Name: Ein digitales 3D-Modell für die Diagnose und Behandlung von Lungenknoten (Video) | JoVE Journal
Uploaded: 2023-05-19T14:20:00.000+00:00
Duration: 10 min 26 s
Description: Erfahren Sie die 3D-Rekonstruktion von Lungenknoten mit KI-gestützter Bildgebung. Diese Methode verbessert die klinische Diagnose, reduziert Fehlbefunde und optimiert Behandlungspläne für Patienten.

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 Publikation wurde durch das Fünfte National Traditional Chinese Medicine Clinical Excellent Talents Research Program unterstützt, das von der National Administration of Traditional Chinese Medicine (http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html) organisiert wird.

HINWEIS: Während der Datenvorverarbeitung müssen die ursprünglichen DICOM-Daten sortiert und abgefangen werden, um die Kompatibilität mit verschiedenen Geräten und konsistente Ergebnisse zu gewährleisten. Für die Intensitätsverarbeitung muss eine ausreichende einstellbare Kapazität reserviert werden, und eine kontinuierliche 3D-Perspektive ist für die Beobachtung unerlässlich. In diesem Protokoll wird der Forschungsansatz methodisch beschrieben, wobei ein Fall einer 84-jährigen Patientin mit Lungenknoten beschrieben wird. Diese Patientin erteilte eine informierte Einwilligung für ihre Diagnose mittels digitaler Modellierung und genehmigte die Verwendung ihrer Daten für wissenschaftliche Forschungszwecke. Die Modellrekonstruktionsfunktion wird aus dem Softwaretool PulmonaryNodule abgeleitet (Details finden Sie in der Materialtabelle ). Die ethische Genehmigung wurde von der Ethikkommission des Dongzhimen-Krankenhauses eingeholt, das der Pekinger Universität für Chinesische Medizin angegliedert ist (DZMEC-KY-2019.90).
1. Datenerhebung und -aufbereitung
<ol><li>LDCT-Daten zur Detektion von Lungenknoten HINWEIS: Die Unterschiede in den Parameterwerten hängen nicht von der verwendeten Forschungsmethode ab.<ol><li>Einholen Sie die Einwilligung des Patienten für die Erfassung von DICOM-Daten ein. Übertragen Sie alle Daten in das dafür vorgesehene Arbeitsverzeichnis.</li>
		<li>Identifizieren Sie das Datenverzeichnis mit der höchsten Anzahl von Scan-Layern und der dünnsten Schichtdicke, um die Genauigkeit basierend auf den Dateiinformationen zu optimieren. Im Allgemeinen gilt: Je mehr DICOM-Scandateien ein Patient hat, desto dünner ist die Dicke der Scanschicht.</li>
		<li>Durch die Implementierung der Dicominfo-Funktion und die Verwendung der DICOM-Dateien als Funktionsparameter erhalten Sie die Parameter für die Schichtdicke und den Pixelabstand in der MATLAB-Umgebung. Diese Parameter sind für die Einstellung der 3D-Volumenanzeigerate unerlässlich. Für die in dieser Studie verwendeten Beispieldaten betrug die Schichtdicke 1 mm, der Pixelabstand 0,5 mm und es wurden insgesamt 200 Schichten gescannt.</li>
	</ol></li>
	<li>Korrigieren der Sortierung der gescannten Daten HINWEIS: Die Reihenfolge jedes Bildes sollte für die Volumenkonstruktion sortiert werden.<ol><li>Lesen Sie die Standortdaten jedes Bildes mit der Funktion Dicominfo aus. Ermitteln Sie den Standort, indem Sie Informationen eingeben. SliceLocation in den MATLAB-Arbeitsbereich.</li>
		<li>Implementieren Sie die SliceLocation-Funktion, um das Location-Array für eine Variable zu speichern, und erstellen Sie daraus ein Diagramm (Abbildung 1).</li>
		<li>Fügen Sie mithilfe der Schaltfläche " Datentipps" oben rechts in der GUI dem Diagramm einen Datentipp an dem Punkt hinzu, der den maximalen Positionswert der normalen Sequenz darstellt (die obere Position der Patientenbildgebung; Abbildung 1).</li>
		<li>Sortieren Sie alle Bilder, und extrahieren Sie die Bilder ab 1 bis zum maximalen Positionswert, indem Sie die Funktion VolumeResort implementieren.</li>
		<li>Speichern Sie die Volumina der gültigen Bilder mit dem sortierten Index, der für die Rückverfolgung der wichtigen Knötchen nützlich ist.</li>
	</ol></li>
	<li>Inspektion des Brustvolumens HINWEIS: Eine klar definierte Datenspeicherstruktur macht die Nachverfolgung bequemer.<ol><li>Implementieren Sie die VolumeInspect-Funktion , um drei Ansichten des erstellten Volumens anzuzeigen. Ziehen Sie den Schnittpunkt des Fadenkreuzes in der koronalen Achse nach oben und unten, um schnell alle Bilder auf der horizontalen Achse zu durchsuchen (Abbildung 2).</li>
		<li>Verschieben Sie das Fadenkreuz auf die horizontale Achse, um alle Bilder in der koronalen Achse zu durchsuchen. Das Fadenkreuz befindet sich in den gleichen räumlichen Koordinaten im 3D-Volumen. Wenn Sie es also auf einer Achse verschieben, ändert sich die Position der Bilder in den anderen beiden Achsen.</li>
		<li>Verwenden Sie für die VolumeInspect-Funktion das Standard-Intensitätsfenster für die Lunge in der GUI. Passen Sie die tatsächliche Filterleistung an, indem Sie die linke Maustaste gedrückt halten und in der Achse ziehen.</li>
	</ol></li>
</ol>2. Digitales Modell für die horizontale 3D-Rekonstruktion
HINWEIS: Der 3Dlung_Horizon Teilprozess führt eine gründliche Untersuchung der Lungenknoten aus einer horizontalen Perspektive durch.
<ol><li>Implementieren Sie die Funktion Build_3Dlung_Horizon in MATLAB workplace, um das digitale 3D-Modell der Lungenknoten unter dem Filterfenster der Lunge zu rekonstruieren, und öffnen Sie dann die grafische Benutzeroberfläche, um das horizontale 3D-Modell zu überprüfen (Abbildung 3).</li>
	<li>Anders als in Schritt 1.3.2 ist die GUI in Abbildung 3 eine durchgehende 3D-Lungenstruktur, in der verschiedene Arten von Lungenknoten und ihre relativen räumlichen Beziehungen zum Lungengewebe deutlich zu erkennen sind. Wenn Sie den Scrollbalken auf der GUI mit der Maus ziehen, kann die kontinuierliche 3D-Lungenstruktur beobachtet werden.</li>
	<li>Die obere rechte Ecke der GUI in Abbildung 3 enthält Symbole zum Vergrößern und Verkleinern, zum Zurückkehren zur globalen Ansicht und zum Markieren der Koordinaten des ausgewählten Pixels. Verwenden Sie die Zoomfunktion, um die lokalen Merkmale der Läsionen zu beobachten und relevante 3D-Strukturausgabebilder auszugeben. Verwenden Sie die Schaltfläche Pixelkoordinaten markieren, um den Abstand zwischen zwei Punkten zu berechnen und die Größe der Knoten zu messen.</li>
	<li>Der Standardfarbbalken ist die Jet-Colormap, was bedeutet, dass Blau bis Rot Werte von niedrig bis hoch darstellt. Klicken Sie im Popup-Menü mit der rechten Maustaste auf Farbleiste, um die allgemeine graue Farbkarte auszuwählen und die gesamte GUI zurückzusetzen.</li>
	<li>Wenn das Filterfenster nicht zufrieden ist, ziehen Sie mit der linken Maustaste in der Mitte der Abbildung nach oben und unten, um die Fensterebene anzupassen. Ziehen Sie nach links und rechts, um die Fensterbreite anzupassen, und der entsprechende genaue Filterbereich wird in der Farbleiste angezeigt.</li>
</ol>3. Konstruieren eines digitalen 3D-Modells für einen bestimmten Knoten
HINWEIS: Die Slice-Nummer ist ein Parameter der Funktion 3D_Nodules, die ein digitales 3D-Modell rekonstruiert, das aus jeder Perspektive betrachtet werden kann.
<ol><li>Um die Slice-Nummer zu bestimmen, wie in Abbildung 3 dargestellt, überprüfen Sie oben rechts in der Bildlaufleiste. In Abbildung 3 ist die Slice-Nummer 70. Verwenden Sie die Funktion Build_3D_Nodules mit zwei Parametern, einschließlich der Schichtnummer und des in Schritt 1.3 erstellten Thoraxvolumens, um ein digitales 3D-Modell für bestimmte Knoten zu rekonstruieren. Hierbei handelt es sich um ein benutzerdefiniertes Modell, da die Anzahl der Eingabe-Slices variabel ist und vom Benutzer abhängt.</li>
	<li>Wenn die Build_3D_Nodules-Funktion korrekt ausgeführt wird, kann der Benutzer den Lungenknoten, der sich in einer bestimmten Schichtnummer befindet, aus verschiedenen Perspektiven in der Popup-GUI überprüfen (Abbildung 4). Führen Sie dazu die folgenden Aktionen aus:<ol><li>Halten Sie die linke Maustaste gedrückt, wie in der Mitte von Abbildung 4, und ziehen Sie sie in eine beliebige Richtung, um die Perspektive der Lungenknoten zu ändern. Es ist zu beachten, dass der Betrachtungswinkel die anatomischen Überlegungen berücksichtigen und versuchen sollte, sowohl die medizinischen Eigenschaften der Lungenknoten als auch die Beziehung zwischen den Knoten und dem umgebenden Gewebe zu zeigen.</li>
	</ol></li>
	<li>Verwenden Sie die Zoom- und Verschiebesymbole in der oberen rechten Ecke, wie in Abbildung 3 dargestellt. Darüber hinaus kann der Benutzer durch Drehen der mittleren Maustaste die Ansicht des Modells kontinuierlich vergrößern oder verkleinern.</li>
	<li>Die GUI in Abbildung 4 zeigt die Koordinatenanzeige des Modells in der unteren linken Ecke, wobei die positive Richtung auf der z-Achse die Scanrichtung in der horizontalen Position ist. Implementieren Sie das vom Betriebssystem bereitgestellte Screenshot-Tool, um die erforderliche 3D-Projektion der Knoten zu speichern.</li>
</ol>4. Digitales Modell einer koronalen 3D-Rekonstruktion
HINWEIS: Der Build_3Dlung_Coronal Teilprozess wird ausgeführt, um Lungenknoten aus einer alternativen koronalen Perspektive zu bewerten und so Ärzten und Patienten dabei zu helfen, ein genaueres und umfassenderes Verständnis der Lage und der Eigenschaften der Knoten zu entwickeln.
<ol><li>Implementieren Sie die Build_3Dlung_Coronal-Funktion am MATLAB-Arbeitsplatz, um das digitale 3D-Modell von Lungenknoten unter dem Filterfenster der Lunge zu rekonstruieren, und öffnen Sie dann die von der Funktion vorbereitete GUI, um das koronale 3D-Modell zu überprüfen (Abbildung 5).</li>
	<li>Die GUI in Abbildung 5 zeigt eine durchgehende koronale 3D-Lungenstruktur, in der verschiedene Arten von Lungenknoten und ihre relativen räumlichen Beziehungen zum Lungengewebe deutlich zu erkennen sind. Ziehen Sie die Bildlaufleiste auf der GUI mit der Maus, um die kontinuierliche koronale 3D-Lungenstruktur zu beobachten.</li>
	<li>Die obere rechte Ecke der grafischen Benutzeroberfläche, wie in Abbildung 5 dargestellt, enthält auch Symbole zum Vergrößern und Verkleinern, zum Zurückkehren zur globalen Ansicht und zum Markieren der Koordinaten des ausgewählten Pixels. Verwenden Sie diese Funktionen, um die lokalen Merkmale der Läsionen zu beobachten und relevante 3D-Strukturbilder zu erstellen. Markieren Sie die Pixelkoordinaten, um den Abstand zwischen zwei Punkten zu berechnen, der häufig verwendet wird, um die Größe der Knötchen zu messen.</li>
	<li>Die Standardfarbleiste ist die Jet-Colormap, in der die Farben von Blau bis Rot Werte von niedrig bis hoch darstellen. Klicken Sie mit der rechten Maustaste auf die Farbleiste im Popup-Menü, um die allgemeine graue Colormap auszuwählen und die gesamte GUI zurückzusetzen.</li>
	<li>Wenn das Filterfenster nicht geeignet ist, ziehen Sie mit der linken Maustaste in der Mitte der Abbildung nach oben und unten, um die Fensterebene anzupassen. Ziehen Sie nach links und rechts, um die Fensterbreite anzupassen, und der entsprechende genaue Filterbereich wird in der Farbleiste angezeigt.</li>
</ol>5. Ausgabe von 3D-Videos für dominante Lungenknoten
HINWEIS: Die Umwandlung des optimalen digitalen 3D-Modells eines Lungenknotens in ein dynamisches 3D-Video ermöglicht es Ärzten und Patienten, die Erkrankung besser zu verstehen und genaue Urteile zu fällen, was besonders wichtig für die Formulierung effektiver Behandlungspläne ist.
<ol><li>Bereiten Sie im Arbeitsbereich das erforderliche digitale 3D-Modell vor und visualisieren Sie die relativen räumlichen Beziehungen zwischen den Lungenknoten und dem Lungengewebe, die aus verschiedenen Blickwinkeln dargestellt werden sollen (Abbildung 3 und Abbildung 4).</li>
	<li>In dieser Studie wurde Adobe Captivate 2019 verwendet, um alle GUI-Interaktionsprozesse aufzuzeichnen. Öffnen Sie zunächst die Software und erstellen Sie ein neues Bildschirmaufzeichnungsprojekt. Schalten Sie die Kamera aus, und das rote Feld für den Bildschirmaufnahmebereich wird angezeigt, in dem nur der Bildschirmbetrieb aufgezeichnet werden kann. In dieser Studie war die GUI der Version 5.1 in der Box enthalten. Klicken Sie auf die Aufnahmeschaltfläche, um die GUI zu bedienen, und generieren Sie eine digitale Videodatei der Bildschirmaufnahme.</li>
	<li>Nachdem Sie die dynamische Anzeige der Lungenknoten aufgezeichnet haben, kehren Sie mit einem Klick auf das Symbol in der Taskleiste in die Betriebsumgebung der Software zurück.</li>
	<li>Mit der Video-Publishing-Funktion können Sie das aufgezeichnete dynamische Video des digitalen 3D-Modells der Lungenknoten speichern. Klicken Sie auf Datei > Verteilen und konfigurieren Sie den Dateispeicherpfad. Benennen Sie die Datei und speichern Sie die gewünschte digitale Videodatei.</li>
</ol>

3D-Rekonstruktion zur Diagnose und Behandlung von Lungenknoten

<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+2017%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Guidelines for management of incidental pulmonary nodules detected on CT images: From the Fleischner Society 2017.</a> Radiology. 284 (1), 228-243 (2017).</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>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., Park, J. Y., Hwang, E. J., Lee, S. M., Park, C. M. <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., Scholten, E. T., van Ginneken, B., Jacobs, C. <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>Gruden, J. F., Ouanounou, S., Tigges, S., Norris, S. D., Klausner, T. S. <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., Hekimoglu, K., Coskun, M., Akcay, S. <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., Qureshi, R., Sattar, A., Baloch, M. <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>Armato, S. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+lung+image+database+consortium+%28LIDC%29+and+image+database+resource+initiative+%28IDRI%29%3A+A+completed+reference+database+of+lung+nodules+on+CT+scans%5BTitle%5D)+AND+%22Medical+Physics%22%5BJournal%5D)">The lung image database consortium (LIDC) and image database resource initiative (IDRI): A completed reference database of lung nodules on CT scans.</a> Medical Physics. 38 (2), 915-931 (2011).</li>
<li>Xie, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Knowledge-based+collaborative+deep+learning+for+benign-malignant+lung+nodule+classification+on+chest+CT%5BTitle%5D)+AND+%22IEEE+Transactions+on+Medical+Imaging%22%5BJournal%5D)">Knowledge-based collaborative deep learning for benign-malignant lung nodule classification on chest CT.</a> IEEE Transactions on Medical Imaging. 38 (4), 991-1004 (2018).</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>
</ol>

Das Software-Tool zur Rekonstruktion von Lungenknotenmodellen, PulmonaryNodule, ist eine kommerzielle Software der Beijing Intelligent Entropy Science &; Technology Co Ltd. Die geistigen Eigentumsrechte an diesem Software-Tool liegen beim Unternehmen. Die Autoren haben keine Interessenkonflikte offenzulegen.

Verschiedene LDCT-Geräte unterscheiden sich erheblich in den DICOM-Bildsequenzen, die sie ausgeben, insbesondere in Bezug auf die Dateisystemverwaltung. Um das digitale 3D-Schlüsselmodell eines Lungenknotens in den späteren Phasen des Protokolls zu rekonstruieren, ist daher der Schritt der Datenvorverarbeitung besonders wichtig. In der Datenaufbereitungs- und Vorverarbeitungsphase (Schritt 1.2.2) kann die Koordinate der z-Achse der Sequenz anhand der in Abbildung 1 gezeigten Sequenz korrekt ...

Die weltweite Inzidenz von Lungenknoten ist unterschiedlich, aber es wird allgemein geschätzt, dass bei etwa 30 % der Erwachsenen mindestens ein Lungenknoten auf Röntgenbildern des Brustkorbs sichtbar ist1. Die Inzidenz von Lungenknoten ist in bestimmten Bevölkerungsgruppen höher, z. B. bei starken Rauchern und Personen mit einer Vorgeschichte von Lungenkrebs oder anderen Lungenerkrankungen. Es ist wichtig zu beachten, dass nicht alle Lungenknoten bösartig sind, aber eine gründliche Abklärung ist notwendig, um eine Malignität auszuschließen2. Die Früherkennung und Diagnose von Lungenkrebs ist entscheidend für die Verbesserung der Überlebensraten, und bei Hochrisikopersonen wird ein regelmäßiges Screening mit einer Niedrigdosis-Computertomographie (LDCT) empfohlen. Viele KI-gesteuerte Methoden zur Erkennung und Erkennung von Lungenknoten 3,4,5,6,7 verwenden Deep-Learning-Techniken, um die radiologischen Merkmale von Lungenknoten zu erfassen, und diese Methoden können eine gute Leistung im Bereich unter der Kurve (AUC) erzielen. Falsch positive und falsch negative Ergebnisse bleiben jedoch eine Herausforderung für Radiologen und Kliniker. Die Interpretation und Ausprägung von Merkmalen aus Sicht der Pulmonalknotenklassifikation und -untersuchung ist nach wie vor unbefriedigend. Gleichzeitig hat die 3D-Rekonstruktion von Lungenknoten auf Basis der LDCT als digitales Modell für verschiedene Knotentypen zunehmend an Bedeutung gewonnen.
Die 3D-Rekonstruktion von Lungenknoten ist ein Verfahren, das eine 3D-Darstellung einer kleinen Wucherung oder eines Knotens in der Lunge erzeugt. Dieser Prozess beinhaltet in der Regel die Anwendung medizinischer Bildanalysetechniken, die sowohl medizinisches Fachwissen als auch Data-Intelligence-Ansätze nutzen. Das resultierende digitale 3D-Modell bietet eine detailliertere und genauere Darstellung des Knotens und ermöglicht eine verbesserte Visualisierung und Analyse seiner Größe, Form und räumlichen Beziehung zum umgebenden Lungengewebe 8,9,10,11,12. Solche Informationen können bei der Diagnose und Überwachung von Lungenknoten helfen, insbesondere bei solchen, bei denen der Verdacht besteht, dass sie krebsartig sind. Durch die Erleichterung einer präziseren Analyse hat die 3D-Rekonstruktion von Lungenknoten das Potenzial, die Genauigkeit der Diagnose zu verbessern und Behandlungsentscheidungen zu treffen.
Die Maximalintensitätsprojektion (MIP) ist eine beliebte Technik im Bereich der 3D-Rekonstruktion von Lungenknoten und wird verwendet, um eine 2D-Projektion eines 3D-Bildes zu erstellen 8,9,10,11,12 Es ist besonders nützlich bei der Visualisierung von volumetrischen Daten, die aus DICOM-Dateien (Digital Imaging and Communications in Medicine) extrahiert wurden, die per CT gescannt wurden. Bei der MIP-Technik werden die Voxel (die kleinsten Einheiten von 3D-Volumendaten) mit der höchsten Intensität entlang der Blickrichtung ausgewählt und auf eine 2D-Ebene projiziert. Das Ergebnis ist ein 2D-Bild, das die Strukturen mit der höchsten Intensität hervorhebt und die Strukturen mit geringerer Intensität unterdrückt, was die Identifizierung und Analyse relevanter Merkmale erleichtert 9,10,11,12. MIP ist jedoch nicht ohne Einschränkungen. Beispielsweise kann der Projektionsprozess zu einem Informationsverlust führen, und das resultierende 2D-Bild stellt die 3D-Struktur des zugrunde liegenden Objekts möglicherweise nicht genau dar. Nichtsdestotrotz bleibt MIP ein wertvolles Werkzeug für die medizinische Bildgebung und Visualisierung, und seine Verwendung entwickelt sich mit den Fortschritten in Technologie und Rechenleistung weiter11.
In dieser Studie wird ein sukzessives MIP-Modell zur Visualisierung von Lungenknoten entwickelt, das einfach zu bedienen und benutzerfreundlich für Radiologen, Ärzte und Patienten ist und die Identifizierung und Abschätzung der Eigenschaften von Lungenknoten ermöglicht. Zu den Hauptvorteilen dieses Verarbeitungsansatzes gehören die folgenden Aspekte: (1) Eliminierung von falsch positiven und falsch negativen Ergebnissen, die durch die Mustererkennung entstehen, was es ermöglicht, Ärzte dabei zu unterstützen, umfassendere Informationen über die Lage, Form und 3D-Größe von Lungenknoten sowie deren Beziehung zu den umgebenden Gefäßen zu erhalten; (2) Fachärzte in die Lage zu versetzen, sich auch ohne Hilfe von Radiologen professionelle Kenntnisse über die Eigenschaften von Lungenknoten anzueignen; und (3) Verbesserung sowohl der Kommunikationseffizienz zwischen Ärzten und Patienten als auch der Bewertung der Prognose.

<table><tbody><tr><td>MATLAB</td><td>MathWorks&nbsp;</td><td>2022B</td><td>Computing und Visualisierung&nbsp;</td></tr><tr><td>Werkzeuge für die Modellierung</td><td>&nbsp; Intelligent &nbsp; Entropy</td><td>PulmonaryNodule V1.0</td><td>Beijing Intelligent Entropy Science & Technology Co Ltd. Modellierung für CT/MRT-Fusion</td></tr></tbody></table>

ein digitales 3d-modell für die diagnose und behandlung von lungenknoten

A 3D Digital Model for the Diagnosis and Treatment of Pulmonary Nodules

Die dreidimensionale (3D) Rekonstruktion von Lungenknoten anhand medizinischer Bilder hat neue technische Ansätze für die Diagnose und Behandlung von Lungenknoten eingeführt, die zunehmend von Ärzten und Patienten anerkannt und übernommen werden. Nichtsdestotrotz ist die Konstruktion eines relativ universellen digitalen 3D-Modells von Lungenknoten für Diagnose und Behandlung aufgrund von Geräteunterschieden, Aufnahmezeiten und Knotentypen eine Herausforderung. Das Ziel dieser Studie ist es, ein neues digitales 3D-Modell von Lungenknoten vorzuschlagen, das als Brücke zwischen Ärzten und Patienten dient und auch ein hochmodernes Werkzeug für die Vordiagnose und prognostische Bewertung darstellt. Viele KI-gesteuerte Methoden zur Erkennung und Erkennung von Lungenknoten verwenden Deep-Learning-Techniken, um die radiologischen Merkmale von Lungenknoten zu erfassen, und diese Methoden können eine gute Leistung im Bereich unter der Kurve (AUC) erzielen. Falsch positive und falsch negative Ergebnisse bleiben jedoch eine Herausforderung für Radiologen und Kliniker. Die Interpretation und Ausprägung von Merkmalen aus Sicht der Pulmonalknotenklassifikation und -untersuchung ist nach wie vor unbefriedigend. In dieser Arbeit wird eine Methode zur kontinuierlichen 3D-Rekonstruktion der gesamten Lunge in horizontaler und koronaler Position durch die Kombination bestehender medizinischer Bildverarbeitungstechnologien vorgeschlagen. Im Vergleich zu anderen anwendbaren Methoden ermöglicht diese Methode den Anwendern, Lungenknoten schnell zu lokalisieren und ihre grundlegenden Eigenschaften zu identifizieren, während sie gleichzeitig Lungenknoten aus mehreren Perspektiven betrachten, wodurch ein effektiveres klinisches Werkzeug für die Diagnose und Behandlung von Lungenknoten bereitgestellt wird.

Um die Methode auf eine größere Anzahl von Geräten anwendbar zu machen, muss die Stapelreihenfolge jedes Scans basierend auf den internen Koordinaten des DICOM-Dateisystems (Abbildung 1) neu organisiert werden, um das richtige 3D-Volumen zu generieren (Abbildung 2). Basierend auf den genauen Volumendaten verwendeten wir eine algorithmische kontinuierliche Rekonstruktion der horizontalen und koronalen MIPs der Lunge des Patienten (Abbildung 4...

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

The three-dimensional (3D) reconstruction of pulmonary nodules using medical images has introduced new technical approaches for diagnosing and treating ...

Ziel dieser Studie ist es, ein kontinuierliches 3D-Rekonstruktionsmodell zu erstellen, um die Lungenknoten für die klinische Diagnose und Prognosebewertung besser charakterisieren zu können. Die tiefe Integration von KI-gesteuerter Bildgebungstechnologie und der Diagnose und Behandlung von Lungenknotenerkrankungen sind einige der jüngsten Entwicklungen in diesem Forschungsbereich. Die Kombination aus medizinischer Bildgebung, Verarbeitung natürlicher Sprache, Digitalisierung, Felddesign sowie Risiken für klinische Diagnose- und Behandlungsszenarien sind die jüngsten Fortschritte auf diesem Gebiet.Die schrittweise Etablierung einer dreidimensionalen Bildgebung, die Unterscheidung von Merkmalen von Lungenknoten und die langfristige Verfolgung der Wirksamkeit der traditionellen chinesischen Medizin tragen dazu bei, den Behandlungsplan für die Vorbeugung und Behandlung von Krankheiten zu optimieren. Die mit diesem digitalen Modell erzeugten Bilder sind genau und intuitiv, vermeiden Fehlalarme und Fehlnegative und sind unempfindlich gegenüber Scangeräten. Die Ergebnisse dieser Studie helfen bei der klinisch evidenzbasierten Klassifizierung von Lungenknoten, der Prognose, der Bewertung u

a-3d-digital-model-for-diagnosis-treatment-pulmonary

Research

Forschung

JoVE Journal

Medicine

Medizin

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

In dieser Studie wird die multifraktale Spektrenanalyse zur Beurteilung der Malignität von Lungenknoten vorgestellt. Unter Verwendung von CT-DICOM-Daten berechnet die Methode fraktale Dimensionen über mehrere Voxelskalen hinweg, wobei signifikante Unterschiede zwischen Lungenknoten im Frühstadium und im Spätstadium aufgedeckt werden.

Multifraktale Spektrumanalyse zur Beurteilung der Malignität von Lungenknoten

Wir beschreiben die neuartige Verwendung der elektromagnetisch navigationsgesteuerten transthorakalen Nadelaspiration für die pathologische Beurteilung menschlicher Lungenknoten.

Einsatz von elektromagnetischen Navigations Transthorakale Needle Aspiration (E-TTNA) zum Abtasten von Lungenknoten

Wir beschreiben eine Methode zur Detektion der Tumorknotenentwicklung in der Lunge eines Adenokarzinom-Mausmodells mittels Mikro-Computertomographie und deren Verwendung zur Überwachung von Veränderungen der Knötchengröße im Laufe der Zeit und als Reaktion auf die Behandlung. Die Genauigkeit der Beurteilung wurde durch eine histologische Endpunktquantifizierung bestätigt.

Mit Micro-Computertomographie-zur Beurteilung der Tumorentwicklung und Follow-up der Reaktion auf die Behandlung in einem Maus-Modell von Lungenkrebs

Myograph Leitertechnik dient zur vaskulären glatten Muskelzellen Funktionen und Bildschirm neue Drogen zu untersuchen. Wir berichten über ein detailliertes Protokoll zur Messung der isometrischen Kontraktilität der Maus mesenterialen Arterie und für das screening von neuen Muskelrelaxantien von vaskulären glatten Muskelzellen.

Messung der isometrischen Kontraktilität der Maus mesenterialen Arterie mit Draht Myographie

Wir beschreiben einen klinischen Algorithmus, der auf jahrzehntelanger Erfahrung in der Diagnose und chirurgischen Behandlung menschlicher Brucellar-Spondylodiszitis im größten medizinischen Zentrum der chinesischen Xinjiang Pastoral Area basiert.

Diagnose und chirurgische Behandlung von Human Brucellar Spondylodiscitis

Der basophile Aktivierungstest ist ein ergänzender in-vitro-diagnostischer Test zur Bewertung von IgE-vermittelten allergischen Reaktionen basierend auf dem Nachweis einer basophilen Aktivierung in Gegenwart eines spezifischen Stimulus durch die Messung von Aktivierungsmarkern durch Durchflusszytometrie.

Basophiler Aktivierungstest zur Allergiediagnostik

Miniaturschweine (Minischweine) sind ein ideales Großtiermodell für die Erforschung von Cochlea-Implantaten. Die Cochlea-Implantationschirurgie bei Minischweinen kann verwendet werden, um erste Beweise für die Sicherheit und potenzielle Leistungsfähigkeit neuartiger Elektrodenarrays und chirurgischer Ansätze in einem lebenden System ähnlich dem Menschen zu liefern.

Das Miniaturschwein: Ein Großtiermodell für die Cochlea-Implantat-Forschung

Das Plasmapolieren ist eine vielversprechende Oberflächenbearbeitungstechnologie, die sich besonders für den 3D-Druck von porösen Werkstücken aus Titanlegierungen eignet. Es kann halbgeschmolzene Pulver und ablative Oxidschichten entfernen, wodurch die Oberflächenrauheit effektiv reduziert und die Oberflächenqualität verbessert wird.

Plasmapolieren als neue Polieroption zur Reduzierung der Oberflächenrauheit poröser Titanlegierungen für den 3D-Druck

Das Ziel dieser Studie war es, ein neuartiges dreidimensionales digitales Modell für die Frühdiagnose von Leberfibrose zu entwickeln, das die Steifigkeit jedes Voxels in der Leber des Patienten einbezieht und somit zur Berechnung des Verteilungsverhältnisses der Leber des Patienten in verschiedenen Fibrosestadien verwendet werden kann.

Ein dreidimensionales digitales Modell zur Frühdiagnose von Leberfibrose auf Basis der Magnetresonanz-Elastographie

Erfahren Sie die 3D-Rekonstruktion von Lungenknoten mit KI-gestützter Bildgebung. Diese Methode verbessert die klinische Diagnose, reduziert Fehlbefunde und optimiert Behandlungspläne für Patienten.

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

Weitere Videos entdecken