Lung CT Segmentering att identifiera konsolideringar och markområden glas för kvantitativa Assesment av SARS-CoV lunginflammation

Summary

Syftet med detta protokoll är att tillhandahålla ett tidseffektivt sätt att segmentera volymer av intresse på högupplösta datortomografier att använda för ytterligare radiomics-analys.

Abstract

Segmentering är en komplex uppgift, inför radiologer och forskare som radiomics och maskininlärning växa i potentialitet. Processen kan antingen vara automatisk, halvautomatisk eller manuell, den första ofta inte är tillräckligt exakt eller lätt reproducerbara, och den sista är överdrivet tidskrävande när man involverar stora distrikt med högupplösta förvärv.

En högupplöst CT av bröstet är sammansatt av hundratals bilder, och detta gör den manuella metoden överdrivet tidskrävande. Vidare kräver de parenchymala ombyggnaderna en expertutvärdering för att urskiljas från det normala utseendet; således är en halvautomatisk strategi för segmenteringsprocessen, så som vi vet, den mest lämpliga när man segmenterar lunginflammationer, särskilt när deras funktioner fortfarande är okända.

För de studier som utförts i vårt institut om bildbehandling av COVID-19, antog vi 3D Slicer, en freeware programvara som produceras av Harvard University, och kombinerade tröskeln med färgpensel instrument för att uppnå snabb och exakt segmentering av luftade lungan, slipat glas opaciteter, och konsolideringar. När man står inför komplexa fall, kräver denna metod fortfarande en avsevärd tid för korrekt manuella justeringar, men ger ett extremt effektivt medelvärde för att definiera segment att använda för ytterligare analys, såsom beräkning av andelen av den drabbade lungparenkym eller textur analys av marken glasområden.

Introduction

Under innevarande år står världen inför en hälsokris, den pandemi som orsakas av romanen Coronavirus, Sars-CoV2. Även om, upp till det närvarande datera, många aspekter angående physiopathologyen av COVIDEN-19 infektion är stilla oklart, delar det flera kännetecken med dess "förfäder" SARS1 och MERS. I synnerhet har det bevisats att virion spike proteiner interagerar med Angiotensin Converting Enzyme Type-2, en receptor väl representerade på alveolar endotelceller, men allestädes närvarande i den mänskliga organismen, därmed har potential att ge systemiska symtom¹.

För diagnos är den nuvarande standarden realtids omvänd transkriptas-polymeras kedjereaktion (rt-PCR), ett test som utförs på faryngeal svabbprover. Även om radiologisk imaging inte är officiellt erkänd i diagnostiska vägen för upptäckt av sjukdomen, visade sig hög upplösning datortomografi (HRCT) vara ett värdefullt stöd till kliniska och epidemiologiska förvaltningen av drabbade patienter, på grund av den relativt låga känsligheten hos den rt-PCR, den nuvarande bristen på specialiserade laboratorier och av de nödvändiga reagenser, och den höga operator-beroende.

Den radiologiska Society of North America (RSNA) släppt ett samförstånd uttalande, som godkändes av samhället i Thoracic Radiologi och American College of Radiologi (ACR), som klassificerar CT utseende COVID19 i fyra kategorier för att standardisera rapporteringen, dela de varordnad lunginflammation mönster i "typiska", "atypiska", "obestämd", och "negativa"².

Det "typiska" mönstret kännetecknas av närvaron av rundaformade Ground Glass Opacities (GGO), vanligtvis med en sub-pleural plats på dorsala basala segment. Den GGO kan associeras med "Crazy Paving" områden av förtjockad septa, eller andra tecken på att organisera lunginflammation. Den "obestämda" mönstret kännetecknas av frånvaron av de "typiska" mönster resultaten, med diffusa GGO områden med en perihilar fördelning, med eller utan consolidative områden. Det "atypiska" mönstret kännetecknas av antingen frånvaron av de "typiska" eller "obestämda" tecknen, och närvaron av lobarkonsolidering, "träd i knopp", slät förtjockning av septa och pleurautgjutning; i denna presentation ingen GGO är detekterbara. Det "negativa" mönstret kännetecknas av frånvaron av de ovan nämnda patologiska fynden.

Enligt litteraturen kan vissa patienter presentera med en hög klinisk misstänkt för COVID-19 stöds av epidemiologiska kriterier och bildframställning konstaterande med negativa rt-PCR^3,4. Å andra sidan har det rapporterats att patienter med en positiv rt-PCR och suggestiva kliniska fynd, inte presentera patologiska fynd på HRCT⁵.

Numera är det av största intresse för forskarsamhället att tillämpa tekniker bildanalys när kvantitativt studera egenskaperna hos denna sjukdom. En nyligen genomförd studie har tillämpat automatiserad segmenteringsteknik av lungparenkymen för att identifiera andelen luftade lungorna hos patienter som drabbats av COVID-19, korrelera detta värde med prognosen, och visar att patienter med en allvarligare lunginblandning innebar större risk att tas upp på intensivvårdsavdelningen (IVA), och har sämre^{resultat 6}.

Segmenteringen är kontureringen av regioner av intresse (ROIs) inuti en volym som förvärvats genom en bildteknik, såsom HRCT. Denna verksamhet får utföras om tre metoder: manuell, halvautomatisk och automatisk. Manuell segmentering, tack vare erfarenheten av en utbildad radiolog, består av märkning av voxels som hör till det patologiska området. De största nackdelarna med denna metod är den stora tid som krävs och det faktum att den är operatörsberoende.

Halvautomatiska metoder gör det möjligt att påskynda segmenteringen eftersom operatören kan ändra en segmenteringsmask som erhålls genom de klassiska metoderna för bildbehandling (t.ex. tröskelvärde på pixelintensitet, klustring osv.). Dessa tekniker är dock inte lätta att genomföra i klinisk praxis eftersom de kräver omfattande manuella ingrepp i de mest komplicerade fallen¹⁸.

Automatiska segmenteringsmetoder, som för närvarande är av begränsad användning, använder artificiell intelligens för att erhålla ROIs. I synnerhet syftar en nyligen genomförd studie till att använda automatisk segmentering i kvantifieringen av markglasområden hos patienter som lider av COVID-19 interstitiell^{lunginflammation 19}. Definitionen av ett segmenteringsprotokoll för de patologiska områdena på HRCT-bilderna är det verkliga första steget mot den efterföljande radiomics-analysen, för att identifiera funktioner som skulle kunna bidra till att ytterligare förstå sjukdomens fysiopatologi, och fungera som en korrekt prognostisk faktor som potentiellt påverkar behandlingen.

Detta dokument erbjuder en guide för att få korrekta och effektiva segment som representerar de patologiska resultaten av COVID-19 lunginflammation med hjälp av "3D Slicer"^7,8,9,10.

Protocol

Detta protokoll följer riktlinjerna från den institutionella mänskliga forskningsetiska kommittén.

1. Hämtar DICOM-bilderna

1. Ladda ner DICOM-bilderna och överför dem i arbetsstationen tillägnad segmenteringen, med 3D-programvaran installerad. Om du planerar att arbeta på en persondator, anonymisera DICOM-data.

2. Importerar HRCT-studien om programvaran 3D Slicer

1. I skärmen för öppning av programvara (motsvarande avsnittet Välkommen till utsnitt i rullgardinsmenyn) väljer du Läs in DICOM-data. Alternativt väljer du DCM-ikonen i det övre vänstra hörnet i verktygsfältet.
2. I det övre vänstra hörnet av DICOM Browser panel välj Import, välj sedan platsen för HRCT studien. Markera mappen med DCM-bilderna och välj sedan Importera.
3. Nu när HRCT-studien har importerats med framgång, klicka på knappen Ladda.

3. Skapa segmenten

1. Skapa segment i segmenteringsavsnittet i den nedrullningsgardinsmenyn eller direkt i underavsnittet Segmentredigerare som finns i rullgardinsmenyns segmenteringsavsnitt, eller igen som en dedicerad ikon i verktygsfältet.
2. Välj HRCT-studien i rullgardinsmenyn bredvid Master Volume.
3. Välj Lägg till och skapa tre nya segment, som automatiskt kommer att heta Segment 1, 2 och 3. Dubbelklicka på var och en och döp om dem respektive "tlv" (Total Lung Parenchyma), "ggo" (Ground Glass Opacities) och "cons" (Consolidations). Om i HRCT studien ytterligare patologiska fynd samexistera, såsom pleura-effusion, lungcancer, fibrotiska områden och så vidare, skapa ytterligare segment. Detsamma gäller artefakter.

4. Definition av TLP-segmentet

OBS: En korrekt definition av TLP-segmentet är grundläggande, eftersom det kommer att användas för att maskera HRCT under definitionen av segmenten GGO och CD.s.

1. Som ett första steg, i avsnittet Segmentredigerare, efter att ha valt TLP-segmentet, väljer du instrumentet Threshold.
2. Sätt en tröskel stor nog att inkludera både friska lungparenkym och marken glas opaciteter. Med hjälp av de värden som rapporteras i vetenskaplig litteratur med nödvändiga justeringar för att följa läroboksdefinitionen av GGO, fann vi att fastställandet av tröskeln mellan -1000 HU och -250 HU fungerar^{bra 6,14,15,16,17}. Välj sedan Apply.
3. Segmentet så definierade kommer att omfatta både luften inuti lungorna och luften utanför bröstet (dvs. luften utanför patienten). För att isolera lungparenkymen, använd Islands-verktyget, som finns i Segmentredigeraren, och välj Behåll vald ö. Vänsterklicka inuti bröstet så att något utanför bröstet kommer att uteslutas från segmentet.
4. Därefter inkluderar något område av konsolidering inne i TLP-segmentet. Konsolideringarna har vanligtvis dämpningsvärden (Hounsfield Units: HU) liknande dem hos mjuka vävnader som utgör bröstväggen och mediastinum. Detta är anledningen till att instrumentet Threshold inte kan användas för detta ändamål och konsolideringarna kommer att behöva läggas till manuellt, med hjälp av verktygen Sax och Färg som finns i segmentseditorn.
   1. Använd verktyget Sax för att lägga till delar av lungparenkym till segmentet. Välj operationen Fyll inuti, välj Fritt formulär som form och Symmetrisk som skiva som klippt. Välj en tjocklek som är lämplig för storleken på konsolideringen (t.ex., från 3 till 20 mm); och sedan, börja successivt lägga till små delar av TLP, tills konsolideringen har helt inkluderats.
   2. Verktyget Färg är enklare och ibland snabbare att använda, men kan vara mindre exakt, beroende på vilket område som ska ingå. När alternativet Sphere Brush är aktivt kan det här verktyget lägga till 3D-delar av lungparenkym till segmentet. Penselns storlek kan enkelt modifieras.
   3. Medan du lägger till konsolideringarna i TLP-segmentet, inkluderar inte delar av bröstväggen eller mediastinum. Detta kan visa sig vara svårt som hos patienter som drabbats av COVID19 konsolideringar intill den bakre bröstkorg väggen är ganska vanliga. Använd verktyget Radera om du vill korrigera segmenteringen eller välj Ångra om du vill ignorera den senaste åtgärden.
   4. I detta skede använder du utjämningsalgoritmen en gång till för att ta bort små brister som kan ha uppstått under den manuella delen av segmenteringen. Nu TLP segmentet definitionen är avslutad.

5. Definition av segmentet GGO

1. Om du vill definiera GGO-segmentet använder du tröskelverktyget.
   1. Välj segmentet GGO.
   2. Ställ in tröskeln mellan -750 HU och -150 HU.
   3. Innan du väljer Använd, gå till avsnittet Maskering rakt under och välj TLP i rullgardinsmenyn För redigerbart område. I listmenyn För skriv över annat segment väljer du Ingen. Detta är oerhört viktigt som, om hoppas över, en gång definierade GGO segmentet, även TLP segmentet skulle ändras. Detta måste undvikas, eftersom TLP-segmentet är den mask som alla de andra segmenten definieras på.
   4. Välj nu Verkställ.
2. Vid denna punkt kommer det förmodligen att bli nödvändigt att använda utjämningsalgoritmen än en gång, för att utesluta alla små kärl och de fysiologiska interstitiella element som har en densitet som liknar den för slipat glas från segmentet. Börja med en Kernel-storlek på 3 mm och, om det behövs, öka den progressivt, till högst 6-7 mm. Observera att öka Kernel storlek för mycket kan avgöra förlusten av små områden av slipat glas, som skulle lämnas utanför GGO segmentet. På grund av detta bör utjämningsalgoritmen användas med rätt försiktighet.
3. I det här fallet också, tillämpa behövs korrigeringar med verktyget Paint, Sax och Radera. Under denna fas kom ihåg att hålla TLP-masken aktiv hela tiden för att undvika att inkludera delar av bröstväggen intill "slipat glas" områden inuti segmentet. Detta beror på att de, om de felaktigt segmenteras, automatiskt skulle uteslutas.
4. När du erhåller detta segment, ägna stor uppmärksamhet åt den eventuella förekomsten av artefakter som genereras av rörelser av härd och mellangärde (detta händer om patienten inte kunde hålla andan under tentamen). Om närvarande och tidigare ingår i TLP-segmentet, eliminera dessa artefakter från "slipat glas" segmentet, till exempel genom öarna verktyget med ta bort valda ön alternativet eller med hjälp av sax och Radera verktyg. Beroende på studiens mål kan artefakterna vara segmenterade separat, med hjälp av ett dedikerat segment eller inkluderat i TLP-segmentet och exkluderas från andra segment. Nu har segmentet GGO definierats.

6. Definition av cd-segmentet

1. Om du vill definiera CDs-segmentet fortsätter du på samma sätt som att definiera segmentet GGO.
   1. Välj CDs-segmentet. Se till att arbeta med TLP-maskering alltid aktiv.
   2. Ställ in en adekvat tröskel. För konsolideringar varierar intervallet, ungefär, från -150 HU till 100 HU.
   3. Tillämpa utjämningsalgoritmen som varierar Kernel-storleken efter behov.
   4. Använd en kombination av de verktyg Sax, Radera, Paint och öar i syfte att hålla inne i segmentet endast de verkliga konsolideringar, exklusive stora fartyg, pleura-effusions, artefakter, disventilatory band och andra icke COVID-relaterade skador.
   5. Om det behövs, tillämpa en slutlig utjämning kan tillämpas.

7. Att spara segmenten

1. Spara segment som en ".nrrd"-fil, eller konvertera till binära etikettkartor från modulen "Data".

8. Utvinna volymer från de definierade segmenten.

1. Från modulen Segmentstatistik, skaffa en tabell med detaljer om volym och ytor av segmenten.

Representative Results

Den föreslagna metoden har förfinats genom försök och fel, testa den på 117 patienter som drabbats av COVID-19 lunginflammation med ett positivt rt-PCR-test.

Efter en kort inlärningskurva kan den tid som behövs för att få fram segmenten variera från 5 till 15 minuter, beroende på presentationsmönstret.

Som visas på figur 1, ger metoden exakta segment: detta kan observeras genom att läggas fast exakt korrespondens med HRCT. 3D-renderingen hjälper till att bedöma korrespondensen och snabbt granska segmenteringsresultaten. En kvantitativ bedömning av mängden av lungparenkym påverkas kan erhållas, att replikera de resultat som rapporterats från Colombi et al.⁶ och Lanza et al.¹³.

Figur 1: Representativ resultatvolym och ytanalys. Skärmbilden från 3D-skivargränssnittet representerar de resultat som erhålls från modulen "Segmentstatistik", som kan användas för att kvantitativt utvärdera volymen av den drabbade lungparenkymen. Vänligen klicka här för att visa en större version av denna figur.

Discussion

Segmentering utgör ett grundläggande steg för att utföra moderna kvantitativa radiologistudier, och är nödvändigt för att tillämpa radiomik eller textur analystekniker. Patologiska fynd i lungorna representerar en av de mest utmanande att segmentera, för bristen på definierade anatomiska gränser och en liten skillnad i dämpningsvärde jämfört med de friska områdena.

Källan bilder måste presentera med ett minimum av artefakter om möjligt, särskilt på de patologiska områden, och detta är ibland svårt att uppnå när man studerar en sjukdom som äventyrar andetag innehav; därför kan forskare överväga att utesluta komprometterade HRCTs eller definiera ett segment som är dedikerat till artefakter som ska elimineras från ytterligare analys.

Det är möjligt att installera en förlängning till 3D Slicer, kallas "bröst imaging plattform"¹¹, som möjliggör snabbare, mer automatiserade operationer på lungsegment, med särskilt intresse på luftad lunga. Det beslutades att inte anta denna metod, eftersom det kräver omfattande manuell intervention när GGO och konsolideringar har en sub-pleura-fördelning, vilket är fallet med patologin utforskas i detta papper.

En automatisk segmenteringsmetod för mellanstitiella lungsjukdomar har rapporterats¹²; trots det, denna metod krävs att ha tidigare kunskaper om de drabbade områdenas funktioner. Den teknik som föreslås i denna studie utgör en lätt att lära sig och reproducerbara inställning till segmentering av patologiska resultaten av lungan, de funktioner som utvinns ur vilka skulle kunna ge framtida medel för automatiskt segment viral interstitiell lungsjukdomar, och representerar korrekta prognostiska faktorer.

Den segmenteringsmetod som föreslås har vissa begränsningar.

Först och främst är nedladdning av DICOM-bilderna från arbetsstationerna en process som kan kräva en varierande tid, vilket gör det för ett stort antal patienter kan vara ett besvärligt arbete. Varje potentiell tillämpning av denna segmentering metod till kliniken praktiken måste överväga denna kritiska fråga, tills den punkt då segmentering plugins blir allmänt tillgängliga på PACS plattformar.

För det andra kan segmenteringen av de COVID-19 relaterade patologiska områdena vara komplicerad hos patienter med samtidig kronisk lungsjukdom (t.ex. lungcancer, lungfibros etc.) vars radiologiska fynd består i områden med samma tätheter av de som är typiska för COVID-19-mönster. Samma oro bör övervägas i DATORTOMografi med respiratoriska artefakter. Dessa artefakter är ganska vanligt hos patienter med COVID-19 infektion, är vanligen relaterade till dyspné och andningssvikt, särskilt i gamla/medelålders patienter.

Patienter med en svår interstitiell lunginflammation (som kännetecknas av många lung konsolideringar och galna bana opaciteter) kräver dessutom en mer omfattande manuell segmentering och följaktligen, en stor mängd tid. I allmänhet, ju högre svårighetsgraden av den interstitiella lunginflammation, desto mer omfattande den manuella segmentering krävs, desto längre segmentering tid.

Den grad av precision som erbjuds av avancerade utvärderingstekniker som de som föreslagits av Lanza och Colombi skulle dock kunna lägga till begränsad information om patienter med redan svåra lungtillstånd jämfört med de vanliga kliniska och radiologiska utvärderingarna²⁰.

Slutligen bör det noteras att alla radiolog som inte har någon erfarenhet av 3D-skivare behöver en adekvat utbildningstid, eftersom det inte är en intuitiv programvara och kräver lite tid att behärskas även i dess basilar funktioner.

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