Summary
Deze studie introduceert een driedimensionale (3D) reconstructiemethode voor de gehele long bij patiënten met vroege meervoudige longknobbeltjes. Het biedt een uitgebreide visualisatie van de verdeling van knobbeltjes en hun wisselwerking met longweefsel, waardoor de beoordeling van diagnose en prognose voor deze patiënten wordt vereenvoudigd.
Abstract
Voor patiënten met vroege meervoudige longknobbeltjes is het vanuit diagnostisch perspectief essentieel om de ruimtelijke verdeling, grootte, locatie en relatie met het omliggende longweefsel van deze knobbeltjes door de hele long te bepalen. Dit is cruciaal voor het identificeren van de primaire laesie en het ontwikkelen van meer wetenschappelijk onderbouwde behandelplannen voor artsen. Patroonherkenningsmethoden op basis van machine vision zijn echter gevoelig voor vals-positieven en vals-negatieven en kunnen daarom niet volledig voldoen aan de klinische eisen op dit gebied. Visualisatiemethoden op basis van projectie met maximale intensiteit (MIP) kunnen lokale en individuele longknobbeltjes beter illustreren, maar missen een macroscopische en holistische beschrijving van de verdeling en ruimtelijke kenmerken van meerdere longknobbeltjes.
Daarom stelt deze studie een 3D-reconstructiemethode voor de hele long voor. Het extraheert de 3D-contour van de long met behulp van medische beeldverwerkingstechnologie tegen de achtergrond van de hele long en voert 3D-reconstructie uit van de long, longslagader en meerdere longknobbeltjes in de 3D-ruimte. Deze methode kan de ruimtelijke verdeling en radiologische kenmerken van meerdere knobbeltjes in de hele long uitgebreid weergeven, en biedt een eenvoudige en handige manier om de diagnose en prognose van meerdere longknobbeltjes te evalueren.
Introduction
Vroege meervoudige longknobbeltjes, dit zijn kleine, ronde gezwellen op de longen, kunnen goedaardig of kwaadaardig zijn 1,2,3. Hoewel solitaire longknobbeltjes gemakkelijker te diagnosticeren en te behandelen zijn, worden patiënten met vroege meervoudige longknobbeltjes geconfronteerd met aanzienlijke diagnostische en behandelingsuitdagingen. Om effectieve behandelplannen te ontwikkelen, is het essentieel om de ruimtelijke verdeling, grootte, locatie en relatie met het omliggende longweefsel van deze knobbeltjes in de hele long nauwkeurig te identificeren 4,5. Traditionele diagnostische methoden hebben beperkingen bij het nauwkeurig identificeren van vroege meervoudige longknobbeltjes.
Recente ontwikkelingen op het gebied van medische beeldverwerkingstechnologie en machine learning-algoritmen hebben het potentieel om de nauwkeurigheid en efficiëntie van vroege detectie en diagnose van longknobbeltjes te verbeteren. Er zijn verschillende benaderingen voorgesteld, zoals patroonherkenningsmethoden op basis van machine vision en visualisatiemethoden op basis van maximale intensiteitsprojectie (MIP)6,7,8,9,10. Deze methoden hebben echter te lijden onder beperkingen zoals vals-positieven, vals-negatieven 11,12,13,14,15 en gebrek aan macroscopische en holistische beschrijvingen van de verspreiding en ruimtelijke kenmerken van vroege meervoudige longknobbeltjes.
Om deze beperkingen aan te pakken, stelt deze studie een 3D-reconstructiemethode voor de hele long voor die gebruik maakt van medische beeldverwerkingstechnologie om de 3D-contour van de long te extraheren tegen de achtergrond van de hele thoraxscan. De methode voert vervolgens een 3D-reconstructie uit van de long, de longslagader en vroege meerdere longknobbeltjes in de 3D-ruimte. Deze benadering zorgt voor een uitgebreidere en nauwkeurigere weergave van de ruimtelijke verdeling en radiologische kenmerken van vroege meervoudige knobbeltjes in de hele long.
De voorgestelde methode omvat een aantal belangrijke stappen. Eerst worden de medische beelden geïmporteerd in de 3D-beeldverwerkingssoftware en wordt het longgebied geëxtraheerd met behulp van een op drempels gebaseerde segmentatietechniek. Vervolgens wordt het geëxtraheerde longgebied gescheiden van de omringende borstwand en de benige structuren van de borstwervels. De vroege meervoudige longknobbeltjes en hun relatie met omliggende bloedvaten worden vervolgens gereconstrueerd in de 3D-ruimte met behulp van MIP-algoritmen (Maximum Intensity Projection S). Ten slotte wordt het gereconstrueerde 3D-model van de long, longslagader en knobbeltjes weergegeven voor verdere analyse.
Deze methode heeft verschillende voordelen ten opzichte van bestaande methoden. In tegenstelling tot traditionele methoden die afhankelijk zijn van 2D-beelden, maakt deze methode gebruik van 3D-volume om een nauwkeurigere en uitgebreidere weergave te geven van vroege meervoudige longknobbeltjes. De methode overwint ook de beperkingen van fout-positieven en fout-negatieven die verband houden met patroonherkenningsmethoden en MIP-visualisatiemethoden. Bovendien biedt deze methode een macroscopische en holistische beschrijving van de verspreiding en ruimtelijke kenmerken van vroege meervoudige longknobbeltjes, wat essentieel is voor het ontwikkelen van effectieve behandelplannen.
De voorgestelde methode heeft verschillende potentiële toepassingen bij de diagnose en behandeling van vroege meervoudige longknobbeltjes. De nauwkeurige identificatie van de ruimtelijke verdeling en radiologische kenmerken van vroege meervoudige knobbeltjes kan helpen bij de vroege diagnose en behandeling van longkanker. Bovendien kan de methode worden gebruikt om de progressie van de ziekte te volgen en de effectiviteit van behandelplannen te evalueren.
Patroonherkenningsmethoden 6,7,8 op basis van machine vision zijn veelbelovend gebleken bij het identificeren van longknobbeltjes, maar hebben last van beperkingen zoals vals-positieven en vals-negatieven. MIP-visualisatiemethoden bieden daarentegen een nauwkeurigere weergave van individuele knobbeltjes, maar missen een macroscopische en holistische beschrijving van de verspreiding en ruimtelijke kenmerken van vroege meervoudige knobbeltjes. De voorgestelde 3D-reconstructiemethode voor de hele long overwint deze beperkingen en biedt een nauwkeurigere en uitgebreidere weergave van vroege meervoudige longknobbeltjes.
Isovoxel-transformatie16,17 verwijst naar het proces waarbij 3D-afbeeldingen met verschillende voxelgroottes worden omgezet in 3D-afbeeldingen met uniforme voxelgroottes. Op het gebied van medische beeldverwerking zijn 3D-volumes vaak samengesteld uit voxels met verschillende groottes, wat kan leiden tot reken- en visualisatieproblemen. Het doel van isovoxeltransformatie is om deze problemen aan te pakken door de voxels in het oorspronkelijke 3D-volume opnieuw te samplen en te interpoleren, wat resulteert in een nieuw 3D-beeld met consistente voxelgroottes. Deze techniek vindt toepassingen in verschillende medische contexten, waaronder beeldregistratie, segmentatie en visualisatie. Daarom stelde deze studie een 3D-reconstructiemethode voor de hele long voor die gebruik maakt van medische beeldverwerkingstechnologie om de 3D-contour van de long te extraheren tegen de achtergrond van de hele thoraxscan. De methode biedt een nauwkeurigere en uitgebreidere weergave van de ruimtelijke verdeling en radiologische kenmerken van vroege meervoudige knobbeltjes in de hele long. Deze studie draagt bij aan de ontwikkeling van nauwkeurigere en effectievere diagnostische en behandelingsstrategieën voor patiënten met vroege meervoudige longknobbeltjes.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Voor de huidige studie werd ethische goedkeuring verkregen van de ethische commissie van het Dongzhimen-ziekenhuis, verbonden aan de Beijing University of Chinese Medicine (DZMEC-KY-2019.90). In dit specifieke geval wordt een methodische beschrijving van de onderzoeksaanpak gegeven, waarbij een casus wordt geschetst waarbij een 65-jarige vrouwelijke patiënt met meerdere longknobbeltjes betrokken is. Deze patiënte gaf geïnformeerde toestemming voor haar diagnose door middel van digitale modellering en gaf toestemming voor het gebruik van haar gegevens voor wetenschappelijke onderzoeksdoeleinden. De modelreconstructiefunctie is afgeleid van een in de handel verkrijgbaar softwarehulpmiddel (zie Materiaaltabel).
1. Gegevensvoorbereiding en isovoxel-transformatie
- DICOM (Digital Imaging and Communications in Medicine) gegevensvoorbereiding en gegevenseigenschappen
OPMERKING: De variatie in parameters blijft relatief onaangetast door de onderzoeksmethodologie.- Kopieer de DICOM-gegevens van de patiënt naar een gedefinieerde werkmap.
- Gebruik de bestandsbrowser om elke bestandsmap te onderzoeken om de afbeeldingsreeks met het hoogste aantal scanlagen voor analyse te identificeren.
- Gebruik de Dicominfo-functie binnen MATLAB door DICOM-bestanden als invoerparameters op te geven. Dit stelt u in staat om essentiële parameters, zoals plakdikte en pixelafstand, rechtstreeks in de MATLAB-omgeving te extraheren.
OPMERKING: Deze parameters zijn van groot belang bij het configureren van de weergavesnelheid voor het 3D-volume. In het geval van de dataset die in dit onderzoek werd gebruikt, was de plakdikte 1 mm, de pixelafstand gelijk aan 0,7188 mm en werden in totaal 387 lagen gescand.
- Correct sorteren van gescande gegevens
OPMERKING: De volgorde van elke afbeelding moet worden gesorteerd voor volumeconstructie.- Haal de locatiegegevens voor elke afbeelding op met behulp van de Dicominfo-functie . Krijg toegang tot de locatie-informatie door naar informatie te verwijzen . SliceLocation binnen de MATLAB-werkruimte.
- Sla de locatiegegevens op in een variabele met behulp van de functie SliceLocation en genereer er een plot voor (Afbeelding 1).
- Verbeter de plot door er een gegevenspunt aan toe te voegen met behulp van de knop Gegevenstips in de rechterbovenhoek van de GUI. Dit gegevenspunt moet de maximale locatie van de normale sequentie markeren, die overeenkomt met de bovenste locatie in de beeldvorming van de patiënt (Figuur 1).
- Organiseer alle afbeeldingen door ze te sorteren en extraheer vervolgens de afbeeldingen, variërend van de eerste locatie tot de maximale locatie. Bereik dit door de VolumeResort-functie aan te roepen.
- Bescherm de volumegegevens, die bestaan uit 512 pixels bij 512 pixels bij 340 lagen, van de geldige afbeeldingen samen met hun gesorteerde index. Deze informatie zal waardevol zijn voor toekomstig gebruik, met name in het kader van het identificeren van belangrijke knobbeltjes.
- Isovoxel-transformatie
OPMERKING: 3D Isovoxel-transformatie maakt latere verwerking mogelijk om dezelfde weergaveschaal in alle dimensies te behouden.- Bestudeer de driedimensionale schaal van een 3D-volume, dat is 512 pixels x 512 pixels x 340 lagen, met behulp van de groottefunctie in Matlab.
- Om het 3D-volume (Figuur 2) te bekijken met behulp van de Slice_View-commandofunctie , registreert u het sequentiescanbereik met de longen van 60 tot 340. Gebruik dan gewoon het commando V1=V0(:,:,60:340) om een 3D-volume te verkrijgen dat alle gegevens van de hele long bevat. De grootte van V1 is 512 pixels x 512 pixels x 281 lagen.
- Gebruik de MATLAB-opdrachtfunctie dicominfo om de plakdikte van de afbeeldingsreeks te verkrijgen, die 1 mm is, en de pixelafstand is 0.7188. Bereken het aantal z-assen voor de isovoxel-transformatie met het commando: round (281 x 1/0.7188). Het aantal lagen voor de isovoxeltransformatie moet 391 zijn.
- Gebruik de Matlab-opdrachtfunctie imresize3 om isovoxel-transformatie uit te voeren op V1. Voer het script uit met het commando V2=imresize3(V1, [512, 512, 391]). Gebruik vervolgens de 3D_Slice_View functie om het isovoxel getransformeerde 3D-volume te bekijken (Figuur 3).
2. Verwijdering van ruisinterferentie veroorzaakt door computertomografie (CT)-apparatuur
NOTITIE: In afbeelding 2 is het signaal met hoge intensiteit dat de patiëntenbank van de CT-apparatuur vertegenwoordigt zichtbaar, wat de beeldsegmentatie kan verstoren. Om deze interferentie te elimineren, is een ruimtelijk filterontwerp vereist.
- Gebruik de knop Gegevenstips in afbeelding 2 om doorlopende gegevenspunten toe te voegen binnen de interactieve interface. Hierdoor kan men een lijn maken die deze punten met elkaar verbindt, waardoor de patiëntenbank effectief wordt uitgesloten. Klik vervolgens met de rechtermuisknop op de gegevenstips en selecteer Cursorgegevens exporteren naar werkruimte om de referentiegrens voor ruimtelijke filtering te exporteren naar de MATLAB-werkruimte (Afbeelding 3). De grensverstrooiingsmatrix heet in dit geval 'CI'.
- Roep de functie Noise_Clean aan om ruimtelijke filtering toe te passen op V2, met behulp van de invoerparameter 'CI' vanuit de werkruimte. Deze bewerking levert een 3D-volume op dat het interferentiesignaal van de CT-apparatuur verwijdert. Gebruik ten slotte de Slice_View commandofunctie om het resulterende volume te visualiseren, zoals weergegeven in afbeelding 4.
3. Extractie van de longcontour
- Begin met het selecteren van een segment om als sjabloon te dienen in de GUI die wordt weergegeven in afbeelding 4. Kies bijvoorbeeld de 232e afbeelding voor het ontwerp van de afbeeldingssegmentatie en wijs deze toe aan een variabele 'I' met behulp van het commando I=V2(:,:,232). Open vervolgens de GUI van de MATLAB Image Segmenter door de opdracht imageSegmenter(I) uit te voeren, zoals weergegeven in afbeelding 5.
- Figuur 5 toont een reeks tools voor beeldsegmentatie. Selecteer om te beginnen de Auto Cluster tool in de werkbalk bovenaan en voer de opdracht uit door op de linkermuisknop te klikken. De afbeelding wordt automatisch in twee klassen verdeeld. Gezien het ruisonderdrukkingsproces dat in stap 2.2 is uitgevoerd, wordt beeldsegmentatie in dit stadium relatief eenvoudig.
- Klik vervolgens op de knop Binair weergeven in de rechterbovenhoek om de afbeelding binair in zwart-wit weer te geven. Op dit punt zal het longgebied zwart lijken. Om het longgebied wit te maken, selecteert u de knop Masker omkeren in de bovenste werkbalk en voert u de opdracht uit door met de linkermuisknop te klikken.
- Om de witte kleur buiten het longgebied te verwijderen, selecteert u de knop Randen wissen op de bovenste werkbalk en voert u deze uit door met de linkermuisknop te klikken. Na deze stap blijft alleen het witgekleurde longgebied over. Alle zwarte schaduwen die op dit punt in het longgebied achterblijven, moeten echter worden opgevuld. Om dit te bereiken, selecteert u de knop Gaten vullen in de werkbalk en het resultaat na het klikken op de knop wordt weergegeven in Afbeelding 6.
- Alle stappen die betrokken zijn bij de segmentatie van longbeelden worden weergegeven in de GUI van figuur 6 in de linkerbenedenhoek. Door op de knop Exporteren in de rechterbovenhoek te klikken, slaat u deze geautomatiseerde stappen op als een functie voor batchverwerking van longregiosegmentatie. Klik in de pop-up Script Editor op de knop Opslaan om de functie op te slaan in de huidige werkmap.
4.3D reconstructie voor de hele long met meerdere longknobbeltjes
OPMERKING: Het nemen van het puntproduct van het longsegmentatiebeeld van elk beeld met het originele beeld staat gelijk aan het uitvoeren van 3D ruimtelijke filtering op het volume, waardoor interferentiesignalen buiten de longen effectief worden uitgefilterd en de 3D-structuur van de longen wordt verkregen.
- Start de 3Dlung_Volume functie in de MATLAB-werkruimte.
OPMERKING: Deze functie voert beeldsegmentatie uit op elke afbeelding met behulp van de uitvoer van stap 3.5. Vervolgens voert het een puntproductbewerking uit tussen het binaire longmasker en het originele beeld om een nieuw 3D-volume te genereren dat uitsluitend longweefsel bevat. In de GUI (Figuur 7) die verschijnt nadat de functie is voltooid, kan men Maximum Intensity Projection (MIP)-operaties visualiseren en uitvoeren op het gehele 3D-longvolume. - Zoek in de GUI het eerste vervolgkeuzemenu in de rechterbovenhoek. Selecteer MIP-projectie en kies vervolgens de jet-kleurkaart uit de onderstaande opties voor ingebouwde kleurkaarten . Selecteer vervolgens in het vervolgkeuzemenu in de rechterbovenhoek van de vierde weergave (3D-volumeweergave) de optie Maximaliseren. Deze actie levert een 3D-volume van de hele long op (Figuur 8) dat vanuit elke hoek kan worden waargenomen, verplaatst en indien nodig kan worden gemanipuleerd.
OPMERKING: In het gedeelte over de interactie tussen mens en computer dat in afbeelding 8 wordt geïllustreerd, kan men de kijkhoek vrij aanpassen door de linkermuisknop ingedrukt te houden en te bewegen. Door met de middelste muisknop te scrollen, kan men in- of uitzoomen. - Gebruik voor geavanceerde bewerkingen voor contrast- en kleurverbetering het bedieningspaneel aan de rechterkant van de GUI.
5. Focus op het onderzoek van dominante longknobbeltjes
OPMERKING: In de 3D-ruimte (Figuur 8) wordt het dominante laesiegebied tussen meerdere longknobbeltjes duidelijk zichtbaar. Het aantal, de grootte en de concentratie van deze knobbeltjes zijn cruciale kenmerken van de dominante laesie en bieden waardevolle inzichten in de beoordeling van de ziekte.
- Roep nogmaals de Slice_View-functie aan, maar voer deze keer het volledige 3D-volume van de long in dat in stap 4.2 is verkregen. Gebruik binnen de resulterende GUI (Figuur 9) de onderste schuifbalk om naar het gebied te navigeren waar de dominante longknobbeltjes zich bevinden, verspreid over scans 48 tot 70.
- Ga verder met het aanroepen van de 3Dlung_Horizon functie om een 3D-reconstructie uit te voeren van het interessegebied (ROI) dat secties 48 tot 70 omvat van het 3D-volume van de hele long. Deze actie genereert een GUI-interface die is afgestemd op het visualiseren van longknobbeltjes, zoals geïllustreerd in figuur 10. Binnen deze GUI kan men de gedetailleerde kenmerken van de laesie vanuit verschillende invalshoeken verkennen.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
In de voorbewerkingsfase van de gegevens moet het sorteren van DICOM-gegevens de eerste stap zijn (Figuur 1) om de juiste scanvolgorde voor elke laag tijdens de 3D-reconstructie te garanderen. Vervolgens wordt isotrope transformatie uitgevoerd om de juiste beeldverhouding van het 3D-volume te garanderen (Figuur 2). Daarna wordt ruimtelijke filtering toegepast op het oorspronkelijke 3D-volume (Figuur 3) om interferentiesignalen van de patiëntenbank van de CT-apparatuur te elimineren (Figuur 4). Om de 3D-contour van de gehele long te verkrijgen, wordt op elke scan beeldsegmentatie uitgevoerd (Figuur 5) om een binair longbeeld te maken (Figuur 6). Op basis van de 3D-contour van de long wordt het volledige longvolume 3D gereconstrueerd (Figuur 7) en gevisualiseerd in 3D (Figuur 8). Voor het dominante laesiegebied (Figuur 9) kan een afzonderlijke 3D-visualisatie (Figuur 10) worden uitgevoerd om de gedetailleerde kenmerken van de laesie zorgvuldig te identificeren.
Isovoxel-transformatie zorgt ervoor dat tijdens de daaropvolgende verwerking in alle dimensies dezelfde schaal wordt gehandhaafd. Figuur 2 toont de segmentweergave na isovoxel-transformatie. In deze grafische gebruikersinterface (GUI) kan men de volledige ruwe 3D-volumegegevens bekijken.
Figuur 3 en figuur 4 tonen het ruimtelijke filterproces dat wordt gebruikt om bedsignaalinterferentie van de CT-apparatuur te verwijderen. Zonder dit kunnen beelden met ruissignalen de segmentatie van longstructuren in volgende stappen niet voltooien.
Figuur 5 en figuur 6 illustreren de longcontourextractiefunctie, die automatisch longcontouren kan extraheren, wat de basisvoorwaarden biedt voor de daaropvolgende 3D-reconstructie van longstructuren.
Figuur 7 en Figuur 8 tonen de 3D-reconstructie van de gehele long, waarbij de ruimtelijke verdeling van longweefsels en meerdere longknobbeltjes zichtbaar wordt. Door signaalinterferentie van weefsels buiten de longen te elimineren, kunnen de ruimtelijke locatie, grootte en concentratie van meerdere longknobbeltjes nauwkeurig worden weergegeven.
Figuur 9 en Figuur 10 tonen de 3D-visualisatie van de dominante longknobbeltjes die van belang zijn. Door de uitsluiting van signaalinterferentie van buiten de longen wordt het contrast van de beelden verbeterd. De mogelijkheid om de 3D-structuur vanuit elke hoek te observeren, stelt artsen in staat om nauwkeurigere oordelen te vellen over de laesiekenmerken van de dominante longknobbeltjes.
Figuur 1: Locatieplot van afbeeldingen. De plot geeft de locatie van afbeeldingen weer op basis van hun bestandsnaamvolgorde. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 2: GUI voor 3D-volume slice view. Grafische gebruikersinterface (GUI) voor het bekijken van segmenten van het 3D-volume na Isovoxel-transformatie. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 3: Referentiegrens scatter matrix. De matrix die de verstrooiing van de referentiegrens voor ruimtelijke filtering vertegenwoordigt. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 4: 3D-volumesegmentweergave na ruimtelijk filteren. Weergave van segmenten uit het 3D-volume na het toepassen van ruimtelijke filtering. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 5: Afbeelding segmenter GUI. Grafische gebruikersinterface (GUI) van de Image Segmenter-tool. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 6: Resultaat van schaduwvulling in het longgebied. Het resulterende beeld na het opvullen van zwarte schaduwen in het longgebied met behulp van de knop "Gaten vullen". Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 7: 3D longreconstructie met meerdere longknobbeltjes. 3D reconstructie van de gehele long met vroege meervoudige longknobbeltjes. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 8: Interactieve GUI voor het bekijken van het longvolume in 3D. Interactieve grafische gebruikersinterface (GUI) voor het bekijken en manipuleren van het volledige 3D-longvolume. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 9: Slice-weergave voor het navigeren door het gebied van dominante longknobbeltjes. Segmentweergave voor het navigeren door het gebied met dominante longknobbeltjes binnen het gehele 3D-longvolume. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 10: 3D-visualisatie van dominante longknobbel. Driedimensionale visualisatie van de dominante longknobbel in het longvolume. Klik hier om een grotere versie van deze figuur te bekijken.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Dit onderzoek introduceert een unieke benadering voor het maken van een volledige driedimensionale (3D) reconstructie van de gehele long, waarbij gebruik wordt gemaakt van geavanceerde medische beeldverwerkingstechnieken om de 3D-vorm van de long af te bakenen in de context van een volledige thoraxscan. Deze techniek biedt een nauwkeurigere en grondigere weergave van de ruimtelijke rangschikking en radiologische kenmerken van vroege meervoudige knobbeltjes over de hele long. Deze studie levert een waardevolle bijdrage aan het verbeteren van de nauwkeurigheid en werkzaamheid van diagnostische en behandelingsstrategieën voor personen met vroege meervoudige longknobbeltjes.
Kritische stappen
In deze studie werden verschillende kritieke stappen geïdentificeerd als essentieel voor het succes van het protocol: (1) Het sorteren en rangschikken van DICOM-scansequentiecoördinaten om een nauwkeurig 3D-volume van de longscan te genereren (stap 1.2.2); (2) Isotrope transformatie om de juiste hoogte-breedteverhouding van het 3D-volume te garanderen, wat cruciaal is voor de latere 3D-reconstructie (stap 1.3.4); (3) Reconstructie van de volledige long met behulp van een model van vroege meervoudige longknobbeltjes, waardoor het dominante longknobbelgebied kan worden geïdentificeerd (stap 4.1); (4) Gedetailleerde visualisatie en onderzoek van het lokale gebied met de dominante laesie (stap 5.2).
Wijzigingen en probleemoplossing
De segmentatie van longweefselstructuren kan worden beïnvloed door de verschuiving van de grijswaardendrempel in de scansequentie, wat mogelijk kan leiden tot onnauwkeurige beeldsegmentatie in sommige scans. In geval van onnauwkeurige segmentatie kan een apart filter (herhalende stap 3) worden ontworpen om nauwkeurige longweefselcontouren te verkrijgen. Het handhaven van de hoogste precisie in isovoxel-transformatie16,17 is cruciaal om een nauwkeurig gebruik van gegevens te garanderen. Verwacht wordt dat deze stappen in de toekomst intelligenter en geautomatiseerd zullen worden. Met de vooruitgang van grootschalige medische beeldvormingsmodellen is nauwkeurige contouridentificatie door middel van computervisie ook een belangrijke richting voor toekomstige ontwikkeling11.
Beperkingen
Vereenvoudigde implementatie van longcontourextractie kan leiden tot fouten aan de grens van de 3D-contour van de long, wat mogelijk de visualisatie van kleine knobbeltjes aan de rand van de long kan beïnvloeden. De impact van deze beperking is echter minimaal bij het visualiseren van het dominante laesiegebied in geval van meerdere longknobbeltjes.
Betekenis ten opzichte van bestaande methoden
Vergeleken met computervisiebenaderingen biedt deze methode een uitgebreide weergave van de structuur van het longweefsel, inclusief de relaties tussen meerdere longknobbeltjes en longweefsel, terwijl de problemen van vals-positieven en vals-negatieven worden vermeden. Bovendien filtert het effectief signaalinterferentie van andere weefselstructuren, wat leidt tot nauwkeurigere en nauwkeurigere diagnoses met verbeterd contrast en helderheid.
Toekomstige toepassingen
Deze 3D-visualisatiemethode heeft een aanzienlijk potentieel voor verschillende klinische toepassingen, zoals het vergemakkelijken van de communicatie tussen arts en patiënt, het mogelijk maken van nauwkeurige diagnoses, het ondersteunen van datagestuurde evidence-based classificatie, het helpen bij het plannen van behandelingen en het evalueren van de prognose. Het kan helpen bij preoperatieve planning, intraoperatieve navigatie bieden voor de chirurgische verwijdering van meerdere longknobbeltjes en veranderingen in de grootte en vorm van knobbeltjes in de loop van de tijd volgen om de effectiviteit van de behandeling te beoordelen. Over het algemeen heeft het de capaciteit om de klinische besluitvorming bij de diagnose en behandeling van meerdere longknobbeltjes te verbeteren.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
De auteurs hebben geen belangenconflicten om bekend te maken. De softwaretool voor de reconstructie van longknobbeltjes, vermeld in de materiaaltabel van deze studie, is commerciële software van Beijing Intelligent Entropy Science & Technology Co Ltd. De intellectuele eigendomsrechten van deze softwaretool behoren toe aan het bedrijf.
Acknowledgments
Deze publicatie werd ondersteund door het vijfde nationale onderzoeksprogramma voor klinische excellente talenten in de traditionele Chinese geneeskunde, georganiseerd door de National Administration of Traditional Chinese Medicine. De officiële netwerkverbinding is 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. Radiology. 284 (1), 228-243 (2017).
- Yankelevitz, D. F., Yip, R., Henschke, C. I. Impact of duration of diagnostic workup on prognosis for early lung cancer. Journal of Thoracic Oncology. 18 (4), 527-537 (2023).
- Zhao, W., et al. PUNDIT: Pulmonary nodule detection with image category transformation. Medical Physics. 50, 2914-2927 (2023).
- 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).
- Gruden, J. F., et al. 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., et al. 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., et al. 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).
- 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., et al. 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., et al. 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).
- 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).
- Yabuuchi, H., et al. Clinical application of radiation dose reduction for head and neck CT. European Journal of Radiology. 107, 209-215 (2018).
- Rana, B., et al. Regions-of-interest based automated diagnosis of Parkinson's disease using T1-weighted MRI. Expert Systems with Applications. 42 (9), 4506-4516 (2015).
