Summary
Bu çalışmanın amacı, hekimler ve hastalar arasında bir iletişim köprüsü görevi gören ve aynı zamanda ön tanı ve prognostik değerlendirme için son teknoloji bir araç olan pulmoner nodüllerin yeni bir 3D dijital modelini geliştirmektir.
Abstract
Tıbbi görüntüler kullanılarak pulmoner nodüllerin üç boyutlu (3D) rekonstrüksiyonu, pulmoner nodüllerin tanı ve tedavisinde yeni teknik yaklaşımlar getirmiştir ve bu yaklaşımlar hekimler ve hastalar tarafından giderek daha fazla kabul edilmekte ve benimsenmektedir. Bununla birlikte, tanı ve tedavi için pulmoner nodüllerin nispeten evrensel bir 3D dijital modelini oluşturmak, cihaz farklılıkları, çekim süreleri ve nodül tipleri nedeniyle zordur. Bu çalışmanın amacı, hekimler ve hastalar arasında bir köprü görevi gören ve aynı zamanda ön tanı ve prognostik değerlendirme için son teknoloji bir araç olan pulmoner nodüllerin yeni bir 3D dijital modelini önermektir. Birçok AI güdümlü pulmoner nodül tespit ve tanıma yöntemi, pulmoner nodüllerin radyolojik özelliklerini yakalamak için derin öğrenme tekniklerini kullanır ve bu yöntemler eğri altı (AUC) performansında iyi bir alan elde edebilir. Bununla birlikte, yanlış pozitifler ve yanlış negatifler radyologlar ve klinisyenler için bir zorluk olmaya devam etmektedir. Pulmoner nodül sınıflaması ve muayenesi açısından özelliklerin yorumlanması ve ifade edilmesi hala tatmin edici değildir. Bu çalışmada, mevcut tıbbi görüntü işleme teknolojileri birleştirilerek tüm akciğerin yatay ve koronal pozisyonlarda sürekli 3D rekonstrüksiyonu yöntemi önerilmiştir. Diğer uygulanabilir yöntemlerle karşılaştırıldığında, bu yöntem kullanıcıların pulmoner nodülleri hızlı bir şekilde bulmalarını ve temel özelliklerini tanımlamalarını sağlarken, aynı zamanda pulmoner nodülleri birden fazla perspektiften gözlemlemelerini sağlar, böylece pulmoner nodüllerin teşhisi ve tedavisi için daha etkili bir klinik araç sağlar.
Introduction
Pulmoner nodüllerin küresel insidansı değişkendir, ancak genellikle yetişkinlerin yaklaşık% 30'unda akciğer grafilerinde görülebilen en az bir pulmoner nodül olduğu tahmin edilmektedir1. Pulmoner nodüllerin insidansı, ağır sigara içenler ve akciğer kanseri veya diğer akciğer hastalıkları öyküsü olanlar gibi spesifik popülasyonlarda daha yüksektir. Tüm pulmoner nodüllerin malign olmadığını not etmek önemlidir, ancak maligniteyi ekarte etmek için kapsamlı bir değerlendirme gereklidir2. Akciğer kanserinin erken teşhisi ve teşhisi, sağkalım oranlarını iyileştirmek için çok önemlidir ve yüksek riskli bireyler için düşük doz bilgisayarlı tomografi (LDBT) ile düzenli tarama önerilmektedir. Birçok AI güdümlü pulmoner nodül tespit ve tanıma yöntemi 3,4,5,6,7, pulmoner nodüllerin radyolojik özelliklerini yakalamak için derin öğrenme tekniklerini kullanır ve bu yöntemler eğri (AUC) performansının altında iyi bir alan elde edebilir. Bununla birlikte, yanlış pozitifler ve yanlış negatifler radyologlar ve klinisyenler için bir zorluk olmaya devam etmektedir. Pulmoner nodül sınıflaması ve muayenesi açısından özelliklerin yorumlanması ve ifade edilmesi hala tatmin edici değildir. Aynı zamanda, LDCT'ye dayalı pulmoner nodüllerin 3D rekonstrüksiyonu, çeşitli nodül tipleri için dijital bir model olarak giderek daha fazla dikkat çekmektedir.
Pulmoner nodüllerin 3D rekonstrüksiyonu, akciğerdeki küçük bir büyüme veya yumruğun 3D temsilini üreten bir süreçtir. Bu süreç tipik olarak hem tıbbi uzmanlık hem de veri zekası yaklaşımlarından yararlanan tıbbi görüntü analizi tekniklerinin uygulanmasını içerir. Ortaya çıkan 3D dijital model, nodülün daha ayrıntılı ve doğru bir tasvirini sunarak, boyutunun, şeklinin ve çevresindeki akciğer dokularıyla mekansal ilişkisinin geliştirilmiş görselleştirmesini ve analizini sağlar 8,9,10,11,12. Bu tür bilgiler, pulmoner nodüllerin, özellikle kanserli olduğundan şüphelenilenlerin tanı ve izlenmesinde yardımcı olabilir. Daha kesin analizleri kolaylaştırarak, pulmoner nodüllerin 3D rekonstrüksiyonu, tanının doğruluğunu artırma ve tedavi kararlarını bilgilendirme potansiyeline sahiptir.
Maksimum yoğunluk projeksiyonu (MIP), pulmoner nodüllerin 3D rekonstrüksiyonu alanında popüler bir tekniktir ve 3D görüntünün 2D projeksiyonunu oluşturmak için kullanılır 8,9,10,11,12 BT ile taranan dijital görüntüleme ve tıpta iletişim (DICOM) dosyalarından çıkarılan hacimsel verilerin görselleştirilmesinde özellikle yararlıdır. MIP tekniği, görüntüleme yönü boyunca en yüksek yoğunluğa sahip vokselleri (3D hacim verilerinin en küçük birimleri) seçerek ve bunları bir 2D düzleme yansıtarak çalışır. Bu, en yüksek yoğunluğa sahip yapıları vurgulayan ve daha düşük yoğunluğa sahip olanları bastıran bir 2D görüntü ile sonuçlanır, bu da ilgili özellikleri tanımlamayı ve analiz etmeyi kolaylaştırır9,10,11,12. Ancak, MIP sınırsız değildir. Örneğin, projeksiyon işlemi bilgi kaybına neden olabilir ve elde edilen 2B görüntü, temel alınan nesnenin 3B yapısını doğru bir şekilde temsil etmeyebilir. Bununla birlikte, MIP tıbbi görüntüleme ve görselleştirme için değerli bir araç olmaya devam etmektedir ve kullanımı teknoloji ve bilgi işlem gücündeki ilerlemelerle birlikte gelişmeye devam etmektedir11.
Bu çalışmada, pulmoner nodülleri görselleştirmek için kullanımı kolay, radyologlar, hekimler ve hastalar için kullanıcı dostu olan ve pulmoner nodüllerin özelliklerinin tanımlanmasına ve tahmin edilmesine olanak tanıyan ardışık bir MIP modeli geliştirilmiştir. Bu işleme yaklaşımının başlıca avantajları aşağıdaki yönleri içerir: (1) örüntü tanımadan kaynaklanan yanlış pozitifleri ve yanlış negatifleri ortadan kaldırmak, bu da hekimlerin pulmoner nodüllerin yeri, şekli ve 3D boyutu ve bunların çevresindeki vaskülatür ile ilişkileri hakkında daha kapsamlı bilgi edinmelerine yardımcı olmaya odaklanmayı sağlar; (2) Uzman hekimlerin, radyologların yardımı olmadan bile pulmoner nodüllerin özellikleri hakkında mesleki bilgi edinmelerini sağlamak; ve (3) hem hekimler ve hastalar arasındaki iletişim etkinliğinin hem de prognoz değerlendirmesinin arttırılması.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
NOT: Veri ön işleme aşamasında, çeşitli cihazlarla uyumluluğu ve tutarlı sonuçları sağlamak için orijinal DICOM verileri sıralanmalı ve ele geçirilmelidir. Yoğunluk işleme için yeterli ayarlanabilir kapasite ayrılmalıdır ve gözlem için sürekli bir 3D perspektif gereklidir. Bu protokolde, pulmoner nodüllerle başvuran 84 yaşında bir kadın hastayı içeren bir vakayı detaylandıran araştırma yaklaşımının metodik bir tanımı verilmiştir. Bu hasta, dijital modelleme yoluyla tanısı için bilgilendirilmiş onam vermiş ve verilerinin bilimsel araştırma amacıyla kullanılmasına izin vermiştir. Model rekonstrüksiyon fonksiyonu PulmonaryNodül yazılım aracından türetilmiştir (ayrıntılar için Malzeme Tablosuna bakınız). Pekin Çin Tıbbı Üniversitesi'ne (DZMEC-KY-2019.90) bağlı Dongzhimen Hastanesi Etik Komitesi'nden etik izin alınmıştır.
1. Veri toplama ve hazırlama
- Pulmoner nodüllerin saptanması için LDCT verileri
NOT: Parametre değerlerinde görülen farklılıklar kullanılan araştırma yöntemine bağlı değildir.- DICOM verilerinin elde edilmesi için hasta onayı alın. Tüm verileri belirlenen çalışma dizinine aktarın.
- Dosya bilgilerine dayalı doğruluğu optimize etmek için en fazla tarama katmanına ve en ince katman kalınlığına sahip veri dizinini tanımlayın. Genel olarak, bir hastanın ne kadar çok DICOM tarama dosyası varsa, tarama katmanı kalınlığı o kadar ince olur.
- Dicominfo işlevini uygulayarak ve DICOM dosyalarını işlev parametreleri olarak kullanarak, MATLAB ortamında dilim kalınlığı ve piksel aralığı parametrelerini elde edin. Bu parametreler, 3D hacim görüntüleme hızını ayarlamak için gereklidir. Bu çalışmada kullanılan örnek veriler için dilim kalınlığı 1 mm, piksel aralığı 0,5 mm ve toplam 200 katman taranmıştır.
- Taranan verilerin sıralamasını düzeltme
NOT: Her görüntünün sırası, birim oluşturma için sıralanmalıdır.- Dicominfo işlevini kullanarak her görüntünün konum verilerini okuyun. Bilgi girerek konumu edinin . MATLAB çalışma alanına SliceLocation .
- Bir değişkenin konum dizisini depolamak için SliceLocation işlevini uygulayın ve bunun bir grafiğini yapın (Şekil 1).
- GUI'nin sağ üst köşesindeki Veri İpuçları düğmesini kullanarak, normal dizinin maksimum konum değerini temsil eden noktadaki grafiğe bir veri ipucu ekleyin (hasta görüntülemesinin en üst konumu; Şekil 1).
- Tüm görüntüleri sıralayın ve VolumeResort işlevini uygulayarak 1'den başlayan görüntüleri maksimum konum değerine ayıklayın.
- Geçerli görüntülerin hacimlerini, önemli nodüllere geri dönmek için yararlı olacak sıralanmış dizinle saklayın.
- Torasik hacmin incelenmesi
NOT: İyi tanımlanmış bir veri depolama yapısına sahip olmak, takip çalışmalarını daha kolay hale getirir.- Oluşturulan birimin üç görünümünü göstermek için VolumeInspect işlevini uygulayın. Yatay eksendeki tüm görüntülere hızla göz atmak için artı işaretini koronal eksende yukarı ve aşağı sürükleyin (Şekil 2).
- Koronal eksendeki tüm görüntülere göz atmak için artı işaretini yatay eksene taşıyın. Artı işareti, 3B hacimdeki aynı uzamsal koordinatlardadır; Bu nedenle, bir eksen üzerinde hareket ettirmek, görüntülerin diğer iki eksendeki konumunu değiştirecektir.
- VolumeInspect işlevi için, GUI'deki akciğer için varsayılan yoğunluk penceresini kullanın. Farenin sol düğmesini basılı tutarak ve eksende sürükleyerek gerçek filtre performansını ayarlayın.
2. Yatay 3D rekonstrüksiyon için dijital model
NOT: 3Dlung_Horizon alt işlem, pulmoner nodüllerin yatay bir perspektiften kapsamlı bir incelemesini gerçekleştirir.
- Akciğerin filtre penceresinin altındaki pulmoner nodüllerin 3B dijital modelini yeniden yapılandırmak için MATLAB işyerinde Build_3Dlung_Horizon işlevini uygulayın ve ardından yatay 3B modeli kontrol etmek için GUI'yi açın (Şekil 3).
- Adım 1.3.2'den farklı olarak, Şekil 3'teki GUI, çeşitli pulmoner nodül tiplerinin ve bunların akciğer dokusu ile göreceli uzamsal ilişkilerinin açıkça görülebildiği sürekli bir 3D akciğer yapısıdır. GUI üzerindeki kaydırma çubuğunu fare ile sürüklerken, sürekli 3D akciğer yapısı gözlemlenebilir.
- Şekil 3'teki GUI'nin sağ üst köşesi, yakınlaştırma, uzaklaştırma, genel görünüme dönme ve seçilen pikselin koordinatlarını işaretleme için simgeler sağlar. Lezyonların lokal özelliklerini gözlemlemek ve ilgili 3D yapısal çıktı resimlerini çıkarmak için yakınlaştırma işlevini kullanın. Nodüllerin boyutunu ölçmek amacıyla iki nokta arasındaki mesafeyi hesaplamak için Piksel koordinatlarını işaretle düğmesini kullanın.
- Varsayılan renk çubuğu jet renk haritasıdır, yani maviden kırmızıya kadar olan değerler düşükten yükseğe kadar olan değerleri temsil eder. Ortak gri renk haritasını seçmek ve tüm GUI'yi sıfırlamak için açılır menüde Renk Çubuğu'nu sağ tıklatın.
- Filtre penceresi memnun değilse, pencere düzeyini ayarlamak üzere şeklin ortasında yukarı ve aşağı sürüklemek için farenin sol düğmesini kullanın. Pencere genişliğini ayarlamak için sola ve sağa sürükleyin, karşılık gelen doğru filtreleme aralığı renk çubuğunda görüntülenecektir.
3. Herhangi bir nodül için 3D dijital model oluşturma
NOT: Dilim numarası, her açıdan görüntülenebilen bir 3B dijital modeli yeniden oluşturan işlev 3D_Nodules parametresinin bir parametresidir.
- Dilim numarasını belirlemek için, Şekil 3'te olduğu gibi, kaydırma çubuğunun sağ üst köşesindeki işareti kontrol edin; Şekil 3'te dilim numarası 70'tir. Belirli nodüller için bir 3B dijital modeli yeniden oluşturmak üzere dilim numarası ve adım 1.3'te oluşturulan torasik hacim dahil olmak üzere iki parametreli işlev Build_3D_Nodules kullanın. Giriş dilim numarası değişken olduğundan ve kullanıcıya bağlı olduğundan bu kullanıcı tanımlı bir modeldir.
- Build_3D_Nodules fonksiyonu doğru yürütülürse, kullanıcı pop-up GUI'de belirli bir dilim numarasında bulunan pulmoner nodülü çeşitli perspektiflerden kontrol edebilir (Şekil 4). Bunu yapmak için aşağıdaki eylemleri gerçekleştirin:
- Şekil 4'ün ortasındaki gibi farenin sol düğmesini basılı tutun ve pulmoner nodüllerin perspektifini değiştirmek için herhangi bir yönde sürükleyin. Gözlem açısının anatomik hususları dikkate alması ve hem pulmoner nodüllerin tıbbi özelliklerini hem de nodüller ile çevre dokular arasındaki ilişkiyi göstermeye çalışması gerektiği unutulmamalıdır.
- Şekil 3'te yapıldığı gibi sağ üst köşedeki yakınlaştırma ve taşıma simgelerini kullanın. Ek olarak, kullanıcı farenin orta düğmesini döndürerek modelin görünümünü sürekli olarak yakınlaştırabilir veya uzaklaştırabilir.
- Şekil 4'teki GUI, z eksenindeki pozitif yönün yatay konumdaki tarama yönü olduğu sol alt köşedeki modelin koordinat göstergesini göstermektedir. Nodüllerin gerekli 3D projeksiyonunu kaydetmek için işletim sistemi tarafından sağlanan ekran görüntüsü aracını uygulayın.
4. Koronal 3D rekonstrüksiyonun dijital modeli
NOT: Build_3Dlung_Coronal alt süreci, pulmoner nodülleri alternatif bir koronal perspektiften değerlendirmek için yürütülür, böylece klinisyenlere ve hastalara nodüllerin yeri ve özellikleri hakkında daha kesin ve kapsayıcı bir anlayış geliştirmede yardımcı olur.
- Akciğerin filtre penceresinin altındaki pulmoner nodüllerin 3D dijital modelini yeniden yapılandırmak için MATLAB işyerinde Build_3Dlung_Coronal fonksiyonunu uygulayın ve ardından koronal 3D modeli kontrol etmek için fonksiyon tarafından hazırlanan GUI'yi açın (Şekil 5).
- Şekil 5'teki GUI, çeşitli pulmoner nodül tiplerinin ve bunların akciğer dokusu ile göreceli uzamsal ilişkilerinin açıkça görülebildiği sürekli bir koronal 3D akciğer yapısını göstermektedir. Sürekli koronal 3B akciğer yapısını gözlemlemek için GUI üzerindeki kaydırma çubuğunu fareyle sürükleyin.
- GUI'nin sağ üst köşesi, Şekil 5'te gösterildiği gibi, yakınlaştırma, uzaklaştırma, genel görünüme dönme ve seçilen pikselin koordinatlarını işaretleme için simgeler de sağlar. Lezyonların lokal özelliklerini gözlemlemek ve ilgili 3D yapısal resimler oluşturmak için bu fonksiyonları kullanın. Genellikle nodüllerin boyutunu ölçmek için kullanılan iki nokta arasındaki mesafeyi hesaplamak için piksel koordinatlarını işaretleyin.
- Varsayılan renk çubuğu, maviden kırmızıya renklerin düşükten yükseğe kadar olan değerleri temsil ettiği jet renk haritasıdır. Ortak gri renk haritasını seçmek ve tüm GUI'yi sıfırlamak için açılır menüdeki renk çubuğunu sağ tıklatın.
- Filtre penceresi uygun değilse, pencere düzeyini ayarlamak üzere şeklin ortasında yukarı ve aşağı sürüklemek için farenin sol düğmesini kullanın; Pencere genişliğini ayarlamak için sola ve sağa sürükleyin, karşılık gelen doğru filtreleme aralığı renk çubuğunda görüntülenecektir.
5. Baskın pulmoner nodüller için 3D video çıkışı
NOT: Bir pulmoner nodülün optimal 3D dijital modelini dinamik bir 3D videoya dönüştürmek, doktorların ve hastaların durumu daha iyi anlamalarını ve etkili tedavi planlarını formüle etmek için özellikle kritik olan doğru kararlar vermelerini sağlar.
- Çalışma alanında, gerekli 3B dijital modeli hazırlayın ve pulmoner nodüller ile akciğer dokusu arasındaki göreceli uzamsal ilişkileri çeşitli açılardan görüntülenecek şekilde önceden görselleştirin (Şekil 3 ve Şekil 4).
- Bu çalışmada tüm GUI etkileşim süreçlerini kaydetmek için Adobe Captivate 2019 kullanılmıştır. Başlamak için yazılımı açın ve yeni bir ekran kayıt projesi oluşturun. Kamerayı kapatın, kırmızı ekran kayıt aralığı kutusu yalnızca ekran işlemini kaydetmek için açılacaktır. Bu çalışmada sürüm 5.1 GUI kutuya dahil edilmiştir. GUI'yi çalıştırmak için kayıt düğmesine tıklayın ve ekran kaydının dijital bir video dosyasını oluşturun.
- Pulmoner nodüllerin dinamik görüntüsünü kaydettikten sonra, görev çubuğundaki simgeye tıklayarak yazılımın çalışma ortamına dönün.
- Video yayınlama özelliğini kullanarak, pulmoner nodüllerin 3D dijital modelinin kaydedilmiş dinamik videosunu kaydedin. Dosya > Dağıt'a tıklayın ve dosya depolama yolunu yapılandırın. Dosyayı adlandırın ve istediğiniz dijital video dosyasını kaydedin.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Yöntemin daha geniş bir cihaz yelpazesine uygulanabilir olması için, her taramanın yığınlama sırasının, doğru 3B birimi oluşturmak için DICOM dosya sisteminin dahili koordinatlarına göre (Şekil 1) yeniden düzenlenmesi gerekir (Şekil 2). Doğru hacim verilerine dayanarak, hastanın pulmoner nodüllerinin kesin tanı ve tedavisi için hastanın akciğer yatay ve koronal MIP'lerinin (Şekil 4 ve Şekil 5) algoritmik sürekli rekonstrüksiyonunu kullandık.
Farklı cihazlardan alınan DICOM verileri genellikle hastadaki anatomik pozisyon boyunca düşükten yükseğe doğru sırada sıralanmaz. Ancak, modelin yeniden yapılandırılması için her görüntünün düşükten yükseğe doğru sıralanması gerekir. Şekil 1 sadece DICOM sekans konumlarının tipik dağılımını değil, aynı zamanda görüntü dizisinin konum sınırlarını belirlemek için gerekli GUI etkileşimini de göstermektedir. Bu adım, model yeniden yapılandırma sürecinde veri hazırlamanın önemli bir parçasıdır.
Şekil 2 temel olarak akciğerin tüm akciğerinin 3D hacminin eksenel, koronal ve sagital düzlemlerdeki üç görünümünü temsil etmektedir. Önceki veri hazırlığı ve hacim hesaplaması doğruysa, Şekil 2'deki gibi her görünümdeki akciğer görüntüleri görüntülenebilir. Bu GUI ayrıca görüntüleri farklı pencere düzeylerinde görüntülemek için fareyi sürükleyerek pencere düzeyinde filtrelemeye izin verir. Temel alınan hacim, Şekil 2'de gösterildiği gibi, 3B model rekonstrüksiyonu için veri temeli görevi görür.
Şekil 3 , eksenel görünümde sürekli 3B rekonstrüksiyon sonuçlarını göstermektedir. Bu GUI'de hekim, hastanın akciğer yapısını aksiyel görünüm boyunca sürekli olarak gözlemleyebilir, pulmoner nodülleri hızlı bir şekilde bulabilir ve nodüller ile çevresindeki akciğer dokusu arasındaki ilişkiyi gözlemleyebilir. Şekil 3'te gösterildiği gibi, nodül görünümlerinin yerel olarak büyütülmesi, pencere seviyesinin geri kazanılması ve piksel konumlarının işaretlenmesi gibi işlemler de gerçekleştirilebilir. Renk çubuğu, görüntüdeki farklı yoğunluk değerlerine karşılık gelen renkleri görüntüler.
Şekil 4'te gösterilen GUI, doktorlara ilgili pulmoner nodülleri herhangi bir perspektiften gözlemleme yeteneği sağlar.
Şekil 5 , koronal görünümde sürekli 3D rekonstrüksiyon sonuçlarını göstermektedir. Bu GUI'de hekim, hastanın akciğer yapısını koronal görünüm boyunca sürekli olarak gözlemleyebilir, pulmoner nodülleri hızlı bir şekilde bulabilir ve nodüller ile çevresindeki akciğer dokusu arasındaki ilişkiyi gözlemleyebilir. Şekil 5'te gösterildiği gibi, nodül görünümlerinin yerel olarak büyütülmesi, pencere seviyesinin kurtarılması ve piksel konumlarının işaretlenmesi gibi işlemler de gerçekleştirilebilir. Renk çubuğu, görüntüdeki farklı yoğunluk değerlerine karşılık gelen renkleri görüntüler.
Şekil 1: Dosya adı sırasına göre görüntü konumu grafiği. Şekil, DICOM sekans konumlarının tipik dağılımını ve görüntü dizisinin konum sınırlarını belirlemek için gerekli GUI etkileşimini göstermektedir. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 2: Pulmoner 3D hacmin üç görünümünün GUI'si. Şekil, aksiyel, koronal ve sagital düzlemlerde tüm akciğerin 3B hacminin üç görünümünü temsil etmektedir. Önceki veri hazırlığı ve hacim hesaplaması doğruysa, her görünümdeki akciğer görüntüleri görüntülenebilir. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 3: Pulmoner nodülleri yatay bir görünümden kontrol etmek için kullanılan GUI. Şekil, eksenel görünümde sürekli 3B rekonstrüksiyon sonuçlarını göstermektedir. Hekim, hastanın akciğer yapısını aksiyel görünüm boyunca sürekli olarak gözlemleyebilir, pulmoner nodülleri bulabilir ve nodüller ile çevresindeki akciğer dokusu arasındaki ilişkiyi gözlemleyebilir. Renk çubuğundaki renkler, görüntüdeki farklı yoğunluk değerlerine karşılık gelir. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 4: Belirli bir pulmoner nodülün 3D dijital modelinin kontrol edilmesi. GUI, kullanıcının ilgilendiği pulmoner nodülleri herhangi bir perspektiften gözlemlemesini sağlar. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 5: Pulmoner nodülleri koronal görünümden kontrol etmek için kullanılan GUI. Şekil, koronal görünümde sürekli 3D rekonstrüksiyon sonuçlarını göstermektedir. Bu GUI'de hekim, hastanın akciğer yapısını koronal görünüm boyunca sürekli olarak gözlemleyebilir, pulmoner nodülleri hızlı bir şekilde bulabilir ve nodüller ile çevresindeki akciğer dokusu arasındaki ilişkiyi gözlemleyebilir. Renk çubuğundaki renkler, görüntüdeki farklı yoğunluk değerlerine karşılık gelir. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Farklı LDCT aygıtları, çıktılarını aldıkları DICOM görüntü dizilerinde, özellikle dosya sistemi yönetimi açısından önemli farklılıklara sahiptir. Bu nedenle, protokolün sonraki aşamalarında bir pulmoner nodülün anahtar 3D dijital modelini yeniden yapılandırmak için, veri ön işleme adımı özellikle önemlidir. Veri hazırlama ve ön işleme aşamasında (adım 1.2.2), dizi z ekseni koordinatı, Şekil 1'de gösterilen sıra kullanılarak doğru şekilde sıralanabilir, bu da modelleme için gereken doğru görüntü sırasını düzgün bir şekilde düzenlemek ve sonraki modelleme çalışması için doğru 3B hacmi oluşturmak için de kullanılabilir. Yatay ve koronal eksenlerdeki 3D rekonstrüksiyonlar (adım 2.1 ve adım 4.1), doktorlara ve hastalara pulmoner nodüllerin en sık kullanılan iki perspektiften iki kez kontrol edilmesini sağlar. Nodüllerin saptanması, mekansal özelliklerinin ve akciğer dokusuyla, özellikle pulmoner arterlerle ilişkilerinin ortaya konması, yazılım araçlarının kullanılması hastalık tanısı ve tedavi planının oluşturulması açısından çok önemlidir. Doktor-hasta iletişimi açısından, iyi bir 3D dinamik video (adım 5.2), hastaların kendi durumlarını ve prognozlarını anlamalarını destekleyen mükemmel bir iletişim aracıdır.
Bu çalışmanın klinik ve araştırma senaryolarını tartışırken, ele alınması gereken önemli bir konu, hem uzman hekimlere hem de hastalara tedavi altındaki pulmoner nodüllerin net ve kapsamlı bir şekilde nasıl anlaşılacağıdır. Tipik olarak, hastalar farklı cihazlardan ve geçmiş dönemlerden muayene sonuçlarını doktorlarına getirirler ve bir radyologdan destek almadıkları takdirde, hekimlerin uygun tedavi planlarını sağlamak için hastanın pulmoner nodüllerinin boyutu, yeri ve özellikleri hakkında doğru kararlar vermeleri gerekir. Öte yandan, hastaların kendi akciğer nodüllerinin gelişim durumunu ve tedavi etkilerini etkili bir şekilde anlamaları ve izlemeleri gerekir. Bu nedenle, vakanın farklı cihazlardan ve zamanlardan BT verilerini anlamayı, radyologlar ve uzman doktorlar arasındaki boşluğu kapatmayı veya daha iyi doktor-hasta iletişimine yardımcı olmayı gerektirip gerektirmediğini, bu çalışma bu senaryoları ele almak için ideal bir çözüm ve teknik araçlar sunmaktadır.
Mevcut araçlar 3D modellemede olağanüstü performans göstermiş ve pulmoner nodüllerin görselleştirilmesini sağlamış olsa da, evrim ve iyileştirme için hala yer vardır. İlk olarak, iki perspektifin çapraz doğrulamasını kolaylaştırmak için 2B üçlü görünümler ve 3B modeller arasında karşılıklı indekslemeye sahip bir GUI geliştirilebilir. İkincisi, keyfi görüş açılarından sürekli 3D modeller de daha fazla geliştirilmeye değer. Üçüncü olarak, hasta tedavi planlarının ve prognozlarının uzun vadeli takibini ve yönetimini entegre etmek, pulmoner nodüller alanında eksiksiz bir tıbbi görüntüleme çözümü için yararlı olacağından, evrim için de önemli bir yöndür.
Makine öğreniminin farklı pulmoner nodül tiplerinin çok sayıda tutarlı tıbbi görüntü dizisi örneğini üretme gereksinimi13 ve AI hesaplama gücünün önemli ölçeği nedeniyle, pulmoner nodülleri 3D hacim özelliklerine göre tanımak ve otomatik olarak sınıflandırmak henüz mümkün değildir14,15. Bu, bu çalışmanın sonraki aşamalarında odaklanmaya devam edecek bir araştırma yönüdür.
Bu çalışmanın önemi, pulmoner nodüllerin tanı ve tedavisi için sürekli bir 3D dijital model sağlanmasında yatmaktadır. Hekimler ve hastalar, nodüllerin prognoz değerlendirmesi için de önemli bir referans değeri olan 3D uzayda nodüllerin özelliklerini çeşitli perspektiflerden gözlemleyerek durumu daha iyi anlayabilir ve daha rasyonel yargılarda bulunabilirler. Mevcut çalışmalara dayanarak, akciğer nodüllerini daha çok boyutlu bir perspektiften sınıflandırmak için derin makine öğrenimi tanıtılabilir. Klinik tedavi vakalarının kullanımı yoluyla, pulmoner nodüllerin prognoz değerlendirmesi için giderek daha doğru bir kantitatif temel sağlamak için bu yöntem kullanılarak ilaçların ve diğer tedavilerin etkinliği izlenebilir.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Pulmoner nodül modeli rekonstrüksiyonu için yazılım aracı olan PulmonaryNodule, Beijing Intelligent Entropy Science & Technology Co Ltd.'nin ticari yazılımıdır. Bu yazılım aracının fikri mülkiyet hakları şirkete aittir. Yazarların açıklayacak çıkar çatışmaları yoktur.
Acknowledgments
Bu yayın, Ulusal Geleneksel Çin Tıbbı İdaresi (http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html) tarafından düzenlenen Beşinci Ulusal Geleneksel Çin Tıbbı Klinik Mükemmel Yetenekler Araştırma Programı tarafından desteklenmiştir.
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).
