Summary
El objetivo de este estudio es desarrollar un nuevo modelo digital 3D de nódulos pulmonares que sirva como puente de comunicación entre médicos y pacientes y que también sea una herramienta de vanguardia para el prediagnóstico y la evaluación pronóstica.
Abstract
La reconstrucción tridimensional (3D) de los nódulos pulmonares utilizando imágenes médicas ha introducido nuevos enfoques técnicos para diagnosticar y tratar los nódulos pulmonares, y estos enfoques están siendo progresivamente reconocidos y adoptados por médicos y pacientes. No obstante, la construcción de un modelo digital 3D relativamente universal de nódulos pulmonares para el diagnóstico y el tratamiento es un desafío debido a las diferencias en los dispositivos, los tiempos de disparo y los tipos de nódulos. El objetivo de este estudio es proponer un nuevo modelo digital 3D de nódulos pulmonares que sirva de puente entre médicos y pacientes y que sea también una herramienta de vanguardia para el prediagnóstico y la evaluación pronóstica. Muchos métodos de detección y reconocimiento de nódulos pulmonares impulsados por IA emplean técnicas de aprendizaje profundo para capturar las características radiológicas de los nódulos pulmonares, y estos métodos pueden lograr un buen rendimiento bajo la curva (AUC) del área. Sin embargo, los falsos positivos y falsos negativos siguen siendo un desafío para los radiólogos y los médicos. La interpretación y expresión de las características desde la perspectiva de la clasificación y el examen de los nódulos pulmonares siguen siendo insatisfactorias. En este estudio, se propone un método de reconstrucción 3D continua de todo el pulmón en posiciones horizontal y coronal mediante la combinación de tecnologías de procesamiento de imágenes médicas existentes. En comparación con otros métodos aplicables, este método permite a los usuarios localizar rápidamente los nódulos pulmonares e identificar sus propiedades fundamentales, al tiempo que observa los nódulos pulmonares desde múltiples perspectivas, proporcionando así una herramienta clínica más eficaz para diagnosticar y tratar los nódulos pulmonares.
Introduction
La incidencia global de nódulos pulmonares es variable, pero generalmente se estima que alrededor del 30% de los adultos tienen al menos un nódulo pulmonar visible en las radiografías de tórax1. La incidencia de nódulos pulmonares es mayor en poblaciones específicas, como los fumadores empedernidos y aquellos con antecedentes de cáncer de pulmón u otras enfermedades pulmonares. Es importante señalar que no todos los nódulos pulmonares son malignos, pero es necesaria una evaluación exhaustiva para descartar neoplasias malignas2. La detección temprana y el diagnóstico del cáncer de pulmón son cruciales para mejorar las tasas de supervivencia, y se recomienda la detección regular con tomografía computarizada de baja dosis (LDCT) para las personas de alto riesgo. Muchos métodos de detección y reconocimiento de nódulos pulmonares impulsados por IA 3,4,5,6,7 emplean técnicas de aprendizaje profundo para capturar las características radiológicas de los nódulos pulmonares, y estos métodos pueden lograr un buen rendimiento de área bajo la curva (AUC). Sin embargo, los falsos positivos y falsos negativos siguen siendo un desafío para los radiólogos y los médicos. La interpretación y expresión de las características desde la perspectiva de la clasificación y el examen de los nódulos pulmonares siguen siendo insatisfactorias. Al mismo tiempo, la reconstrucción 3D de nódulos pulmonares basada en LDCT ha ganado cada vez más atención como modelo digital para varios tipos de nódulos.
La reconstrucción 3D de nódulos pulmonares es un proceso que genera una representación 3D de un pequeño crecimiento o bulto en el pulmón. Este proceso generalmente implica la aplicación de técnicas de análisis de imágenes médicas que aprovechan tanto la experiencia médica como los enfoques de inteligencia de datos. El modelo digital 3D resultante ofrece una representación más detallada y precisa del nódulo, lo que permite una mejor visualización y análisis de su tamaño, forma y relación espacial con los tejidos pulmonares circundantes 8,9,10,11,12. Dicha información puede ayudar en el diagnóstico y monitoreo de nódulos pulmonares, particularmente aquellos sospechosos de ser cancerosos. Al facilitar un análisis más preciso, la reconstrucción 3D de los nódulos pulmonares tiene el potencial de mejorar la precisión del diagnóstico e informar las decisiones de tratamiento.
La proyección de intensidad máxima (MIP) es una técnica popular en el campo de la reconstrucción 3D de nódulos pulmonares y se utiliza para crear una proyección 2D de una imagen 3D 8,9,10,11,12 Es particularmente útil en la visualización de datos volumétricos extraídos de archivos de imágenes digitales y comunicaciones en medicina (DICOM) escaneados por TC. La técnica MIP funciona seleccionando los vóxeles (las unidades más pequeñas de datos de volumen 3D) con la mayor intensidad a lo largo de la dirección de visualización y proyectándolos en un plano 2D. Esto da como resultado una imagen 2D que enfatiza las estructuras con mayor intensidad y suprime aquellas con menor intensidad, lo que facilita la identificación y el análisis de características relevantes 9,10,11,12. Sin embargo, MIP no está exento de limitaciones. Por ejemplo, el proceso de proyección puede resultar en una pérdida de información, y la imagen 2D resultante puede no representar con precisión la estructura 3D del objeto subyacente. Sin embargo, MIP sigue siendo una herramienta valiosa para la imagen y visualización médica, y su uso continúa evolucionando con los avances en tecnología y potencia de cómputo11.
En este estudio, se desarrolla un modelo MIP sucesivo para visualizar nódulos pulmonares que es fácil de usar, fácil de usar para radiólogos, médicos y pacientes, y permite la identificación y estimación de las propiedades de los nódulos pulmonares. Las principales ventajas de este enfoque de procesamiento incluyen los siguientes aspectos: (1) eliminar los falsos positivos y falsos negativos derivados del reconocimiento de patrones, lo que permite centrarse en ayudar a los médicos a obtener información más completa sobre la ubicación, la forma y el tamaño 3D de los nódulos pulmonares, así como su relación con la vasculatura circundante; (2) permitir a los médicos especialistas adquirir un conocimiento profesional de las características de los nódulos pulmonares incluso sin la asistencia de radiólogos; y (3) mejorar tanto la eficiencia de la comunicación entre médicos y pacientes como la evaluación del pronóstico.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
NOTA: Durante la etapa de preprocesamiento de datos, los datos DICOM originales deben clasificarse e interceptarse para garantizar la compatibilidad con varios dispositivos y resultados consistentes. Se debe reservar una capacidad ajustable adecuada para el procesamiento de la intensidad, y una perspectiva 3D continua es esencial para la observación. En este protocolo, se proporciona una descripción metódica del enfoque de investigación, detallando un caso que involucra a una paciente femenina de 84 años que presenta nódulos pulmonares. Esta paciente dio su consentimiento informado para su diagnóstico a través de modelos digitales y autorizó la utilización de sus datos con fines de investigación científica. La función de reconstrucción del modelo se deriva de la herramienta de software PulmonaryNodule (consulte la Tabla de materiales para obtener más detalles). La autorización ética se obtuvo del Comité de Ética del Hospital Dongzhimen, afiliado a la Universidad de Medicina China de Beijing (DZMEC-KY-2019.90).
1. Recopilación y preparación de datos
- Datos de LDCT para la detección de nódulos pulmonares
NOTA: Las diferencias observadas en los valores de los parámetros no dependen del método de investigación utilizado.- Adquirir el consentimiento del paciente para la adquisición de datos DICOM. Transfiera todos los datos al directorio de trabajo designado.
- Identifique el directorio de datos con el mayor número de capas de escaneo y el grosor de capa más delgado para optimizar la precisión en función de la información del archivo. En general, cuantos más archivos de escaneo DICOM tenga un paciente, más delgado será el grosor de la capa de escaneo.
- Al implementar la función Dicominfo y utilizar los archivos DICOM como parámetros de función, obtenga los parámetros de grosor de corte y espaciado de píxeles en el entorno de MATLAB. Estos parámetros son esenciales para establecer la velocidad de visualización del volumen 3D. Para los datos de ejemplo utilizados en este estudio, el grosor del corte fue de 1 mm, el espaciado de píxeles fue de 0,5 mm y se escanearon un total de 200 capas.
- Corrección de la clasificación de los datos escaneados
NOTA: La secuencia de cada imagen debe ordenarse para la construcción del volumen.- Lea los datos de ubicación de cada imagen utilizando la función Dicominfo. Obtenga la ubicación ingresando información. SliceLocation en el espacio de trabajo de MATLAB.
- Implemente la función SliceLocation para almacenar la matriz de ubicación de una variable y cree un gráfico de ella (Figura 1).
- Mediante el botón Sugerencias de datos en la parte superior derecha de la GUI, agregue una sugerencia de datos a la gráfica en el punto que represente el valor máximo de ubicación de la secuencia normal (la ubicación superior de la imagen del paciente; Figura 1).
- Ordene todas las imágenes y extraiga las imágenes a partir de 1 hasta el valor máximo de ubicación implementando la función VolumeResort.
- Almacene los volúmenes de las imágenes válidas con el índice ordenado, que será útil para rastrear los nódulos importantes.
- Inspección del volumen torácico
NOTA: Tener una estructura de almacenamiento de datos bien definida hace que el trabajo de seguimiento sea más conveniente.- Implemente la función VolumeInspect para mostrar tres vistas del volumen construido. Arrastre la intersección en cruz hacia arriba y hacia abajo en el eje coronal para examinar rápidamente todas las imágenes en el eje horizontal (Figura 2).
- Mueva la cruz al eje horizontal para examinar todas las imágenes del eje coronal. El punto de mira está en las mismas coordenadas espaciales en el volumen 3D; Por lo tanto, moverlo en un eje cambiará la ubicación de las imágenes en los otros dos ejes.
- Para la función VolumeInspect, utilice la ventana de intensidad predeterminada para el pulmón en la GUI. Ajuste el rendimiento real del filtro manteniendo presionado el botón izquierdo del mouse y arrastrando el eje.
2. Modelo digital para reconstrucción 3D horizontal
NOTA: El subproceso 3Dlung_Horizon realiza un examen exhaustivo de los nódulos pulmonares desde una perspectiva horizontal.
- Implemente la función Build_3Dlung_Horizon en el lugar de trabajo de MATLAB para reconstruir el modelo digital 3D de los nódulos pulmonares debajo de la ventana del filtro del pulmón y, a continuación, abra la GUI para comprobar el modelo 3D horizontal (Figura 3).
- A diferencia del paso 1.3.2, la GUI en la Figura 3 es una estructura pulmonar 3D continua en la que se pueden ver claramente varios tipos de nódulos pulmonares y sus relaciones espaciales relativas con el tejido pulmonar. Al arrastrar la barra de desplazamiento en la GUI con el mouse, se puede observar la estructura pulmonar 3D continua.
- La esquina superior derecha de la GUI de la figura 3 proporciona iconos para acercar, alejar, volver a la vista global y marcar las coordenadas del píxel seleccionado. Utilice la función de zoom para observar las características locales de las lesiones y generar imágenes de salida estructural 3D relevantes. Utilice el botón Marcar coordenadas de píxeles para calcular la distancia entre dos puntos con el fin de medir el tamaño de los nódulos.
- La barra de color predeterminada es el mapa de colores jet, lo que significa que azul a rojo representa valores de menor a mayor. Haga clic con el botón derecho en Barra de color en el menú emergente para seleccionar el mapa de color gris común y restablecer toda la GUI.
- Si la ventana del filtro no está satisfecha, utilice el botón izquierdo del ratón para arrastrar hacia arriba y hacia abajo en el centro de la figura para ajustar el nivel de la ventana. Arrastre hacia la izquierda y hacia la derecha para ajustar el ancho de la ventana, y el rango de filtrado preciso correspondiente se mostrará en la barra de color.
3. Construir un modelo digital 3D para cualquier nódulo específico
NOTA: El número de corte es un parámetro de la función 3D_Nodules, que reconstruye un modelo digital 3D que se puede ver desde todas las perspectivas.
- Para determinar el número de segmento, como en la Figura 3, verifique en la parte superior derecha de la barra de desplazamiento; en la figura 3, el número de segmento es 70. Utilice la función Build_3D_Nodules con dos parámetros, incluido el número de corte y el volumen torácico creado en el paso 1.3, para reconstruir un modelo digital 3D para nódulos específicos. Este es un modelo definido por el usuario, ya que el número de segmento de entrada es variable y depende del usuario.
- Si la función Build_3D_Nodules se ejecuta correctamente, el usuario puede verificar el nódulo pulmonar ubicado en un determinado número de corte desde varias perspectivas en la GUI emergente (Figura 4). Para ello, realice las siguientes acciones:
- Mantenga presionado el botón izquierdo del mouse, como en el centro de la Figura 4, y arrástrelo en cualquier dirección para cambiar la perspectiva de los nódulos pulmonares. Cabe señalar que el ángulo de observación debe tener en cuenta las consideraciones anatómicas y tratar de mostrar tanto las características médicas de los nódulos pulmonares como la relación entre los nódulos y los tejidos circundantes.
- Use los iconos de zoom y movimiento en la esquina superior derecha, como se indica en la figura 3. Además, al girar el botón central del ratón, el usuario puede acercar o alejar continuamente la vista del modelo.
- La GUI de la Figura 4 muestra la indicación de coordenadas del modelo en la esquina inferior izquierda, donde la dirección positiva en el eje z es la dirección de escaneo en posición horizontal. Implemente la herramienta de captura de pantalla proporcionada por el sistema operativo para guardar la proyección 3D requerida de los nódulos.
4. Modelo digital de una reconstrucción coronal 3D
NOTA: El subproceso Build_3Dlung_Coronal se ejecuta para evaluar los nódulos pulmonares desde una perspectiva coronal alternativa, ayudando así a los médicos y pacientes a desarrollar una comprensión más precisa e inclusiva de la ubicación y los atributos de los nódulos.
- Implemente la función Build_3Dlung_Coronal en el lugar de trabajo de MATLAB para reconstruir el modelo digital 3D de nódulos pulmonares bajo la ventana del filtro del pulmón y, a continuación, abra la GUI, según lo preparado por la función, para comprobar el modelo 3D coronal (Figura 5).
- La GUI en la Figura 5 muestra una estructura pulmonar 3D coronal continua en la que se pueden ver claramente varios tipos de nódulos pulmonares y sus relaciones espaciales relativas con el tejido pulmonar. Arrastre la barra de desplazamiento en la GUI con el mouse para observar la estructura pulmonar 3D coronal continua.
- La esquina superior derecha de la GUI, como se muestra en la Figura 5, también proporciona iconos para acercar, alejar, volver a la vista global y marcar las coordenadas del píxel seleccionado. Utilice estas funciones para observar las características locales de las lesiones y para generar imágenes estructurales 3D relevantes. Marque las coordenadas de píxeles para calcular la distancia entre dos puntos, que a menudo se usa para medir el tamaño de los nódulos.
- La barra de color predeterminada es el mapa de colores jet, en el que los colores de azul a rojo representan valores de menor a mayor. Haga clic con el botón derecho en la barra de color del menú emergente para seleccionar el mapa de color gris común y restablecer toda la GUI.
- Si la ventana de filtro no es apropiada, use el botón izquierdo del mouse para arrastrar hacia arriba y hacia abajo en el centro de la figura para ajustar el nivel de la ventana; Arrastre hacia la izquierda y hacia la derecha para ajustar el ancho de la ventana, y el rango de filtrado preciso correspondiente se mostrará en la barra de color.
5. Salida de video 3D para nódulos pulmonares dominantes
NOTA: La conversión del modelo digital 3D óptimo de un nódulo pulmonar en un video 3D dinámico permite a los médicos y pacientes comprender mejor la condición y hacer juicios precisos, lo cual es especialmente crítico para formular planes de tratamiento efectivos.
- En el espacio de trabajo, prepare el modelo digital 3D requerido y previsualice las relaciones espaciales relativas entre los nódulos pulmonares y el tejido pulmonar que se mostrarán desde varios ángulos (Figura 3 y Figura 4).
- En este estudio, se utilizó Adobe Captivate 2019 para registrar todos los procesos de interacción de la GUI. Para comenzar, abra el software y cree un nuevo proyecto de grabación de pantalla. Apague la cámara y aparecerá el cuadro de rango de grabación de pantalla roja para grabar solo la operación de la pantalla. En este estudio, la GUI de la versión 5.1 fue incluida en la caja. Haga clic en el botón de grabación para operar la GUI y generar un archivo de video digital de la grabación de pantalla.
- Después de grabar la visualización dinámica de los nódulos pulmonares, vuelva al entorno operativo del software haciendo clic en el icono de la barra de tareas.
- Mediante la función de publicación de vídeo, guarde el vídeo dinámico grabado del modelo digital 3D de los nódulos pulmonares. Haga clic en Archivo > Distribuir y configurar la ruta de almacenamiento de archivos. Asigne un nombre al archivo y guarde el archivo de vídeo digital deseado.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Para que el método sea aplicable a una gama más amplia de dispositivos, el orden de apilamiento de cada escaneo debe reorganizarse en función de las coordenadas internas del sistema de archivos DICOM (Figura 1) para generar el volumen 3D correcto (Figura 2). Con base en los datos de volumen precisos, utilizamos la reconstrucción continua algorítmica de los MIP horizontales y coronales pulmonares del paciente (Figura 4 y Figura 5) para el diagnóstico y tratamiento precisos de los nódulos pulmonares del paciente.
Los datos DICOM de diferentes dispositivos generalmente no se clasifican en el orden correcto de menor a mayor a lo largo de la posición anatómica en el paciente. Sin embargo, para la reconstrucción del modelo, cada imagen debe ordenarse en un orden de avance de menor a mayor. La Figura 1 no solo muestra la distribución típica de las posiciones de la secuencia DICOM, sino también la interacción GUI necesaria para determinar los límites de posición de la secuencia de imágenes. Este paso es una parte importante de la preparación de datos en el proceso de reconstrucción del modelo.
La Figura 2 representa esencialmente las tres vistas del volumen 3D de todo el pulmón en los planos axial, coronal y sagital. Si la preparación de datos anterior y el cálculo del volumen son correctos, se pueden ver las imágenes pulmonares en cada vista, como en la Figura 2. Esta GUI también permite el filtrado a nivel de ventana arrastrando el mouse para ver las imágenes en diferentes niveles de ventana. El volumen subyacente, como se muestra en la Figura 2, sirve como base de datos para la reconstrucción del modelo 3D.
La figura 3 muestra los resultados de la reconstrucción 3D continua en la vista axial. En esta GUI, el médico puede observar la estructura pulmonar del paciente continuamente a lo largo de la vista axial, localizar rápidamente los nódulos pulmonares y observar la relación entre los nódulos y el tejido pulmonar circundante. Como se muestra en la figura 3, también se pueden realizar operaciones como la ampliación local de las vistas de nódulos, la recuperación del nivel de la ventana y el marcado de las posiciones de los píxeles. La barra de color muestra los colores correspondientes a los diferentes valores de intensidad de la imagen.
La GUI que se muestra en la Figura 4 proporciona a los médicos la capacidad de observar los nódulos pulmonares interesados desde cualquier perspectiva.
La Figura 5 muestra los resultados de la reconstrucción 3D continua en la vista coronal. En esta GUI, el médico puede observar la estructura pulmonar del paciente continuamente a lo largo de la vista coronal, localizar rápidamente los nódulos pulmonares y observar la relación entre los nódulos y el tejido pulmonar circundante. Como se muestra en la figura 5, también se pueden realizar operaciones como la ampliación local de las vistas de nódulos, la recuperación del nivel de ventana y el marcado de las posiciones de píxeles. La barra de color muestra los colores correspondientes a los diferentes valores de intensidad de la imagen.
Figura 1: La gráfica de ubicación de la imagen según la secuencia de nombres de archivo. La figura muestra la distribución típica de las posiciones de la secuencia DICOM e indica la interacción GUI necesaria para determinar los límites de posición de la secuencia de imágenes. Haga clic aquí para ver una versión más grande de esta figura.
Figura 2: La GUI de tres vistas del volumen 3D pulmonar. La figura representa las tres vistas del volumen 3D de todo el pulmón en los planos axial, coronal y sagital. Si la preparación de datos anterior y el cálculo del volumen son correctos, se pueden ver imágenes pulmonares en cada vista. Haga clic aquí para ver una versión más grande de esta figura.
Figura 3: La GUI para verificar los nódulos pulmonares desde una vista horizontal. La figura muestra los resultados de la reconstrucción 3D continua en la vista axial. El médico puede observar la estructura pulmonar del paciente continuamente a lo largo de la vista axial, localizar nódulos pulmonares y observar la relación entre los nódulos y el tejido pulmonar circundante. Los colores de la barra de color corresponden a diferentes valores de intensidad de la imagen. Haga clic aquí para ver una versión más grande de esta figura.
Figura 4: Comprobación del modelo digital 3D de un nódulo pulmonar específico. La GUI permite al usuario observar los nódulos pulmonares de interés desde cualquier perspectiva. Haga clic aquí para ver una versión más grande de esta figura.
Figura 5: La GUI para verificar los nódulos pulmonares desde una vista coronal. La figura muestra los resultados de la reconstrucción 3D continua en la vista coronal. En esta GUI, el médico puede observar la estructura pulmonar del paciente continuamente a lo largo de la vista coronal, localizar rápidamente los nódulos pulmonares y observar la relación entre los nódulos y el tejido pulmonar circundante. Los colores de la barra de color corresponden a diferentes valores de intensidad de la imagen. Haga clic aquí para ver una versión más grande de esta figura.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Los diferentes dispositivos LDCT tienen diferencias significativas en las secuencias de imágenes DICOM que generan, especialmente en términos de administración del sistema de archivos. Por lo tanto, para reconstruir el modelo digital 3D clave de un nódulo pulmonar en las últimas etapas del protocolo, el paso de preprocesamiento de datos es particularmente importante. En la etapa de preparación y preprocesamiento de datos (paso 1.2.2), la coordenada del eje z de la secuencia se puede ordenar correctamente utilizando la secuencia que se muestra en la Figura 1, que también se puede utilizar para organizar correctamente el orden de imagen correcto requerido para el modelado y generar el volumen 3D correcto para el trabajo de modelado posterior. Las reconstrucciones 3D (paso 2.1 y paso 4.1) en los ejes horizontal y coronal proporcionan a los médicos y pacientes controles dobles de los nódulos pulmonares desde las dos perspectivas más utilizadas. La detección de nódulos y la presentación de sus características espaciales y relaciones con el tejido pulmonar, especialmente con las arterias pulmonares, y el uso de herramientas de software son cruciales para el diagnóstico de la enfermedad y la formulación del plan de tratamiento. En términos de comunicación médico-paciente, un buen video dinámico 3D (paso 5.2) es una excelente herramienta de comunicación que ayuda a los pacientes a comprender su propia condición y pronóstico.
Al discutir los escenarios clínicos y de investigación de este estudio, un tema importante que debe abordarse es cómo proporcionar una comprensión clara y completa de los nódulos pulmonares bajo tratamiento tanto a médicos especializados como a pacientes. Por lo general, los pacientes traen los resultados de los exámenes de diferentes dispositivos y períodos históricos a sus médicos, y en ausencia del apoyo de un radiólogo, los médicos deben hacer juicios precisos sobre el tamaño, la ubicación y las características de los nódulos pulmonares del paciente para proporcionar planes de tratamiento adecuados. Los pacientes, por otro lado, necesitan comprender y rastrear efectivamente el estado de desarrollo y los efectos del tratamiento de sus propios nódulos pulmonares. Por lo tanto, ya sea que el caso requiera comprender los datos de TC de diferentes dispositivos y tiempos, cerrar la brecha entre radiólogos y médicos especializados, o ayudar a una mejor comunicación médico-paciente, este estudio proporciona una solución ideal y medios técnicos para abordar estos escenarios.
Aunque las herramientas actuales han demostrado un rendimiento sobresaliente en el modelado 3D y la visualización de características de los nódulos pulmonares, todavía hay margen de evolución y mejora. En primer lugar, se podría desarrollar una GUI con indexación mutua entre trivistas 2D y modelos 3D para facilitar la validación cruzada de las dos perspectivas. En segundo lugar, los modelos 3D continuos desde ángulos de visión arbitrarios también merecen un mayor desarrollo. En tercer lugar, la integración del seguimiento y la gestión a largo plazo de los planes de tratamiento y pronósticos de los pacientes también es una dirección importante para la evolución, ya que sería útil para una solución completa de imágenes médicas en el campo de los nódulos pulmonares.
Debido al requisito del aprendizaje automático para producir un gran número de muestras de secuencias de imágenes médicas consistentes de diferentes tipos de nódulos pulmonares13 y la considerable escala de la potencia de cálculo de la IA, aún no es posible reconocer y clasificar automáticamente los nódulos pulmonares en función de las características de volumen 3D14,15. Esta es una dirección de investigación en la que se seguirá centrando en las últimas etapas de este trabajo.
La importancia de este estudio radica en proporcionar un modelo digital 3D continuo para el diagnóstico y tratamiento de los nódulos pulmonares. Los médicos y los pacientes pueden comprender mejor la afección y hacer juicios más racionales observando las características de los nódulos desde diversas perspectivas en el espacio 3D, que también es de valor de referencia importante para la evaluación del pronóstico de los nódulos. Sobre la base del trabajo existente, se podría introducir el aprendizaje automático profundo para clasificar los nódulos pulmonares desde una perspectiva más multidimensional. Mediante el uso de casos de tratamiento clínico, se podría realizar un seguimiento de la eficacia de los fármacos y otros tratamientos utilizando este método para proporcionar una base cuantitativa cada vez más precisa para la evaluación del pronóstico de los nódulos pulmonares.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
La herramienta de software para la reconstrucción del modelo de nódulos pulmonares, PulmonaryNodule, es un software comercial de Beijing Intelligent Entropy Science & Technology Co Ltd. Los derechos de propiedad intelectual de esta herramienta de software pertenecen a la empresa. Los autores no tienen conflictos de intereses que revelar.
Acknowledgments
Esta publicación fue apoyada por el Quinto Programa Nacional de Investigación de Talentos Excelentes Clínicos de Medicina Tradicional China organizado por la Administración Nacional de Medicina Tradicional China (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).
