Summary
מטרת מחקר זה היא לפתח מודל דיגיטלי תלת-ממדי חדשני של גושים ריאתיים המשמש גשר תקשורת בין רופאים לחולים ומהווה גם כלי חדשני לאבחון מוקדם ולהערכה פרוגנוסטית.
Abstract
השחזור התלת-ממדי (3D) של גושים ריאתיים באמצעות תמונות רפואיות הציג גישות טכניות חדשות לאבחון וטיפול בגושים ריאתיים, וגישות אלה זוכות בהדרגה להכרה ואומצו על ידי רופאים וחולים. עם זאת, בניית מודל דיגיטלי תלת-ממדי אוניברסלי יחסית של גושים ריאתיים לאבחון וטיפול היא מאתגרת בשל הבדלי מכשירים, זמני צילום וסוגי קשריות. מטרת מחקר זה היא להציע מודל דיגיטלי תלת ממדי חדש של גושים ריאתיים המשמש גשר בין רופאים לחולים ומהווה גם כלי חדשני לאבחון מוקדם והערכה פרוגנוסטית . שיטות רבות לזיהוי וזיהוי קשריות ריאתיות מונעות בינה מלאכותית משתמשות בטכניקות למידה עמוקה כדי ללכוד את התכונות הרדיולוגיות של גושים ריאתיים, ושיטות אלה יכולות להשיג ביצועים טובים מתחת לעקומה (AUC). עם זאת, תוצאות חיוביות שגויות ושליליות שגויות ממשיכות להוות אתגר עבור רדיולוגים וקלינאים. הפרשנות והביטוי של תכונות מנקודת המבט של סיווג ובדיקה של קשריות ריאה עדיין אינם מספקים. במחקר זה מוצעת שיטה לשחזור תלת-ממדי רציף של הריאה כולה במיקומים אופקיים ועטרתיים על ידי שילוב טכנולוגיות עיבוד תמונה רפואיות קיימות. בהשוואה לשיטות ישימות אחרות, שיטה זו מאפשרת למשתמשים לאתר במהירות גושים ריאתיים ולזהות את תכונותיהם הבסיסיות תוך התבוננות בגושים ריאתיים מנקודות מבט מרובות, ובכך לספק כלי קליני יעיל יותר לאבחון וטיפול בגושים ריאתיים.
Introduction
השכיחות העולמית של גושים ריאתיים משתנה, אך ההערכה המקובלת היא כי לכ-30% מהמבוגרים יש לפחות קשרית ריאתית אחת הנראית בצילומי חזה1. שכיחות קשריות ריאה גבוהה יותר באוכלוסיות ספציפיות, כגון מעשנים כבדים ובעלי היסטוריה של סרטן ריאות או מחלות ריאה אחרות. חשוב לציין כי לא כל גושי הריאה הם ממאירים, אך יש צורך בהערכה יסודית כדי לשלול ממאירות2. גילוי מוקדם ואבחון של סרטן ריאות חיוניים לשיפור שיעורי ההישרדות, ובדיקות סקר קבועות עם טומוגרפיה ממוחשבת במינון נמוך (LDCT) מומלצות לאנשים בסיכון גבוה. שיטות רבות לזיהוי וזיהוי קשריות ריאתיות 3,4,5,6,7 מונעות בינה מלאכותית משתמשות בטכניקות למידה עמוקה כדי ללכוד את התכונות הרדיולוגיות של גושים ריאתיים, ושיטות אלה יכולות להשיג שטח טוב מתחת לעקומה (AUC) ביצועים. עם זאת, תוצאות חיוביות שגויות ושליליות שגויות ממשיכות להוות אתגר עבור רדיולוגים וקלינאים. הפרשנות והביטוי של תכונות מנקודת המבט של סיווג ובדיקה של קשריות ריאה עדיין אינם מספקים. במקביל, שחזור תלת ממדי של גושים ריאתיים המבוססים על LDCT זכה לתשומת לב גוברת כמודל דיגיטלי עבור סוגים שונים של גושים.
שחזור 3D של גושים ריאתיים הוא תהליך שיוצר ייצוג 3D של גידול קטן או גוש בריאה. תהליך זה כולל בדרך כלל יישום של טכניקות ניתוח תמונה רפואית הממנפות הן מומחיות רפואית והן גישות מודיעין נתונים. המודל הדיגיטלי התלת-ממדי המתקבל מציע תיאור מפורט ומדויק יותר של הגולם, ומאפשר הדמיה וניתוח משופרים של גודלו, צורתו ויחסיו המרחביים עם רקמות הריאה הסובבות אותו 8,9,10,11,12. מידע כזה יכול לסייע באבחון ומעקב אחר גושים ריאתיים, במיוחד אלה החשודים כסרטניים. על ידי הקלה על ניתוח מדויק יותר, שחזור 3D של גושים ריאתיים יש פוטנציאל לשפר את דיוק האבחון וליידע החלטות טיפול.
הקרנה בעוצמה מרבית (MIP) היא טכניקה פופולרית בתחום השחזור התלת-ממדי של גושים ריאתיים ומשמשת ליצירת הקרנה דו-ממדית של תמונה תלת-ממדית 8,9,10,11,12 היא שימושית במיוחד בהדמיה של נתונים נפחיים שחולצו מקבצי הדמיה דיגיטלית ותקשורת ברפואה (DICOM) שנסרקו על ידי CT. טכניקת MIP פועלת על ידי בחירת הווקסלים (היחידות הקטנות ביותר של נתוני נפח תלת-ממדיים) בעוצמה הגבוהה ביותר לאורך כיוון הצפייה והקרנתם על מישור דו-ממדי. התוצאה היא תמונה דו-ממדית המדגישה את המבנים בעלי העוצמה הגבוהה ביותר ומדכאת את אלה בעלי העוצמה הנמוכה יותר, מה שמקל על זיהוי וניתוח תכונות רלוונטיות 9,10,11,12. עם זאת, MIP אינו נטול מגבלות. לדוגמה, תהליך ההקרנה עלול לגרום לאובדן מידע, והתמונה הדו-ממדית המתקבלת עשויה שלא לייצג במדויק את המבנה התלת-ממדי של האובייקט שמתחתיו. עם זאת, MIP נותר כלי רב ערך לדימות והדמיה רפואית, והשימוש בו ממשיך להתפתח עם התקדמות הטכנולוגיה וכוח המחשוב11.
במחקר זה פותח מודל MIP עוקב להדמיית גושים ריאתיים קל לשימוש, ידידותי למשתמש עבור רדיולוגים, רופאים וחולים, ומאפשר זיהוי והערכה של תכונות גושים ריאתיים. היתרונות העיקריים של גישת עיבוד זו כוללים את ההיבטים הבאים: (1) ביטול תוצאות חיוביות שגויות ושליליות שגויות הנובעות מזיהוי דפוסים, המאפשר התמקדות בסיוע לרופאים לקבל מידע מקיף יותר על המיקום, הצורה והגודל התלת-ממדי של גושי ריאה, כמו גם הקשר שלהם לכלי הדם הסובבים אותם; (2) לאפשר לרופאים מומחים לרכוש ידע מקצועי במאפייני קשריות הריאה גם ללא סיוע של רדיולוגים; ו-(3) שיפור יעילות התקשורת בין רופאים למטופלים והערכת פרוגנוזה.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
הערה: במהלך שלב עיבוד מקדים של נתונים, יש למיין וליירט את נתוני DICOM המקוריים כדי להבטיח תאימות להתקנים שונים ותוצאות עקביות. יכולת כוונון נאותה חייבת להיות שמורה לעיבוד עוצמה, ופרספקטיבה תלת-ממדית רציפה חיונית לתצפית. בפרוטוקול זה מובא תיאור שיטתי של הגישה המחקרית, המפרט מקרה של מטופלת בת 84 עם גושים ריאתיים. מטופלת זו נתנה הסכמה מדעת לאבחנה שלה באמצעות מודלים דיגיטליים ואישרה את השימוש בנתונים שלה למטרות מחקר מדעי. פונקציית שחזור המודל נגזרת מכלי התוכנה PulmonaryNodule (ראה טבלת חומרים לפרטים). אישור אתי התקבל מוועדת האתיקה של בית החולים דונגג'ימן, המסונף לאוניברסיטת בייג'ינג לרפואה סינית (DZMEC-KY-2019.90).
1. איסוף נתונים והכנתם
- נתוני LDCT לאיתור גושים ריאתיים
הערה: ההבדלים הנראים בערכי הפרמטרים אינם תלויים בשיטת המחקר בה נעשה שימוש.- קבלת הסכמת המטופל לרכישת נתוני DICOM. העבר את כל הנתונים לספריית העבודה הייעודית.
- זהה את ספריית הנתונים עם המספר הגבוה ביותר של שכבות סריקה ועובי השכבה הדק ביותר כדי למטב את הדיוק בהתבסס על נתוני הקובץ. באופן כללי, ככל שיש למטופל יותר קבצי סריקת DICOM, כך עובי שכבת הסריקה דק יותר.
- באמצעות יישום הפונקציה Dicominfo ושימוש בקובצי DICOM כפרמטרי הפונקציה, קבלו את פרמטרי עובי הפרוסה וריווח הפיקסלים בסביבת MATLAB. פרמטרים אלה חיוניים להגדרת קצב תצוגת עוצמת הקול התלת-ממדית. עבור הנתונים לדוגמה ששימשו במחקר זה, עובי הפרוסה היה 1 מ"מ, מרווח הפיקסלים היה 0.5 מ"מ, ובסך הכל נסרקו 200 שכבות.
- תיקון מיון הנתונים הסרוקים
הערה: יש למיין את הרצף של כל תמונה לבניית נפח.- קרא את נתוני המיקום של כל תמונה באמצעות הפונקציה Dicominfo. השג את המיקום על-ידי הזנת מידע. SliceLocation לסביבת העבודה של MATLAB.
- הטמיעו את הפונקציה SliceLocation כדי לאחסן את מערך המיקום של משתנה, וצרו ממנו תרשים (איור 1).
- באמצעות לחצן תיאורי נתונים בפינה השמאלית העליונה של ממשק המשתמש הגרפי, הוסף תיאור נתונים להתוויה בנקודה המייצגת את ערך המיקום המרבי של הרצף הרגיל (המיקום העליון של הדמיה של המטופל; איור 1).
- מיין את כל התמונות וחלץ את התמונות החל מ- 1 לערך המיקום המרבי על ידי יישום הפונקציה VolumeResort.
- אחסן את אמצעי האחסון של התמונות החוקיות עם האינדקס הממיון, שיהיה שימושי למעקב חזרה לגושים החשובים.
- בדיקת נפח בית החזה
הערה: מבנה מוגדר היטב לאחסון נתונים הופך את עבודת המעקב לנוחה יותר.- יישם את הפונקציה VolumeInspect כדי להציג שלוש תצוגות של אמצעי האחסון המובנה. גררו את הצטלבות הכוונת למעלה ולמטה בציר העטרה כדי לעיין במהירות בכל התמונות בציר האופקי (איור 2).
- הזיזו את הכוונת לציר האופקי כדי לעיין בכל התמונות בציר העטרה. הכוונת נמצאת באותן קואורדינטות מרחביות בנפח התלת-ממדי; לכן, הזזתו על ציר אחד תשנה את מיקום התמונות בשני הצירים האחרים.
- עבור הפונקציה VolumeInspect , השתמש בחלון עוצמת ברירת המחדל עבור הריאה בממשק המשתמש הגרפי. התאם את ביצועי המסנן בפועל על-ידי לחיצה ממושכת על לחצן העכבר השמאלי וגרירה בציר.
2. מודל דיגיטלי לשחזור תלת ממדי אופקי
הערה: תת-התהליך 3Dlung_Horizon מבצע בדיקה יסודית של גושים ריאתיים מנקודת מבט אופקית.
- הטמיעו את פונקציית Build_3Dlung_Horizon במקום העבודה של MATLAB כדי לשחזר את המודל הדיגיטלי התלת-ממדי של גושי הריאה מתחת לחלון המסנן של הריאה, ולאחר מכן פתחו את ממשק המשתמש הגרפי כדי לבדוק את המודל התלת-ממדי האופקי (איור 3).
- שלא כמו בשלב 1.3.2, ממשק המשתמש הגרפי באיור 3 הוא מבנה ריאתי תלת-ממדי רציף שבו ניתן לראות בבירור סוגים שונים של גושים ריאתיים והיחסים המרחביים היחסיים שלהם עם רקמת הריאה. בעת גרירת פס הגלילה בממשק המשתמש הגרפי עם העכבר, ניתן לראות את מבנה הריאה התלת-ממדי הרציף.
- הפינה הימנית העליונה של ממשק המשתמש הגרפי באיור 3 מספקת סמלים להגדלה, להקטנת התצוגה, לחזרה לתצוגה הכללית ולסימון הקואורדינטות של הפיקסל שנבחר. השתמש בפונקציית הזום כדי לבחון את התכונות המקומיות של הנגעים ולהפיק תמונות פלט מבניות תלת-ממדיות רלוונטיות. השתמש בלחצן סמן קואורדינטות פיקסלים כדי לחשב את המרחק בין שתי נקודות כדי למדוד את גודל הגושים.
- סרגל הצבע המוגדר כברירת מחדל הוא מפת הצבעים jet, כלומר כחול לאדום מייצג ערכים מנמוך לגבוה. לחצו לחיצה ימנית על Color Bar בתפריט הנפתח כדי לבחור במפת הצבעים האפורה הנפוצה ולאפס את ממשק המשתמש הגרפי כולו.
- אם חלון המסנן אינו מרוצה, השתמש בלחצן העכבר השמאלי כדי לגרור למעלה ולמטה באמצע האיור כדי להתאים את רמת החלון. גרור שמאלה וימינה כדי להתאים את רוחב החלון, וטווח הסינון המדויק המתאים יוצג בסרגל הצבע.
3. בניית מודל דיגיטלי תלת ממדי לכל גולם ספציפי
הערה: מספר הפרוסה הוא פרמטר של 3D_Nodules הפונקציה, המשחזר מודל דיגיטלי תלת-ממדי שניתן לצפות בו מכל נקודת מבט.
- כדי לקבוע את מספר הפרוסה, כמו באיור 3, בדקו בפינה השמאלית העליונה של פס הגלילה; באיור 3, מספר הפרוסה הוא 70. השתמש בפונקציה Build_3D_Nodules עם שני פרמטרים, כולל מספר הפרוסה ונפח בית החזה שנוצר בשלב 1.3, כדי לשחזר מודל דיגיטלי תלת-ממדי עבור גושים ספציפיים. זהו מודל המוגדר על-ידי המשתמש, מכיוון שמספר פרוסת הקלט משתנה ותלוי במשתמש.
- אם פונקציית Build_3D_Nodules מבוצעת כראוי, המשתמש יכול לבדוק את הקשרית הריאה הממוקמת במספר פרוסה מסוים מנקודות מבט שונות בממשק המשתמש הגרפי המוקפץ (איור 4). לשם כך, בצע את הפעולות הבאות:
- לחצו לחיצה ממושכת על לחצן העכבר השמאלי, כמו במרכז איור 4, וגררו אותו לכל כיוון כדי לשנות את הפרספקטיבה של גושי הריאה. יש לציין כי זווית התצפית צריכה לקחת בחשבון את השיקולים האנטומיים ולנסות להראות הן את המאפיינים הרפואיים של גושי הריאה והן את הקשר בין הגושים לרקמות הסובבות.
- השתמשו בסמלי הזום והזז בפינה השמאלית העליונה, כפי שנעשה באיור 3. בנוסף, על-ידי סיבוב לחצן העכבר האמצעי, המשתמש יכול להגדיל או להקטין באופן רציף את התצוגה של הדגם.
- ממשק המשתמש הגרפי באיור 4 מראה את חיווי הקואורדינטות של המודל בפינה השמאלית התחתונה, כאשר הכיוון החיובי על ציר z הוא כיוון הסריקה במיקום האופקי. יישם את כלי צילום המסך שסופק על ידי מערכת ההפעלה כדי לשמור את ההקרנה התלת-ממדית הנדרשת של הגושים.
4. מודל דיגיטלי של שחזור תלת מימד קורונלי
הערה: תת-התהליך Build_3Dlung_Coronal מבוצע כדי להעריך גושים ריאתיים מנקודת מבט קורונלית חלופית, ובכך מסייע לרופאים ולחולים לפתח הבנה מדויקת וכוללנית יותר של המיקום והתכונות של הגושים.
- הטמיעו את פונקציית Build_3Dlung_Coronal במקום העבודה של MATLAB כדי לשחזר את המודל הדיגיטלי התלת-ממדי של גושים ריאתיים מתחת לחלון המסנן של הריאה, ולאחר מכן פתחו את ממשק המשתמש הגרפי, כפי שהוכן על-ידי הפונקציה, כדי לבדוק את המודל התלת-ממדי של העטרה (איור 5).
- ממשק המשתמש הגרפי באיור 5 מראה מבנה ריאה תלת-ממדי קורונלי רציף שבו ניתן לראות בבירור סוגים שונים של גושים ריאתיים ואת היחסים המרחביים היחסיים שלהם עם רקמת הריאה. גרור את פס הגלילה בממשק המשתמש הגרפי עם העכבר כדי לצפות במבנה הריאה התלת-ממדי הרציף של העטרה.
- הפינה הימנית העליונה של ממשק המשתמש הגרפי, כפי שמוצג באיור 5, מספקת גם סמלים להגדלה, להקטנת התצוגה, לחזרה לתצוגה הכללית ולסימון הקואורדינטות של הפיקסל שנבחר. השתמש בפונקציות אלה כדי לבחון את התכונות המקומיות של הנגעים וליצור תמונות מבניות תלת-ממדיות רלוונטיות. סמן את קואורדינטות הפיקסלים כדי לחשב את המרחק בין שתי נקודות, המשמש לעתים קרובות למדידת גודל הגושים.
- סרגל הצבע של ברירת המחדל הוא מפת הצבעים jet, שבה הצבעים מכחול לאדום מייצגים ערכים מנמוך לגבוה. לחצו לחיצה ימנית על סרגל הצבע בתפריט הנפתח כדי לבחור במפת הצבעים האפורה הנפוצה ולאפס את ממשק המשתמש הגרפי כולו.
- אם חלון המסנן אינו מתאים, השתמש בלחצן העכבר השמאלי כדי לגרור למעלה ולמטה באמצע האיור כדי להתאים את רמת החלון; גרור שמאלה וימינה כדי להתאים את רוחב החלון, וטווח הסינון המדויק המתאים יוצג בסרגל הצבע.
5. פלט וידאו תלת מימד לגושים ריאתיים דומיננטיים
הערה: המרת המודל הדיגיטלי התלת-ממדי האופטימלי של קשרית ריאתית לסרטון תלת-ממדי דינמי מאפשרת לרופאים ולמטופלים להבין טוב יותר את המצב ולקבל החלטות מדויקות, דבר קריטי במיוחד לגיבוש תוכניות טיפול יעילות.
- בסביבת העבודה, הכינו את המודל הדיגיטלי התלת-ממדי הנדרש, ודמיינו מראש את היחסים המרחביים היחסיים בין גושי הריאה לבין רקמת הריאה כך שיוצגו מזוויות שונות (איור 3 ואיור 4).
- במחקר זה, Adobe Captivate 2019 שימש לתיעוד כל תהליכי האינטראקציה עם ממשק המשתמש הגרפי. כדי להתחיל, פתח את התוכנה וצור פרויקט הקלטת מסך חדש. כבה את המצלמה ותיבת טווח הקלטת המסך האדום תופיע להקלטת פעולת המסך בלבד. במחקר זה, גרסה 5.1 GUI נכללה בתיבה. לחץ על כפתור ההקלטה כדי להפעיל את ממשק המשתמש הגרפי וליצור קובץ וידאו דיגיטלי של הקלטת המסך.
- לאחר הקלטת התצוגה הדינמית של גושי הריאות, חזור לסביבת ההפעלה של התוכנה על ידי לחיצה על הסמל בשורת המשימות.
- באמצעות תכונת פרסום הווידאו, שמור את הווידאו הדינמי המוקלט של המודל הדיגיטלי התלת-ממדי של גושי הריאות. לחץ על File > Distribute והגדר את נתיב אחסון הקבצים. תן שם לקובץ ושמור את קובץ הווידאו הדיגיטלי הרצוי.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
כדי להפוך את השיטה לישימה למגוון רחב יותר של התקנים, יש לארגן מחדש את סדר הערימה של כל סריקה בהתבסס על הקואורדינטות הפנימיות של מערכת הקבצים DICOM (איור 1) כדי ליצור את אמצעי האחסון התלת-ממדי הנכון (איור 2). בהתבסס על נתוני הנפח המדויקים, השתמשנו בשחזור אלגוריתמי רציף של MIPs אופקי ועטרה של הריאה של המטופל (איור 4 ואיור 5) לצורך אבחון וטיפול מדויקים בגושים הריאתיים של המטופל.
נתוני DICOM ממכשירים שונים בדרך כלל אינם ממוינים בסדר הנכון מנמוך לגבוה לאורך המיקום האנטומי אצל המטופל. עם זאת, לצורך שחזור מודל, יש למיין כל תמונה בסדר קדימה נמוך עד גבוה. איור 1 מראה לא רק את ההתפלגות האופיינית של מיקומי רצף DICOM, אלא גם את האינטראקציה עם ממשק המשתמש הגרפי הנחוצה כדי לקבוע את גבולות המיקום של רצף התמונות. שלב זה הוא חלק חשוב בהכנת הנתונים בתהליך שחזור המודל.
איור 2 מייצג למעשה את שלוש התצוגות של הנפח התלת-ממדי של הריאה כולה במישור הצירי, העטרה והקשת. אם הכנת הנתונים הקודמת וחישוב הנפח נכונים, ניתן לצפות בתמונות הריאה בכל תצוגה, כמו באיור 2. ממשק משתמש גרפי זה מאפשר גם סינון ברמת החלון על-ידי גרירת העכבר כדי להציג את התמונות ברמות חלון שונות. הנפח הבסיסי, כפי שמוצג באיור 2, משמש כבסיס הנתונים לשחזור מודלים תלת-ממדיים.
איור 3 מראה את תוצאות השחזור התלת-ממדי הרציף בתצוגה הצירית. בממשק משתמש גרפי זה, הרופא יכול להתבונן במבנה הריאה של המטופל ברציפות לאורך הנוף הצירי, לאתר במהירות גושים ריאתיים, ולבחון את הקשר בין הגושים לבין רקמת הריאה שמסביב. כפי שניתן לראות באיור 3, ניתן לבצע גם פעולות כגון הגדלה מקומית של תצוגות גושים, שחזור מפלס החלון וסימון מיקומי פיקסלים. סרגל הצבע מציג צבעים המתאימים לערכי העוצמה השונים בתמונה.
ממשק המשתמש הגרפי המוצג באיור 4 מספק לרופאים את היכולת להתבונן בגושים הריאתיים המעוניינים מכל נקודת מבט.
איור 5 מראה את תוצאות השחזור התלת-ממדי הרציף בתצוגת העטרה. בממשק משתמש גרפי זה, הרופא יכול להתבונן במבנה הריאה של המטופל ברציפות לאורך הנוף העטרתי, לאתר במהירות גושים ריאתיים, ולבחון את הקשר בין הגושים לבין רקמת הריאה שמסביב. כפי שניתן לראות באיור 5, ניתן לבצע גם פעולות כגון הגדלה מקומית של תצוגות גושים, שחזור מפלס החלון וסימון מיקומי פיקסלים. סרגל הצבע מציג צבעים המתאימים לערכי העוצמה השונים בתמונה.
איור 1: התוויית מיקום התמונה לפי רצף שמות הקבצים. האיור מציג את ההתפלגות האופיינית של מיקומי רצף DICOM ומציין את אינטראקציית ממשק המשתמש הגרפי הנחוצה לקביעת גבולות המיקום של רצף התמונות. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
איור 2: ממשק המשתמש הגרפי של שלוש תצוגות של נפח תלת-ממד ריאתי. האיור מייצג את שלוש התצוגות של נפח התלת-ממד של הריאה כולה במישור הצירי, העטרה והקשת. אם הכנת הנתונים הקודמת וחישוב הנפח נכונים, ניתן לצפות בתמונות ריאה בכל תצוגה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
איור 3: ממשק המשתמש הגרפי לבדיקת גושי הריאה מנקודת מבט אופקית. האיור מראה את תוצאות השחזור התלת-ממדי הרציף בתצוגה הצירית. הרופא יכול להתבונן במבנה הריאה של המטופל ברציפות לאורך הנוף הצירי, לאתר גושים ריאתיים, ולצפות בקשר בין הגושים לבין רקמת הריאה שמסביב. הצבעים בסרגל הצבע תואמים לערכי עוצמה שונים בתמונה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
איור 4: בדיקת המודל הדיגיטלי התלת-ממדי של קשרית ריאתית מסוימת. ממשק המשתמש הגרפי מאפשר למשתמש להתבונן בגושים הריאתיים המעניינים מכל נקודת מבט. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
איור 5: ממשק המשתמש הגרפי לבדיקת גושים ריאתיים מנקודת מבט של העטרה. האיור מראה את תוצאות השחזור התלת-ממדי הרציף בתצוגת העטרה. בממשק משתמש גרפי זה, הרופא יכול להתבונן במבנה הריאה של המטופל ברציפות לאורך הנוף העטרתי, לאתר במהירות גושים ריאתיים, ולבחון את הקשר בין הגושים לבין רקמת הריאה שמסביב. הצבעים בסרגל הצבע תואמים לערכי עוצמה שונים בתמונה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
להתקני LDCT שונים יש הבדלים משמעותיים ברצפי התמונה של DICOM שהם מפיקים, במיוחד במונחים של ניהול מערכת הקבצים. לכן, כדי לשחזר את המודל הדיגיטלי התלת-ממדי המרכזי של קשרית ריאתית בשלבים מאוחרים יותר של הפרוטוקול, שלב עיבוד הנתונים חשוב במיוחד. בשלב הכנת הנתונים והעיבוד המוקדם (שלב 1.2.2), ניתן למיין נכון את קואורדינטת ציר z של הרצף באמצעות הרצף המוצג באיור 1, אשר יכול לשמש גם כדי לארגן כראוי את סדר התמונה הנכון הדרוש למידול וליצור את הנפח התלת-ממדי הנכון עבור עבודת המידול הבאה. השחזורים התלת-ממדיים (שלב 2.1 ושלב 4.1) בצירים האופקיים והעטרה מספקים לרופאים ולחולים בדיקות כפולות של גושים ריאתיים משתי נקודות המבט הנפוצות ביותר. איתור גושים והצגת המאפיינים המרחביים שלהם והיחסים שלהם עם רקמת הריאה, במיוחד עם עורקי הריאה, ושימוש בכלי תוכנה חיוניים לאבחון המחלה ולגיבוש תוכנית הטיפול. במונחים של תקשורת רופא-חולה, וידאו דינמי תלת-ממדי טוב (שלב 5.2) הוא כלי תקשורת מצוין התומך בחולים להבין את מצבם ואת הפרוגנוזה שלהם.
כאשר דנים בתרחישים הקליניים והמחקריים של מחקר זה, סוגיה חשובה שיש להתייחס אליה היא כיצד לספק הבנה ברורה ומקיפה של גושים ריאתיים תחת טיפול הן לרופאים מומחים והן לחולים. בדרך כלל, חולים מביאים תוצאות בדיקה ממכשירים שונים ומתקופות היסטוריות לרופאיהם, ובהיעדר תמיכה של רדיולוג, הרופאים צריכים לבצע שיפוט מדויק לגבי גודל, מיקום ומאפיינים של גושי הריאה של המטופל על מנת לספק תוכניות טיפול מתאימות. חולים, לעומת זאת, צריכים להבין ביעילות ולעקוב אחר מצב ההתפתחות והשפעות הטיפול בגושי הריאות שלהם. לכן, בין אם המקרה דורש הבנת נתוני CT ממכשירים שונים וזמנים שונים, גישור על הפער בין רדיולוגים לרופאים מומחים, או סיוע לתקשורת טובה יותר בין רופא לחולה, מחקר זה מספק פתרון אידיאלי ואמצעים טכניים כדי להתמודד עם תרחישים אלה.
למרות שהכלים הנוכחיים הראו ביצועים יוצאי דופן במידול תלת-ממדי ובהדמיה של תכונות של גושים ריאתיים, עדיין יש מקום לאבולוציה ולשיפור. ראשית, ניתן לפתח ממשק משתמש גרפי עם אינדקס הדדי בין תלת-תצוגות דו-ממדיות ומודלים תלת-ממדיים כדי להקל על אימות צולב של שתי נקודות המבט. שנית, מודלים תלת ממדיים רציפים מזוויות צפייה שרירותיות שווים גם הם פיתוח נוסף. שלישית, שילוב מעקב וניהול ארוך טווח של תוכניות טיפול ופרוגנוזות של חולים הוא גם כיוון חשוב לאבולוציה, שכן זה יהיה שימושי לפתרון הדמיה רפואית מלאה בתחום גושים ריאתיים.
בשל הדרישה של למידת מכונה לייצר מספר רב של דגימות רצף תמונה רפואי עקביות של סוגים שונים של גושים ריאתיים13 וההיקף הניכר של כוח מחשוב AI, עדיין לא ניתן לזהות ולסווג באופן אוטומטי גושים ריאתיים בהתבסס על תכונות נפח תלת ממדיות14,15. זהו כיוון מחקרי שימשיך להתמקד בו בשלבים מאוחרים יותר של עבודה זו.
חשיבותו של מחקר זה טמונה במתן מודל דיגיטלי תלת ממדי רציף לאבחון וטיפול בגושים ריאתיים. רופאים וחולים יכולים להבין טוב יותר את המצב ולבצע שיפוטים רציונליים יותר על ידי התבוננות בתכונות של גושים מנקודות מבט שונות במרחב התלת-ממדי, שהוא גם בעל ערך ייחוס חשוב להערכת הפרוגנוזה של הגושים. על בסיס העבודה הקיימת, ניתן להכניס למידת מכונה עמוקה כדי לסווג גושי ריאות מנקודת מבט רב-ממדית יותר. באמצעות מקרי טיפול קליני, ניתן לעקוב אחר יעילותם של תרופות וטיפולים אחרים באמצעות שיטה זו כדי לספק בסיס כמותי מדויק יותר ויותר להערכת הפרוגנוזה של גושים ריאתיים.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
כלי התוכנה לשחזור מודל קשריות ריאתיות, PulmonaryNodule, הוא תוכנה מסחרית של Beijing Intelligent Entropy Science & Technology Co Ltd. זכויות הקניין הרוחני של כלי תוכנה זה שייכות לחברה. למחברים אין ניגודי עניינים לחשוף.
Acknowledgments
פרסום זה נתמך על ידי התוכנית הלאומית החמישית לחקר כישרונות קליניים מצוינים ברפואה סינית מסורתית שאורגנה על ידי המנהל הלאומי לרפואה סינית מסורתית (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).
