Summary
Ziel dieses Protokolls ist es, eine zeiteffiziente Möglichkeit zur Segmentierung von Volumen von Interesse auf hochauflösendeCT-Scans zu bieten, um sie für weitere Radiomikanalysen zu verwenden.
Abstract
Segmentierung ist eine komplexe Aufgabe, mit der Radiologen und Forscher konfrontiert sind, da Radiomik und maschinelles Lernen an Potenzial zunimmt. Der Prozess kann entweder automatisch, halbautomatisch oder manuell sein, wobei der erste prozessweise nicht präzise oder leicht reproduzierbar ist und der letzte übermäßig zeitaufwändig ist, wenn große Bezirke mit hochauflösenden Akquisitionen beteiligt sind.
Ein hochauflösender CT der Brust besteht aus Hunderten von Bildern, was den manuellen Ansatz übermäßig zeitaufwändig macht. Darüber hinaus erfordern die parenchymalen Veränderungen eine Sachverständigenbewertung, die vom normalen Erscheinungsbild aus zu unterscheiden ist; Daher ist ein halbautomatischer Ansatz für den Segmentierungsprozess nach bestem Wissen und Gewissen das am besten geeignete, wenn es um die Segmentierung von Lungenentzündungen geht, insbesondere wenn ihre Eigenschaften noch unbekannt sind.
Für die Inunserem Institute zur Bildgebung von COVID-19 durchgeführten Studien haben wir 3D Slicer, eine Freeware-Software der Harvard University, übernommen und die Schwelle mit den Pinselinstrumenten kombiniert, um eine schnelle und präzise Segmentierung von belüfteten Lungen-, Bodenglastrübungen und Konsolidierungen zu erreichen. Bei komplexen Fällen benötigt diese Methode noch viel Zeit für ordnungsgemäße manuelle Anpassungen, bietet jedoch einen äußerst effizienten Mittelwert, um Segmente zu definieren, die für weitere Analysen verwendet werden können, wie z. B. die Berechnung des Prozentsatzes des betroffenen Lungenparenchyms oder die Texturanalyse der geschliffenen Glasflächen.
Introduction
Im laufenden Jahr steht die Welt vor einem Gesundheitsnotstand, der Pandemie, die durch das neuartige Coronavirus Sars-CoV2 verursacht wird. Auch wenn bis heute viele Aspekte der Physiopathologie der COVID-19-Infektion noch unklar sind, teilt sie mehrere Merkmale mit ihren "Vorfahren" SARS1 und MERS. Insbesondere ist nachgewiesen, dass die Virion-Spike-Proteine mit dem Angiotensin-Converting-Enzym Typ-2 interagieren, einem Rezeptor, der gut auf den alveolären Endothelzellen vertreten ist, aber im menschlichen Organismus allgegenwärtig ist und somit das Potenzial hat, systemische Symptome zu geben1.
Für die Diagnose ist der aktuelle Standard die Echtzeit-Reverse-Transkriptase-Polymerase-Kettenreaktion (rt-PCR), ein Test, der an Pharyngealtupfern durchgeführt wird. Obwohl die radiologische Bildgebung im diagnostischen Pfad für den Nachweis der Krankheit nicht offiziell anerkannt ist, erwies sich die hochauflösende Computertomographie (HRCT) aufgrund der relativ geringen Empfindlichkeit der rt-PCR, der aktuellen Knappheit spezialisierter Laboratorien und der notwendigen Reagenzien sowie der hohen Bedienerabhängigkeit als wertvolle Späebographie für das klinische und epidemiologische Management betroffener Patienten.
Die Radiological Society of North America (RSNA) veröffentlichte eine Konsenserklärung, die von der Gesellschaft für Thoraxradiologie und dem American College of Radiology (ACR) unterstützt wurde und das CT-Erscheinungsbild von COVID19 in vier Kategorien einteilt, um die Berichterstattung zu standardisieren und die interstitiellen Lungenentzündungsmuster in "typisch", "atypisch", "unbestimmt" und "negativ"2zu unterteilen.
Das "typische" Muster zeichnet sich durch das Vorhandensein von runden Bodenglas-Trübungen (GGO) aus, die in der Regel mit einer subpleuralen Position auf den dorsalen Basalsegmenten liegen. Die GGO kann mit "Crazy Paving" Bereiche von verdickten Septa oder andere Anzeichen der Organisation von Lungenentzündung verbunden werden. Das "unbestimmte" Muster ist durch das Fehlen der "typischen" Musterbefunde gekennzeichnet, mit diffusen GGO-Bereichen mit einer perihilaren Verteilung, mit oder ohne Konsolidierungsbereiche. Das "atypische" Muster ist entweder durch das Fehlen der "typischen" oder "unbestimmten" Zeichen und das Vorhandensein von Lobar-Konsolidierungen, "Baum im Keim", glatte Verdickung der Septa und Pleuraerguss gekennzeichnet; in dieser Präsentation sind keine GGO nachweisbar. Das "negative" Muster ist durch das Fehlen der oben genannten pathologischen Befunde gekennzeichnet.
Laut Literatur können einige Patienten mit einem hohen klinischen Verdacht an COVID-19 auftreten, der durch epidemiologische Kriterien und bildgebende Befunde mit negativem rt-PCR3,4unterstützt wird. Auf der anderen Seite wurde berichtet, dass Patienten mit einer positiven rt-PCR und suggestiven klinischen Befunden keine pathologischen Befunde auf HRCT5präsentieren.
Heutzutage ist es für die wissenschaftliche Gemeinschaft von höchstem Interesse, Bildanalysetechniken anzuwenden, wenn sie die Merkmale dieser Krankheit quantitativ untersucht. Eine aktuelle Studie hat eine automatisierte Segmentierungstechnik des Lungenparenchyms angewandt, um den Prozentsatz der belüfteten Lunge bei Patienten zu identifizieren, die von COVID-19 betroffen sind, und diesen Wert mit der Prognose in Beziehung zu setzen und zu zeigen, dass Patienten mit einer schwereren Lungenbeteiligung ein besseres Risiko für die Aufnahme auf der Intensivstation (Intensivstation) und schlechtere Ergebnisse haben6.
Die Segmentierung ist die Konturierung von Interessengebieten (ROIs) innerhalb eines Volumens, das durch eine bildgebende Technik wie HRCT erworben wurde. Diese Tätigkeit kann mit drei Methoden durchgeführt werden: manuell, halbautomatisch und automatisch. Die manuelle Segmentierung besteht dank der Erfahrung eines ausgebildeten Radiologen aus der Kennzeichnung von Voxeln, die zum pathologischen Bereich gehören. Die Hauptnachteile dieser Methode sind der große Zeitaufwand und die Tatsache, dass sie vom Bediener abhängig ist.
Halbautomatische Methoden ermöglichen eine Beschleunigung der Segmentierung, da der Bediener eine Segmentierungsmaske ändern kann, die durch die klassischen Methoden der Bildverarbeitung (z. B. Schwellenwert für Pixelintensität, Clustering usw.) erhalten wird. Diese Techniken sind jedoch in der klinischen Praxis nicht einfach umzusetzen, da sie in den kompliziertesten Fällen umfangreiche manuelle Eingriffe erfordern18.
Automatische Segmentierungsmethoden, die derzeit nur begrenzt genutzt werden, verwenden künstliche Intelligenz, um ROIs zu erhalten. Eine aktuelle Studie zielt insbesondere darauf ab, die automatische Segmentierung bei der Quantifizierung von gemahlenen Glasflächen bei Patienten mit COVID-19 interstitielle Lungenentzündung19zu nutzen. Die Definition eines Segmentierungsprotokolls für die pathologischen Bereiche auf den HRCT-Bildern ist der eigentliche erste Schritt zur anschließenden Radiomik-Analyse, um Merkmale zu identifizieren, die dazu beitragen könnten, die Physiopathologie der Krankheit besser zu verstehen, und als genauer prognostischer Faktor dienen, der die Behandlung potenziell beeinflussen könnte.
Dieses Papier bietet einen Leitfaden, um genaue und effiziente Segmente zu erhalten, die die pathologischen Erkenntnisse der COVID-19-Pneumonie mit "3D Slicer"7,8,9,10darstellen.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Dieses Protokoll folgt den Leitlinien der Ethikkommission für die institutionelle Humanforschung.
1. Herunterladen der DICOM-Bilder
- Laden Sie die DICOM-Images herunter und übertragen Sie sie in der Workstation, die der Segmentierung gewidmet ist, wobei die 3D-Software installiert ist. Wenn Sie planen, auf einem PC zu arbeiten, anonymisieren Sie die DICOM-Daten.
2. Importieren der HRCT-Studie auf die 3D Slicer-Software
- Wählen Sie im Software-Eröffnungsbildschirm (entsprechend dem Abschnitt Willkommen bei Slicer im Dropdown-Menü) DICOM-Daten laden. Alternativ können Sie das DCM-Symbol in der oberen linken Ecke der Symbolleiste auswählen.
- Wählen Sie in der oberen linken Ecke des DICOM-Browser-Bedienfelds Importierenaus, und wählen Sie dann den Speicherort der HRCT-Studie aus. Wählen Sie den Ordner mit den DCM-Bildern aus, und wählen Sie dann Importierenaus.
- Nachdem die HRCT-Studie erfolgreich importiert wurde, klicken Sie auf die Schaltfläche Laden.
3. Erstellen der Segmente
- Erstellen Sie Segmente im Abschnitt Segmentierungen des Dropdown-Menüs oder direkt im Unterabschnitt Segmenteditor im Abschnitt Segmentierung des Dropdownmenüs oder erneut als dediziertes Symbol in der Symbolleiste.
- Wählen Sie im Dropdown-Menü neben Master Volume die HRCT-Studie aus.
- Wählen Sie Hinzufügen aus, und erstellen Sie drei neue Segmente, die automatisch Segment 1, 2 und 3genannt werden. Doppelklicken Sie auf jedes und benennen Sie sie um bzw. "tlv" (Total Lung Parenchyma), "ggo" (Ground Glass Opacities) und "cons" (Konsolidierungen). Wenn in der HRCT-Studie zusätzliche pathologische Befunde nebeneinander existieren, wie Pleuraerguss, Lungenkrebs, fibrotische Bereiche und so weiter, schaffen Sie zusätzliche Segmente. Dasselbe gilt für Artefakte.
4. Definition des TLP-Segments
HINWEIS: Eine genaue Definition des TLP-Segments ist von grundlegender Bedeutung, da sie für die Maskierung des HRCT während der Definition der GGO- und CDs-Segmente verwendet wird.
- Wählen Sie im Abschnitt Segmenteditor nach Auswahl des TLP-Segments in einem ersten Schritt das Instrument Schwellenwert aus.
- Legen Sie einen Schwellenwert fest, der groß genug ist, um sowohl das gesunde Lungenparenchym als auch die Deckkraft des gemahlenen Glases einzubeziehen. Unter Verwendung der in der wissenschaftlichen Literatur berichteten Werte mit den notwendigen Anpassungen, um der Lehrbuchdefinition von GGO zu entsprechen, fanden wir heraus, dass die Festlegung des Schwellenwerts zwischen -1000 HU und -250 HU gut funktioniert6,14,15,16,17. Wählen Sie dann Übernehmenaus.
- Das so definierte Segment umfasst sowohl die Luft in der Lunge als auch die Luft außerhalb der Brust (d. h. die Luft außerhalb des Patienten). Um das Lungenparenchym zu isolieren, verwenden Sie das Werkzeug Inseln, das Sie im Segmenteditorfinden, und wählen Sie ausgewählte Insel behalten. Klicken Sie mit der linken Maustaste in die Brust, sodass alles außerhalb der Brust aus dem Segment ausgeschlossen wird.
- Als Nächstes schließen Sie einen beliebigen Konsolidierungsbereich innerhalb des TLP-Segments ein. Die Konsolidierungen haben in der Regel Dämpfungswerte (Hounsfield Units: HU), ähnlich denen von Weichteilen, die die Brustwand und das Mediastinum bilden. Dies ist der Grund, warum das Threshold-Instrument nicht für diesen Zweck verwendet werden kann und die Konsolidierungen manuell hinzugefügt werden müssen, indem die Werkzeuge Scheren und Farben im Segmenteditor verwendet werden.
- Verwenden Sie das Werkzeug Schere, um Teile des Lungenparenchyms zum Segment hinzuzufügen. Wählen Sie den Vorgang "Innerhalb ausfüllen", und wählen Sie Freies Formular als Form und Symmetrisch als Schnitt aus. Wählen Sie eine Dicke, die der Größe der Konsolidierung entspricht (z. B. von 3 bis 20 mm); und dann beginnen Sie schrittweise mit dem Hinzufügen kleiner Teile von TLP, bis die Konsolidierung vollständig einbezogen wurde.
- Das Malwerkzeug ist einfacher und manchmal schneller zu verwenden, kann aber je nach einzuschließendem Bereich weniger präzise sein. Wenn die Option Kugelpinsel aktiv ist, kann dieses Werkzeug dem Segment 3D-Teile des Lungenparenchyms hinzufügen. Die Größe des Pinsels kann leicht geändert werden.
- Wenn Sie die Konsolidierungen zum TLP-Segment hinzufügen, schließen Sie keine Teile der Brustwand oder des Mediastinums ein. Dies könnte sich als schwierig erweisen, da bei Patienten, die von COVID19-Konsolidierungen neben der hinteren Brustwand betroffen sind, durchaus üblich sind. Verwenden Sie das Werkzeug Löschen, um die Segmentierung zu korrigieren, oder wählen Sie Rückgängig aus, um die letzte Aktion zu verwerfen.
- Verwenden Sie in dieser Phase erneut den Glättungsalgorithmus, um kleine Unvollkommenheiten zu löschen, die während des manuellen Teils der Segmentierung aufgetreten sein könnten. Nun ist die TLP-Segmentdefinition abgeschlossen.
5. Definition des GGO-Segments
- Um das GGO-Segment zu definieren, verwenden Sie das Schwellenwertwerkzeug.
- Wählen Sie das GGO-Segment aus.
- Legen Sie den Schwellenwert zwischen -750 HU und -150 HU fest.
- Bevor Sie Anwendenauswählen, wechseln Sie zum Abschnitt Maskierung direkt darunter und wählen Sie TLP im Dropdown-Menü Bearbeitbarer Bereich aus. Wählen Sie im Dropdownmenü Anderes Segment überschreiben die Option Keineaus. Dies ist äußerst wichtig, da bei übersprungenem Definierte des GGO-Segments auch das TLP-Segment geändert würde. Dies muss vermieden werden, da das TLP-Segment die Maske ist, auf der alle anderen Segmente definiert sind.
- Wählen Sie nun Übernehmenaus.
- An dieser Stelle wird es wahrscheinlich notwendig sein, den Glättungsalgorithmus noch einmal zu verwenden, um alle kleinen Gefäße und die physiologischen interstitiellen Elemente, die eine ähnliche Dichte wie das Gemahlenglas haben, aus dem Segment auszuschließen. Beginnen Sie mit einer Kernelgröße von 3 mm und erhöhen Sie sie bei Bedarf schrittweise auf maximal 6-7 mm. Beachten Sie, dass eine zu große Erhöhung der Kernelgröße den Verlust kleiner Flächen von Gemahlenglas bestimmen könnte, die außerhalb des GGO-Segments gelassen würden. Aus diesem Grund sollte der Glättungsalgorithmus mit der richtigen Vorsicht verwendet werden.
- Auch in diesem Fall müssen die erforderlichen Korrekturen mit dem Werkzeug Farbe, Schere und Löschen vorgenommen werden. Denken Sie in dieser Phase daran, die TLP-Maske jederzeit aktiv zu halten, um zu vermeiden, dass Teile der Brustwand neben den "Bodenglas"-Bereichen innerhalb des Segments eingeschlossen werden. Denn wenn sie fälschlicherweise segmentiert werden, werden sie automatisch ausgeschlossen.
- Achten Sie bei der Erlangung dieses Segments genau auf das mögliche Vorhandensein von Artefakten, die durch Bewegungen von Herd und Zwerchfell erzeugt werden (dies geschieht, wenn der Patient während der Untersuchung nicht den Atem anhalten konnte). Wenn vorhanden und zuvor im TLP-Segment enthalten, entfernen Sie diese Artefakte aus dem Segment "Bodenglas", z. B. durch das Werkzeug Inseln mit der Option Ausgewählte Insel entfernen oder mit den Werkzeugen Schere und Löschen. Je nach Ziel der Studie können die Artefakte separat segmentiert werden, indem sie ein dediziertes Segment verwenden oder in das TLP-Segment eingeschlossen und von anderen Segmenten ausgeschlossen werden. Nun wurde das GGO-Segment definiert.
6. Definition des CDs-Segments
- Um das CDs-Segment zu definieren, gehen Sie auf die gleiche Weise vor, wie das GGO-Segment zu definieren.
- Wählen Sie das CDs-Segment aus. Achten Sie darauf, mit der TLP-Maskierung immer aktiv zu arbeiten.
- Legen Sie einen angemessenen Schwellenwert fest. Bei Konsolidierungen variiert der Bereich grob von -150 HU bis 100 HU.
- Wenden Sie den Glättungsalgorithmus an, der die Kernelgröße nach Bedarf variiert.
- Verwenden Sie eine Kombination der Werkzeuge Schere, Löschen, Farbe und Inseln, um innerhalb des Segments nur die realen Konsolidierungen zu halten, ausgenommen große Gefäße, Pleuraergüsse, Artefakte, Disventilatory-Bänder und andere nicht COVID-bezogene Läsionen.
- Bei Bedarf kann eine endgültige Glättung angewendet werden.
7. Speichern der Segmente
- Speichern Sie Segmente als ".nrrd"-Datei, oder konvertieren Sie sie in binäre Beschriftungszuordnungen aus dem Modul "Daten".
8. Extrahieren von Volumes aus den definierten Segmenten.
- Rufen Sie im Modul Segmentstatistik eine Tabelle mit Details zu Volumen und Flächen der Segmente ab.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Die vorgeschlagene Methode wurde durch Versuche und Fehler verfeinert und an 117 Patienten getestet, die von EINER COVID-19-Pneumonie betroffen waren, mit einem positiven rt-PCR-Test.
Nach einer kurzen Lernkurve kann die zum Abrufen der Segmente benötigte Zeit je nach Präsentationsmuster zwischen 5 und 15 Minuten variieren.
Wie in Abbildung 1dargestellt, ergibt die Methode präzise Segmente: Dies kann beobachtet werden, indem man die genaue Übereinstimmung mit dem HRCT bemerkt. Das 3D-Rendering hilft, die Korrespondenz zu bewerten und die Segmentierungsergebnisse schnell zu überprüfen. Eine quantitative Bewertung der Menge des betroffenen Lungenparenchyms kann erreicht werden, um die von Colombi et al.6 und Lanza et al.13berichteten Ergebnisse zu replizieren.
Abbildung 1: Repräsentative Ergebnisvolumen- und Oberflächenanalyse. Der Screenshot der 3D Slicer-Schnittstelle stellt die Ergebnisse des Moduls "Segmentstatistik" dar, mit dem das Volumen des betroffenen Lungenparenchyms quantitativ ausgewertet werden kann. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Die Segmentierung stellt einen grundlegenden Schritt für die Durchführung moderner quantitativer Radiologiestudien dar und ist notwendig, um Radiomik oder Texturanalysetechniken anzuwenden. Pathologische Befunde in der Lunge stellen eine der schwierigsten segmentierend dar, da es keine definierten anatomischen Grenzen gibt und ein kleiner Unterschied im Dämpfungswert im Vergleich zu den gesunden Bereichen besteht.
Die Quellbilder müssen möglichst mit einem Minimum an Artefakten vorhanden sein, insbesondere in den pathologischen Bereichen, und dies ist manchmal schwer zu erreichen, wenn man eine Krankheit untersucht, die das Atemhalten beeinträchtigt; Daher können Forscher in Betracht ziehen, kompromittierte HRKT auszuschließen oder ein Segment zu definieren, das Artefakten gewidmet ist, die von der weiteren Analyse eliminiert werden sollen.
Es ist möglich, eine Erweiterung zu 3D Slicer zu installieren, die "Brust-Imaging-Plattform"11genannt wird, die schnellere, automatisierte Operationen an Lungensegmenten ermöglicht, mit besonderem Interesse an der belüfteten Lunge. Es wurde beschlossen, diese Methode nicht anzuwenden, da sie umfangreiche manuelle Eingriffe erfordert, wenn GGO und Konsolidierungen eine subpleaurate Verteilung aufweisen, was der Fall der in diesem Papier untersuchten Pathologie ist.
Eine automatische Segmentierungsmethode für interstitielle Lungenerkrankungen wurde gemeldet12; Dennoch erforderte diese Methode bereits Vorkenntnisse in den Merkmalen der betroffenen Gebiete. Die in dieser Studie vorgeschlagene Technik stellt einen leicht zu erlernenden und reproduzierbaren Ansatz zur Segmentierung pathologischer Befunde der Lunge dar, dessen Merkmale zukünftige Mittel zur automatischen Segmentierung viraler interstitiellen Lungenerkrankungen bieten und genaue prognostische Faktoren darstellen könnten.
Die vorgeschlagene Segmentierungsmethode weist einige Einschränkungen auf.
Zunächst einmal ist das Herunterladen der DICOM-Bilder von den Workstations ein Prozess, der eine variable Zeit in Anspruch nehmen kann, was für eine große Anzahl von Patienten eine lästige Arbeit sein könnte. Jede mögliche Anwendung dieser Segmentierungsmethode in die Klinikpraxis muss dieses kritische Problem berücksichtigen, bis der Punkt, an dem Segmentierungs-Plugins auf PACS-Plattformen allgemein verfügbar sind.
Zweitens könnte die Segmentierung der COVID-19-bezogenen pathologischen Bereiche bei Patienten mit gleichzeitiger chronischer Lungenerkrankung (z. B. Lungenkrebs, Lungenfibrose usw.) kompliziert sein, deren radiologische Befunde in Bereichen bestehen, die die gleichen Dichten wie die für COVID-19-Muster typischen aufweisen. Die gleiche Sorge sollte bei CT-Scans mit Atemartefakten berücksichtigt werden. Diese Artefakte sind ziemlich häufig bei Patienten mit COVID-19-Infektion, häufig mit Dyspnoe und Ateminsuffizienz verbunden, vor allem bei alt-/mittleren Alters-Patienten.
Darüber hinaus benötigen Patienten mit einer schweren interstitiellen Lungenentzündung (gekennzeichnet durch viele Lungenkonsolidierungen und verrückte Pflastertrübungen) eine umfangreichere manuelle Segmentierung und damit eine enorme Zeit. Im Allgemeinen gilt: Je höher der Schweregrad der interstitiellen Lungenentzündung, desto umfangreicher die manuelle Segmentierung, desto länger ist die Segmentierungszeit.
Der Grad der Präzision, der durch fortgeschrittene Evaluierungstechniken wie die von Lanza und Colombi vorgeschlagenen geboten wird, könnte jedoch im Vergleich zu den standardklinischen und radiologischen Bewertungen nur begrenzte Informationen über Patienten mit bereits schweren Lungenerkrankungen hinzufügen20.
Schließlich ist zu beachten, dass jeder Radiologe, der keine Erfahrung mit 3D-Slicer hat, eine angemessene Trainingszeit benötigt, da es sich nicht um eine intuitive Software handelt und einige Zeit benötigt, um auch in seinen Basilarfunktionen gemeistert zu werden.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Keiner der Autoren hat Interessenkonflikte.
Acknowledgments
Diese Arbeit wurde durch Fördermittel des Department of Radiology der Universität Bologna unterstützt.
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).
