Summary
O objetivo deste estudo é desenvolver um novo modelo digital 3D de nódulos pulmonares que sirva como ponte de comunicação entre médicos e pacientes e seja também uma ferramenta de ponta para avaliação pré-diagnóstica e prognóstica.
Abstract
A reconstrução tridimensional (3D) de nódulos pulmonares por meio de imagens médicas introduziu novas abordagens técnicas para o diagnóstico e tratamento de nódulos pulmonares, e essas abordagens estão sendo progressivamente reconhecidas e adotadas por médicos e pacientes. No entanto, a construção de um modelo digital 3D relativamente universal de nódulos pulmonares para diagnóstico e tratamento é um desafio devido às diferenças de dispositivos, tempos de disparo e tipos de nódulos. O objetivo deste estudo é propor um novo modelo digital 3D de nódulos pulmonares que sirva de ponte entre médicos e pacientes e seja também uma ferramenta de ponta para avaliação pré-diagnóstica e prognóstica. Muitos métodos de detecção e reconhecimento de nódulos pulmonares guiados por IA empregam técnicas de aprendizado profundo para capturar as características radiológicas dos nódulos pulmonares, e esses métodos podem alcançar um bom desempenho de área abaixo da curva (AUC). No entanto, falsos positivos e falsos negativos continuam sendo um desafio para radiologistas e clínicos. A interpretação e a expressão das características do ponto de vista da classificação e do exame dos nódulos pulmonares ainda são insatisfatórias. Neste estudo, um método de reconstrução contínua 3D de todo o pulmão em posições horizontal e coronal é proposto combinando as tecnologias de processamento de imagens médicas existentes. Comparado com outros métodos aplicáveis, este método permite localizar rapidamente os nódulos pulmonares e identificar suas propriedades fundamentais, ao mesmo tempo em que observa os nódulos pulmonares sob múltiplas perspectivas, fornecendo assim uma ferramenta clínica mais eficaz para o diagnóstico e tratamento de nódulos pulmonares.
Introduction
A incidência global de nódulos pulmonares é variável, mas geralmente estima-se que cerca de 30% dos adultos tenham pelo menos um nódulo pulmonar visível nas radiografias detórax1. A incidência de nódulos pulmonares é maior em populações específicas, como fumantes pesados e aqueles com história de câncer de pulmão ou outras doenças pulmonares. É importante ressaltar que nem todos os nódulos pulmonares são malignos, mas uma avaliação completa é necessária para descartarmalignidade2. A detecção e o diagnóstico precoces do câncer de pulmão são cruciais para melhorar as taxas de sobrevida, e o rastreamento regular com tomografia computadorizada de baixa dose (TCLD) é recomendado para indivíduos de alto risco. Muitos métodos de detecção e reconhecimento de nódulos pulmonares guiados por IA3,4,5,6,7 empregam técnicas de aprendizado profundo para capturar as características radiológicas dos nódulos pulmonares, e esses métodos podem alcançar um bom desempenho na área sob a curva (AUC). No entanto, falsos positivos e falsos negativos continuam sendo um desafio para radiologistas e clínicos. A interpretação e a expressão das características do ponto de vista da classificação e do exame dos nódulos pulmonares ainda são insatisfatórias. Ao mesmo tempo, a reconstrução 3D de nódulos pulmonares baseada na TCLD tem ganhado cada vez mais atenção como modelo digital para vários tipos de nódulos.
A reconstrução 3D de nódulos pulmonares é um processo que gera uma representação 3D de um pequeno crescimento ou caroço no pulmão. Esse processo normalmente envolve a aplicação de técnicas de análise de imagens médicas que aproveitam a perícia médica e as abordagens de inteligência de dados. O modelo digital 3D resultante oferece uma representação mais detalhada e precisa do nódulo, permitindo melhor visualização e análise de seu tamanho, forma e relação espacial com os tecidos pulmonarescircundantes 8,9,10,11,12. Essas informações podem auxiliar no diagnóstico e monitoramento de nódulos pulmonares, principalmente aqueles com suspeita de câncer. Ao facilitar análises mais precisas, a reconstrução 3D de nódulos pulmonares tem o potencial de aumentar a acurácia do diagnóstico e informar decisões terapêuticas.
A projeção de intensidade máxima (MIP) é uma técnica popular no campo da reconstrução 3D de nódulos pulmonares e é usada para criar uma projeção 2D de uma imagem 3D 8,9,10,11,12 É particularmente útil na visualização de dados volumétricos extraídos de arquivos de imagem digital e comunicações em medicina (DICOM) digitalizados por TC. A técnica MIP funciona selecionando os voxels (as menores unidades de dados de volume 3D) com a maior intensidade ao longo da direção de visualização e projetando-os em um plano 2D. Isso resulta em uma imagem 2D que enfatiza as estruturas de maior intensidade e suprime aquelas de menor intensidade, o que facilita a identificação e análise de características relevantes 9,10,11,12. No entanto, a PImáx não está isenta de limitações. Por exemplo, o processo de projeção pode resultar em uma perda de informações, e a imagem 2D resultante pode não representar com precisão a estrutura 3D do objeto subjacente. No entanto, a MIP continua sendo uma ferramenta valiosa para imagens médicas e visualização, e seu uso continua a evoluir com os avanços da tecnologia e do poder computacional11.
Neste estudo, desenvolve-se um modelo sucessivo de PImáx para visualização de nódulos pulmonares, de fácil utilização, fácil de usar para radiologistas, médicos e pacientes, e que permite identificar e estimar as propriedades dos nódulos pulmonares. As principais vantagens dessa abordagem de processamento incluem os seguintes aspectos: (1) eliminação de falsos positivos e falsos negativos decorrentes do reconhecimento de padrões, o que permite um foco no auxílio médico para obter informações mais abrangentes sobre a localização, forma e tamanho 3D dos nódulos pulmonares, bem como sua relação com a vasculatura circundante; (2) capacitar os médicos especialistas para o conhecimento profissional das características dos nódulos pulmonares, mesmo sem o auxílio de radiologistas; e (3) melhorar a eficiência da comunicação entre médicos e pacientes e a avaliação prognóstica.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
NOTA: Durante o estágio de pré-processamento de dados, os dados DICOM originais devem ser classificados e interceptados para garantir a compatibilidade com vários dispositivos e resultados consistentes. A capacidade ajustável adequada deve ser reservada para o processamento da intensidade, e uma perspectiva 3D contínua é essencial para a observação. Neste protocolo, uma descrição metódica da abordagem de pesquisa é fornecida, detalhando um caso envolvendo uma paciente de 84 anos com nódulos pulmonares. Esta paciente forneceu consentimento informado para seu diagnóstico via modelagem digital e autorizou a utilização de seus dados para fins de pesquisa científica. A função de reconstrução do modelo é derivada da ferramenta de software PulmonaryNodule (consulte a Tabela de Materiais para obter detalhes). A autorização ética foi obtida do Comitê de Ética do Hospital Dongzhimen, afiliado à Universidade de Medicina Chinesa de Pequim (DZMEC-KY-2019.90).
1. Coleta e preparação dos dados
- Dados de TCLD para detecção de nódulos pulmonares
OBS: As diferenças observadas nos valores dos parâmetros independem do método de pesquisa utilizado.- Obter o consentimento do paciente para a aquisição dos dados do DICOM. Transfira todos os dados para o diretório de trabalho designado.
- Identifique o diretório de dados com o maior número de camadas de digitalização e a espessura de camada mais fina para otimizar a precisão com base nas informações do arquivo. Geralmente, quanto mais arquivos de exame DICOM um paciente tiver, mais fina será a espessura da camada de exame.
- Implementando a função Dicominfo e usando os arquivos DICOM como parâmetros de função, obtenha os parâmetros de espessura de fatia e espaçamento de pixels no ambiente MATLAB. Esses parâmetros são essenciais para definir a taxa de exibição de volume 3D. Para os dados de exemplo utilizados neste estudo, a espessura de corte foi de 1 mm, o espaçamento entre pixels foi de 0,5 mm e um total de 200 camadas foram escaneadas.
- Corrigindo a classificação dos dados digitalizados
NOTA: A sequência de cada imagem deve ser classificada para construção de volume.- Leia os dados de localização de cada imagem usando a função Dicominfo. Obtenha o local inserindo informações. SliceLocation no espaço de trabalho MATLAB.
- Implemente a função SliceLocation para armazenar a matriz de localização de uma variável e faça um gráfico dela (Figura 1).
- Usando o botão Dicas de Dados no canto superior direito da GUI, adicione uma dica de dados ao gráfico no ponto que representa o valor máximo de localização da sequência normal (o local superior da imagem do paciente; Gráfico 1).
- Classifique todas as imagens e extraia as imagens começando em 1 até o valor máximo de localização implementando a função VolumeResort.
- Armazene os volumes das imagens válidas com o índice classificado, que será útil para rastrear de volta aos nódulos importantes.
- Inspecionando o volume torácico
NOTA: Ter uma estrutura de armazenamento de dados bem definida torna o trabalho de acompanhamento mais conveniente.- Implemente a função VolumeInspect para mostrar três exibições do volume construído. Arraste a cruz para cima e para baixo no eixo coronal para procurar rapidamente todas as imagens no eixo horizontal (Figura 2).
- Mova a mira para o eixo horizontal para procurar todas as imagens no eixo coronal. A mira está nas mesmas coordenadas espaciais no volume 3D; portanto, movê-lo em um eixo mudará a localização das imagens nos outros dois eixos.
- Para a função VolumeInspect , use a janela de intensidade padrão para o pulmão na GUI. Ajuste o desempenho real do filtro segurando o botão esquerdo do mouse e arrastando no eixo.
2. Modelo digital para reconstrução 3D horizontal
NOTA: O subprocesso 3Dlung_Horizon realiza um exame minucioso dos nódulos pulmonares de uma perspectiva horizontal.
- Implemente a função Build_3Dlung_Horizon no local de trabalho do MATLAB para reconstruir o modelo digital 3D dos nódulos pulmonares sob a janela de filtro do pulmão e, em seguida, abra a GUI para verificar o modelo 3D horizontal (Figura 3).
- Ao contrário do passo 1.3.2, o GUI na Figura 3 é uma estrutura pulmonar 3D contínua na qual vários tipos de nódulos pulmonares e suas relações espaciais relativas com o tecido pulmonar podem ser vistos claramente. Ao arrastar a barra de rolagem na GUI com o mouse, a estrutura pulmonar 3D contínua pode ser observada.
- O canto superior direito da GUI na Figura 3 fornece ícones para ampliar, reduzir, retornar à exibição global e marcar as coordenadas do pixel selecionado. Use a função de zoom para observar as características locais das lesões e produzir imagens de saída estrutural 3D relevantes. Use o botão Marcar coordenadas de pixel para calcular a distância entre dois pontos para medir o tamanho dos nódulos.
- A barra de cores padrão é o mapa de cores do jato, o que significa que azul a vermelho representa valores de baixo para alto. Clique com o botão direito do mouse em Barra de cores no menu pop-up para selecionar o mapa de cores cinza comum e redefinir toda a GUI.
- Se a janela de filtro não estiver satisfeita, use o botão esquerdo do mouse para arrastar para cima e para baixo no meio da figura para ajustar o nível da janela. Arraste para a esquerda e para a direita para ajustar a largura da janela, e o intervalo de filtragem preciso correspondente será exibido na barra de cores.
3. Construção de um modelo digital 3D para qualquer nódulo específico
NOTA: O número de fatia é um parâmetro da função 3D_Nodules, que reconstrói um modelo digital 3D que pode ser visualizado de todas as perspectivas.
- Para determinar o número da fatia, como na Figura 3, verifique no canto superior direito da barra de rolagem; na Figura 3, o número de corte é 70. Use a função Build_3D_Nodules com dois parâmetros, incluindo o número de corte e o volume torácico criado na etapa 1.3, para reconstruir um modelo digital 3D para nódulos específicos. Este é um modelo definido pelo usuário, pois o número da fatia de entrada é variável e depende do usuário.
- Se a função Build_3D_Nodules for executada corretamente, o usuário pode verificar o nódulo pulmonar localizado em um determinado número de corte de várias perspectivas na GUI pop-up (Figura 4). Para fazer isso, execute as seguintes ações:
- Mantenha pressionado o botão esquerdo do mouse, como no centro da Figura 4, e arraste-o em qualquer direção para alterar a perspectiva dos nódulos pulmonares. Deve-se notar que o ângulo de observação deve levar em conta as considerações anatômicas e tentar mostrar tanto as características médicas dos nódulos pulmonares quanto a relação entre os nódulos e os tecidos circundantes.
- Use os ícones de zoom e movimentação no canto superior direito, como feito na Figura 3. Além disso, ao rolar o botão do meio do mouse, o usuário pode aumentar ou diminuir continuamente o zoom da visualização do modelo.
- A GUI na Figura 4 mostra a indicação de coordenadas do modelo no canto inferior esquerdo, onde a direção positiva no eixo z é a direção de varredura na posição horizontal. Implemente a ferramenta de captura de tela fornecida pelo sistema operacional para salvar a projeção 3D necessária dos nódulos.
4. Modelo digital de uma reconstrução 3D coronal
NOTA: O subprocesso Build_3Dlung_Coronal é executado para avaliar os nódulos pulmonares de uma perspectiva coronal alternativa, auxiliando clínicos e pacientes no desenvolvimento de uma compreensão mais precisa e inclusiva da localização e dos atributos dos nódulos.
- Implementar a função Build_3Dlung_Coronal no local de trabalho do MATLAB para reconstruir o modelo digital 3D de nódulos pulmonares sob a janela de filtro do pulmão e, em seguida, abrir a GUI, conforme preparado pela função, para verificar o modelo 3D coronal (Figura 5).
- O GUI na Figura 5 mostra uma estrutura pulmonar 3D coronal contínua na qual vários tipos de nódulos pulmonares e suas relações espaciais relativas com o tecido pulmonar podem ser vistos claramente. Arraste a barra de rolagem na GUI com o mouse para observar a estrutura pulmonar 3D coronal contínua.
- O canto superior direito da GUI, como mostrado na Figura 5, também fornece ícones para ampliar, reduzir, retornar à exibição global e marcar as coordenadas do pixel selecionado. Use essas funções para observar as características locais das lesões e gerar imagens estruturais 3D relevantes. Marque as coordenadas dos pixels para calcular a distância entre dois pontos, que é frequentemente usada para medir o tamanho dos nódulos.
- A barra de cores padrão é o mapa de cores do jato, no qual as cores de azul a vermelho representam valores de baixo para alto. Clique com o botão direito do mouse na barra de cores no menu pop-up para selecionar o mapa de cores cinza comum e redefinir toda a GUI.
- Se a janela de filtro não for apropriada, use o botão esquerdo do mouse para arrastar para cima e para baixo no meio da figura para ajustar o nível da janela; Arraste para a esquerda e para a direita para ajustar a largura da janela, e o intervalo de filtragem preciso correspondente será exibido na barra de cores.
5. Saída de vídeo 3D para nódulos pulmonares dominantes
NOTA: A conversão do modelo digital 3D ideal de um nódulo pulmonar em um vídeo 3D dinâmico permite que médicos e pacientes compreendam melhor a condição e façam julgamentos precisos, o que é especialmente crítico para a formulação de planos de tratamento eficazes.
- No espaço de trabalho, prepare o modelo digital 3D necessário e pré-visualize as relações espaciais relativas entre os nódulos pulmonares e o tecido pulmonar a serem exibidas de vários ângulos (Figura 3 e Figura 4).
- Neste estudo, o Adobe Captivate 2019 foi usado para registrar todos os processos de interação da GUI. Para começar, abra o software e crie um novo projeto de gravação de tela. Desligue a câmera e a caixa de intervalo de gravação de tela vermelha aparecerá para gravar apenas a operação da tela. Neste estudo, a GUI versão 5.1 foi incluída no quadro. Clique no botão de gravação para operar a GUI e gerar um arquivo de vídeo digital da gravação de tela.
- Após registrar a visualização dinâmica dos nódulos pulmonares, retorne ao ambiente operacional do software clicando no ícone na barra de tarefas.
- Usando o recurso de publicação de vídeo, salve o vídeo dinâmico gravado do modelo digital 3D dos nódulos pulmonares. Clique em Arquivo > Distribuir e configurar o caminho de armazenamento de arquivos. Nomeie o arquivo e salve o arquivo de vídeo digital desejado.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Para tornar o método aplicável a uma gama maior de dispositivos, a ordem de empilhamento de cada varredura precisa ser reorganizada com base nas coordenadas internas do sistema de arquivos DICOM (Figura 1) para gerar o volume 3D correto (Figura 2). Com base nos dados precisos de volume, utilizamos a reconstrução contínua algorítmica das PIMs horizontais e coronais do pulmão (Figura 4 e Figura 5) para o diagnóstico e tratamento precisos dos nódulos pulmonares do paciente.
Os dados DICOM de diferentes dispositivos geralmente não são classificados na ordem correta de baixo para alto ao longo da posição anatômica no paciente. No entanto, para a reconstrução do modelo, cada imagem deve ser classificada em uma ordem de avanço de baixa a alta. A Figura 1 não só mostra a distribuição típica das posições da sequência DICOM, mas também a interação GUI necessária para determinar os limites de posição da sequência de imagens. Esta etapa é uma parte importante da preparação dos dados no processo de reconstrução do modelo.
A Figura 2 representa essencialmente as três incidências do volume 3D de todo o pulmão nos planos axial, coronal e sagital. Se o preparo prévio dos dados e o cálculo do volume estiverem corretos, as imagens pulmonares em cada incidência poderão ser visualizadas, como na Figura 2. Essa GUI também permite a filtragem em nível de janela, arrastando o mouse para visualizar as imagens em diferentes níveis de janela. O volume subjacente, como mostrado na Figura 2, serve como base de dados para a reconstrução do modelo 3D.
A Figura 3 mostra os resultados da reconstrução 3D contínua na visão axial. Nesta GUI, o médico pode observar a estrutura pulmonar do paciente continuamente ao longo da visão axial, localizar rapidamente os nódulos pulmonares e observar a relação entre os nódulos e o tecido pulmonar circundante. Como mostrado na Figura 3, operações como a ampliação local das visualizações de nódulos, a recuperação do nível da janela e a marcação das posições dos pixels também podem ser realizadas. A barra de cores exibe cores correspondentes aos diferentes valores de intensidade na imagem.
A GUI mostrada na Figura 4 fornece aos médicos a capacidade de observar os nódulos pulmonares interessados de qualquer perspectiva.
A Figura 5 mostra os resultados da reconstrução 3D contínua na incidência coronal. Nesta GUI, o médico pode observar a estrutura pulmonar do paciente continuamente ao longo da visão coronal, localizar rapidamente os nódulos pulmonares e observar a relação entre os nódulos e o tecido pulmonar circundante. Como mostrado na Figura 5, operações como a ampliação local das visualizações de nódulos, a recuperação do nível da janela e a marcação das posições dos pixels também podem ser realizadas. A barra de cores exibe cores correspondentes aos diferentes valores de intensidade na imagem.
Figura 1: O gráfico de localização da imagem de acordo com a sequência de nome do arquivo. A figura mostra a distribuição típica das posições da sequência DICOM e indica a interação GUI necessária para determinar os limites de posição da sequência de imagens. Clique aqui para ver uma versão maior desta figura.
Figura 2: GUI de três incidências do volume pulmonar 3D. A figura representa as três incidências do volume 3D de todo o pulmão nos planos axial, coronal e sagital. Se a preparação prévia dos dados e o cálculo do volume estiverem corretos, as imagens pulmonares em cada visualização podem ser visualizadas. Clique aqui para ver uma versão maior desta figura.
Figura 3: GUI para verificação dos nódulos pulmonares em vista horizontal. A figura mostra os resultados da reconstrução 3D contínua na visão axial. O médico pode observar a estrutura pulmonar do paciente continuamente ao longo da visão axial, localizar nódulos pulmonares e observar a relação entre os nódulos e o tecido pulmonar circundante. As cores na barra de cores correspondem a diferentes valores de intensidade na imagem. Clique aqui para ver uma versão maior desta figura.
Figura 4: Verificação do modelo digital 3D de um nódulo pulmonar específico. A GUI permite ao usuário observar os nódulos pulmonares de interesse de qualquer perspectiva. Clique aqui para ver uma versão maior desta figura.
Figura 5: GUI para verificação dos nódulos pulmonares na incidência coronal. A figura mostra os resultados da reconstrução 3D contínua na visão coronal. Nesta GUI, o médico pode observar a estrutura pulmonar do paciente continuamente ao longo da visão coronal, localizar rapidamente os nódulos pulmonares e observar a relação entre os nódulos e o tecido pulmonar circundante. As cores na barra de cores correspondem a diferentes valores de intensidade na imagem. Clique aqui para ver uma versão maior desta figura.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Diferentes dispositivos LDCT têm diferenças significativas nas sequências de imagens DICOM que produzem, especialmente em termos de gerenciamento do sistema de arquivos. Portanto, para reconstruir o modelo digital 3D chave de um nódulo pulmonar nos estágios mais avançados do protocolo, a etapa de pré-processamento de dados é particularmente importante. Na etapa de preparação e pré-processamento dos dados (etapa 1.2.2), a coordenada do eixo z da sequência pode ser classificada corretamente usando a sequência mostrada na Figura 1, que também pode ser usada para organizar adequadamente a ordem correta da imagem necessária para a modelagem e gerar o volume 3D correto para o trabalho de modelagem subsequente. As reconstruções 3D (passo 2.1 e passo 4.1) nos eixos horizontal e coronal proporcionam aos médicos e pacientes dupla verificação de nódulos pulmonares sob as duas perspectivas mais comumente utilizadas. A detecção de nódulos, a apresentação de suas características espaciais e relações com o tecido pulmonar, especialmente com as artérias pulmonares, e o uso de ferramentas de software são fundamentais para o diagnóstico da doença e formulação do plano de tratamento. Em termos de comunicação médico-paciente, um bom vídeo dinâmico 3D (passo 5.2) é uma excelente ferramenta de comunicação que apoia os pacientes a entender sua própria condição e prognóstico.
Ao discutir os cenários clínicos e de pesquisa deste estudo, uma questão importante que deve ser abordada é como fornecer uma compreensão clara e abrangente dos nódulos pulmonares em tratamento para médicos especialistas e pacientes. Normalmente, os pacientes trazem resultados de exames de diferentes dispositivos e períodos históricos para seus médicos e, na ausência de apoio de um radiologista, os médicos precisam fazer julgamentos precisos sobre o tamanho, a localização e as características dos nódulos pulmonares do paciente para fornecer planos de tratamento adequados. Os pacientes, por outro lado, precisam entender e acompanhar efetivamente o estado de desenvolvimento e os efeitos do tratamento de seus próprios nódulos pulmonares. Portanto, se o caso requer a compreensão dos dados tomográficos de diferentes dispositivos e tempos, a ponte entre radiologistas e médicos especialistas ou o auxílio de uma melhor comunicação médico-paciente, este estudo fornece uma solução ideal e meios técnicos para abordar esses cenários.
Embora as ferramentas atuais tenham mostrado excelente desempenho na modelagem 3D e visualização de características de nódulos pulmonares, ainda há espaço para evolução e melhoria. Primeiro, uma GUI com indexação mútua entre tri-views 2D e modelos 3D poderia ser desenvolvida para facilitar a validação cruzada das duas perspectivas. Em segundo lugar, modelos 3D contínuos a partir de ângulos de visão arbitrários também merecem maior desenvolvimento. Em terceiro lugar, integrar o rastreamento e o gerenciamento de longo prazo dos planos de tratamento e prognósticos dos pacientes também é uma direção importante para a evolução, pois isso seria útil para uma solução completa de imagens médicas no campo dos nódulos pulmonares.
Devido à necessidade do aprendizado de máquina para produzir um grande número de amostras consistentes de sequência de imagens médicas de diferentes tipos de nódulos pulmonares13 e à considerável escala de poder computacional da IA, ainda não é possível reconhecer e classificar automaticamente os nódulos pulmonares com base nas características do volume 3D14,15. Esta é uma direção de pesquisa que continuará a ser focalizada nas etapas posteriores deste trabalho.
A importância deste estudo reside em fornecer um modelo digital 3D contínuo para o diagnóstico e tratamento de nódulos pulmonares. Médicos e pacientes podem entender melhor a condição e fazer julgamentos mais racionais observando as características dos nódulos de várias perspectivas no espaço 3D, o que também é de importante valor de referência para a avaliação prognóstica dos nódulos. Com base no trabalho existente, o aprendizado de máquina profundo poderia ser introduzido para classificar os nódulos pulmonares de uma perspectiva mais multidimensional. Através do uso de casos de tratamento clínico, a eficácia de drogas e outros tratamentos poderia ser rastreada usando este método para fornecer uma base quantitativa cada vez mais precisa para a avaliação prognóstica de nódulos pulmonares.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
A ferramenta de software para reconstrução de modelos de nódulos pulmonares, PulmonaryNodule, é um software comercial da Beijing Intelligent Entropy Science & Technology Co Ltd. Os direitos de propriedade intelectual desta ferramenta de software pertencem à empresa. Os autores não têm conflitos de interesse a declarar.
Acknowledgments
Esta publicação foi apoiada pelo Quinto Programa Nacional de Pesquisa de Talentos Excelentes Clínicos de Medicina Tradicional Chinesa, organizado pela Administração Nacional de Medicina Tradicional Chinesa (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).
