Name: Lung CT Segmentierung zur Identifizierung von Konsolidierungen und Bodenglasflächen für die quantitative Assesment von SARS-CoV Pneumonie (Video) | JoVE Journal
Uploaded: 2020-12-19T14:00:00.000+00:00
Duration: 8 min 5 s
Description: Lernen Sie die CT-Segmentierung von Lungenläsionen mit 3D Slicer für die quantitative Analyse von COVID-19-Veränderungen. Diese Methode unterstützt Radiomics-Studien und verbessert die diagnostische Bewertung von Konsolidierungen und Bodenglasflächen.

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

Diese Arbeit wurde durch Fördermittel des Department of Radiology der Universität Bologna unterstützt.

Dieses Protokoll folgt den Leitlinien der Ethikkommission für die institutionelle Humanforschung.
1. Herunterladen der DICOM-Bilder
<ol><li>Laden Sie die DICOM-Images herunter und übertragen Sie sie in der Workstation, die der Segmentierung gewidmet ist, wobei die 3D-Software installiert ist. Wenn Sie planen, auf einem PC zu arbeiten, anonymisieren Sie die DICOM-Daten.</li>
</ol>2. Importieren der HRCT-Studie auf die 3D Slicer-Software
<ol><li>Wählen Sie im Software-Eröffnungsbildschirm (entsprechend dem Abschnitt Willkommen bei Slicer im Dropdown-Menü) DICOM-Daten laden. Alternativ können Sie das DCM-Symbol in der oberen linken Ecke der Symbolleiste auswählen.</li>
	<li>Wählen Sie in der oberen linken Ecke des DICOM-Browser-Bedienfelds Importierenaus, und wählen Sie dann den Speicherort der HRCT-Studie aus. Wählen Sie den Ordner mit den DCM-Bildern aus, und wählen Sie dann Importierenaus.</li>
	<li>Nachdem die HRCT-Studie erfolgreich importiert wurde, klicken Sie auf die Schaltfläche Laden.</li>
</ol>3. Erstellen der Segmente
<ol><li>Erstellen Sie Segmente im Abschnitt Segmentierungen des Dropdown-Menüs oder direkt im Unterabschnitt Segmenteditor im Abschnitt Segmentierung des Dropdownmenüs oder erneut als dediziertes Symbol in der Symbolleiste.</li>
	<li>Wählen Sie im Dropdown-Menü neben Master Volume die HRCT-Studie aus.</li>
	<li>Wählen Sie Hinzufügen aus, und erstellen Sie drei neue Segmente, die automatisch Segment 1, 2 und 3genannt werden. Doppelklicken Sie auf jedes und benennen Sie sie um bzw. "tlv" (Total Lung Parenchyma), "ggo" (Ground Glass Opacities) und "cons" (Konsolidierungen). Wenn in der HRCT-Studie zusätzliche pathologische Befunde nebeneinander existieren, wie Pleuraerguss, Lungenkrebs, fibrotische Bereiche und so weiter, schaffen Sie zusätzliche Segmente. Dasselbe gilt für Artefakte.</li>
</ol>4. Definition des TLP-Segments
HINWEIS: Eine genaue Definition des TLP-Segments ist von grundlegender Bedeutung, da sie für die Maskierung des HRCT während der Definition der GGO- und CDs-Segmente verwendet wird.
<ol><li>Wählen Sie im Abschnitt Segmenteditor nach Auswahl des TLP-Segments in einem ersten Schritt das Instrument Schwellenwert aus.</li>
	<li>Legen Sie einen Schwellenwert fest, der groß genug ist, um sowohl das gesunde Lungenparenchym als auch die Deckkraft des gemahlenen Glases einzubeziehen. Unter Verwendung der in der wissenschaftlichen Literatur berichteten Werte mit den notwendigen Anpassungen, um der Lehrbuchdefinition von GGO zu entsprechen, fanden wir heraus, dass die Festlegung des Schwellenwerts zwischen -1000 HU und -250 HU gut funktioniert6,14,15,16,17. Wählen Sie dann Übernehmenaus.</li>
	<li>Das so definierte Segment umfasst sowohl die Luft in der Lunge als auch die Luft außerhalb der Brust (d. h. die Luft außerhalb des Patienten). Um das Lungenparenchym zu isolieren, verwenden Sie das Werkzeug Inseln, das Sie im Segmenteditorfinden, und wählen Sie ausgewählte Insel behalten. Klicken Sie mit der linken Maustaste in die Brust, sodass alles außerhalb der Brust aus dem Segment ausgeschlossen wird.</li>
	<li>Als Nächstes schließen Sie einen beliebigen Konsolidierungsbereich innerhalb des TLP-Segments ein. Die Konsolidierungen haben in der Regel Dämpfungswerte (Hounsfield Units: HU), ähnlich denen von Weichteilen, die die Brustwand und das Mediastinum bilden. Dies ist der Grund, warum das Threshold-Instrument nicht für diesen Zweck verwendet werden kann und die Konsolidierungen manuell hinzugefügt werden müssen, indem die Werkzeuge Scheren und Farben im Segmenteditor verwendet werden.<ol>
<li>Verwenden Sie das Werkzeug Schere, um Teile des Lungenparenchyms zum Segment hinzuzufügen. Wählen Sie den Vorgang "Innerhalb ausfüllen", und wählen Sie Freies Formular als Form und Symmetrisch als Schnitt aus. Wählen Sie eine Dicke, die der Größe der Konsolidierung entspricht (z. B. von 3 bis 20 mm); und dann beginnen Sie schrittweise mit dem Hinzufügen kleiner Teile von TLP, bis die Konsolidierung vollständig einbezogen wurde.</li>
		<li>Das Malwerkzeug ist einfacher und manchmal schneller zu verwenden, kann aber je nach einzuschließendem Bereich weniger präzise sein. Wenn die Option Kugelpinsel aktiv ist, kann dieses Werkzeug dem Segment 3D-Teile des Lungenparenchyms hinzufügen. Die Größe des Pinsels kann leicht geändert werden.</li>
		<li>Wenn Sie die Konsolidierungen zum TLP-Segment hinzufügen, schließen Sie keine Teile der Brustwand oder des Mediastinums ein. Dies könnte sich als schwierig erweisen, da bei Patienten, die von COVID19-Konsolidierungen neben der hinteren Brustwand betroffen sind, durchaus üblich sind. Verwenden Sie das Werkzeug Löschen, um die Segmentierung zu korrigieren, oder wählen Sie Rückgängig aus, um die letzte Aktion zu verwerfen.</li>
		<li>Verwenden Sie in dieser Phase erneut den Glättungsalgorithmus, um kleine Unvollkommenheiten zu löschen, die während des manuellen Teils der Segmentierung aufgetreten sein könnten. Nun ist die TLP-Segmentdefinition abgeschlossen.</li>
	</ol>
</li>
</ol>5. Definition des GGO-Segments
<ol><li>Um das GGO-Segment zu definieren, verwenden Sie das Schwellenwertwerkzeug.<ol>
<li>Wählen Sie das GGO-Segment aus.</li>
		<li>Legen Sie den Schwellenwert zwischen -750 HU und -150 HU fest.</li>
		<li>Bevor Sie Anwendenauswählen, wechseln Sie zum Abschnitt Maskierung direkt darunter und wählen Sie TLP im Dropdown-Menü Bearbeitbarer Bereich aus. Wählen Sie im Dropdownmenü Anderes Segment überschreiben die Option Keineaus. Dies ist äußerst wichtig, da bei übersprungenem Definierte des GGO-Segments auch das TLP-Segment geändert würde. Dies muss vermieden werden, da das TLP-Segment die Maske ist, auf der alle anderen Segmente definiert sind.</li>
		<li>Wählen Sie nun Übernehmenaus.</li>
	</ol>
</li>
	<li>An dieser Stelle wird es wahrscheinlich notwendig sein, den Glättungsalgorithmus noch einmal zu verwenden, um alle kleinen Gefäße und die physiologischen interstitiellen Elemente, die eine ähnliche Dichte wie das Gemahlenglas haben, aus dem Segment auszuschließen. Beginnen Sie mit einer Kernelgröße von 3 mm und erhöhen Sie sie bei Bedarf schrittweise auf maximal 6-7 mm. Beachten Sie, dass eine zu große Erhöhung der Kernelgröße den Verlust kleiner Flächen von Gemahlenglas bestimmen könnte, die außerhalb des GGO-Segments gelassen würden. Aus diesem Grund sollte der Glättungsalgorithmus mit der richtigen Vorsicht verwendet werden.</li>
	<li>Auch in diesem Fall müssen die erforderlichen Korrekturen mit dem Werkzeug Farbe, Schere und Löschen vorgenommen werden. Denken Sie in dieser Phase daran, die TLP-Maske jederzeit aktiv zu halten, um zu vermeiden, dass Teile der Brustwand neben den "Bodenglas"-Bereichen innerhalb des Segments eingeschlossen werden. Denn wenn sie fälschlicherweise segmentiert werden, werden sie automatisch ausgeschlossen.</li>
	<li>Achten Sie bei der Erlangung dieses Segments genau auf das mögliche Vorhandensein von Artefakten, die durch Bewegungen von Herd und Zwerchfell erzeugt werden (dies geschieht, wenn der Patient während der Untersuchung nicht den Atem anhalten konnte). Wenn vorhanden und zuvor im TLP-Segment enthalten, entfernen Sie diese Artefakte aus dem Segment "Bodenglas", z. B. durch das Werkzeug Inseln mit der Option Ausgewählte Insel entfernen oder mit den Werkzeugen Schere und Löschen. Je nach Ziel der Studie können die Artefakte separat segmentiert werden, indem sie ein dediziertes Segment verwenden oder in das TLP-Segment eingeschlossen und von anderen Segmenten ausgeschlossen werden. Nun wurde das GGO-Segment definiert.</li>
</ol>6. Definition des CDs-Segments
<ol><li>Um das CDs-Segment zu definieren, gehen Sie auf die gleiche Weise vor, wie das GGO-Segment zu definieren.<ol>
<li>Wählen Sie das CDs-Segment aus. Achten Sie darauf, mit der TLP-Maskierung immer aktiv zu arbeiten.</li>
		<li>Legen Sie einen angemessenen Schwellenwert fest. Bei Konsolidierungen variiert der Bereich grob von -150 HU bis 100 HU.</li>
		<li>Wenden Sie den Glättungsalgorithmus an, der die Kernelgröße nach Bedarf variiert.</li>
		<li>Verwenden Sie eine Kombination der Werkzeuge Schere, Löschen, Farbe und Inseln, um innerhalb des Segments nur die realen Konsolidierungen zu halten, ausgenommen große Gefäße, Pleuraergüsse, Artefakte, Disventilatory-Bänder und andere nicht COVID-bezogene Läsionen.</li>
		<li>Bei Bedarf kann eine endgültige Glättung angewendet werden.</li>
	</ol>
</li>
</ol>7. Speichern der Segmente
<ol><li>Speichern Sie Segmente als ".nrrd"-Datei, oder konvertieren Sie sie in binäre Beschriftungszuordnungen aus dem Modul "Daten".</li>
</ol>8. Extrahieren von Volumes aus den definierten Segmenten.
<ol><li>Rufen Sie im Modul Segmentstatistik eine Tabelle mit Details zu Volumen und Flächen der Segmente ab.</li>
</ol>

<ol><li>Zheng, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((COVID-19+and+the+cardiovascular+system%5BTitle%5D)+AND+%22Nature+Reviews+Cardiology%22%5BJournal%5D)">COVID-19 and the cardiovascular system.</a> Nature Reviews Cardiology. 17, 259-260 (2020).</li>
<li>Simpson, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Radiological+Society+of+North+America+Expert+Consensus+Statement+on+Reporting+Chest+CT+Findings+Related+to+COVID-19.+Endorsed+by+the+Society+of+Thoracic+Radiology%2C+the+American+College+of+Radiology%2C+and+RSNA%5BTitle%5D)+AND+%22Radiology%3A+Cardiothoracic+Imaging%22%5BJournal%5D)">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.</a> Radiology: Cardiothoracic Imaging. 2, 2(2020).</li>
<li>Xie, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Chest+CT+for+Typical+2019-nCoV+Pneumonia%3A+Relationship+to+Negative+RT-PCR+Testing%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Chest CT for Typical 2019-nCoV Pneumonia: Relationship to Negative RT-PCR Testing.</a> Radiology. , 200343(2020).</li>
<li>Huang, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Use+of+Chest+CT+in+Combination+with+Negative+RT-PCR+Assay+for+the+2019+Novel+Coronavirus+but+High+Clinical+Suspicion%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Use of Chest CT in Combination with Negative RT-PCR Assay for the 2019 Novel Coronavirus but High Clinical Suspicion.</a> Radiology. 295 (1), 22-23 (2020).</li>
<li>Fang, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sensitivity+of+Chest+CT+for+COVID-19%3A+Comparison+to+RT-PCR%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Sensitivity of Chest CT for COVID-19: Comparison to RT-PCR.</a> Radiology. , 200432(2020).</li>
<li>Colombi, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Well-aerated+Lung+on+Admitting+Chest+CT+to+Predict+Adverse+Outcome+in+COVID-19+Pneumonia%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Well-aerated Lung on Admitting Chest CT to Predict Adverse Outcome in COVID-19 Pneumonia.</a> Radiology. , 201433(2020).</li>
<li>3D Slicer [software]. , Available from: 
 <a target="_blank" href="https://www.slicer.org">https://www.slicer.org</a> (2020).</li>
<li>Kikinis, R., Pieper, S. D., Vosburgh, K. 3D Slicer: a platform for subject-specific image analysis, visualization, and clinical support. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKikinis%2C+R+%22Intraoperative+Imaging+Image-Guided+Therapy%22">Intraoperative Imaging Image-Guided Therapy</a>. Jolesz, F. A. 3 (19), 277-289 (2014).</li>
<li>Kapur, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Increasing+the+impact+of+medical+image+computing+using+community-based+open-access+hackathons%3A+The+NA-MIC+and+3D+Slicer+experience%5BTitle%5D)+AND+%22Medical+Image+Analysis%22%5BJournal%5D)">Increasing the impact of medical image computing using community-based open-access hackathons: The NA-MIC and 3D Slicer experience.</a> Medical Image Analysis. 33, 176-180 (2016).</li>
<li>Fedorov, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((3D+Slicer+as+an+Image+Computing+Platform+for+the+Quantitative+Imaging+Network%5BTitle%5D)+AND+%22Magnetic+Resonance+Imaging%22%5BJournal%5D)">3D Slicer as an Image Computing Platform for the Quantitative Imaging Network.</a> Magnetic Resonance Imaging. 30 (9), 1323-1341 (2012).</li>
<li>Chest Imaging Platform [software]. , Available from: 
 <a target="_blank" href="https://chestimagingplatform.org">https://chestimagingplatform.org</a> (2020).</li>
<li>Wang, J., Li, F., Li, Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+segmentation+of+lungs+with+severe+interstitial+lung+disease+in+CT%5BTitle%5D)+AND+%22Medical+Physics%22%5BJournal%5D)">Automated segmentation of lungs with severe interstitial lung disease in CT.</a> Medical Physics. 36 (10), 4592-4599 (2009).</li>
<li>Lanza, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantitative+chest+CT+analysis+in+COVID-19+to+predict+the+need+for+oxygenation+support+and+intubation%5BTitle%5D)+AND+%22European+Radiology%22%5BJournal%5D)">Quantitative chest CT analysis in COVID-19 to predict the need for oxygenation support and intubation.</a> European Radiology. , (2020).</li>
<li>Yao, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Value+of+window+technique+in+diagnosis+of+the+ground+glass+opacities+in+patients+with+non-small+cell+pulmonary+cancer%5BTitle%5D)+AND+%22Oncology+Letters%22%5BJournal%5D)">Value of window technique in diagnosis of the ground glass opacities in patients with non-small cell pulmonary cancer.</a> Oncology Letters. 12 (5), 3933-3935 (2016).</li>
<li>Kauczor, H. U., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+detection+and+quantification+of+ground-glass+opacities+on+high-resolution+CT+using+multiple+neural+networks%3A+comparison+with+a+density+mask%5BTitle%5D)+AND+%22American+Journal+of+Roentgenology%22%5BJournal%5D)">Automatic detection and quantification of ground-glass opacities on high-resolution CT using multiple neural networks: comparison with a density mask.</a> American Journal of Roentgenology. 175 (5), 1329-1334 (2000).</li>
<li>Funama, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detection+of+nodules+showing+ground-glass+opacity+in+the+lungs+at+low-dose+multidetector+computed+tomography%3A+phantom+and+clinical+study%5BTitle%5D)+AND+%22Journal+of+Computed+Assisted+Tomography%22%5BJournal%5D)">Detection of nodules showing ground-glass opacity in the lungs at low-dose multidetector computed tomography: phantom and clinical study.</a> Journal of Computed Assisted Tomography. 33 (1), 49-53 (2009).</li>
<li>Hansell, D. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fleischner+Society%3A+glossary+of+terms+for+thoracic+imaging%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Fleischner Society: glossary of terms for thoracic imaging.</a> Radiology. 246, 697-722 (2008).</li>
<li>Heye, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reproducibility+of+Dynamic+Part+II.+Comparison+of+Intra-+and+Interobserver+Variability+with+Manual+Region+of+Interest+Placement+versus+semiautomatic+lesion+segmentation+and+histogram+analysis%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Reproducibility of Dynamic Part II. Comparison of Intra- and Interobserver Variability with Manual Region of Interest Placement versus semiautomatic lesion segmentation and histogram analysis.</a> Radiology. 266, 812-821 (2013).</li>
<li>Zhang, H. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+detection+and+quantification+of+COVID-19+pneumonia%3A+CT+imaging+analysis+by+a+deep+learning-based+software%5BTitle%5D)+AND+%22Nuclear+Medicine+and+Molecular+Imaging%22%5BJournal%5D)">Automated detection and quantification of COVID-19 pneumonia: CT imaging analysis by a deep learning-based software.</a> Nuclear Medicine and Molecular Imaging. 14, 1-8 (2020).</li>
<li>Alhazzani, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Surviving+Sepsis+Campaign%3A+guidelines+on+the+management+of+critically+ill+adults+with+Coronavirus+Disease+2019%28COVID-19%29%5BTitle%5D)+AND+%22Intensive+Care+Medicine%22%5BJournal%5D)">Surviving Sepsis Campaign: guidelines on the management of critically ill adults with Coronavirus Disease 2019(COVID-19).</a> Intensive Care Medicine. 46 (5), 854-887 (2020).</li>
</ol>

Keiner der Autoren hat Interessenkonflikte.

Die Segmentierung stellt einen grundlegenden Schritt für die Durchführung moderner quantitativer Radiologiestudien dar und ist notwendig, um Radiomik oder Texturanalysetechniken anzuwenden. Pathologische Befunde in der Lunge stellen eine der schwierigsten segmentierend dar, da es keine definierten anatomischen Grenzen gibt und ein kleiner Unterschied im Dämpfungswert im Vergleich zu den gesunden Bereichen besteht.
Die Quellbilder müssen möglichst mit einem Minimum an Artefakten vorhanden sein,...

Im laufenden Jahr steht die Welt vor einem Gesundheitsnotstand, der Pandemie, die durch das neuartige Coronavirus Sars-CoV2 verursacht wird. Auch wenn bis heute viele Aspekte der Physiopathologie der COVID-19-Infektion noch unklar sind, teilt sie mehrere Merkmale mit ihren "Vorfahren" SARS1 und MERS. Insbesondere ist nachgewiesen, dass die Virion-Spike-Proteine mit dem Angiotensin-Converting-Enzym Typ-2 interagieren, einem Rezeptor, der gut auf den alveolären Endothelzellen vertreten ist, aber im menschlichen Organismus allgegenwärtig ist und somit das Potenzial hat, systemische Symptome zu geben1.
Für die Diagnose ist der aktuelle Standard die Echtzeit-Reverse-Transkriptase-Polymerase-Kettenreaktion (rt-PCR), ein Test, der an Pharyngealtupfern durchgeführt wird. Obwohl die radiologische Bildgebung im diagnostischen Pfad für den Nachweis der Krankheit nicht offiziell anerkannt ist, erwies sich die hochauflösende Computertomographie (HRCT) aufgrund der relativ geringen Empfindlichkeit der rt-PCR, der aktuellen Knappheit spezialisierter Laboratorien und der notwendigen Reagenzien sowie der hohen Bedienerabhängigkeit als wertvolle Späebographie für das klinische und epidemiologische Management betroffener Patienten.
Die Radiological Society of North America (RSNA) veröffentlichte eine Konsenserklärung, die von der Gesellschaft für Thoraxradiologie und dem American College of Radiology (ACR) unterstützt wurde und das CT-Erscheinungsbild von COVID19 in vier Kategorien einteilt, um die Berichterstattung zu standardisieren und die interstitiellen Lungenentzündungsmuster in "typisch", "atypisch", "unbestimmt" und "negativ"2zu unterteilen.
Das "typische" Muster zeichnet sich durch das Vorhandensein von runden Bodenglas-Trübungen (GGO) aus, die in der Regel mit einer subpleuralen Position auf den dorsalen Basalsegmenten liegen. Die GGO kann mit "Crazy Paving" Bereiche von verdickten Septa oder andere Anzeichen der Organisation von Lungenentzündung verbunden werden. Das "unbestimmte" Muster ist durch das Fehlen der "typischen" Musterbefunde gekennzeichnet, mit diffusen GGO-Bereichen mit einer perihilaren Verteilung, mit oder ohne Konsolidierungsbereiche. Das "atypische" Muster ist entweder durch das Fehlen der "typischen" oder "unbestimmten" Zeichen und das Vorhandensein von Lobar-Konsolidierungen, "Baum im Keim", glatte Verdickung der Septa und Pleuraerguss gekennzeichnet; in dieser Präsentation sind keine GGO nachweisbar. Das "negative" Muster ist durch das Fehlen der oben genannten pathologischen Befunde gekennzeichnet.
Laut Literatur können einige Patienten mit einem hohen klinischen Verdacht an COVID-19 auftreten, der durch epidemiologische Kriterien und bildgebende Befunde mit negativem rt-PCR3,4unterstützt wird. Auf der anderen Seite wurde berichtet, dass Patienten mit einer positiven rt-PCR und suggestiven klinischen Befunden keine pathologischen Befunde auf HRCT5präsentieren.
Heutzutage ist es für die wissenschaftliche Gemeinschaft von höchstem Interesse, Bildanalysetechniken anzuwenden, wenn sie die Merkmale dieser Krankheit quantitativ untersucht. Eine aktuelle Studie hat eine automatisierte Segmentierungstechnik des Lungenparenchyms angewandt, um den Prozentsatz der belüfteten Lunge bei Patienten zu identifizieren, die von COVID-19 betroffen sind, und diesen Wert mit der Prognose in Beziehung zu setzen und zu zeigen, dass Patienten mit einer schwereren Lungenbeteiligung ein besseres Risiko für die Aufnahme auf der Intensivstation (Intensivstation) und schlechtere Ergebnisse haben6.
Die Segmentierung ist die Konturierung von Interessengebieten (ROIs) innerhalb eines Volumens, das durch eine bildgebende Technik wie HRCT erworben wurde. Diese Tätigkeit kann mit drei Methoden durchgeführt werden: manuell, halbautomatisch und automatisch. Die manuelle Segmentierung besteht dank der Erfahrung eines ausgebildeten Radiologen aus der Kennzeichnung von Voxeln, die zum pathologischen Bereich gehören. Die Hauptnachteile dieser Methode sind der große Zeitaufwand und die Tatsache, dass sie vom Bediener abhängig ist.
Halbautomatische Methoden ermöglichen eine Beschleunigung der Segmentierung, da der Bediener eine Segmentierungsmaske ändern kann, die durch die klassischen Methoden der Bildverarbeitung (z. B. Schwellenwert für Pixelintensität, Clustering usw.) erhalten wird. Diese Techniken sind jedoch in der klinischen Praxis nicht einfach umzusetzen, da sie in den kompliziertesten Fällen umfangreiche manuelle Eingriffe erfordern18.
Automatische Segmentierungsmethoden, die derzeit nur begrenzt genutzt werden, verwenden künstliche Intelligenz, um ROIs zu erhalten. Eine aktuelle Studie zielt insbesondere darauf ab, die automatische Segmentierung bei der Quantifizierung von gemahlenen Glasflächen bei Patienten mit COVID-19 interstitielle Lungenentzündung19zu nutzen. Die Definition eines Segmentierungsprotokolls für die pathologischen Bereiche auf den HRCT-Bildern ist der eigentliche erste Schritt zur anschließenden Radiomik-Analyse, um Merkmale zu identifizieren, die dazu beitragen könnten, die Physiopathologie der Krankheit besser zu verstehen, und als genauer prognostischer Faktor dienen, der die Behandlung potenziell beeinflussen könnte.
Dieses Papier bietet einen Leitfaden, um genaue und effiziente Segmente zu erhalten, die die pathologischen Erkenntnisse der COVID-19-Pneumonie mit "3D Slicer"7,8,9,10darstellen.

<table><tbody><tr><td>CT-Scanner</td><td>General Electrics Gesundheitswesen</td><td>64-MDCT VCT lightSpeed</td><td>Der CT-Scanner für HRCT-Erfassungen</td></tr><tr><td>Desktop-Computer</td><td>ThinkCentre</td><td></td><td>Der Computer, der zum Herunterladen der DICOM-Dateien und zum Ausführen des 3D-Slicers verwendet wird</td></tr></tbody></table>

lung ct segmentierung zur identifizierung von konsolidierungen und bodenglasflächen für die quantitative assesment von sars-cov pneumonie

Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia

Segmentierung ist eine komplexe Aufgabe, mit der Radiologen und Forscher konfrontiert sind, da Radiomik und maschinelles Lernen an Potenzial zunimmt. Der Prozess kann entweder automatisch, halbautomatisch oder manuell sein, wobei der erste prozessweise nicht präzise oder leicht reproduzierbar ist und der letzte übermäßig zeitaufwändig ist, wenn große Bezirke mit hochauflösenden Akquisitionen beteiligt sind.
Ein hochauflösender CT der Brust besteht aus Hunderten von Bildern, was den manuellen Ansatz übermäßig zeitaufwändig macht. Darüber hinaus erfordern die parenchymalen Veränderungen eine Sachverständigenbewertung, die vom normalen Erscheinungsbild aus zu unterscheiden ist; Daher ist ein halbautomatischer Ansatz für den Segmentierungsprozess nach bestem Wissen und Gewissen das am besten geeignete, wenn es um die Segmentierung von Lungenentzündungen geht, insbesondere wenn ihre Eigenschaften noch unbekannt sind.
Für die Inunserem Institute zur Bildgebung von COVID-19 durchgeführten Studien haben wir 3D Slicer, eine Freeware-Software der Harvard University, übernommen und die Schwelle mit den Pinselinstrumenten kombiniert, um eine schnelle und präzise Segmentierung von belüfteten Lungen-, Bodenglastrübungen und Konsolidierungen zu erreichen. Bei komplexen Fällen benötigt diese Methode noch viel Zeit für ordnungsgemäße manuelle Anpassungen, bietet jedoch einen äußerst effizienten Mittelwert, um Segmente zu definieren, die für weitere Analysen verwendet werden können, wie z. B. die Berechnung des Prozentsatzes des betroffenen Lungenparenchyms oder die Texturanalyse der geschliffenen Glasflächen.

Die vorgeschlagene Methode wurde durch Versuche und Fehler verfeinert und an 117 Patienten getestet, die von EINER COVID-19-Pneumonie betroffen waren, mit einem positiven rt-PCR-Test.
Nach einer kurzen Lernkurve kann die zum Abrufen der Segmente benötigte Zeit je nach Präsentationsmuster zwischen 5 und 15 Minuten variieren.
Wie in Abbildung 1dargestellt, ergibt die Methode präzise Segmente: Dies kann beobachtet werden, indem man die genaue Übereinst...

Ziel dieses Protokolls ist es, eine zeiteffiziente Möglichkeit zur Segmentierung von Volumen von Interesse auf hochauflösendeCT-Scans zu bieten, um sie für weitere Radiomikanalysen zu verwenden.

Lung CT Segmentierung zur Identifizierung von Konsolidierungen und Bodenglasflächen für die quantitative Assesment von SARS-CoV Pneumonie

Segmentation is a complex task, faced by radiologists and researchers as radiomics and machine learning grow in potentiality. The process can either be ...

Seit dem Ausbruch der neuartigen Coronavirus-Krankheit Pandemie erscheint eine einfache und effektive Methode, die nützlich ist, um eine angemessene Segmentierung der typischen pathologischen Läsionen dieser Infektion in Brust-CT-Scanbildern zu erhalten, von grundlegender Bedeutung. Unser Ziel ist es daher, ein Starterpaket mit Wissen anzubieten, damit Menschen eine einfache und effiziente Segmentierung dieser pathologischen Lungenfunde durchführen können. Hoffentlich wird dies der wissenschaftlichen Gemeinschaft helfen, spezielle Radiomik- und künstliche Intelligenzstudien zu entwickeln, die den diagnostischen Ansatz dieser Patienten verbessern könnten.Wählen Sie im DICOM-Browser von 3D Slicer die Studie aus, die Sie segmentieren möchten, und klicken Sie auf Laden. Sie können die ausgewählte Anfrage im Viewer-Bereich überprüfen. Wie Sie sehen können, präsentiert dieser Patient mit Gemahlenglas Trübungen bilateral und konsolidative Bereiche gleichermaßen, was ein typischer Fall von COVID-19 ist.Gehen Sie dann zum Abschnitt Segment, und fügen Sie drei Segmente hinzu, eines für das gesamte Lungenvolumen, eines für die Deckkraft des Bodenglass und eines für die Konsolidierungsbereiche. Wechseln Sie zum Threshold-Instrument, und legen Sie die obere Schwelle auf minus 250 Hounsfield-Einheit fest. Sortieren Sie, um nur Luft auszuwählen und dabei Weichteile, Knochen und konsolidierungsgemäße Bereiche auszulassen, die das System nicht automatisch von den Weichteilen unterscheiden kann, und klicken Sie dann auf , um sie anzuwenden.Dann möchten Sie die Luft außerhalb des Patienten entfernen, und dazu verwenden Sie das Insel-Tool und gehen Sie zu Nur ausgewählte Insel behalten. Klicken Sie dann in den Patienten. Sie sehen, dass die Luft draußen entfernt wurde.Nun möchten Sie die Konsolidierungsbereiche zum gesamten Lungenvolumen hinzufügen. Verwenden Sie dazu das Paint-Instrument mit der Sphere-Pinseleinstellung, passen Sie die Größe an Ihre Bedürfnisse an und achten Sie darauf, Weichgewebe zu vermeiden. Mit dem Sphere-Pinsel malen Sie in Bezug auf die Scheibe, an der Sie arbeiten, auf und ab, was den Prozess beschleunigt.Nun möchten Sie die Konsolidierungsbereiche segmentieren. Achten Sie darauf, innerhalb des gesamten Lungenvolumens ohne eine Vielzahl anderer Segmente zu arbeiten. Heben Sie mit dem Schwellenwertinstrument den oberen Schwellenwert an, um sicherzustellen, dass Weichteile und Konsolidierungen enthalten sind, und legen Sie den unteren Schwellenwert auf minus 250 fest.Beachten Sie, dass Sie sowohl Weichteile, Gefäße als auch Konsolidierung auswählen, aber wenn Sie auf Anwenden klicken, wurden nur Konsolidierungsbereiche ausgewählt. Um nun die masseig geerdete Glasflächen zu segmentieren, wählen Sie das Masseglassegment aus. Halten Sie die Einstellungen aus der vorherigen Segmentierung, legen Sie den Schwellenwert von minus 750 bis minus 250 Hounsfield-Einheit.Beachten Sie, dass dieser Wert je nach den CT-Scaneinstellungen variieren kann. Passen Sie sich immer an die Fleischner Society Definition von Erdglas an. Wählen Sie eine Deckkraft mit diesem sichtbaren Gefäß in Sicht.Klicken Sie dann auf Anwenden. Sie werden feststellen, dass auch interstitielle Räume ausgewählt wurden. Um sich anzupassen, gehen Sie zum Smooth-Instrument.Wählen Sie aus, welcher Sitz besser zum Konstruktionsalgorithmus Ihres CT-Scans passt. Und wie Sie sehen können, wurden die interstitiellen Räume entfernt. Sie können die Ergebnisse Ihrer Segmentierung überprüfen, die zum Segment-Editor gehen, und Sie können ein 3D-Modell der segmentierten Segmente anzeigen, die Sie definiert haben.Sie können den Schieberegler auf der linken Seite verwenden, um die Transparenz des Modells anzupassen. 3D-Ansicht kann verwendet werden, um den korrekten Segmentierungsprozess zu bestätigen. Wir haben jetzt drei verschiedene Segmente, eines für das gesamte Lungenvolumen und die anderen beiden für die typischen Ergebnisse von COVID-19-Konsolidierungen und gemahlenen Glasflächen.Sie können einige Statistiken aus dem Segment extrahieren, das Sie aufgrund des SegmentsStatistics-Moduls definiert haben. Entfernen Sie die Option Skalarvolumen, und sie haben dann eine Tabelle, die das Volumen der gesamten Lunge und der Konsolidierungsbereiche und der geschliffenen Glasbereiche ausdrückt. Sie können dies verwenden, um den Schweregrad der Krankheit zu berechnen.Sie können auch das segment exportieren, das Sie definiert haben. Sie können zum Abschnitt Daten wechseln. Machen Sie dann nur das Segment sichtbar, das Sie exportieren möchten, indem Sie auf das Augensymbol klicken.Klicken Sie dann mit der rechten Maustaste und exportieren Sie nur die binäre Labelmap sichtbar. Sie können die Labelmap nach Belieben beibehalten. Sie müssen den Vorgang für jedes Segment wiederholen, das Sie definiert haben.Auf diese Weise verfügen Sie nun über drei Beschriftungszuordnungen, die dem von Ihnen definierten Segment entsprechen. Dies kann in den von Ihnen bevorzugten Dateityp exportiert werden oder für die weitere Analyse am besten geeignet sind. Außerdem. Mit diesen Methoden können Forscher schnell eine genaue Segmentierung für pathologische Befunde von COVID-19 erhalten, für die spezifische Merkmale extrahiert werden können.Um der wissenschaftlichen Gemeinschaft ein solches Wissen zur Verfügung zu stellen, können genaue, vollautomatisierte Segmentierungsmethoden entwickelt und präzise prognostische Faktoren bestimmt werden.

lung-ct-segmentation-to-identify-consolidations-ground-glass-areas

Research

Forschung

JoVE Journal

Medicine

Medizin

Im Hinblick auf die 3R-Prinzips entwickeln sich Atemwege Modelle als Alternativen zum Tierversuch. Vor allem für die Risikobewertung der Atemwege Substanzen ist ein Mangel an entsprechenden Assays. Hier beschreiben wir die Verwendung von menschlichen Lunge präzise geschliffenen Scheiben für die Bewertung von Stoffen in der Luft.

Bewertung der zytotoxischen und immunmodulatorische Wirkung von Substanzen im menschlichen Precision-Cut Lung Slices

Lunge-Ultraschall ist eine nicht-invasive und wertvolles Instrument für Nachttisch Bewertung von neonataler Lungenerkrankungen. Jedoch kann ein relativer Mangel an Referenz-Standards, Protokolle und Richtlinien ihrer Anwendung beschränken. Hier wollen wir eine standardisierte neonatale Lunge Ultraschall Diagnose Protokoll in klinische Entscheidungsfindung verwendet werden zu entwickeln.

Protokoll und Richtlinien für Point-of-Care Lunge Ultraschall bei der Diagnose von neonataler Lungenerkrankungen basierend auf internationalen Experten Konsens

Hier stellen wir praktische Empfehlungen zur Durchführung einer thorakalen hochauflösenden Computertomographie zur Diagnose und Bewertung systemischer Sklerose-bedingter interstitielle Rinnsanimen vor.

Bildgebende Merkmale der systemischen Sklerose-assoziierten interstitiellen Lungenerkrankung

Der Point-of-Care-Ultraschall (POCUS) der Lunge liefert schnelle Antworten in sich schnell ändernden klinischen Szenarien. Wir stellen ein effizientes und aussagekräftiges Protokoll für die Bildaufnahme für den Einsatz in der Akutversorgung vor.

Point-of-Care-Lungenultraschall bei Erwachsenen: Bildaufnahme

Ziel dieser Studie ist es, ein neuartiges digitales 3D-Modell von Lungenknoten zu entwickeln, das als Kommunikationsbrücke zwischen Ärzten und Patienten dient und auch ein hochmodernes Werkzeug für die Vordiagnose und prognostische Bewertung darstellt.

Ein digitales 3D-Modell für die Diagnose und Behandlung von Lungenknoten

In dieser Studie wird eine dreidimensionale (3D) Rekonstruktionsmethode für die gesamte Lunge bei Patienten mit frühen multiplen Lungenknoten vorgestellt. Es bietet eine umfassende Visualisierung der Knötchenverteilung und ihres Zusammenspiels mit dem Lungengewebe und vereinfacht so die Beurteilung von Diagnose und Prognose für diese Patienten.

Dreidimensionale Rekonstruktion der gesamten Lunge bei frühen multiplen Lungenknoten

CT und 129Xe MRT liefern komplementäre Informationen über die Lungenstruktur und -funktion, die für die regionale Analyse mithilfe der Bildregistrierung genutzt werden können. Hier stellen wir ein Protokoll zur Verfügung, das auf der vorhandenen Literatur für die Registrierung von 129Xe MR bis CT unter Verwendung von Open-Source-Plattformen aufbaut.

Multimodale Lungenbildgebung: Verwendung komplementärer Informationen aus CT und hyperpolarisierter 129xe-MRT zur Bewertung der Lungenstruktur-Funktion

In dieser Arbeit stellen wir ein Protokoll zur Verwendung von Mikrocomputertomographie (Mikro-CT) vor, um beatmete Regionen in einem unilateralen Bleomycin-induzierten Lungenfibrosemodell durch intratracheale Instillation auf der Läsionsseite zu quantifizieren.

Einseitige Lungenvolumenanalyse mittels Mikro-CT zur besseren Beurteilung der Lungenfibrose in präklinischen Modellen

Hier stellen wir ein Protokoll für die Anwendung von POCUS am Bett im ARDS-Management auf der Intensivstation vor. Es beschreibt standardisierte Techniken für Lungen-, Herz-, Zwerchfell-, Venen- und Magenuntersuchungen, um die Belüftung zu steuern, das Absetzen vorherzusagen und Komplikationen zu verhindern.

Die Anwendung der Point-of-Care-Ultraschalluntersuchung (POCUS) bei der Behandlung des akuten Atemnotsyndroms (ARDS) auf der Intensivstation

Lungenentzündung ist eine der zehn führenden Todesursachen in den USA Osteopathische manipulative Techniken (OMT) als Zusatztherapie in der Behandlung von Lungenentzündung auf biomechanischen und Immunfunktion verbessern genutzt werden; und letztendlich zu Krankenhausaufenthalt, Dauer der Antibiotika, Auftreten von Atemversagen und Mortalität zu reduzieren. In diesem Video-Artikel werden wir randomisierten kontrollierten Studien über den Einsatz von OMT bei Pneumonie-Patienten zu überprüfen,...

Osteopathic Manipulative Treatment als nützliches Werkzeug für Adjunctive Lungenentzündung

Lernen Sie die CT-Segmentierung von Lungenläsionen mit 3D Slicer für die quantitative Analyse von COVID-19-Veränderungen. Diese Methode unterstützt Radiomics-Studien und verbessert die diagnostische Bewertung von Konsolidierungen und Bodenglasflächen.

Lung CT Segmentierung zur Identifizierung von Konsolidierungen und Bodenglasflächen für die quantitative Assesment von SARS-CoV Pneumonie (Video) | JoVE Journal

Lung CT Segmentierung zur Identifizierung von Konsolidierungen und Bodenglasflächen für die quantitative Assesment von SARS-CoV Pneumonie

Weitere Videos entdecken