本方案的目的是提供一种高效的时间方法，用于在高分辨率CT扫描图像上分割感兴趣区域，以便进一步进行放射组学分析。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
方法文章
肺部CT分割以识别实变和磨玻璃区域用于SARS-CoV肺炎的定量评估
* These authors contributed equally
本文内容
摘要
摘要
分割是一项复杂的任务，随着放射组学和机器学习潜力的不断提升，放射科医生和研究人员正面临这一挑战。该过程可以是自动的、半自动的或手动的；其中自动分割往往不够精确或难以重复，而手动分割在处理大范围区域和高分辨率图像时则过于耗时。
胸部高分辨率CT包含数百幅图像，这使得手动方法耗时过长。此外，肺实质的改变需要专家评估才能与正常表现区分开来；因此，据我们所知，在分割肺炎病灶时，尤其是当其特征尚不明确时，半自动分割方法是最为合适的选择。
在本研究所开展的 COVID-19 影像学研究中，我们采用了哈佛大学开发的免费软件 3D Slicer，结合阈值工具与画笔工具，实现了对通气肺组织、磨玻璃样阴影及实变区域的快速而精确的分割。尽管在面对复杂病例时，该方法仍需耗费一定时间进行适当的手动调整，但其为定义用于进一步分析的区域提供了极为高效的手段，例如计算受累肺实质的百分比或对磨玻璃区域进行纹理分析。
引言
今年，全球正面临一场由新型冠状病毒Sars-CoV2引发的公共卫生紧急事件。尽管截至目前，关于COVID-19感染的许多病理生理学特征仍不明确，但它与其“祖先”SARS1和MERS具有多个共同特征。特别是已有研究证实，病毒的刺突蛋白可与血管紧张素转换酶2型（ACE2）受体相互作用，该受体在肺泡内皮细胞上高度表达，但在人体各组织中广泛存在，因此可能导致全身性症状1。
在诊断方面，目前的标准是实时逆转录聚合酶链式反应（rt-PCR），该检测通过咽拭子样本进行。尽管影像学检查尚未被正式纳入该疾病的诊断流程，但由于rt-PCR的敏感性相对较低、专业实验室及所需试剂目前较为稀缺，以及检测结果高度依赖操作人员技术水平，高分辨率计算机断层扫描（HRCT）已被证明在患者临床管理和流行病学管理中具有重要辅助价值。
北美放射学会（Radiological Society of North America, RSNA）发布了一份共识声明，该声明得到了胸部放射学会和美国放射学会（American College of Radiology, ACR）的认可，将 COVID-19 的 CT 影像表现分为四类，以规范报告标准，将间质性肺炎模式划分为“典型”、“不典型”、“不确定”和“阴性”2。
“典型”模式的特征是存在圆形的磨玻璃样影（GGO），通常位于背侧基底段的胸膜下区域。GGO可伴有小叶间隔增厚形成的“铺路石征”，或机化性肺炎的其他征象。“不确定”模式的特征是缺乏“典型”模式的表现，表现为以肺门周围分布为主的弥漫性磨玻璃样影，伴或不伴有实变区域。“非典型”模式的特征是既无“典型”也无“不确定”模式的征象，而是表现为肺叶实变、“树芽征”、小叶间隔平滑增厚以及胸腔积液；在此类表现中无法检测到磨玻璃样影。“阴性”模式的特征是上述病理表现均不存在。
根据文献报道，部分患者可能具有较高的新型冠状病毒肺炎（COVID-19）临床怀疑度，流行病学标准和影像学发现均支持诊断，但逆转录聚合酶链反应（rt-PCR）检测结果为阴性3,4。另一方面，有研究报道，部分患者rt-PCR检测结果为阳性且具有提示性的临床表现，但在高分辨率计算机断层扫描（HRCT）中并未出现病理学改变5。
如今，科学界极为关注在定量研究该疾病特征时应用图像分析技术。最近一项研究采用了肺实质的自动分割技术，以确定 COVID-19 患者肺部通气区域的百分比，并将该数值与预后相关联，结果表明，肺部受累更严重的患者进入重症监护室（ICU）的风险更高，且预后更差6。
分割是指对通过成像技术（如高分辨率计算机断层扫描，HRCT）获取的容积数据中感兴趣区域（ROIs）进行轮廓勾画。该操作可通过三种方法完成：手动分割、半自动分割和自动分割。手动分割依赖于经过培训的放射科医师的经验，通过标记属于病变区域的体素来实现。该方法的主要缺点是耗时较长，且结果依赖于操作者。
半自动方法能够加快分割速度，因为操作者可以对通过经典图像处理方法（如基于像素强度的阈值分割、聚类等）获得的分割掩膜进行修改。然而，这些技术在临床实践中不易实施，因为在最复杂的情况下仍需要大量人工干预18。
目前应用有限的自动分割方法采用人工智能技术来获取感兴趣区域（ROI）。特别是，最近一项研究旨在利用自动分割对患有 COVID-19 间质性肺炎患者的磨玻璃样区域进行量化19。在高分辨率CT（HRCT）图像上为病理区域定义分割协议，是后续放射组学分析的实际第一步，旨在识别有助于进一步理解疾病生理病理特征的影像特征，并可作为潜在影响治疗方案的准确预后因素。
本文提供了一种使用“3D Slicer”7,8,9,10准确高效地分割代表新型冠状病毒肺炎病理发现区域的指南。
访问受限。请登录或开始试用以查看此内容。
方案
本方案遵循机构人类研究伦理委员会的指导方针。
1. 下载DICOM图像
- 下载DICOM图像，并将其传输至安装有3D软件的专用分割工作站。若计划在个人计算机上操作，需对DICOM数据进行匿名化处理。
2. 在 3D Slicer 软件中导入 HRCT 研究数据
- 在软件启动界面（对应下拉菜单中的 Welcome to Slicer 部分），选择 Load DICOM Data。或者，点击工具栏左上角的 DCM 图标。
- 在 DICOM Browser 面板的左上角，点击 Import，然后选择高分辨率CT（HRCT）检查数据的存储位置。选择包含DCM图像的文件夹，然后点击 Import。
- 当HRCT检查数据成功导入后，点击 Load 按钮。
3. 创建片段
- 在下拉菜单的 Segmentations 部分，或在下拉菜单中 Segmentation 部分内的子部分 Segment Editor 中，或在工具栏中作为独立图标，创建分割区域。
- 在 Master Volume 旁边的下拉菜单中，选择 HRCT 检查数据。
- 点击 Add 并创建三个新分割区域，系统将自动命名为 Segment 1, 2 和 3。双击每个区域，将其分别重命名为“tlv”（总肺实质）、“ggo”（磨玻璃样阴影）和“cons”（实变影）。如果在 HRCT 检查中存在其他病理发现，例如胸腔积液、肺癌、纤维化区域等，请创建额外的分割区域。对于伪影同样适用此操作。
4. TLP 片段的定义
注意：准确界定TLP段至关重要，因为该段将在定义GGO和CDs段时用于对HRCT进行掩膜处理。
- 第一步，在Segment Editor部分中，选择TLP区域后，选用Threshold工具。
- 设置一个足够大的阈值范围，以同时包含健康肺实质和磨玻璃样阴影。参考科学文献中报道的数值，并根据教科书中对GGO的定义进行必要调整后，我们发现将阈值设定在-1000 HU至-250 HU之间效果良好6,14,15,16,17。然后选择Apply。
- 如此定义的区域将包含肺内空气以及胸腔外的空气（即患者体外的空气）。为了分离出肺实质，使用位于Segment Editor中的Islands工具，并选择Keep selected island。在胸腔内部左键点击，以排除胸腔外的所有结构。
- 接下来，将TLP区域内的实变部分也包含进来。实变区域的衰减值（亨氏单位：HU）通常与构成胸壁和纵隔的软组织相似。因此，Threshold工具无法用于此目的，必须通过分割编辑器中的Scissors和Paint工具手动添加实变区域。
- 使用Scissors工具向区域中添加肺实质部分。选择Fill Inside操作，形状设为Free Form，切片切割模式设为Symmetric。根据实变区域的大小选择合适的厚度（例如，3至20 mm）；然后逐步添加TLP的小部分，直至完全包含整个实变区域。
- Paint工具使用起来更简便，有时速度更快，但精度可能较低，具体取决于需包含的区域。当启用Sphere Brush选项时，该工具可向区域中添加三维的肺实质部分。画笔大小可轻松调整。
- 在向TLP区域添加实变部分时，切勿包含胸壁或纵隔的部分。这一点可能较难实现，因为在COVID-19患者中，靠近后胸壁的实变十分常见。可使用Erase工具修正分割结果，或选择Undo撤销上一步操作。
- 在此阶段，再次使用平滑算法，以消除手动分割过程中可能出现的微小瑕疵。至此，TLP区域的定义已完成。
GGO 区段的定义
- 为定义磨玻璃影（GGO）区域，使用阈值工具。
- 选择 GGO 区域。
- 将阈值设置在 -750 HU 至 -150 HU 之间。
- 在点击 应用 之前，先转到其正下方的 掩膜 部分，在 可编辑区域 下拉菜单中选择 TLP，并在 覆盖其他区域 下拉菜单中选择 无。这一点极为重要：如果跳过此步骤，在定义 GGO 区域的同时，TLP 区域也会被修改，而这必须避免，因为 TLP 区域是定义所有其他区域的基础掩膜。
- 现在点击 应用。
- 此时可能需要再次使用平滑算法，以排除密度与磨玻璃影相似的小血管和生理性间质结构。建议从 3 mm 的核大小开始，如有需要可逐步增加，最大不超过 6–7 mm。需注意，若核大小设置过大，可能导致部分小范围的磨玻璃影区域被遗漏，从而被排除在 GGO 区域之外。因此，使用平滑算法时应格外谨慎。
- 同样地，使用 绘制、剪切 和 擦除 工具进行必要的修正。在此过程中，请始终确保 TLP 掩膜处于激活状态，以避免将邻近“磨玻璃”区域的胸壁部分错误纳入该区域。因为一旦被错误分割，这些结构将被自动排除。
- 在获取该区域时，应仔细检查是否存在由心脏和膈肌运动引起的人工伪影（这种情况通常发生在患者检查期间无法屏住呼吸时）。如果伪影存在且此前已被包含在 TLP 区域中，则应从“磨玻璃”区域中将其剔除，例如使用 孤岛 工具中的 移除选定孤岛 选项，或结合使用 剪切 和 擦除 工具。根据研究目的的不同，这些伪影也可单独进行分割（使用专用区域），或保留在 TLP 区域中并从其他区域中排除。至此，GGO 区域已定义完成。
6. CD 区段的界定
- 定义实变（CDs）区域段时，操作方法与定义磨玻璃影（GGO）区域段相同。
- 选择实变（CDs）区域段。务必始终启用TLP遮罩进行操作。
- 设置合适的阈值。对于实变区域，阈值范围大致为-150 HU至100 HU。
- 根据需要调整核大小，应用平滑算法。
- 结合使用剪刀、擦除、绘制和孤岛工具，确保区域段内仅保留真实的实变病灶，排除大血管、胸腔积液、伪影、肺不张条带以及其他与COVID无关的病变。
- 如有需要，可进行最终的平滑处理。
7. 保存片段
- 将片段保存为“.nrrd”文件，或从中转换为二值标签图 "数据" 模块
8. 从定义的片段中提取体积。
- 在分割统计模块中，获取包含各分割区域体积和表面积详细信息的表格。
访问受限。请登录或开始试用以查看此内容。
结果
该方法通过反复试验进行优化，并在117例经rt-PCR检测呈阳性的新型冠状病毒肺炎患者中进行了验证。
经过短暂的学习适应期后，获取这些片段所需的时间可能因呈现模式的不同而介于5到15分钟之间。
如图1所示，该方法可获得精确的分割结果：通过观察其与高分辨率CT（HRCT）的精确对应关系即可证实。三维重建有助于评估对应情况，并快速回顾分割结果。可定量评估受累肺实质的范围，以重复Colombi等人6和Lanza等人13所报道的结果。
访问受限。请登录或开始试用以查看此内容。
讨论
分割是开展现代定量放射学研究的基本步骤，也是应用放射组学或纹理分析技术的必要前提。肺部的病理改变是分割最具挑战性的对象之一，因其缺乏明确的解剖边界，且与健康区域相比其衰减值差异较小。
源图像应尽可能少地出现伪影，尤其是在病理区域，但在研究影响屏气能力的疾病时，这一点有时难以实现；因此，研究人员可考虑排除存在伪影的高分辨率CT图像，或定义一个专门包含伪影的区域，以便在后续分析中将其剔除。
可以安装一个名为“chest imaging platform”的 3D Slicer 扩展11，该扩展能够实现对肺段（尤其是通气肺组织）进行更快速、更自动化的操作。但本研究决定不采用此方法，因为当磨玻璃影（GGO）和实变病灶呈胸膜下分布时，该方法需要大量人工干预，而本文所探讨的病理情况正是如此。
已有研究报道了一种用于间质性肺疾病的自动分割方法12；然而，该方法需要预先了解病变区域的特征。本研...
访问受限。请登录或开始试用以查看此内容。
披露
所有作者均无利益冲突。
致谢
本工作获得了博洛尼亚大学放射学系资金的支持。
访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| CT 扫描仪 | 通用电气医疗 | 64-MDCT VCT lightSpeed | 用于高分辨率 CT 图像采集的 CT 扫描仪 |
| 台式计算机 | ThinkCentre | 用于下载 DICOM 文件并运行 3D Slicer 的计算机 |
参考文献
- Zheng, Y., et al. COVID-19 and the cardiovascular system. Nature Reviews Cardiology. 17, 259-260 (2020).
- Simpson, S., et al. Radiological Society of North America Expert Consensus Statement on Reporting Chest CT Findings Related to COVID-19. Endorsed by the Society of Thoracic Radiology, the American College of Radiology, and RSNA. Radiology: Cardiothoracic Imaging. 2, 2(2020).
- Xie, X., et al. Chest CT for Typical 2019-nCoV Pneumonia: Relationship to Negative RT-PCR Testing. Radiology. , 200343(2020).
- Huang, P., et al. Use of Chest CT in Combination with Negative RT-PCR Assay for the 2019 Novel Coronavirus but High Clinical Suspicion. Radiology. 295 (1), 22-23 (2020).
- Fang, Y., et al. Sensitivity of Chest CT for COVID-19: Comparison to RT-PCR. Radiology. , 200432(2020).
- Colombi, D., et al. Well-aerated Lung on Admitting Chest CT to Predict Adverse Outcome in COVID-19 Pneumonia. Radiology. , 201433(2020).
- 3D Slicer [software]. , Available from: https://www.slicer.org (2020).
- Kikinis, R., Pieper, S. D., Vosburgh, K. 3D Slicer: a platform for subject-specific image analysis, visualization, and clinical support. Intraoperative Imaging Image-Guided Therapy. Jolesz, F. A. 3 (19), 277-289 (2014).
- Kapur, T., et al. Increasing the impact of medical image computing using community-based open-access hackathons: The NA-MIC and 3D Slicer experience. Medical Image Analysis. 33, 176-180 (2016).
- Fedorov, A., et al. 3D Slicer as an Image Computing Platform for the Quantitative Imaging Network. Magnetic Resonance Imaging. 30 (9), 1323-1341 (2012).
- Chest Imaging Platform [software]. , Available from: https://chestimagingplatform.org (2020).
- Wang, J., Li, F., Li, Q. Automated segmentation of lungs with severe interstitial lung disease in CT. Medical Physics. 36 (10), 4592-4599 (2009).
- Lanza, E., et al. Quantitative chest CT analysis in COVID-19 to predict the need for oxygenation support and intubation. European Radiology. , (2020).
- Yao, G. Value of window technique in diagnosis of the ground glass opacities in patients with non-small cell pulmonary cancer. Oncology Letters. 12 (5), 3933-3935 (2016).
- Kauczor, H. U., et al. Automatic detection and quantification of ground-glass opacities on high-resolution CT using multiple neural networks: comparison with a density mask. American Journal of Roentgenology. 175 (5), 1329-1334 (2000).
- Funama, Y., et al. Detection of nodules showing ground-glass opacity in the lungs at low-dose multidetector computed tomography: phantom and clinical study. Journal of Computed Assisted Tomography. 33 (1), 49-53 (2009).
- Hansell, D. M., et al. Fleischner Society: glossary of terms for thoracic imaging. Radiology. 246, 697-722 (2008).
- Heye, T., et al. Reproducibility of Dynamic Part II. Comparison of Intra- and Interobserver Variability with Manual Region of Interest Placement versus semiautomatic lesion segmentation and histogram analysis. Radiology. 266, 812-821 (2013).
- Zhang, H. T., et al. Automated detection and quantification of COVID-19 pneumonia: CT imaging analysis by a deep learning-based software. Nuclear Medicine and Molecular Imaging. 14, 1-8 (2020).
- Alhazzani, W., et al. Surviving Sepsis Campaign: guidelines on the management of critically ill adults with Coronavirus Disease 2019(COVID-19). Intensive Care Medicine. 46 (5), 854-887 (2020).
访问受限。请登录或开始试用以查看此内容。
重印与许可
