Name: 早期多发性肺结节全肺三维重建 (视频) | JoVE Journal
Uploaded: 2023-10-13T15:00:00.000+00:00
Duration: 7 min 53 s
Description: 了解全肺三维重建技术用于早期多发性肺结节的精准建模与可视化分析。该方法结合深度学习与医学影像，帮助临床医生提升肺癌早期诊断和治疗规划能力。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

本出版物由国家中医药管理局组织的第五批全国中医药临床优秀人才研究项目提供支持。官方网站链接为&#160;http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html。

本研究已获得北京中医药大学东直门医院伦理委员会的伦理批准（DZMEC-KY-2019.90）。本案例中，系统性地描述了研究方法，介绍了一例65岁女性患者多发性肺结节的病例。该患者已知情同意通过数字化建模进行诊断，并授权将其数据用于科学研究。模型重建功能来源于一种 commercially available software tool（参见材料表）。
1. 数据准备与各向同性体素转换
<ol>
	<li>DICOM（医学数字成像与通信）数据准备与数据属性 
	注意：参数的变化相对不受研究方法的影响。
	<ol>
		<li>将患者的 DICOM 数据复制到指定的工作目录中。</li>
		<li>使用文件浏览器检查每个文件目录，确定扫描层数最多的图像序列用于分析。</li>
		<li>在 MATLAB 中调用 Dicominfo 函数，并以 DICOM 文件作为输入参数，从而在 MATLAB 环境中直接提取关键参数，例如层厚和像素间距。 
		注意：这些参数在配置三维体数据的显示比例时具有重要意义。在本研究使用的数据集中，层厚为 1 mm，像素间距为 0.7188 mm，共扫描了 387 层。</li>
	</ol>
	</li>
	<li>扫描数据的正确排序 
	注意：为构建体数据，每幅图像的顺序必须进行排序。
	<ol>
		<li>使用 Dicominfo 函数获取每幅图像的位置信息，并在 MATLAB 工作区中通过引用 info.SliceLocation 访问该位置信息。</li>
		<li>使用 SliceLocation 函数将位置信息保存为变量，并生成相应的图像（图 1）。</li>
		<li>通过图形用户界面（GUI）右上角的 Data Tips 按钮，在图像中添加一个数据点，标记正常序列的最大位置，即患者影像中的最上部位置（图 1）。</li>
		<li>对所有图像进行排序，并提取从第一个位置到最大位置之间的图像，可通过调用 VolumeResort 函数实现。</li>
		<li>保存由有效图像生成的体数据，其尺寸为 512 像素 × 512 像素 × 340 层，同时保存其排序索引。这些信息对于后续参考具有重要价值，特别是在识别关键结节时。</li>
	</ol>
	</li>
	<li>等体素变换 
	&#8203;注意：三维等体素变换可使后续处理在所有维度上保持相同的显示尺度。
	<ol>
		<li>使用 MATLAB 中的 size 函数检查三维体数据的尺寸，其大小为 512 像素 × 512 像素 × 340 层。</li>
		<li>使用 Slice_View 命令函数查看三维体数据（图 2），记录包含肺部的扫描序列范围为 60 至 340，然后直接使用命令 V1=V0(:,:,60:340) 获取包含整个肺部所有数据的三维体数据 V1，其尺寸为 512 像素 × 512 像素 × 281 层。</li>
		<li>使用 MATLAB 命令函数 dicominfo 获取图像序列的层厚（1 mm）和像素间距（0.7188），并通过命令 round (281 × 1 / 0.7188) 计算等体素变换所需的 z 轴层数，结果应为 391 层。</li>
		<li>使用 MATLAB 命令函数 imresize3 对 V1 进行等体素变换，执行脚本命令 V2=imresize3(V1, [512, 512, 391])，然后使用 3D_Slice_View 函数查看完成等体素变换后的三维体数据（图 3）。</li>
	</ol>
	</li>
</ol>
2. 去除计算机断层扫描（CT）设备引起的噪声干扰
注意：在图2中，可见代表CT设备检查床的高强度信号，该信号可能干扰图像分割。为消除此干扰，需要设计空间滤波器。
<ol>
	<li>在交互界面中，使用 数据提示 按钮（位于 图2）添加连续的数据点。这将允许用户创建一条连接这些点的线，从而有效排除患者床的影响。接着，右键单击 数据提示，选择 将光标数据导出到工作区，以将空间滤波的参考边界导出至 MATLAB 工作区（图3）。此情况下的边界散点矩阵命名为 'CI'。</li>
	<li>调用 Noise_Clean 函数，使用工作区中输入参数 'CI' 对 V2 应用空间滤波。该操作将生成一个三维体积数据，去除来自 CT 设备的干扰信号。最后，使用 Slice_View 命令函数可视化所得体积数据，如 图4 所示。</li>
</ol>
3. 肺轮廓的提取
<ol>
	<li>首先，在 图4 所示的图形用户界面（GUI）中选择一个切片作为模板。例如，选择第232幅图像用于图像分割设计，并使用命令 I=V2(:,:,232) 将其赋值给变量 'I'。然后，通过执行命令 imageSegmenter(I) 打开 MATLAB 图像分割器 GUI，如 图5 所示。</li>
	<li>图5 展示了一系列图像分割工具。首先，从顶部工具栏中选择“自动聚类”（Auto Cluster）工具，并通过单击鼠标左键执行命令。图像将自动被划分为两类。由于在步骤 2.2 中已进行去噪处理，此阶段的图像分割变得相对简单。</li>
	<li>接下来，单击右上角的 显示二值图（Show Binary） 按钮，以黑白二值形式显示图像。此时，肺部区域将显示为黑色。为使肺部区域变为白色，请从顶部工具栏中选择 反转掩膜（Invert Mask） 按钮，并通过单击鼠标左键执行命令。</li>
	<li>为消除肺区以外的白色区域，选择顶部工具栏中的 清除边界（Clear Borders） 按钮，并通过单击鼠标左键执行操作。此步骤完成后，仅保留白色显示的肺部区域。然而，若肺区内仍存在黑色阴影，则需将其填充。为此，请选择工具栏中的 填充孔洞（Fill Holes） 按钮，点击后的结果如 图6 所示。</li>
	<li>肺部图像分割所涉及的所有步骤均在 图6 左下角的 GUI 中列出。通过单击右上角的 导出（Export） 按钮，可将这些自动化步骤保存为一个函数，用于批量处理肺区分割。在弹出的脚本编辑器中，单击 保存（Save） 按钮，将该函数保存至当前工作目录。</li>
</ol>
4. 含多个肺结节的全肺三维重建
注意：将每幅图像的肺部分割图像与原始图像进行点积运算，相当于对体数据进行三维空间滤波，可有效滤除肺部以外的干扰信号，从而获得肺部的三维结构。
<ol>
	<li>在 MATLAB 工作区中启动 3Dlung_Volume 函数。 
	注意：该函数使用步骤 3.5 的输出结果对每幅图像进行图像分割，然后在二值肺部掩膜与原始图像之间执行点积运算，生成一个仅包含肺组织的新三维体数据。函数执行完成后会出现图形用户界面（GUI）（图7），可在其中对整个三维肺部体数据进行可视化，并执行最大强度投影（MIP）操作。</li>
	<li>在图形用户界面中，找到右上角的第一个下拉菜单，选择 MIP 投影，然后从下方的 内置色彩映射 选项中选择 jet 色彩映射。接着，在第四个视图（三维体数据视图）右上角的下拉菜单中选择 最大化。此操作将生成一个完整的肺部三维体数据图像（图8），可从任意角度观察、移动和操作。 
	注意：在 图8 所示的人机交互部分，可通过按住鼠标左键并移动来自由调整观察角度；滚动鼠标中键可实现放大或缩小。</li>
	<li>如需进行高级的对比度和色彩增强操作，请使用图形用户界面右侧的控制面板。</li>
</ol>
5. 重点关注优势肺结节的检查
注意：在三维空间中（图8），多个肺结节中的优势病灶区域变得明显可见。这些结节的数量、大小和密度是优势病灶的关键特征，对疾病评估具有重要参考价值。
<ol>
	<li>再次调用 Slice_View 函数，但此次输入步骤 4.2 中获得的整个肺部的 3D 体积数据。在生成的图形用户界面（GUI）中（图 9），使用底部滚动条导航至主要肺结节所在的区域，该区域覆盖扫描图像 48 至 70。</li>
	<li>接着调用 3Dlung_Horizon 函数，对来自整个肺部 3D 体积数据中第 48 至 70 层的感兴趣区域（ROI）进行 3D 重建。此操作将生成一个专用于可视化肺部结节的图形用户界面，如 图 10 所示。在此界面中，可从多个角度观察病灶的详细特征。</li>
</ol>

Enhancing Pulmonary Nodule Diagnosis Using Whole-Lung 3D Reconstruction

<ol><li>Mazzone, P. J., Lam, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+the+patient+with+a+pulmonary+nodule%3A+A+review%5BTitle%5D)+AND+%22JAMA%22%5BJournal%5D)">Evaluating the patient with a pulmonary nodule: A review.</a> JAMA. 327 (3), 264-273 (2022).</li>
<li>MacMahon, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Guidelines+for+management+of+incidental+pulmonary+nodules+detected+on+ct+images%3A+from+the+fleischner+society%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Guidelines for management of incidental pulmonary nodules detected on ct images: from the fleischner society.</a> Radiology. 284 (1), 228-243 (2017).</li>
<li>Yankelevitz, D. F., Yip, R., Henschke, C. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Impact+of+duration+of+diagnostic+workup+on+prognosis+for+early+lung+cancer%5BTitle%5D)+AND+%22Journal+of+Thoracic+Oncology%22%5BJournal%5D)">Impact of duration of diagnostic workup on prognosis for early lung cancer.</a> Journal of Thoracic Oncology. 18 (4), 527-537 (2023).</li>
<li>Zhao, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((PUNDIT%3A+Pulmonary+nodule+detection+with+image+category+transformation%5BTitle%5D)+AND+%22Medical+Physics%22%5BJournal%5D)">PUNDIT: Pulmonary nodule detection with image category transformation.</a> Medical Physics. 50, 2914-2927 (2023).</li>
<li>Ather, S., Kadir, T., Gleeson, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Artificial+intelligence+and+radiomics+in+pulmonary+nodule+management%3A+current+status+and+future+applications%5BTitle%5D)+AND+%22Clinical+Radiology%22%5BJournal%5D)">Artificial intelligence and radiomics in pulmonary nodule management: current status and future applications.</a> Clinical Radiology. 75 (1), 13-19 (2020).</li>
<li>Gruden, J. F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Incremental+benefit+of+maximum-intensity-projection+images+on+observer+detection+of+small+pulmonary+nodules+revealed+by+multidetector+CT%5BTitle%5D)+AND+%22American+Journal+of+Roentgenology%22%5BJournal%5D)">Incremental benefit of maximum-intensity-projection images on observer detection of small pulmonary nodules revealed by multidetector CT.</a> American Journal of Roentgenology. 179 (1), 149-157 (2002).</li>
<li>Guleryuz Kizil, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Diagnostic+importance+of+maximum+intensity+projection+technique+in+the+identification+of+small+pulmonary+nodules+with+computed+tomography%5BTitle%5D)+AND+%22Tuberk+Toraks%22%5BJournal%5D)">Diagnostic importance of maximum intensity projection technique in the identification of small pulmonary nodules with computed tomography.</a> Tuberk Toraks. 68 (1), 35-42 (2020).</li>
<li>Valencia, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Value+of+axial+and+coronal+maximum+intensity+projection+%28MIP%29+images+in+the+detection+of+pulmonary+nodules+by+multislice+spiral+CT%3A+comparison+with+axial+1-mm+and+5-mm+slices%5BTitle%5D)+AND+%22European+Radiology%22%5BJournal%5D)">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.</a> European Radiology. 16, 325-332 (2006).</li>
<li>Jabeen, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Diagnostic+accuracy+of+maximum+intensity+projection+in+diagnosis+of+malignant+pulmonary+nodules%5BTitle%5D)+AND+%22Cureus%22%5BJournal%5D)">Diagnostic accuracy of maximum intensity projection in diagnosis of malignant pulmonary nodules.</a> Cureus. 11 (11), e6120(2019).</li>
<li>Naeem, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comparison+of+maximum+intensity+projection+and+volume+rendering+in+detecting+pulmonary+nodules+on+multidetector+computed+tomography%5BTitle%5D)+AND+%22Cureus%22%5BJournal%5D)">Comparison of maximum intensity projection and volume rendering in detecting pulmonary nodules on multidetector computed tomography.</a> Cureus. 13 (3), e14025(2021).</li>
<li>Bianconi, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comparative+evaluation+of+conventional+and+deep+learning+methods+for+semi-automated+segmentation+of+pulmonary+nodules+on+CT%5BTitle%5D)+AND+%22Quantitative+Imaging+in+Medicine+and+Surgery%22%5BJournal%5D)">Comparative evaluation of conventional and deep learning methods for semi-automated segmentation of pulmonary nodules on CT.</a> Quantitative Imaging in Medicine and Surgery. 11 (7), 3286-3305 (2021).</li>
<li>Christe, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Computer-aided+diagnosis+of+pulmonary+fibrosis+using+deep+learning+and+CT+images%5BTitle%5D)+AND+%22Investigative+Radiology%22%5BJournal%5D)">Computer-aided diagnosis of pulmonary fibrosis using deep learning and CT images.</a> Investigative Radiology. 54 (10), 627-632 (2019).</li>
<li>Kim, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Applications+of+artificial+intelligence+in+the+thorax%3A+a+narrative+review+focusing+on+thoracic+radiology%5BTitle%5D)+AND+%22Journal+of+Thoracic+Disease%22%5BJournal%5D)">Applications of artificial intelligence in the thorax: a narrative review focusing on thoracic radiology.</a> Journal of Thoracic Disease. 13 (12), 6943-6962 (2021).</li>
<li>Schreuder, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Artificial+intelligence+for+detection+and+characterization+of+pulmonary+nodules+in+lung+cancer+CT+screening%3A+ready+for+practice%5BTitle%5D)+AND+%22Translational+Lung+Cancer+Research%22%5BJournal%5D)">Artificial intelligence for detection and characterization of pulmonary nodules in lung cancer CT screening: ready for practice.</a> Translational Lung Cancer Research. 10 (5), 2378-2388 (2021).</li>
<li>Zheng, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+pulmonary+nodule+detection+in+CT+scans+using+convolutional+neural+networks+based+on+maximum+intensity+projection%5BTitle%5D)+AND+%22IEEE+Transactions+on+Medical+Imaging%22%5BJournal%5D)">Automatic pulmonary nodule detection in CT scans using convolutional neural networks based on maximum intensity projection.</a> IEEE Transactions on Medical Imaging. 39 (3), 797-805 (2019).</li>
<li>Yabuuchi, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clinical+application+of+radiation+dose+reduction+for+head+and+neck+CT%5BTitle%5D)+AND+%22European+Journal+of+Radiology%22%5BJournal%5D)">Clinical application of radiation dose reduction for head and neck CT.</a> European Journal of Radiology. 107, 209-215 (2018).</li>
<li>Rana, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Regions-of-interest+based+automated+diagnosis+of+Parkinson%27s+disease+using+T1-weighted+MRI%5BTitle%5D)+AND+%22Expert+Systems+with+Applications%22%5BJournal%5D)">Regions-of-interest based automated diagnosis of Parkinson's disease using T1-weighted MRI.</a> Expert Systems with Applications. 42 (9), 4506-4516 (2015).</li>
</ol>

作者无任何利益冲突需要披露。文中所列用于肺结节模型重建的软件工具，在 材料表 本研究中使用的软件是北京智熵科技有限公司的商业软件 &amp; 科技有限公司。该软件工具的知识产权归该公司所有。

本研究介绍了一种独特的全肺三维（3D）重建方法，采用先进的医学图像处理技术，在完整胸部扫描的背景下精确勾画肺部的三维形态。该技术能够更准确、全面地展示早期多发肺结节在整个肺部的空间分布及其影像学特征。本研究对提高早期多发肺结节患者的诊断与治疗策略的准确性与有效性具有重要贡献。
关键步骤 
在本研究中，确定了若干对方案成功至关重要的关键步骤：（1）对 DICOM 扫描序列坐标进行排序和排列，以生成肺部扫描的精确三维体积（步骤 1.2.2）；（2）各向同性变换，以确保三维体积具有正确的纵横比，这对于后续的三维重建至关重要（步骤 1.3.4）；（3）使用早期多发性肺结节模型重建整个肺部，从而识别出主要肺结节区域（步骤 4.1）；（4）对包含主要病灶的局部区域进行详细可视化和检查（步骤 5.2）。
修改与故障排除 
肺组织结构的分割可能受到扫描序列中灰度阈值偏移的影响，从而导致某些扫描图像的分割不准确。在分割不准确的情况下，可设计一个独立的滤波器（...

早期多发性肺结节是肺部的小型圆形病灶，可能为良性或恶性1,2,3。尽管孤立性肺结节更易于诊断和治疗，但患有早期多发性肺结节的患者在诊断和治疗方面面临显著挑战。为了制定有效的治疗方案，必须在整个肺部范围内准确识别这些结节的空间分布、大小、位置及其与周围肺组织的关系4,5。传统诊断方法在准确识别早期多发性肺结节方面存在局限性。
近年来，医学图像处理技术和机器学习算法的进步有望提高早期肺结节检测与诊断的准确性和效率。已有多种方法被提出，例如基于机器视觉的模式识别方法，以及基于最大密度投影（MIP）的可视化方法6,7,8,9,10。然而，这些方法存在一些局限性，如假阳性、假阴性结果11,12,13,14,15，以及缺乏对早期多发性肺结节分布特征和空间特性的宏观与整体性描述。
为解决这些局限性，本研究提出一种全肺三维重建方法，该方法利用医学图像处理技术，从全胸扫描背景中提取肺部的三维轮廓，并在三维空间中对肺、肺动脉及早期多发肺结节进行三维重建。该方法能够更全面、准确地呈现早期多发结节在整个肺部的空间分布及其影像学特征。
该方法包含若干关键步骤。首先，将医学图像导入三维图像处理软件，并采用基于阈值的分割技术提取肺部区域。随后，将提取出的肺部区域与周围的胸壁及胸椎骨性结构分离。接着，利用最大强度投影（MIP）算法在三维空间中重建早期多发性肺结节及其与周围血管的关系。最后，显示重建后的肺组织、肺动脉及结节的三维模型，以供进一步分析。
与现有方法相比，该方法具有多项优势。不同于依赖二维图像的传统方法，该方法利用三维容积数据，能够更准确、全面地呈现早期多发性肺结节。该方法还克服了模式识别方法和MIP可视化方法所存在的假阳性与假阴性局限性。此外，该方法可对早期多发性肺结节的分布特征及空间构象提供宏观且整体的描述，这对于制定有效的治疗方案至关重要。
该方法在早期多发性肺结节的诊断与治疗中具有多种潜在应用。准确识别早期多发性结节的空间分布及影像学特征，有助于肺癌的早期诊断与治疗。此外，该方法还可用于监测疾病进展以及评估治疗方案的有效性。
基于机器视觉的模式识别方法6,7,8在肺结节识别方面已展现出潜力，但仍存在假阳性与假阴性等局限性。而MIP可视化方法虽然能够更准确地呈现单个结节，却缺乏对早期多发结节分布特征及空间特性的宏观与整体描述。本文提出的全肺三维重建方法克服了上述局限，能够更准确、全面地呈现早期多发性肺结节。
等体素变换16,17是指将具有不同体素尺寸的三维图像转换为具有统一体素尺寸的三维图像的过程。在医学图像处理领域，三维体数据通常由尺寸各异的体素构成，这可能导致计算和可视化方面的问题。等体素变换的目的正是通过在原始三维体数据上进行重采样和插值，以解决这些问题，从而生成具有均匀体素尺寸的新三维图像。该技术在多种医学应用中具有重要意义，包括图像配准、分割和可视化。因此，本研究提出了一种全肺三维重建方法，利用医学图像处理技术，从全胸扫描的背景中提取肺部的三维轮廓。该方法能够更准确、全面地呈现早期多发肺结节在整个肺部的空间分布及影像学特征，有助于为早期多发肺结节患者制定更精确、有效的诊断与治疗策略。

<table><tbody><tr><td>MATLAB</td><td>MathWorks&amp;nbsp;</td><td>2022B</td><td>计算与可视化&amp;nbsp;</td></tr><tr><td>用于建模的工具</td><td>智能熵</td><td>肺结节 V1.0</td><td>北京智熵科技 &amp;amp; Technology Co Ltd.&lt;br/&gt; CT/MRI 融合成像</td></tr></tbody></table>

早期多发性肺结节全肺三维重建

Three-Dimensional Reconstruction for the Whole Lung with Early Multiple Pulmonary Nodules

对于早期多发性肺结节患者，从诊断角度而言，必须明确这些结节在整个肺部的空间分布、大小、位置及其与周围肺组织的关系。这对于医生识别原发病灶并制定更为科学的治疗方案至关重要。然而，基于机器视觉的模式识别方法容易出现假阳性与假阴性结果，因此在临床应用中尚无法完全满足需求。基于最大密度投影（MIP）的可视化方法虽能较好地显示局部及单个肺结节，但缺乏对多发性肺结节分布特征与空间关系的宏观、整体性描述。
因此，本研究提出了一种全肺三维重建方法。该方法基于全肺背景，利用医学图像处理技术提取肺部的三维轮廓，并对肺、肺动脉及多个肺结节进行三维空间重建。该方法可全面描绘全肺范围内多个结节的空间分布及影像学特征，为多发性肺结节的诊断与预后评估提供一种简便可行的手段。

在数据预处理阶段，应首先对DICOM数据进行排序（图1），以确保三维重建过程中每一层的扫描序列正确无误。接下来，进行各向同性变换，以保证三维体数据具有正确的长宽高比例（图2）。随后，对原始三维体数据应用空间滤波（图3），以消除CT设备检查床产生的干扰信号（图4）。为了获得全肺的三维轮廓，需对每幅扫描图像进行图像分割（图5），生成二值化的肺部图像（图6）。基于肺部的三维轮廓，重建整个肺部的三维体数据（图7），并进行三维可视化（图8）。对于主要病灶区域（图9），可单独进行三维可视化（<strong class=...

本研究介绍了一种针对早期多发性肺结节患者全肺的三维（3D）重建方法。该方法可全面可视化肺结节的分布情况及其与肺组织的相互关系，有助于简化对这些患者的诊断和预后评估。

对于早期多发性肺结节患者，从诊断角度确定结节的空间分布、大小、位置等至关重要。

本研究开发了一种三维建模方法，旨在对整个肺部的多个肺结节进行全面的虚拟化，以改善早期肺癌患者的诊断与治疗。关键问题在于如何精确重建结节的分布及其与肺组织的相互作用。近年来，深度学习与计算机视觉领域的进展使得人工智能辅助的肺结节检测与分割更加准确。然而，在全肺建模以及多个结节之间的空间关系方面仍存在局限性。本研究通过一种针对整个肺部的三维重建技术取得了进展。将人工智能驱动的医学影像与可视化技术同专业的临床诊断和治疗相结合至关重要。深度学习用于分割和三维建模、虚拟增强现实用于三维可视化以及多模态数据融合等技术正在推动全肺建模和多结节评估的发展，以提升临床决策能力。本研究建立了一种有效的三维建模方法，用于可视化多个肺结节在整个肺部的分布及其空间关系。关键技术突破包括肺轮廓提取、肺结节在三维空间中的重建以及交互式全肺可视化。这有助于对早期肺癌患者进行更准确的诊断和治疗规划。开发一种精确的三维建模方法以可视化整个肺部结节，为理解疾病进展提供了新的能力。这可以实现更早期的诊断、个体化的治疗方案以及改善肺癌患者的预后。这些发现为利用多模型数据扩展全肺建模并推动临床转化奠定了基础。首先，将患者的医学数字成像和通信（Digital Imaging and Communications in Medicine，DICOM）数据复制到指定的工作目录中。通过文件浏览器，检查每个文件目录，以确定扫描层数最多的图像序列用于分析。在 MATLAB 环境中，通过将 DICOM 文件作为输入，使用 MATLAB 内的 DICOM 功能提取关键参数，例如层厚和像素间距。然后获取每幅图像的位置数据，并通过 MATLAB 工作区中的 info.SliceLocation 访问该信息。接下来，使用 SliceLocation 函数将位置数据保存到变量中，并为其生成图表。单击 GUI 右上角的数据提示按钮以添加数据点并增强图表效果。然后使用体积重排函数对所有图像进行排序，并提取从第一个位置到最大位置范围内的图像。保护有效图像的体数据及其排序索引。使用 MATLAB 中的 size 函数，检查三维体数据的三维尺度。使用 SliceView 命令函数查看三维体数据时，记录从 60 到 340 获取肺部的序列扫描范围。然后使用命令获取包含整个肺部所有数据的三维体积。利用 MATLAB 命令函数 DICOM info 获取图像序列的层厚。使用命令计算等体素变换所需的 Z 轴层数。然后使用 MATLAB 命令函数 imresize3 对 V1 进行等体素变换。利用 ThreeD_Slice_View 函数查看经过等体素变换后的三维体数据。为消除噪声干扰，使用数据提示按钮在交互界面内添加连续的数据点。接着，右键单击数据提示，选择“将光标数据导出到工作区”，以将空间滤波的参考边界导出至 MATLAB 工作区。调用 Noise_Clean 函数，使用工作区中的输入参数 CI 对 V2 应用空间滤波。使用 Slice_View 命令函数可视化生成的体积数据。选择一个模板切片（例如两张 30 秒的图像）用于图像分割设计，并将其赋值给一个变量。然后通过执行 imagesegmenter1 命令打开 MATLAB 图像分割器图形用户界面。从顶部工具栏中选择自动聚类工具，并单击鼠标左键以执行命令。接下来，单击右上角的“显示二值图像”按钮，以黑白二值形式显示图像。为了使肺部区域变为白色，请从顶部工具栏中选择“反转掩膜”按钮，并单击鼠标左键以执行该命令。为了消除肺部区域外的白色，请从顶部工具栏中选择“清除边界”按钮，并单击鼠标左键。在 MATLAB 工作区中启动 3D 肺体积功能。接下来，在第四个视图右上角的下拉菜单中选择“最大化”。选择最大强度投影（MIP Projection），然后从下方内置的色彩映射选项中选择 jet 色彩映射。再次调用 Slice_View 函数，但此次输入整个肺部的 3D 体积数据。在生成的图形用户界面中，使用底部滚动条导航至主要肺结节所在的区域，该区域涵盖第 48 至 70 层扫描图像。使用 ThreeDlung_Horizon 函数对感兴趣区域进行 3D 重建，范围包括整个肺部 3D 体积数据中的第 48 至 70 层切片。

three-dimensional-reconstruction-for-whole-lung-with-early-multiple

Research

科研

JoVE Journal

Medicine

医学

本研究的目的是开发一种新型的肺结节三维数字模型，该模型可作为医生与患者之间沟通的桥梁，同时也是用于诊断前评估和预后评价的前沿工具。...

一种用于肺结节诊断与治疗的三维数字模型

三维（3D）相位解析功能性肺成像（PREFUL）是一种功能性磁共振成像（MRI）技术，可在8分钟内通过潮式呼吸及无对比剂的扫描方式，实现对整个人肺容积区域通气功能的定量评估。本文介绍了一种用于采集和分析3D...

三维相位解析功能性肺部磁共振成像

支气管热成形术是一种用于重度持续性哮喘的非药物治疗手段，通过精确控制的方式向气道壁输送热能，以减少过度的气道平滑肌。减少气道平滑肌可降低气道收缩能力，从而减少哮喘发作的频率。...

支气管热成形术：一种治疗重症哮喘的新型治疗方法

肺部由体循环的支气管动脉和肺动脉共同供血。在大多数肺部病理情况下，是较小的体循环血管表现出显著的新生血管形成。肺血流的中断会促进支气管的快速血管生成。我们提供了诱导左肺动脉缺血以促进支气管新生血管形成的手术细节。...

缺血大鼠肺组织中的血管生成

本文介绍一种三维共培养方案，可用于研究多细胞相互作用以及细胞外基质对癌细胞行为的调控作用。在此实验模型中，将癌细胞培养在嵌有人大肠癌相关成纤维细胞的胶原凝胶上。...

三维共培养模型用于肿瘤-间质相互作用研究

侵袭周围正常组织是恶性肿瘤的一个显著特征。本文提供了一种简单且半自动化的微孔板检测方法，用于检测细胞对天然三维生物基质的侵袭能力，该方法已成功应用于多种人类晚期癌症模型。...

三维（3D）肿瘤球体侵袭实验

我们介绍了电磁导航引导下经胸针吸活检在人肺结节病理学评估中的创新应用。...

使用电磁导航经胸壁穿刺针吸活检（E-TTNA）对肺结节进行取样

本方案描述了一种用于肾脏三维（3D）成像的组织透明化方法及整体免疫荧光染色技术。该技术可提供肾脏病理学的宏观视角，有助于获得新的生物学发现。...

完整肾脏三维染色技术（CUBIC）

精确的心腔内超声心动图（ICE）在评估左心房结构方面表现出显著的准确性，是一种具有前景的心脏结构评估方法。本文提出了一种利用心腔内超声心动图结合快速解剖建模（FAM）导管重建技术进行左心房及肺静脉三维建模的实验方案。...

采用精确的心内超声心动图方法对左心房和肺静脉进行三维建模

本研究的目的是开发一种用于肝纤维化早期诊断的新型三维数字模型，该模型包含患者肝脏中每个体素的硬度信息，因此可用于计算患者肝脏在不同纤维化阶段的分布比例。...

基于磁共振弹性成像的肝纤维化早期诊断三维数字模型

了解全肺三维重建技术用于早期多发性肺结节的精准建模与可视化分析。该方法结合深度学习与医学影像，帮助临床医生提升肺癌早期诊断和治疗规划能力。

早期多发性肺结节全肺三维重建

探索更多视频