Summary
L’objectif de cette étude est de développer un nouveau modèle numérique 3D des nodules pulmonaires qui sert de pont de communication entre les médecins et les patients et constitue également un outil de pointe pour le prédiagnostic et l’évaluation pronostique.
Abstract
La reconstruction tridimensionnelle (3D) des nodules pulmonaires à l’aide d’images médicales a introduit de nouvelles approches techniques pour le diagnostic et le traitement des nodules pulmonaires, et ces approches sont progressivement reconnues et adoptées par les médecins et les patients. Néanmoins, la construction d’un modèle numérique 3D relativement universel des nodules pulmonaires pour le diagnostic et le traitement est difficile en raison des différences entre dispositifs, des temps de prise de vue et des types de nodules. L’objectif de cette étude est de proposer un nouveau modèle numérique 3D des nodules pulmonaires qui sert de pont entre les médecins et les patients et constitue également un outil de pointe pour le prédiagnostic et l’évaluation pronostique. De nombreuses méthodes de détection et de reconnaissance des nodules pulmonaires pilotées par l’IA utilisent des techniques d’apprentissage profond pour capturer les caractéristiques radiologiques des nodules pulmonaires, et ces méthodes peuvent atteindre une bonne performance sous la courbe (ASC). Cependant, les faux positifs et les faux négatifs demeurent un défi pour les radiologistes et les cliniciens. L’interprétation et l’expression des caractéristiques du point de vue de la classification et de l’examen des nodules pulmonaires ne sont toujours pas satisfaisantes. Dans cette étude, une méthode de reconstruction 3D continue de l’ensemble du poumon en position horizontale et coronale est proposée en combinant les technologies de traitement d’images médicales existantes. Par rapport à d’autres méthodes applicables, cette méthode permet aux utilisateurs de localiser rapidement les nodules pulmonaires et d’identifier leurs propriétés fondamentales tout en observant les nodules pulmonaires sous de multiples perspectives, fournissant ainsi un outil clinique plus efficace pour diagnostiquer et traiter les nodules pulmonaires.
Introduction
L’incidence globale des nodules pulmonaires est variable, mais on estime généralement qu’environ 30% des adultes ont au moins un nodule pulmonaire visible sur les radiographies pulmonaires1. L’incidence des nodules pulmonaires est plus élevée dans des populations spécifiques, telles que les gros fumeurs et ceux ayant des antécédents de cancer du poumon ou d’autres maladies pulmonaires. Il est important de noter que tous les nodules pulmonaires ne sont pas malins, mais une évaluation approfondie est nécessaire pour exclure la malignité2. La détection et le diagnostic précoces du cancer du poumon sont cruciaux pour améliorer les taux de survie, et un dépistage régulier par tomodensitométrie à faible dose (TDMD) est recommandé pour les personnes à haut risque. De nombreuses méthodes de détection et de reconnaissance des nodules pulmonairespilotées par l’IA 3,4,5,6,7 utilisent des techniques d’apprentissage profond pour capturer les caractéristiques radiologiques des nodules pulmonaires, et ces méthodes peuvent atteindre de bonnes performances d’aire sous la courbe (ASC). Cependant, les faux positifs et les faux négatifs demeurent un défi pour les radiologistes et les cliniciens. L’interprétation et l’expression des caractéristiques du point de vue de la classification et de l’examen des nodules pulmonaires ne sont toujours pas satisfaisantes. Dans le même temps, la reconstruction 3D de nodules pulmonaires à partir du TDM LDM a suscité une attention croissante en tant que modèle numérique pour divers types de nodules.
La reconstruction 3D des nodules pulmonaires est un processus qui génère une représentation 3D d’une petite croissance ou d’une bosse dans le poumon. Ce processus implique généralement l’application de techniques d’analyse d’images médicales qui tirent parti à la fois de l’expertise médicale et des approches d’intelligence des données. Le modèle numérique 3D qui en résulte offre une représentation plus détaillée et plus précise du nodule, permettant une visualisation et une analyse améliorées de sa taille, de sa forme et de sa relation spatiale avec les tissus pulmonaires environnants 8,9,10,11,12. Ces informations peuvent aider au diagnostic et à la surveillance des nodules pulmonaires, en particulier ceux soupçonnés d’être cancéreux. En facilitant une analyse plus précise, la reconstruction 3D des nodules pulmonaires a le potentiel d’améliorer la précision du diagnostic et d’éclairer les décisions de traitement.
La projection d’intensité maximale (MIP) est une technique populaire dans le domaine de la reconstruction 3D des nodules pulmonaires et est utilisée pour créer une projection 2D d’une image 3D 8,9,10,11,12 Elle est particulièrement utile dans la visualisation de données volumétriques extraites de fichiers DICOM (Digital Imaging and Communications in Medicine) scannés par CT. La technique MIP fonctionne en sélectionnant les voxels (les plus petites unités de données de volume 3D) avec l’intensité la plus élevée le long de la direction de visualisation et en les projetant sur un plan 2D. Il en résulte une image 2D qui met l’accent sur les structures ayant la plus grande intensité et supprime celles ayant une intensité plus faible, ce qui facilite l’identification et l’analyse des caractéristiques pertinentes 9,10,11,12. Cependant, MIP n’est pas sans limites. Par exemple, le processus de projection peut entraîner une perte d’informations et l’image 2D résultante peut ne pas représenter avec précision la structure 3D de l’objet sous-jacent. Néanmoins, la MIP reste un outil précieux pour l’imagerie médicale et la visualisation, et son utilisation continue d’évoluer avec les progrès de la technologie et de la puissance de calcul11.
Dans cette étude, un modèle MIP successif pour visualiser les nodules pulmonaires est développé qui est facile à utiliser, convivial pour les radiologues, les médecins et les patients, et permet l’identification et l’estimation des propriétés des nodules pulmonaires. Les principaux avantages de cette approche de traitement comprennent les aspects suivants : (1) éliminer les faux positifs et les faux négatifs résultant de la reconnaissance des formes, ce qui permet d’aider les médecins à obtenir des informations plus complètes sur l’emplacement, la forme et la taille 3D des nodules pulmonaires, ainsi que leur relation avec le système vasculaire environnant; 2° permettre aux médecins spécialistes d’acquérir une connaissance professionnelle des caractéristiques des nodules pulmonaires même sans l’aide de radiologues; et (3) améliorer à la fois l’efficacité de la communication entre les médecins et les patients et l’évaluation du pronostic.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
REMARQUE: Pendant l’étape de prétraitement des données, les données DICOM d’origine doivent être triées et interceptées pour assurer la compatibilité avec divers périphériques et des résultats cohérents. Une capacité réglable adéquate doit être réservée au traitement de l’intensité, et une perspective 3D continue est essentielle pour l’observation. Dans ce protocole, une description méthodique de l’approche de recherche est fournie, détaillant un cas impliquant une patiente de 84 ans présentant des nodules pulmonaires. Cette patiente a donné son consentement éclairé pour son diagnostic via la modélisation numérique et a autorisé l’utilisation de ses données à des fins de recherche scientifique. La fonction de reconstruction du modèle est dérivée de l’outil logiciel PulmonaryNodule (voir le tableau des matériaux pour plus de détails). L’autorisation éthique a été obtenue auprès du Comité d’éthique de l’hôpital Dongzhimen, affilié à l’Université de médecine chinoise de Beijing (DZMEC-KY-2019.90).
1. Collecte et préparation des données
- Données LDCT pour la détection des nodules pulmonaires
Remarque : Les différences observées dans les valeurs des paramètres ne dépendent pas de la méthode de recherche utilisée.- Obtenir le consentement du patient pour l’acquisition de données DICOM. Transférez toutes les données vers le répertoire de travail désigné.
- Identifiez le répertoire de données avec le plus grand nombre de couches d’analyse et l’épaisseur de couche la plus fine pour optimiser la précision en fonction des informations du fichier. En règle générale, plus un patient a de fichiers de numérisation DICOM, plus l’épaisseur de la couche de numérisation est mince.
- En implémentant la fonction Dicominfo et en utilisant les fichiers DICOM comme paramètres de fonction, obtenez les paramètres d’épaisseur de tranche et d’espacement des pixels dans l’environnement MATLAB. Ces paramètres sont essentiels pour régler le taux d’affichage du volume 3D. Pour les exemples de données utilisés dans cette étude, l’épaisseur de la tranche était de 1 mm, l’espacement des pixels était de 0,5 mm et un total de 200 couches ont été numérisées.
- Correction du tri des données numérisées
Remarque : La séquence de chaque image doit être triée pour la construction du volume.- Lisez les données de localisation de chaque image à l’aide de la fonction Dicominfo. Obtenez l’emplacement en entrant des informations. SliceLocation dans l’espace de travail MATLAB.
- Implémentez la fonction SliceLocation pour stocker le tableau d’emplacements d’une variable et créez un tracé de celle-ci (Figure 1).
- À l’aide du bouton Info-bulles en haut à droite de l’interface graphique, ajoutez une info-bulle au tracé sur le point qui représente la valeur d’emplacement maximale de la séquence normale (l’emplacement supérieur de l’imagerie du patient ; Graphique 1).
- Triez toutes les images et extrayez les images en commençant par 1 jusqu’à la valeur d’emplacement maximale en implémentant la fonction VolumeResort.
- Stockez les volumes des images valides avec l’index trié, ce qui sera utile pour remonter jusqu’aux nodules importants.
- Inspection du volume thoracique
REMARQUE: Avoir une structure de stockage de données bien définie rend le travail de suivi plus pratique.- Implémentez la fonction VolumeInspect pour afficher trois vues du volume construit. Faites glisser l’intersection du réticule vers le haut et vers le bas dans l’axe coronal pour parcourir rapidement toutes les images de l’axe horizontal (Figure 2).
- Déplacez le réticule vers l’axe horizontal pour parcourir toutes les images de l’axe coronal. Le réticule est dans les mêmes coordonnées spatiales dans le volume 3D; Par conséquent, le déplacer sur un axe modifiera l’emplacement des images dans les deux autres axes.
- Pour la fonction VolumeInspect , utilisez la fenêtre d’intensité par défaut pour le poumon dans l’interface graphique. Ajustez les performances réelles du filtre en maintenant le bouton gauche de la souris enfoncé et en faisant glisser l’axe.
2. Modèle numérique pour la reconstruction 3D horizontale
REMARQUE : Le sous-procédé 3Dlung_Horizon effectue un examen approfondi des nodules pulmonaires d’un point de vue horizontal.
- Implémentez la fonction Build_3Dlung_Horizon dans MATLAB workplace pour reconstruire le modèle numérique 3D des nodules pulmonaires sous la fenêtre de filtre du poumon, puis ouvrez l’interface graphique pour vérifier le modèle 3D horizontal (Figure 3).
- Contrairement à l’étape 1.3.2, l’interface graphique de la figure 3 est une structure pulmonaire 3D continue dans laquelle divers types de nodules pulmonaires et leurs relations spatiales relatives avec le tissu pulmonaire peuvent être clairement vus. En faisant glisser la barre de défilement de l’interface graphique avec la souris, la structure pulmonaire 3D continue peut être observée.
- Le coin supérieur droit de l’interface graphique de la figure 3 fournit des icônes permettant d’effectuer un zoom avant, un zoom arrière, de revenir à la vue globale et de marquer les coordonnées du pixel sélectionné. Utilisez la fonction de zoom pour observer les caractéristiques locales des lésions et produire des images structurelles 3D pertinentes. Utilisez le bouton Marquer les coordonnées des pixels pour calculer la distance entre deux points afin de mesurer la taille des nodules.
- La barre de couleurs par défaut est la palette de couleurs du jet, ce qui signifie que le bleu au rouge représente les valeurs de faible à élevé. Cliquez avec le bouton droit sur Color Bar dans le menu local pour sélectionner la colormap grise commune et réinitialiser l’ensemble de l’interface graphique.
- Si la fenêtre de filtre n’est pas satisfaite, utilisez le bouton gauche de la souris pour faire glisser le curseur vers le haut et vers le bas au milieu de la figure afin d’ajuster le niveau de la fenêtre. Faites glisser vers la gauche et la droite pour ajuster la largeur de la fenêtre, et la plage de filtrage précise correspondante sera affichée sur la barre de couleur.
3. Construire un modèle numérique 3D pour un nodule spécifique
REMARQUE: Le numéro de tranche est un paramètre de la fonction 3D_Nodules, qui reconstruit un modèle numérique 3D qui peut être visualisé sous tous les angles.
- Pour déterminer le numéro de tranche, comme illustré à la figure 3, vérifiez en haut à droite de la barre de défilement ; dans la figure 3, le nombre de tranches est 70. Utilisez la fonction Build_3D_Nodules avec deux paramètres, dont le nombre de tranches et le volume thoracique créé à l’étape 1.3, pour reconstruire un modèle numérique 3D pour des nodules spécifiques. Il s’agit d’un modèle défini par l’utilisateur, car le nombre de tranches d’entrée est variable et dépend de l’utilisateur.
- Si la fonction Build_3D_Nodules est exécutée correctement, l’utilisateur peut vérifier le nodule pulmonaire situé dans un certain nombre de tranches sous différents angles dans l’interface graphique contextuelle (Figure 4). Pour ce faire, effectuez les actions suivantes :
- Maintenez enfoncé le bouton gauche de la souris, comme au centre de la figure 4, puis faites-le glisser dans n’importe quelle direction pour modifier la perspective des nodules pulmonaires. Il convient de noter que l’angle d’observation doit tenir compte des considérations anatomiques et essayer de montrer à la fois les caractéristiques médicales des nodules pulmonaires et la relation entre les nodules et les tissus environnants.
- Utilisez les icônes de zoom et de déplacement dans le coin supérieur droit, comme illustré à la figure 3. De plus, en faisant rouler le bouton central de la souris, l’utilisateur peut effectuer un zoom avant ou arrière continu sur la vue du modèle.
- L’interface graphique de la figure 4 montre l’indication des coordonnées du modèle dans le coin inférieur gauche, où la direction positive sur l’axe z est la direction de balayage en position horizontale. Implémentez l’outil de capture d’écran fourni par le système d’exploitation pour enregistrer la projection 3D requise des nodules.
4. Modèle numérique d’une reconstruction coronale 3D
REMARQUE : Le sous-processus Build_3Dlung_Coronal est exécuté pour évaluer les nodules pulmonaires d’un autre point de vue coronal, aidant ainsi les cliniciens et les patients à développer une compréhension plus précise et inclusive de l’emplacement et des attributs des nodules.
- Implémentez la fonction Build_3Dlung_Coronal dans l’espace de travail MATLAB pour reconstruire le modèle numérique 3D des nodules pulmonaires sous la fenêtre de filtre du poumon, puis ouvrez l’interface graphique, telle que préparée par la fonction, pour vérifier le modèle 3D coronal (Figure 5).
- L’interface graphique de la figure 5 montre une structure pulmonaire coronale 3D continue dans laquelle divers types de nodules pulmonaires et leurs relations spatiales relatives avec le tissu pulmonaire peuvent être clairement vus. Faites glisser la barre de défilement de l’interface graphique avec la souris pour observer la structure pulmonaire 3D coronale continue.
- Le coin supérieur droit de l’interface graphique, comme illustré à la figure 5, fournit également des icônes permettant d’effectuer un zoom avant, un zoom arrière, de revenir à la vue globale et de marquer les coordonnées du pixel sélectionné. Utilisez ces fonctions pour observer les caractéristiques locales des lésions et générer des images structurelles 3D pertinentes. Marquez les coordonnées des pixels pour calculer la distance entre deux points, qui est souvent utilisée pour mesurer la taille des nodules.
- La barre de couleurs par défaut est la carte de couleurs du jet, dans laquelle les couleurs du bleu au rouge représentent des valeurs de faible à élevé. Cliquez avec le bouton droit sur la barre de couleurs dans le menu contextuel pour sélectionner la colormap grise commune et réinitialiser l’ensemble de l’interface graphique.
- Si la fenêtre de filtre n’est pas appropriée, utilisez le bouton gauche de la souris pour faire glisser de haut en bas au milieu de la figure afin d’ajuster le niveau de la fenêtre ; Faites glisser vers la gauche et la droite pour ajuster la largeur de la fenêtre, et la plage de filtrage précise correspondante sera affichée sur la barre de couleur.
5. Sortie vidéo 3D pour les nodules pulmonaires dominants
REMARQUE: La conversion du modèle numérique 3D optimal d’un nodule pulmonaire en une vidéo 3D dynamique permet aux médecins et aux patients de mieux comprendre la maladie et de porter des jugements précis, ce qui est particulièrement essentiel pour formuler des plans de traitement efficaces.
- Dans l’espace de travail, préparez le modèle numérique 3D requis et prévisualisez les relations spatiales relatives entre les nodules pulmonaires et le tissu pulmonaire à afficher sous différents angles (Figure 3 et Figure 4).
- Dans cette étude, Adobe Captivate 2019 a été utilisé pour enregistrer tous les processus d’interaction de l’interface graphique. Pour commencer, ouvrez le logiciel et créez un nouveau projet d’enregistrement d’écran. Éteignez l’appareil photo et la boîte de plage d’enregistrement d’écran rouge apparaîtra pour enregistrer uniquement le fonctionnement de l’écran. Dans cette étude, la version 5.1 de l’interface graphique a été incluse dans la boîte. Cliquez sur le bouton d’enregistrement pour utiliser l’interface graphique et générer un fichier vidéo numérique de l’enregistrement d’écran.
- Après avoir enregistré l’affichage dynamique des nodules pulmonaires, revenez à l’environnement d’exploitation du logiciel en cliquant sur l’icône dans la barre des tâches.
- À l’aide de la fonction de publication vidéo, enregistrez la vidéo dynamique enregistrée du modèle numérique 3D des nodules pulmonaires. Cliquez sur Fichier > Distribuer et configurez le chemin de stockage des fichiers. Nommez le fichier et enregistrez le fichier vidéo numérique souhaité.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Pour rendre la méthode applicable à une plus large gamme de périphériques, l’ordre d’empilement de chaque numérisation doit être réorganisé en fonction des coordonnées internes du système de fichiers DICOM (Figure 1) pour générer le volume 3D correct (Figure 2). Sur la base des données de volume précises, nous avons utilisé la reconstruction algorithmique continue des MIP horizontaux et coronaux pulmonaires du patient (Figure 4 et Figure 5) pour le diagnostic précis et le traitement des nodules pulmonaires du patient.
Les données DICOM provenant de différents appareils ne sont généralement pas triées dans le bon ordre, de bas en haut le long de la position anatomique chez le patient. Toutefois, pour la reconstruction du modèle, chaque image doit être triée dans un ordre avancé bas à élevé. La figure 1 montre non seulement la distribution typique des positions de séquence DICOM, mais également l’interaction GUI nécessaire pour déterminer les limites de position de la séquence d’images. Cette étape est une partie importante de la préparation des données dans le processus de reconstruction du modèle.
La figure 2 représente essentiellement les trois vues du volume 3D de l’ensemble du poumon dans les plans axial, coronal et sagittal. Si la préparation des données précédente et le calcul du volume sont corrects, les images pulmonaires de chaque vue peuvent être visualisées, comme dans la figure 2. Cette interface graphique permet également de filtrer au niveau de la fenêtre en faisant glisser la souris pour afficher les images à différents niveaux de fenêtre. Le volume sous-jacent, comme le montre la figure 2, sert de base de données pour la reconstruction de modèles 3D.
La figure 3 montre les résultats de la reconstruction 3D continue dans la vue axiale. Dans cette interface graphique, le médecin peut observer la structure pulmonaire du patient en continu le long de la vue axiale, localiser rapidement les nodules pulmonaires et observer la relation entre les nodules et le tissu pulmonaire environnant. Comme le montre la figure 3, des opérations telles que le grossissement local des vues de nodules, la récupération du niveau de la fenêtre et le marquage des positions des pixels peuvent également être effectuées. La barre de couleur affiche les couleurs correspondant aux différentes valeurs d’intensité de l’image.
L’interface graphique illustrée à la figure 4 permet aux médecins d’observer les nodules pulmonaires intéressés sous n’importe quel angle.
La figure 5 montre les résultats de la reconstruction 3D continue dans la vue coronale. Dans cette interface graphique, le médecin peut observer la structure pulmonaire du patient en continu le long de la vue coronale, localiser rapidement les nodules pulmonaires et observer la relation entre les nodules et le tissu pulmonaire environnant. Comme le montre la figure 5, des opérations telles que le grossissement local des vues de nodules, la récupération du niveau de la fenêtre et le marquage des positions des pixels peuvent également être effectuées. La barre de couleur affiche les couleurs correspondant aux différentes valeurs d’intensité de l’image.
Figure 1: Le tracé de l’emplacement de l’image en fonction de la séquence de noms de fichier. La figure montre la distribution typique des positions de séquence DICOM et indique l’interaction GUI nécessaire pour déterminer les limites de position de la séquence d’images. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 2 : L’interface graphique de trois vues du volume 3D pulmonaire. La figure représente les trois vues du volume 3D de l’ensemble du poumon dans les plans axial, coronal et sagittal. Si la préparation des données précédente et le calcul du volume sont corrects, les images pulmonaires de chaque vue peuvent être visualisées. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 3 : L’interface graphique pour vérifier les nodules pulmonaires à partir d’une vue horizontale. La figure montre les résultats de la reconstruction 3D continue dans la vue axiale. Le médecin peut observer la structure pulmonaire du patient en continu le long de la vue axiale, localiser les nodules pulmonaires et observer la relation entre les nodules et le tissu pulmonaire environnant. Les couleurs de la barre de couleurs correspondent à différentes valeurs d’intensité de l’image. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 4 : Vérification du modèle numérique 3D d’un nodule pulmonaire spécifique. L’interface graphique permet à l’utilisateur d’observer les nodules pulmonaires d’intérêt sous n’importe quel point de vue. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 5 : L’interface graphique pour vérifier les nodules pulmonaires à partir d’une vue coronale. La figure montre les résultats de la reconstruction 3D continue dans la vue coronale. Dans cette interface graphique, le médecin peut observer la structure pulmonaire du patient en continu le long de la vue coronale, localiser rapidement les nodules pulmonaires et observer la relation entre les nodules et le tissu pulmonaire environnant. Les couleurs de la barre de couleurs correspondent à différentes valeurs d’intensité de l’image. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Différents périphériques LDCT présentent des différences significatives dans les séquences d’images DICOM qu’ils produisent, en particulier en termes de gestion du système de fichiers. Par conséquent, pour reconstruire le modèle numérique 3D clé d’un nodule pulmonaire dans les dernières étapes du protocole, l’étape de prétraitement des données est particulièrement importante. Dans l’étape de préparation et de prétraitement des données (étape 1.2.2), les coordonnées de l’axe z de la séquence peuvent être correctement triées à l’aide de la séquence illustrée à la figure 1, qui peut également être utilisée pour organiser correctement l’ordre d’image correct requis pour la modélisation et générer le volume 3D correct pour le travail de modélisation suivant. Les reconstructions 3D (étape 2.1 et étape 4.1) dans les axes horizontal et coronal fournissent aux médecins et aux patients un double contrôle des nodules pulmonaires des deux perspectives les plus couramment utilisées. La détection des nodules et la présentation de leurs caractéristiques spatiales et de leurs relations avec le tissu pulmonaire, en particulier avec les artères pulmonaires, et l’utilisation d’outils logiciels sont cruciales pour le diagnostic de la maladie et la formulation du plan de traitement. En termes de communication médecin-patient, une bonne vidéo dynamique 3D (étape 5.2) est un excellent outil de communication qui aide les patients à comprendre leur propre état et leur pronostic.
Lors de la discussion des scénarios cliniques et de recherche de cette étude, une question importante qui doit être abordée est de savoir comment fournir une compréhension claire et complète des nodules pulmonaires sous traitement aux médecins spécialisés et aux patients. En règle générale, les patients apportent les résultats d’examen de différents appareils et périodes historiques à leur médecin, et en l’absence de soutien d’un radiologue, les médecins doivent porter des jugements précis sur la taille, l’emplacement et les caractéristiques des nodules pulmonaires du patient afin de fournir des plans de traitement appropriés. Les patients, d’autre part, doivent comprendre et suivre efficacement l’état de développement et les effets du traitement de leurs propres nodules pulmonaires. Par conséquent, que le cas nécessite de comprendre les données de tomodensitométrie provenant de différents appareils et moments, de combler le fossé entre les radiologues et les médecins spécialisés ou d’aider à une meilleure communication médecin-patient, cette étude fournit une solution idéale et des moyens techniques pour faire face à ces scénarios.
Bien que les outils actuels aient montré des performances exceptionnelles dans la modélisation 3D et la visualisation des caractéristiques des nodules pulmonaires, il y a encore place à l’évolution et à l’amélioration. Tout d’abord, une interface graphique avec indexation mutuelle entre les trois vues 2D et les modèles 3D pourrait être développée pour faciliter la validation croisée des deux perspectives. Deuxièmement, les modèles 3D continus à partir d’angles de vue arbitraires méritent également d’être développés. Troisièmement, l’intégration du suivi et de la gestion à long terme des plans de traitement et des pronostics des patients est également une orientation importante pour l’évolution, car cela serait utile pour une solution complète d’imagerie médicale dans le domaine des nodules pulmonaires.
En raison de la nécessité de l’apprentissage automatique de produire un grand nombre d’échantillons cohérents de séquences d’images médicales de différents types de nodules pulmonaires13 et de l’échelle considérable de la puissance de calcul de l’IA, il n’est pas encore possible de reconnaître et de classer automatiquement les nodules pulmonaires sur la base des caractéristiques de volume 3D14,15. Il s’agit d’une orientation de recherche sur laquelle on continuera de se concentrer dans les étapes ultérieures de ce travail.
L’importance de cette étude réside dans la fourniture d’un modèle numérique 3D continu pour le diagnostic et le traitement des nodules pulmonaires. Les médecins et les patients peuvent mieux comprendre la maladie et porter des jugements plus rationnels en observant les caractéristiques des nodules sous différents angles dans l’espace 3D, ce qui est également une valeur de référence importante pour l’évaluation du pronostic des nodules. Sur la base des travaux existants, l’apprentissage automatique profond pourrait être introduit pour classer les nodules pulmonaires dans une perspective plus multidimensionnelle. Grâce à l’utilisation de cas de traitement clinique, l’efficacité des médicaments et d’autres traitements pourrait être suivie à l’aide de cette méthode afin de fournir une base quantitative de plus en plus précise pour l’évaluation pronostique des nodules pulmonaires.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
L’outil logiciel pour la reconstruction du modèle de nodule pulmonaire, PulmonaryNodule, est un logiciel commercial de Beijing Intelligent Entropy Science & Technology Co Ltd. Les droits de propriété intellectuelle de cet outil logiciel appartiennent à la société. Les auteurs n’ont aucun conflit d’intérêts à divulguer.
Acknowledgments
Cette publication a été soutenue par le cinquième programme national de recherche sur les excellents talents cliniques en médecine traditionnelle chinoise organisé par l’Administration nationale de la médecine traditionnelle chinoise (http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html).
Materials
| Name | Company | Catalog Number | Comments |
| MATLAB | MathWorks | 2022B | Computing and visualization |
| Tools for Modeling | Intelligent Entropy |
PulmonaryNodule V1.0 | Beijing Intelligent Entropy Science & Technology Co Ltd. Modeling for CT/MRI fusion |
References
- Mazzone, P. J., Lam, L. Evaluating the patient with a pulmonary nodule: A review. JAMA. 327 (3), 264-273 (2022).
- MacMahon, H., et al. Guidelines for management of incidental pulmonary nodules detected on CT images: From the Fleischner Society 2017. Radiology. 284 (1), 228-243 (2017).
- Ather, S., Kadir, T., Gleeson, F. Artificial intelligence and radiomics in pulmonary nodule management: Current status and future applications. Clinical Radiology. 75 (1), 13-19 (2020).
- Bianconi, F., et al. Comparative evaluation of conventional and deep learning methods for semi-automated segmentation of pulmonary nodules on CT. Quantitative Imaging in Medicine and Surgery. 11 (7), 3286-3305 (2021).
- Christe, A., et al. Computer-aided diagnosis of pulmonary fibrosis using deep learning and CT images. Investigative Radiology. 54 (10), 627-632 (2019).
- Kim, Y., Park, J. Y., Hwang, E. J., Lee, S. M., Park, C. M. Applications of artificial intelligence in the thorax: A narrative review focusing on thoracic radiology. Journal of Thoracic Disease. 13 (12), 6943-6962 (2021).
- Schreuder, A., Scholten, E. T., van Ginneken, B., Jacobs, C. Artificial intelligence for detection and characterization of pulmonary nodules in lung cancer CT screening: Ready for practice. Translational Lung Cancer Research. 10 (5), 2378-2388 (2021).
- Gruden, J. F., Ouanounou, S., Tigges, S., Norris, S. D., Klausner, T. S. Incremental benefit of maximum-intensity-projection images on observer detection of small pulmonary nodules revealed by multidetector CT. American Journal of Roentgenology. 179 (1), 149-157 (2002).
- Guleryuz Kizil, P., Hekimoglu, K., Coskun, M., Akcay, S. Diagnostic importance of maximum intensity projection technique in the identification of small pulmonary nodules with computed tomography. Tuberk Toraks. 68 (1), 35-42 (2020).
- Valencia, R., et al. 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. European Radiology. 16, 325-332 (2006).
- Jabeen, N., Qureshi, R., Sattar, A., Baloch, M. Diagnostic accuracy of maximum intensity projection in diagnosis of malignant pulmonary nodules. Cureus. 11 (11), e6120 (2019).
- Naeem, M., et al. Comparison of maximum intensity projection and volume rendering in detecting pulmonary nodules on multidetector computed tomography. Cureus. 13 (3), e14025 (2021).
- Armato, S. G., et al. The lung image database consortium (LIDC) and image database resource initiative (IDRI): A completed reference database of lung nodules on CT scans. Medical Physics. 38 (2), 915-931 (2011).
- Xie, Y., et al. Knowledge-based collaborative deep learning for benign-malignant lung nodule classification on chest CT. IEEE Transactions on Medical Imaging. 38 (4), 991-1004 (2018).
- Zheng, S., et al. Automatic pulmonary nodule detection in CT scans using convolutional neural networks based on maximum intensity projection. IEEE Transactions on Medical Imaging. 39 (3), 797-805 (2019).
