gli squilibri macroeconomici non è priva di limitazioni. Ad esempio, il processo di proiezione può comportare una perdita di informazioni e l'immagine 2D risultante potrebbe non rappresentare accuratamente la struttura 3D dell'oggetto sottostante. Tuttavia, la MIP rimane uno strumento prezioso per l'imaging e la visualizzazione medica e il suo utilizzo continua ad evolversi con i progressi della tecnologia e della potenza di calcolo11.
In questo studio, viene sviluppato un modello MIP successivo per visualizzare i noduli polmonari che è facile da usare, facile da usare per radiologi, medici e pazienti e consente l'identificazione e la stima delle proprietà dei noduli polmonari. I principali vantaggi di questo approccio di elaborazione includono i seguenti aspetti: (1) eliminazione di falsi positivi e falsi negativi derivanti dal riconoscimento dei modelli, che consente di concentrarsi sull'assistenza ai medici per ottenere informazioni più complete sulla posizione, la forma e le dimensioni 3D dei noduli polmonari, nonché la loro relazione con la vascolarizzazione circostante; 2) consentire ai medici specialisti di acquisire conoscenze professionali sulle caratteristiche dei noduli polmonari anche senza l'assistenza di radiologi; e (3) migliorare sia l'efficienza della comunicazione tra medici e pazienti che la valutazione della prognosi.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
NOTA: durante la fase di pre-elaborazione dei dati, i dati DICOM originali devono essere ordinati e intercettati per garantire la compatibilità con vari dispositivi e risultati coerenti. Un'adeguata capacità regolabile deve essere riservata per l'elaborazione dell'intensità e una prospettiva 3D continua è essenziale per l'osservazione. In questo protocollo, viene fornita una descrizione metodica dell'approccio di ricerca, dettagliando un caso che coinvolge una paziente di 84 anni che presenta noduli polmonari. Questa paziente ha fornito il consenso informato per la sua diagnosi tramite modellazione digitale e ha autorizzato l'utilizzo dei suoi dati per scopi di ricerca scientifica. La funzione di ricostruzione del modello deriva dallo strumento software PulmonaryNodule (vedere la tabella dei materiali per i dettagli). L'autorizzazione etica è stata ottenuta dal Comitato etico dell'ospedale Dongzhimen, affiliato all'Università di medicina cinese di Pechino (DZMEC-KY-2019.90).
1. Raccolta e preparazione dei dati
- Dati LDCT per la rilevazione di noduli polmonari
NOTA: Le differenze osservate nei valori dei parametri non dipendono dal metodo di ricerca utilizzato.- Acquisire il consenso del paziente per l'acquisizione dei dati DICOM. Trasferire tutti i dati nella directory di lavoro designata.
- Identificare la directory dei dati con il maggior numero di livelli di scansione e lo spessore dello strato più sottile per ottimizzare l'accuratezza in base alle informazioni sul file. Generalmente, più file di scansione DICOM ha un paziente, più sottile è lo spessore dello strato di scansione.
- Implementando la funzione Dicominfo e utilizzando i file DICOM come parametri della funzione, ottenere i parametri di spessore della sezione e spaziatura dei pixel nell'ambiente MATLAB. Questi parametri sono essenziali per impostare la velocità di visualizzazione del volume 3D. Per i dati di esempio utilizzati in questo studio, lo spessore della fetta era di 1 mm, la spaziatura dei pixel era di 0,5 mm e sono stati scansionati un totale di 200 strati.
- Correzione dell'ordinamento dei dati acquisiti
NOTA: la sequenza di ogni immagine deve essere ordinata per la costruzione del volume.- Leggi i dati sulla posizione di ogni immagine utilizzando la funzione Dicominfo. Ottenere la posizione immettendo informazioni. SliceLocation nell'area di lavoro MATLAB.
- Implementare la funzione SliceLocation per memorizzare la matrice di posizioni per una variabile e farne un grafico (Figura 1).
- Utilizzando il pulsante Suggerimenti dati nella parte superiore destra della GUI, aggiungere un suggerimento dati al grafico sul punto che rappresenta il valore di posizione massima della sequenza normale (la posizione superiore dell'imaging del paziente; Figura 1).
- Ordina tutte le immagini ed estrai le immagini a partire da 1 fino al valore di posizione massima implementando la funzione VolumeResort.
- Memorizza i volumi delle immagini valide con l'indice ordinato, che sarà utile per risalire ai noduli importanti.
- Ispezionamento del volume toracico
NOTA: avere una struttura di archiviazione dei dati ben definita rende più conveniente il lavoro di follow-up.- Implementare la funzione VolumeInspect per visualizzare tre viste del volume costruito. Trascinare l'intersezione del mirino verso l'alto e verso il basso nell'asse coronale per sfogliare rapidamente tutte le immagini nell'asse orizzontale (Figura 2).
- Sposta il mirino sull'asse orizzontale per sfogliare tutte le immagini nell'asse coronale. Il mirino è nelle stesse coordinate spaziali nel volume 3D; Pertanto, spostandolo su un asse cambierà la posizione delle immagini negli altri due assi.
- Per la funzione VolumeInspect , utilizzare la finestra di intensità predefinita per il polmone nella GUI. Regolare le prestazioni effettive del filtro tenendo premuto il pulsante sinistro del mouse e trascinando sull'asse.
2. Modello digitale per la ricostruzione 3D orizzontale
NOTA: Il sottoprocesso 3Dlung_Horizon esegue un esame approfondito dei noduli polmonari da una prospettiva orizzontale.
- Implementare la funzione Build_3Dlung_Horizon in MATLAB workplace per ricostruire il modello digitale 3D dei noduli polmonari sotto la finestra del filtro del polmone, quindi aprire la GUI per controllare il modello 3D orizzontale (Figura 3).
- A differenza del punto 1.3.2, la GUI nella Figura 3 è una struttura polmonare 3D continua in cui vari tipi di noduli polmonari e le loro relative relazioni spaziali con il tessuto polmonare possono essere visti chiaramente. Quando si trascina la barra di scorrimento sulla GUI con il mouse, è possibile osservare la struttura polmonare 3D continua.
- L'angolo superiore destro della GUI nella Figura 3 fornisce icone per lo zoom avanti, lo zoom indietro, il ritorno alla visualizzazione globale e la marcatura delle coordinate del pixel selezionato. Utilizzare la funzione di zoom per osservare le caratteristiche locali delle lesioni e produrre immagini di output strutturali 3D rilevanti. Utilizzare il pulsante Segna coordinate pixel per calcolare la distanza tra due punti al fine di misurare la dimensione dei noduli.
- La barra dei colori predefinita è la mappa dei colori del getto, il che significa che dal blu al rosso rappresenta i valori dal basso all'alto. Fare clic con il pulsante destro del mouse su Barra dei colori nel menu a comparsa per selezionare la mappa dei colori grigia comune e ripristinare l'intera GUI.
- Se la finestra del filtro non è soddisfatta, utilizzare il pulsante sinistro del mouse per trascinare verso l'alto e verso il basso al centro della figura per regolare il livello della finestra. Trascina verso sinistra e destra per regolare la larghezza della finestra e l'intervallo di filtraggio accurato corrispondente verrà visualizzato sulla barra dei colori.
3. Costruire un modello digitale 3D per qualsiasi nodulo specifico
NOTA: Il numero di fetta è un parametro della funzione 3D_Nodules, che ricostruisce un modello digitale 3D visualizzabile da ogni prospettiva.
- Per determinare il numero della sezione, come illustrato nella Figura 3, controllare nella parte superiore destra della barra di scorrimento; nella Figura 3, il numero della sezione è 70. Utilizzare la funzione Build_3D_Nodules con due parametri, tra cui il numero di fetta e il volume toracico creato nel passaggio 1.3, per ricostruire un modello digitale 3D per noduli specifici. Si tratta di un modello definito dall'utente, poiché il numero della sezione di input è variabile e dipende dall'utente.
- Se la funzione Build_3D_Nodules viene eseguita correttamente, l'utente può controllare il nodulo polmonare situato in un determinato numero di fette da varie prospettive nella GUI pop-up (Figura 4). A tale scopo, eseguire le seguenti azioni:
- Tenere premuto il pulsante sinistro del mouse, come al centro della Figura 4, e trascinarlo in qualsiasi direzione per cambiare la prospettiva dei noduli polmonari. Va notato che l'angolo di osservazione dovrebbe tenere conto delle considerazioni anatomiche e cercare di mostrare sia le caratteristiche mediche dei noduli polmonari che la relazione tra i noduli e i tessuti circostanti.
- Utilizzare le icone di zoom e spostamento nell'angolo superiore destro, come illustrato nella Figura 3. Inoltre, ruotando il pulsante centrale del mouse, l'utente può continuamente ingrandire o rimpicciolire la vista del modello.
- La GUI nella Figura 4 mostra l'indicazione delle coordinate del modello nell'angolo inferiore sinistro, dove la direzione positiva sull'asse z è la direzione di scansione in posizione orizzontale. Implementare lo strumento screenshot fornito dal sistema operativo per salvare la proiezione 3D richiesta dei noduli.
4. Modello digitale di una ricostruzione 3D coronale
NOTA: Il sottoprocesso Build_3Dlung_Coronal viene eseguito per valutare i noduli polmonari da una prospettiva coronale alternativa, aiutando così medici e pazienti a sviluppare una comprensione più precisa e inclusiva della posizione e degli attributi dei noduli.
- Implementare la funzione Build_3Dlung_Coronal nell'ambiente di lavoro MATLAB per ricostruire il modello digitale 3D dei noduli polmonari sotto la finestra del filtro del polmone, quindi aprire la GUI, come preparato dalla funzione, per controllare il modello 3D coronale (Figura 5).
- La GUI nella Figura 5 mostra una struttura polmonare 3D coronale continua in cui vari tipi di noduli polmonari e le loro relative relazioni spaziali con il tessuto polmonare possono essere visti chiaramente. Trascinare la barra di scorrimento sulla GUI con il mouse per osservare la struttura polmonare 3D coronale continua.
- L'angolo superiore destro della GUI, come illustrato nella Figura 5, fornisce anche icone per lo zoom avanti, lo zoom indietro, il ritorno alla vista globale e la marcatura delle coordinate del pixel selezionato. Utilizzare queste funzioni per osservare le caratteristiche locali delle lesioni e per generare immagini strutturali 3D rilevanti. Segna le coordinate dei pixel per calcolare la distanza tra due punti, che viene spesso utilizzata per misurare la dimensione dei noduli.
- La barra dei colori predefinita è la mappa dei colori Jet, in cui i colori dal blu al rosso rappresentano i valori dal basso all'alto. Fare clic con il pulsante destro del mouse sulla barra dei colori nel menu a comparsa per selezionare la mappa dei colori grigi comune e reimpostare l'intera GUI.
- Se la finestra del filtro non è appropriata, utilizzare il pulsante sinistro del mouse per trascinare su e giù al centro della figura per regolare il livello della finestra; Trascina a sinistra e a destra per regolare la larghezza della finestra e sulla barra dei colori verrà visualizzato l'intervallo di filtraggio accurato corrispondente.
5. Uscita video 3D per noduli polmonari dominanti
NOTA: La conversione del modello digitale 3D ottimale di un nodulo polmonare in un video 3D dinamico consente a medici e pazienti di comprendere meglio la condizione e formulare giudizi accurati, il che è particolarmente critico per la formulazione di piani di trattamento efficaci.
- Nell'area di lavoro, preparare il modello digitale 3D richiesto e pre-visualizzare le relazioni spaziali relative tra i noduli polmonari e il tessuto polmonare da visualizzare da varie angolazioni (Figura 3 e Figura 4).
- In questo studio, Adobe Captivate 2019 è stato utilizzato per registrare tutti i processi di interazione della GUI. Per iniziare, apri il software e crea un nuovo progetto di registrazione dello schermo. Spegni la fotocamera e verrà visualizzata la casella dell'intervallo di registrazione dello schermo rosso per registrare solo il funzionamento dello schermo. In questo studio, la versione 5.1 GUI è stata inclusa nella confezione. Fare clic sul pulsante di registrazione per utilizzare la GUI e generare un file video digitale della registrazione dello schermo.
- Dopo aver registrato la visualizzazione dinamica dei noduli polmonari, tornare all'ambiente operativo del software facendo clic sull'icona nella barra delle applicazioni.
- Utilizzando la funzione di pubblicazione video, salvare il video dinamico registrato del modello digitale 3D dei noduli polmonari. Fare clic su File > Distribute e configurare il percorso di archiviazione dei file. Assegna un nome al file e salva il file video digitale desiderato.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Per rendere il metodo applicabile a una gamma più ampia di dispositivi, l'ordine di impilamento di ciascuna scansione deve essere riorganizzato in base alle coordinate interne del file system DICOM (Figura 1) per generare il volume 3D corretto (Figura 2). Sulla base dei dati accurati del volume, abbiamo utilizzato la ricostruzione continua algoritmica dei MIP polmonari orizzontali e coronali del paziente (Figura 4 e Figura 5) per la diagnosi e il trattamento precisi dei noduli polmonari del paziente.
I dati DICOM provenienti da dispositivi diversi di solito non vengono ordinati nell'ordine corretto dal basso verso l'alto lungo la posizione anatomica nel paziente. Tuttavia, per la ricostruzione del modello, ogni immagine deve essere ordinata in un ordine di avanzamento da basso a alto. La Figura 1 mostra non solo la distribuzione tipica delle posizioni della sequenza DICOM, ma anche l'interazione GUI necessaria per determinare i limiti di posizione della sequenza di immagini. Questo passaggio è una parte importante della preparazione dei dati nel processo di ricostruzione del modello.
La figura 2 rappresenta essenzialmente le tre viste del volume 3D dell'intero polmone nei piani assiale, coronale e sagittale. Se la preparazione dei dati precedente e il calcolo del volume sono corretti, è possibile visualizzare le immagini polmonari in ciascuna vista, come nella Figura 2. Questa GUI consente anche il filtraggio a livello di finestra trascinando il mouse per visualizzare le immagini a diversi livelli di finestra. Il volume sottostante, come mostrato nella Figura 2, funge da base per la ricostruzione del modello 3D.
La Figura 3 mostra i risultati della ricostruzione 3D continua nella vista assiale. In questa GUI, il medico può osservare continuamente la struttura polmonare del paziente lungo la vista assiale, individuare rapidamente i noduli polmonari e osservare la relazione tra i noduli e il tessuto polmonare circostante. Come mostrato nella Figura 3, è possibile eseguire anche operazioni come l'ingrandimento locale delle viste dei noduli, il ripristino del livello della finestra e la marcatura delle posizioni dei pixel. La barra dei colori visualizza i colori corrispondenti ai diversi valori di intensità nell'immagine.
La GUI mostrata in Figura 4 fornisce ai medici la possibilità di osservare i noduli polmonari interessati da qualsiasi prospettiva.
La Figura 5 mostra i risultati della ricostruzione 3D continua nella vista coronale. In questa GUI, il medico può osservare continuamente la struttura polmonare del paziente lungo la vista coronale, individuare rapidamente i noduli polmonari e osservare la relazione tra i noduli e il tessuto polmonare circostante. Come mostrato nella Figura 5, è possibile eseguire anche operazioni come l'ingrandimento locale delle viste dei noduli, il ripristino del livello della finestra e la marcatura delle posizioni dei pixel. La barra dei colori visualizza i colori corrispondenti ai diversi valori di intensità nell'immagine.
Figura 1: La posizione dell'immagine viene tracciata in base alla sequenza del nome file. La figura mostra la distribuzione tipica delle posizioni della sequenza DICOM e indica l'interazione GUI necessaria per determinare i limiti di posizione della sequenza di immagini. Fare clic qui per visualizzare una versione ingrandita di questa figura.
Figura 2: La GUI di tre viste del volume 3D polmonare. La figura rappresenta le tre viste del volume 3D dell'intero polmone nei piani assiale, coronale e sagittale. Se la preparazione dei dati precedente e il calcolo del volume sono corretti, è possibile visualizzare le immagini polmonari in ciascuna vista. Fare clic qui per visualizzare una versione ingrandita di questa figura.
Figura 3: La GUI per il controllo dei noduli polmonari da una vista orizzontale. La figura mostra i risultati continui della ricostruzione 3D nella vista assiale. Il medico può osservare continuamente la struttura polmonare del paziente lungo la vista assiale, individuare i noduli polmonari e osservare la relazione tra i noduli e il tessuto polmonare circostante. I colori nella barra dei colori corrispondono a diversi valori di intensità nell'immagine. Fare clic qui per visualizzare una versione ingrandita di questa figura.
Figura 4: Verifica del modello digitale 3D di uno specifico nodulo polmonare. La GUI permette all'utente di osservare i noduli polmonari di interesse da qualsiasi prospettiva. Fare clic qui per visualizzare una versione ingrandita di questa figura.
Figura 5: La GUI per il controllo dei noduli polmonari da una vista coronale. La figura mostra i risultati della ricostruzione 3D continua nella vista coronale. In questa GUI, il medico può osservare continuamente la struttura polmonare del paziente lungo la vista coronale, individuare rapidamente i noduli polmonari e osservare la relazione tra i noduli e il tessuto polmonare circostante. I colori nella barra dei colori corrispondono a diversi valori di intensità nell'immagine. Fare clic qui per visualizzare una versione ingrandita di questa figura.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Diversi dispositivi LDCT presentano differenze significative nelle sequenze di immagini DICOM che producono, specialmente in termini di gestione del file system. Pertanto, per ricostruire il modello digitale 3D chiave di un nodulo polmonare nelle fasi successive del protocollo, la fase di pre-elaborazione dei dati è particolarmente importante. Nella fase di preparazione dei dati e di pre-elaborazione (fase 1.2.2), le coordinate dell'asse z della sequenza possono essere ordinate correttamente utilizzando la sequenza mostrata nella Figura 1, che può anche essere utilizzata per organizzare correttamente l'ordine corretto delle immagini richiesto per la modellazione e generare il volume 3D corretto per il successivo lavoro di modellazione. Le ricostruzioni 3D (step 2.1 e step 4.1) negli assi orizzontale e coronale forniscono a medici e pazienti doppi controlli dei noduli polmonari dalle due prospettive più comunemente utilizzate. Rilevare i noduli e presentare le loro caratteristiche spaziali e le relazioni con il tessuto polmonare, in particolare con le arterie polmonari, e utilizzare strumenti software sono cruciali per la diagnosi della malattia e la formulazione del piano di trattamento. In termini di comunicazione medico-paziente, un buon video dinamico 3D (passo 5.2) è un eccellente strumento di comunicazione che supporta i pazienti a comprendere la propria condizione e prognosi.
Quando si discutono gli scenari clinici e di ricerca di questo studio, una questione importante che deve essere affrontata è come fornire una comprensione chiara e completa dei noduli polmonari in trattamento sia ai medici specializzati che ai pazienti. In genere, i pazienti portano i risultati degli esami da diversi dispositivi e periodi storici ai loro medici e, in assenza di supporto da parte di un radiologo, i medici devono formulare giudizi accurati sulle dimensioni, la posizione e le caratteristiche dei noduli polmonari del paziente al fine di fornire piani di trattamento appropriati. I pazienti, d'altra parte, devono comprendere e monitorare efficacemente lo stato di sviluppo e gli effetti del trattamento dei propri noduli polmonari. Pertanto, sia che il caso richieda la comprensione dei dati TC da diversi dispositivi e tempi, colmando il divario tra radiologi e medici specializzati o assistendo a una migliore comunicazione medico-paziente, questo studio fornisce una soluzione ideale e mezzi tecnici per affrontare questi scenari.
Sebbene gli strumenti attuali abbiano mostrato prestazioni eccezionali nella modellazione 3D e nella visualizzazione delle caratteristiche dei noduli polmonari, c'è ancora spazio per l'evoluzione e il miglioramento. In primo luogo, potrebbe essere sviluppata una GUI con indicizzazione reciproca tra tri-viste 2D e modelli 3D per facilitare la convalida incrociata delle due prospettive. In secondo luogo, anche i modelli 3D continui da angoli di visione arbitrari meritano un ulteriore sviluppo. In terzo luogo, l'integrazione del monitoraggio e della gestione a lungo termine dei piani di trattamento e delle prognosi dei pazienti è anche una direzione importante per l'evoluzione, in quanto ciò sarebbe utile per una soluzione completa di imaging medico nel campo dei noduli polmonari.
A causa della necessità dell'apprendimento automatico di produrre un gran numero di campioni di sequenze di immagini mediche coerenti di diversi tipi di noduli polmonari13 e della notevole scala di potenza di calcolo dell'IA, non è ancora possibile riconoscere e classificare automaticamente i noduli polmonari in base alle caratteristiche del volume 3D14,15. Questa è una direzione di ricerca su cui ci si concentrerà nelle fasi successive di questo lavoro.
Il significato di questo studio sta nel fornire un modello digitale 3D continuo per la diagnosi e il trattamento dei noduli polmonari. Medici e pazienti possono comprendere meglio la condizione e formulare giudizi più razionali osservando le caratteristiche dei noduli da varie prospettive nello spazio 3D, che è anche un importante valore di riferimento per la valutazione della prognosi dei noduli. Sulla base del lavoro esistente, potrebbe essere introdotto un apprendimento automatico profondo per classificare i noduli polmonari da una prospettiva più multidimensionale. Attraverso l'uso di casi di trattamento clinico, l'efficacia dei farmaci e di altri trattamenti potrebbe essere monitorata utilizzando questo metodo per fornire una base quantitativa sempre più accurata per la valutazione della prognosi dei noduli polmonari.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Lo strumento software per la ricostruzione del modello di nodulo polmonare, PulmonaryNodule, è un software commerciale della Beijing Intelligent Entropy Science & Technology Co Ltd. I diritti di proprietà intellettuale di questo strumento software appartengono alla società. Gli autori non hanno conflitti di interesse da rivelare.
Acknowledgments
Questa pubblicazione è stata supportata dal Fifth National Traditional Chinese Medicine Clinical Excellent Talents Research Program organizzato dalla 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).
