Summary
このプロトコルの目的は、さらなるラジオミクス分析に使用する高解像度CTスキャンで関心のある量をセグメント化する時間効率の高い方法を提供することです。
Abstract
セグメンテーションは、放射線学や機械学習が潜在的に成長するにつれて、放射線科医や研究者が直面する複雑な作業です。このプロセスは、自動、半自動、または手動のいずれかであり、最初のプロセスは十分に正確でないか、簡単に再現でき、最後は高解像度の買収で大規模な地区を巻き込む場合に過度に時間がかかります。
胸部の高解像度CTは何百もの画像で構成されており、これは手作業のアプローチに過度に時間がかかります。さらに、平常性の変化は、通常の外観から識別される専門家の評価を必要とします。したがって、セグメンテーションプロセスへの半自動アプローチは、我々の知る限りでは、肺炎をセグメント化する場合、特にそれらの特徴がまだ不明である場合に最も適している。
COVID-19のイメージングに関する研究所で行われた研究では、ハーバード大学が製造したフリーウェアソフトウェアである3Dスライサーを採用し、その閾値をペイントブラシ器具と組み合わせて、気泡性肺、グランドガラスの不透明度、および統合の迅速かつ正確なセグメンテーションを達成しました。複雑な場合に直面する場合、この方法は、適切な手動調整のためにかなりの時間を必要としますが、影響を受けた肺の根気味の割合の計算や地面ガラス領域のテクスチャ分析など、さらなる分析に使用するセグメントを定義するための非常に効率的な平均値を提供します。
Introduction
今年、世界は健康上の緊急事態、新しいコロナウイルス、Sars-CoV2によって引き起こされるパンデミックに直面しています。現在までに、COVID-19感染の生理病理学に関する多くの側面が依然として不明であるとしても、それはいくつかの特徴を「祖先」SARS1およびMERSと共有している。特に、ビリオンスパイクタンパク質がアンジオテンシン変換酵素タイプ2と相互作用することが証明されており、肺胞内皮細胞によく表される受容体であるが、ヒトの生物では遍在するが、全身症状1を与える可能性を有する。
診断のために、現在の標準はリアルタイムの逆転写酵素ポリメラーゼ連鎖反応(rt-PCR)、咽頭綿棒に対して行われる試験である。放射線画像は疾患の検出のための診断経路では公式には認められていないが、高分解能コンピュータ断層撮影(HRCT)は、rt-PCRの比較的低い感受性、専門研究所および必要な試薬の現在の不足、および高いオペレータ依存性のために、罹患患者の臨床および疫学的管理にとって貴重な援助であることが判明した。
北米放射線学会(RSNA)は、胸部放射線学会と米国放射線学会(ACR)が承認したコンセンサス声明を発表し、COVID19のCT出現を報告を標準化するために4つのカテゴリーに分類し、間質性肺炎パターンを「典型的」「非定型」「不確定」に分割する。
「典型的な」パターンは、通常、底下の部分の位置を持つ丸い形のグラウンドガラスオパシティ(GGO)の存在によって特徴付けられます。GGOは、肥厚したセプタの「クレイジー舗装」領域、または肺炎を組織する他の徴候に関連付けることができます。「不確定」パターンは、統合領域の有無にかかわらず、ペリヒラー分布を有する拡散GGO領域を有する「典型的な」パターン所見の欠如によって特徴付けられる。「非定型」パターンは、「典型的な」または「未確定」の徴候の欠如と、ロバーの統合の存在、「芽の木」、隔膜および胸膜滲出液の滑らかな肥厚のいずれかによって特徴付けられる。このプレゼンテーションでは、GGO は検出できません。「陰性」パターンは、前述の病的所見の欠如によって特徴付けられる。
文献によると、一部の患者は、陰性rt-PCR3,4を用いて見つけた疫学的基準および画像化結果によって支持されるCOVID-19の高い臨床容疑者を有する可能性がある。一方、陽性のrt−PCRおよび示唆的臨床所見を有する患者は、HRCT5に病的所見を提示しないことが報告されている。
今日では、この疾患の特性を定量的に研究する際に、科学界が画像解析技術を応用することが最も重要です。最近の研究では、肺パレンチマの自動セグメンテーション技術を適用して、COVID-19の影響を受ける患者の気泡肺の割合を特定し、この値を予後と相関させ、より重度の肺関与を有する患者が集中治療室(ICU)に入院するリスクが高いことを実証した。
セグメント化は、HRCT などのイメージング技術を使用して取得したボリューム内の対象領域(ROI)の輪郭です。この活動は、手動、半自動、自動の3つの方法で行うことができる。手動セグメンテーションは、訓練を受けた放射線科医の経験のおかげで、病理学的領域に属するボクセルのラベル付けで構成されています。この方法の主な欠点は、必要な時間が多く、オペレータに依存していることです。
半自動メソッドは、オペレータが画像処理の古典的な方法(例えば、ピクセル強度の閾値、クラスタリングなど)を通じて得られるセグメンテーションマスクを変更することができるので、セグメンテーションをスピードアップすることを可能にする。しかし、これらの技術は、最も複雑な症例18に広範な手動介入を必要とするため、臨床現場での実装は容易ではない。
現在は使用が制限されている自動セグメンテーション方式は、人工知能を用い、ROIを取得しています。特に、最近の研究では、COVID-19間質性肺炎19に罹患している患者におけるグランドガラス領域の定量化に自動セグメンテーションを用いることを目的としている。HRCT画像上の病理学的領域のセグメンテーションプロトコルの定義は、病気の生理病理学をさらに理解するのに役立つ特徴を特定し、治療に影響を与える可能性のある正確な予後因子として役立つ特徴を特定するために、その後のラジオミクス分析に向けた本当の第一歩です。
本稿は、COVID-19肺炎の病的所見を表す正確で効率的なセグメントを得るためのガイドを提供しています。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
この議定書は、機関人間研究倫理委員会のガイドラインに従う。
1. DICOMイメージのダウンロード
- DICOMイメージをダウンロードし、3Dソフトウェアをインストールしたセグメンテーション専用のワークステーションに転送します。パソコンで作業する予定の場合は、DICOMデータを匿名化してください。
2. 3DスライサーソフトウェアにHRCTスタディをインポートする
- ソフトウェアの開始画面 (ドロップダウン メニューの [スライサーへようこそ ] セクションに対応) で 、[DICOM データの読み込み] を選択します。または、ツールバーの左上隅にある DCM アイコンを選択します。
- DICOM ブラウザパネルの左上隅にある [インポート] を選択し、HRCT スタディの場所を選択します。DCM イメージを含むフォルダを選択し、[インポート] を選択します。
- HRCT スタディが正常にインポートされたら、[ 読み込み ] ボタンをクリックします。
3. セグメントの作成
- ドロップダウン メニューの [セグメンテーション] セクションで、またはドロップダウン メニューの [セグメント化] セクションにあるサブセクションセグメント エディタで直接セグメントを作成するか、ツールバーの専用アイコンとして再度セグメントを作成します。
- [マスターボリューム]の横にあるドロップダウンメニューで、HRCT スタディを選択します。
- [ 追加] を選択し、3 つの新しいセグメントを 作成します。それぞれをダブルクリックし、それぞれ"tlv"(総肺パレンチマ)、「ggo」(グランドガラス不透明度)と「短所」(統合)の名前を変更します。HRCT研究で胸水、肺癌、線維領域などの追加の病理学的所見が共存する場合は、追加のセグメントを作成します。同じことがアーティファクトにも当てはまります。
4. TLP セグメントの定義
注: TLP セグメントの正確な定義は基本的なものであり、GGO セグメントと CD セグメントの定義中に HRCT をマスキングするために使用されます。
- 最初の手順として、 セグメントエディタ セクションで、TLP セグメントを選択した後、 しきい値 インストゥルメントを選択します。
- 健康な肺のパレンチマと地面ガラスの不透明度の両方を含むのに十分な大きさのしきい値を設定します。GGOの教科書定義に準拠するために必要な調整を行って科学文献で報告された値を用いて、-1000 HUと-250 HUの間でしきい値を設定すると、6、14、15、16、17がうまく機能することがわかりました。次に、[適用] を選択します。
- そう定義されるセグメントには、肺内の空気と胸部外の空気(すなわち患者の外の空気)の両方が含まれる。肺のパレンチマを分離するには、セグメント エディタで見つかった[島]ツールを使用し、[選択した島を維持]を選択します。胸部の内側を左クリックして、胸の外側の何かがセグメントから除外されるようにします。
- 次に、TLP セグメント内の任意の統合領域を含めます。通常、連結には、胸壁と隔壁を構成する軟組織と同様の減衰値(ハウンズフィールド単位:HU)があります。これは、この目的のために しきい値 の計測器を使用することができず、セグメントエディタにある ハサミ と ペイント ツールを使用して、統合を手動で追加する必要がある理由です。
- はさみツールを使用して、肺のパレンチマの一部をセグメントに追加します。[内側に塗り潰し]操作を選択し、シェイプとして[自由形式]を選択し、スライスカットとして[対称]を選択します。連結のサイズに適した厚さを選択します(例えば、3〜20 mm)。統合が完全に含まれるまで、TLP の小さな部分を段階的に追加します。
- ペイント ツールは、より簡単で、時には使用が速くなりますが、含める領域によっては、精度が低くなる場合があります。 [球ブラシ ]オプションがアクティブな場合、このツールは、セグメントに肺の小間の3D部分を追加することができます。ブラシのサイズは簡単に変更できます。
- TLP セグメントに統合を追加する場合は、胸壁または隔壁の一部は含めないでください。これは、後胸壁に隣接するCOVID19統合の影響を受ける患者が非常に一般的であるように困難であることが証明される可能性があります。 [消去] ツールを使用してセグメンテーションを修正するか、[ 元に戻す] を選択して最後の操作を破棄します。
- この段階では、スムージング アルゴリズムをもう一度使用して、セグメンテーションの手動部分で発生した可能性のある小さな不完全性を削除します。これで、TLP セグメント定義が終了します。
5. GGOセグメントの定義
- GGO セグメントを定義するには、しきい値ツールを使用します。
- GGO セグメントを選択します。
- しきい値を -750 HU と -150 HU の間で設定します。
- [適用] を選択する前に、右下の[マスキング] セクションに移動し、[編集可能領域] ドロップダウン メニューの[TLP]を選択します。[他のセグメントを上書き] ドロップダウン メニューで、[なし] を選択します。スキップした場合、いったん GGO セグメントを定義すると、TLP セグメントも変更されるので、これは非常に重要です。TLP セグメントは他のすべてのセグメントが定義されているマスクであるため、このことは避ける必要があります。
- ここで、[ 適用] を選択します。
- この時点で、すべての小さな血管と、地盤ガラスと同様の密度を有する生理的間質要素をセグメントから除外するために、平滑化アルゴリズムをもう一度使用する必要があるでしょう。3 mm のカーネルサイズから始め、必要に応じて、最大 6 ~ 7 mm まで徐々に増やします。カーネルサイズを大きくしすぎると、GGO セグメントの外に残るグラウンド ガラスの小さな領域が失われる可能性があることに注意してください。このため、平滑化アルゴリズムは適切な注意を払って使用する必要があります。
- この場合も、 ペイント、 はさみ 、 消去 ツールで必要な補正を適用します。この段階では、セグメント内の「グランドガラス」領域に隣接する胸壁の一部を含めないように、TLPマスクを常にアクティブに保つことを忘れないでください。これは、誤ってセグメント化された場合、自動的に除外されるためです。
- このセグメントを取得する場合は、ハースとダイヤフラムの動きによって生成されるアーティファクトの存在に細心の注意を払ってください(これは、患者が試験中に息を止めることができなかった場合に起こります)。TLP セグメントに含まれ、以前に含まれていた場合は、たとえば[選択した島を削除]オプションを使用して[アイランド]ツールを使用するか、ハサミツールと消去ツールを使用して、「グランドガラス」セグメントからこれらのアーティファクトを除去します。スタディの目標に応じて、アーティファクトは、専用セグメントを使用して個別にセグメント化されるか、TLP セグメントに含まれ、他のセグメントから除外される場合があります。GGO セグメントが定義されました。
6. CD セグメントの定義
- CD セグメントを定義するには、GGO セグメントを定義する場合と同じ方法で作業を進めます。
- CD セグメントを選択します。TLP マスキングは常にアクティブに動作するようにしてください。
- 適切なしきい値を設定します。連結の範囲は、およそ -150 HU から 100 HU までさまざまです。
- 必要に応じて、カーネルサイズを変更するスムージングアルゴリズムを適用します。
- ツールは、大きな血管、胸水、アーティファクト、換気バンドおよび他の非COVID関連病変を除いて、セグメント内に実際の統合のみを維持するために、ツールの組み合わせを使用してください。
- 必要に応じて、最終的なスムージングを適用できます。
7. セグメントの保存
- セグメントを ".nrrd" ファイルとして保存するか、"Data" モジュールからバイナリ ラベル マップに変換します。
8. 定義されたセグメントからボリュームを抽出する。
- [セグメント統計]モジュールから、セグメントの体積とサーフェスの詳細を示す表を取得します。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
提案された方法は試験および誤りを通して改良され、肯定的なrt-PCRテストでCOVID-19肺炎の影響を受けた117人の患者にそれをテストする。
短い学習曲線の後、セグメントを得るために必要な時間は、プレゼンテーションパターンに応じて5〜15分の間で変化することができます。
図1に示すように、この方法は正確なセグメントを生み出す:これはHRCTとの正確な対応に気づいて観察することができる。3D レンダリングは、対応を評価し、セグメンテーション結果をすばやく確認するのに役立ちます。影響を受けた肺のパレンチマの量の定量的評価が得られ、コロンビら6およびランザらから報告された結果を複製する。
図1:代表的な結果の体積と表面解析。3Dスライサーインターフェイスからのスクリーンショットは、影響を受けた肺のパレンチマの体積を定量的に評価するために使用できる「セグメント統計」モジュールから得られた結果を表しています。この図の大きなバージョンを表示するには、ここをクリックしてください。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
セグメンテーションは、現代の定量放射線学研究を行うための基本的なステップを表し、ラジオミクスまたはテクスチャ解析技術を適用するために必要です。肺の病理学的所見は、定義された解剖学的境界の欠如と健康な領域と比較した減衰値の小さな違いのために、セグメントに最も困難なものの1つを表す。
ソース画像は、可能であれば、特に病理学的領域上の最小限のアーティファクトを提示する必要があり、これは呼吸保持を損なう疾患を研究する際に達成するのが難しい場合があります。したがって、研究者は、侵害されたHRCTを除外するか、さらなる分析から排除されるアーティファクト専用のセグメントを定義することを検討することができます。
「胸部画像処理プラットフォーム」11と呼ばれる3Dスライサーへの拡張をインストールすることが可能であり、これは肺セグメントに対するより速く、より自動化された操作を可能にし、特に気肺に関心を持つ。GGOと連結が胸膜下分布を有する場合には、この方法を採用しないことが決定された。
間質性肺疾患の自動セグメンテーション法が報告されている12;それでも、この方法では、影響を受ける領域の機能に関する以前の知識が必要でした。本研究で提案された技術は、肺の病理学的所見の分節化に対する学習しやすく再現可能なアプローチであり、そこから抽出された特徴は、ウイルス間質肺疾患を自動的にセグメント化する将来の手段を提供し、正確な予後因子を表す可能性がある。
提案されたセグメンテーション方法には、いくつかの制限があります。
まず、ワークステーションからDICOMイメージをダウンロードすることは、可変時間を必要とするプロセスであり、膨大な数の患者のためにそうすることは面倒な作業かもしれません。このセグメンテーション方法をクリニックの実践に適用する可能性がある場合は、セグメンテーションプラグインがPACSプラットフォームで広く利用可能になるまで、この重要な問題を考慮する必要があります。
第二に、COVID-19関連の病的領域の区分は、同時慢性肺疾患(例えば、肺癌、肺線維症など)を有する患者において複雑であり、その放射線学的知見はCOVID-19パターンの典型的なそれらの同じ密度の領域で構成される。呼吸アーティファクトを伴うCTスキャンでも同じ懸念事項を考慮する必要があります。これらのアーティファクトは、COVID-19感染の患者に非常に一般的であり、特に老齢/中年患者では呼吸困難および呼吸不全に一般的に関連している。
さらに、重度の間質性肺炎(多くの肺の統合と狂気の舗装不透明度を特徴とする)を有する患者は、より広範な手動セグメンテーションを必要とし、その結果、膨大な時間を必要とする。一般に、間質性肺炎の重症度が高いほど、必要な手動セグメンテーションが広範囲に及ぶほど、セグメンテーション時間が長くなる。
しかしながら、ランザやコロンビが提案したような高度な評価技術によって提供される精度の程度は、標準的な臨床および放射線評価20と比較して、すでに重度の肺状態を有する患者に関する限られた情報を追加することができる。
最後に、3Dスライサーの経験がない放射線科医は、直感的なソフトウェアではなく、バジラー機能でも習得する時間が必要であるため、十分なトレーニング時間が必要です。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
著者の誰も利益相反を持っていません。
Acknowledgments
この研究はボローニャ大学放射線学科からの資金によって支えられた。
Materials
| Name | Company | Catalog Number | Comments |
| CT Scanner | General Electrics Healthcare | 64-MDCT VCT lightSpeed | The CT scanner used for HRCT acquisitions |
| Desktop Computer | ThinkCentre | The computer used to download the DICOM files and run 3D Slicer |
References
- Zheng, Y., et al.
- 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).
