Name: Segmentation de la Tomodensitaire pulmonaire pour identifier les consolidations et les zones de verre moulu pour l’assesment quantitatif de la pneumonie SRAS-CoV (Vidéo) | JoVE Journal
Uploaded: 2020-12-19T14:00:00.000+00:00
Duration: 8 min 5 s
Description: Apprenez la segmentation tomodensitométrique pulmonaire pour identifier consolidations et zones de verre dépoli dans la pneumonie COVID-19. Cette méthode facilite l'analyse radiomique et améliore le diagnostic.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Ces travaux ont été soutenus par le financement du Département de radiologie de l’Université de Bologne.

Ce protocole suit les lignes directrices du comité institutionnel d’éthique de la recherche humaine.
1. Télécharger les images du DICOM
<ol><li>Téléchargez les images DICOM et transférez-les dans le poste de travail dédié à la segmentation, avec le logiciel 3D installé. Si vous prévoyez de travailler sur un ordinateur personnel, anonymisez les données DICOM.</li>
</ol>2. Importation de l’étude HRCT sur le logiciel Slicer 3D
<ol><li>Dans l’écran d’ouverture du logiciel (correspondant à la section Bienvenue à Slicer dans le menu drop-down) sélectionnez Load DICOM Data. Vous pouvez également sélectionner l’icône DCM dans le coin supérieur gauche de la barre d’outils.</li>
	<li>Dans le coin supérieur gauche du panneau DICOM Browser sélectionnez Import, puis sélectionnez l’emplacement de l’étude HRCT. Sélectionnez le dossier avec les images DCM, puis sélectionnez Importation.</li>
	<li>Maintenant que l’étude HRCT a été importée avec succès, cliquez sur le bouton Charge.</li>
</ol>3. Création des segments
<ol><li>Créez des segments dans la section Segmentations du menu drop-down ou directement dans la sous-section Segment Editor trouvée dans la section Segmentation du menu drop-down, ou encore comme icône dédiée dans la barre d’outils.</li>
	<li>Dans le menu drop-down à côté de Master Volume, sélectionnez l’étude HRCT.</li>
	<li>Sélectionnez Ajouter et créer trois nouveaux segments, qui seront automatiquement nommés segment 1, 2 et 3. Double clic sur chacun d’eux et les renommer respectivement « tlv » (Total Lung Parenchyma), « ggo » (Ground Glass Opacities) et « cons » (Consolidations). Si dans l’étude hrct d’autres résultats pathologiques coexistent, tels que l’effusion pleurale, le cancer du poumon, les secteurs fibrotiques et ainsi de suite, créent des segments additionnels. Il en va de même pour les artefacts.</li>
</ol>4. Définition du segment TLP
REMARQUE : Une définition précise du segment TLP est fondamentale, car elle sera utilisée pour masquer le HRCT lors de la définition des segments GGO et CD.
<ol><li>Dans un premier temps, dans la section Segment Editor, après avoir sélectionné le segment TLP, choisissez l’instrument Threshold.</li>
	<li>Fixez un seuil suffisamment grand pour inclure à la fois le parenchyme pulmonaire sain et les opacities de verre moulu. En utilisant les valeurs rapportées dans la littérature scientifique avec les ajustements nécessaires pour se conformer à la définition classique de GGO, nous avons constaté que l’établissement du seuil entre -1000 HU et -250 HU fonctionnebien 6,14,15,16,17. Ensuite, sélectionnez Appliquer.</li>
	<li>Le segment ainsi défini comprendra à la fois l’air à l’intérieur des poumons et l’air à l’extérieur de la poitrine (c.-à-d. l’air à l’extérieur du patient). Afin d’isoler le parenchyme pulmonaire, utilisez l’outil Îles, trouvé dans l’éditeur de segment, et choisissez Keep île sélectionnée. Cliquez à gauche à l’intérieur de la poitrine de sorte que tout ce qui est à l’extérieur de la poitrine sera exclu du segment.</li>
	<li>Ensuite, inclure n’importe quel domaine de consolidation à l’intérieur du segment TLP. Les consolidations ont généralement des valeurs d’atténuation (Unités Hounsfield: HU) similaires à celles des tissus mous qui constituent la paroi thoracique et le mediastinum. C’est la raison pour laquelle l’instrument Threshold ne peut pas être utilisé à cette fin et les consolidations devront être ajoutées manuellement, à l’aide des outils Ciseaux et Peinture trouvés dans l’éditeur du segment.<ol>
<li>Utilisez l’outil Ciseaux pour ajouter des portions de parenchyme pulmonaire au segment. Choisissez l’opération Fill Inside, sélectionnez Formulaire libre comme forme et Symétrique comme coupe de tranche. Choisissez une épaisseur adaptée à la taille de la consolidation (p. ex., de 3 à 20 mm); puis, commencer progressivement à ajouter de petites portions de TLP, jusqu’à ce que la consolidation a été complètement inclus.</li>
		<li>L’outil Peinture est plus facile et parfois plus rapide à utiliser, mais peut être moins précis, selon la zone à inclure. Lorsque l’option Sphere Brush est active, cet outil peut ajouter des parties 3D du parenchyme pulmonaire au segment. La taille de la brosse peut être facilement modifiée.</li>
		<li>Tout en ajoutant les consolidations au segment TLP, n’incluez pas de parties de mur thoracique ou de mediastinum. Ceci pourrait s’avérer difficile car dans les patients affectés par les consolidations covid19 adjacentes à la paroi thoracique postérieure sont tout à fait communes. Utilisez l’outil Effacer pour corriger la segmentation ou sélectionnez Annuler pour jeter la dernière action.</li>
		<li>À ce stade, utilisez l’algorithme de lissage une fois de plus pour supprimer les petites imperfections qui auraient pu se produire pendant la partie manuelle de la segmentation. Maintenant, la définition du segment TLP est terminée.</li>
	</ol>
</li>
</ol>5. Définition du segment GGO
<ol><li>Pour définir le segment GGO, utilisez l’outil seuil.<ol>
<li>Sélectionnez le segment GGO.</li>
		<li>Fixez le seuil entre -750 HU et -150 HU.</li>
		<li>Avant de sélectionner Appliquer,allez à la section Masquage juste en dessous et sélectionnez TLP dans le menu de drop down zone modifiable. Dans le menu overwrite other segment drop-down, sélectionnez Aucun. Ceci est extrêmement important car, s’il était ignoré, une fois défini le segment GGO, le segment TLP serait également modifié. Cela doit être évité, car le segment TLP est le masque sur lequel tous les autres segments sont définis.</li>
		<li>Maintenant sélectionnez Appliquer.</li>
	</ol>
</li>
	<li>À ce stade, il sera probablement nécessaire d’utiliser l’algorithme de lissage une fois de plus, afin d’exclure tous les petits vaisseaux et les éléments physiologiques interstitiels qui ont une densité similaire à celle du verre moulu du segment. Commencez par une taille de noyau de 3 mm et, si nécessaire, augmentez-le progressivement, à un maximum de 6-7 mm. Notez que l’augmentation de la taille du noyau trop pourrait déterminer la perte de petites zones de verre moulu, qui serait laissé en dehors du segment GGO. Pour cette raison, l’algorithme de lissage doit être utilisé avec la prudence appropriée.</li>
	<li>Dans ce cas aussi, appliquer les corrections nécessaires avec la peinture, ciseaux et effacer outil. Au cours de cette phase, n’oubliez pas de garder le masque TLP actif en tout temps pour éviter d’inclure des parties de la paroi thoracique adjacentes aux zones de « verre moulu » à l’intérieur du segment. En effet, s’ils étaient segmentés par erreur, ils seraient automatiquement exclus.</li>
	<li>Lors de l’obtention de ce segment, portez une attention particulière à la présence possible d’artefacts générés par les mouvements de foyer et de diaphragme (cela se produit si le patient ne pouvait pas retenir son souffle pendant l’examen). S’ils sont présents et inclus précédemment dans le segment TLP, éliminez ces artefacts du segment « verre moulu », par exemple par l’intermédiaire de l’outil Îles avec l’option Supprimer l’île sélectionnée ou en utilisant les outils Ciseaux et Effacement. Selon l’objectif de l’étude, les artefacts peuvent être segmentés séparément, à l’aide d’un segment dédié ou inclus dans le segment TLP et exclus d’autres segments. Maintenant, le segment GGO a été défini.</li>
</ol>6. Définition du segment CD
<ol><li>Pour définir le segment CD, procédez de la même manière que pour définir le segment GGO.<ol>
<li>Sélectionnez le segment CD. Assurez-vous de travailler avec le masquage TLP toujours actif.</li>
		<li>Fixez un seuil adéquat. Pour les consolidations, la plage varie, à peu près, de -150 HU à 100 HU.</li>
		<li>Appliquez l’algorithme de lissage en variant la taille du noyau au besoin.</li>
		<li>Utilisez une combinaison des outils Ciseaux, Effacer, Peinture et Îles afin de garder à l’intérieur du segment que les consolidations réelles, à l’exclusion des grands navires, effusions pleurales, artefacts, bandes disventilatoires et autres lésions non covid-connexes.</li>
		<li>Si nécessaire, appliquer un lissage final peut être appliqué.</li>
	</ol>
</li>
</ol>7. Enregistrement des segments
<ol><li>Enregistrez les segments sous forme de fichier « .nrrd » ou convertissez-les en cartes d’étiquettes binaires à partir du module « Données ».</li>
</ol>8. Extraire des volumes des segments définis.
<ol><li>À partir du module Statistiques segment, obtenez un tableau avec des détails sur le volume et les surfaces des segments.</li>
</ol>

<ol><li>Zheng, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((COVID-19+and+the+cardiovascular+system%5BTitle%5D)+AND+%22Nature+Reviews+Cardiology%22%5BJournal%5D)">COVID-19 and the cardiovascular system.</a> Nature Reviews Cardiology. 17, 259-260 (2020).</li>
<li>Simpson, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Radiological+Society+of+North+America+Expert+Consensus+Statement+on+Reporting+Chest+CT+Findings+Related+to+COVID-19.+Endorsed+by+the+Society+of+Thoracic+Radiology%2C+the+American+College+of+Radiology%2C+and+RSNA%5BTitle%5D)+AND+%22Radiology%3A+Cardiothoracic+Imaging%22%5BJournal%5D)">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.</a> Radiology: Cardiothoracic Imaging. 2, 2(2020).</li>
<li>Xie, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Chest+CT+for+Typical+2019-nCoV+Pneumonia%3A+Relationship+to+Negative+RT-PCR+Testing%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Chest CT for Typical 2019-nCoV Pneumonia: Relationship to Negative RT-PCR Testing.</a> Radiology. , 200343(2020).</li>
<li>Huang, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Use+of+Chest+CT+in+Combination+with+Negative+RT-PCR+Assay+for+the+2019+Novel+Coronavirus+but+High+Clinical+Suspicion%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Use of Chest CT in Combination with Negative RT-PCR Assay for the 2019 Novel Coronavirus but High Clinical Suspicion.</a> Radiology. 295 (1), 22-23 (2020).</li>
<li>Fang, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sensitivity+of+Chest+CT+for+COVID-19%3A+Comparison+to+RT-PCR%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Sensitivity of Chest CT for COVID-19: Comparison to RT-PCR.</a> Radiology. , 200432(2020).</li>
<li>Colombi, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Well-aerated+Lung+on+Admitting+Chest+CT+to+Predict+Adverse+Outcome+in+COVID-19+Pneumonia%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Well-aerated Lung on Admitting Chest CT to Predict Adverse Outcome in COVID-19 Pneumonia.</a> Radiology. , 201433(2020).</li>
<li>3D Slicer [software]. , Available from: 
 <a target="_blank" href="https://www.slicer.org">https://www.slicer.org</a> (2020).</li>
<li>Kikinis, R., Pieper, S. D., Vosburgh, K. 3D Slicer: a platform for subject-specific image analysis, visualization, and clinical support. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKikinis%2C+R+%22Intraoperative+Imaging+Image-Guided+Therapy%22">Intraoperative Imaging Image-Guided Therapy</a>. Jolesz, F. A. 3 (19), 277-289 (2014).</li>
<li>Kapur, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Increasing+the+impact+of+medical+image+computing+using+community-based+open-access+hackathons%3A+The+NA-MIC+and+3D+Slicer+experience%5BTitle%5D)+AND+%22Medical+Image+Analysis%22%5BJournal%5D)">Increasing the impact of medical image computing using community-based open-access hackathons: The NA-MIC and 3D Slicer experience.</a> Medical Image Analysis. 33, 176-180 (2016).</li>
<li>Fedorov, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((3D+Slicer+as+an+Image+Computing+Platform+for+the+Quantitative+Imaging+Network%5BTitle%5D)+AND+%22Magnetic+Resonance+Imaging%22%5BJournal%5D)">3D Slicer as an Image Computing Platform for the Quantitative Imaging Network.</a> Magnetic Resonance Imaging. 30 (9), 1323-1341 (2012).</li>
<li>Chest Imaging Platform [software]. , Available from: 
 <a target="_blank" href="https://chestimagingplatform.org">https://chestimagingplatform.org</a> (2020).</li>
<li>Wang, J., Li, F., Li, Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+segmentation+of+lungs+with+severe+interstitial+lung+disease+in+CT%5BTitle%5D)+AND+%22Medical+Physics%22%5BJournal%5D)">Automated segmentation of lungs with severe interstitial lung disease in CT.</a> Medical Physics. 36 (10), 4592-4599 (2009).</li>
<li>Lanza, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantitative+chest+CT+analysis+in+COVID-19+to+predict+the+need+for+oxygenation+support+and+intubation%5BTitle%5D)+AND+%22European+Radiology%22%5BJournal%5D)">Quantitative chest CT analysis in COVID-19 to predict the need for oxygenation support and intubation.</a> European Radiology. , (2020).</li>
<li>Yao, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Value+of+window+technique+in+diagnosis+of+the+ground+glass+opacities+in+patients+with+non-small+cell+pulmonary+cancer%5BTitle%5D)+AND+%22Oncology+Letters%22%5BJournal%5D)">Value of window technique in diagnosis of the ground glass opacities in patients with non-small cell pulmonary cancer.</a> Oncology Letters. 12 (5), 3933-3935 (2016).</li>
<li>Kauczor, H. U., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+detection+and+quantification+of+ground-glass+opacities+on+high-resolution+CT+using+multiple+neural+networks%3A+comparison+with+a+density+mask%5BTitle%5D)+AND+%22American+Journal+of+Roentgenology%22%5BJournal%5D)">Automatic detection and quantification of ground-glass opacities on high-resolution CT using multiple neural networks: comparison with a density mask.</a> American Journal of Roentgenology. 175 (5), 1329-1334 (2000).</li>
<li>Funama, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detection+of+nodules+showing+ground-glass+opacity+in+the+lungs+at+low-dose+multidetector+computed+tomography%3A+phantom+and+clinical+study%5BTitle%5D)+AND+%22Journal+of+Computed+Assisted+Tomography%22%5BJournal%5D)">Detection of nodules showing ground-glass opacity in the lungs at low-dose multidetector computed tomography: phantom and clinical study.</a> Journal of Computed Assisted Tomography. 33 (1), 49-53 (2009).</li>
<li>Hansell, D. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fleischner+Society%3A+glossary+of+terms+for+thoracic+imaging%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Fleischner Society: glossary of terms for thoracic imaging.</a> Radiology. 246, 697-722 (2008).</li>
<li>Heye, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reproducibility+of+Dynamic+Part+II.+Comparison+of+Intra-+and+Interobserver+Variability+with+Manual+Region+of+Interest+Placement+versus+semiautomatic+lesion+segmentation+and+histogram+analysis%5BTitle%5D)+AND+%22Radiology%22%5BJournal%5D)">Reproducibility of Dynamic Part II. Comparison of Intra- and Interobserver Variability with Manual Region of Interest Placement versus semiautomatic lesion segmentation and histogram analysis.</a> Radiology. 266, 812-821 (2013).</li>
<li>Zhang, H. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+detection+and+quantification+of+COVID-19+pneumonia%3A+CT+imaging+analysis+by+a+deep+learning-based+software%5BTitle%5D)+AND+%22Nuclear+Medicine+and+Molecular+Imaging%22%5BJournal%5D)">Automated detection and quantification of COVID-19 pneumonia: CT imaging analysis by a deep learning-based software.</a> Nuclear Medicine and Molecular Imaging. 14, 1-8 (2020).</li>
<li>Alhazzani, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Surviving+Sepsis+Campaign%3A+guidelines+on+the+management+of+critically+ill+adults+with+Coronavirus+Disease+2019%28COVID-19%29%5BTitle%5D)+AND+%22Intensive+Care+Medicine%22%5BJournal%5D)">Surviving Sepsis Campaign: guidelines on the management of critically ill adults with Coronavirus Disease 2019(COVID-19).</a> Intensive Care Medicine. 46 (5), 854-887 (2020).</li>
</ol>

Aucun des auteurs n’a de conflits d’intérêts.

La segmentation représente une étape fondamentale pour effectuer des études quantitatives modernes de radiologie, et est nécessaire pour appliquer des techniques de radiomics ou d’analyse de texture. Les résultats pathologiques dans les poumons représentent l’un des plus difficiles à segmenter, car l’absence de frontières anatomiques définies et une petite différence de valeur d’atténuation par rapport aux zones saines.
Les images sources doivent présenter un minimum d’artefacts si possible, e...

Au cours de l’année en cours, le monde est confronté à une urgence sanitaire, la pandémie causée par le nouveau coronavirus, le Sars-CoV2. Même si, jusqu’à aujourd’hui, de nombreux aspects concernant la physiopathologie de l’infection à COVID-19 ne sont toujours pas clairs, il partage plusieurs caractéristiques avec ses « ancêtres » le SRAS1 et le MERS. En particulier, il a été prouvé que les protéines de pointe virion interagissent avec l’angiotensine convertissant enzyme type-2, un récepteur bien représenté sur les cellules endothéliales alvéolaires, mais omniprésent dans l’organisme humain, ayant ainsi la potentialité de donner des symptômes systémiques1.
Pour le diagnostic, la norme actuelle est la réaction en chaîne inverse de transcriptase-polyméseau en temps réel (rt-PCR), un essai exécuté sur des écouvillons pharyngéal. Bien que l’imagerie radiologique ne soit pas officiellement reconnue dans la voie diagnostique pour la détection de la maladie, la tomographie calculée à haute résolution (HRCT) s’est avérée être une aide précieuse à la gestion clinique et épidémiologique des patients affectés, en raison de la sensibilité relativement faible du rt-PCR, de la rareté actuelle des laboratoires spécialisés et des reagents nécessaires, et de la forte dépendance de l’opérateur.
La Radiological Society of North America (RSNA) a publié une déclaration consensuelle, approuvée par la société de radiologie thoracique et l’American College of Radiology (ACR), qui classe l’apparition du CT de COVID19 en quatre catégories afin de normaliser le rapport, en divisant les schémas interstitiels de pneumonie en « typiques », « atypiques », « indéterminés » et « négatifs »2.
Le modèle « typique » se caractérise par la présence d’opacities de verre moulu (GGO) en forme ronde, généralement avec un emplacement sub pleural sur les segments basaux dorsal. Le GGO peut être associé à des zones de « pavage fou » de septa épaissie, ou à d’autres signes d’organisation de la pneumonie. Le modèle « indéterminé » est caractérisé par l’absence des résultats « typiques » de modèle, avec les secteurs diffus de GGO avec une distribution périhilar, avec ou sans secteurs consolidants. Le modèle « atypique » se caractérise soit par l’absence des signes « typiques » ou « indéterminés », soit par la présence de consolidations de lobar, d'« arbre en bourgeon », d’épaississement lisse de la septa et de l’effusion pleurale; dans cette présentation, aucun GGO n’est détectable. Le modèle « négatif » est caractérisé par l’absence des résultats pathologiques susmentionnés.
Selon la littérature, quelques patients peuvent présenter avec un suspect clinique élevé de COVID-19 soutenu par des critères épidémiologiques et la conclusion de formation image avec rt-PCRnégatif 3,4. D’autre part, il a été rapporté que les patients présentant un rt-PCR positif et des résultats cliniques suggestifs, ne présentent pas de résultats pathologiques sur HRCT5.
Aujourd’hui, il est d’un intérêt primordial pour la communauté scientifique d’appliquer des techniques d’analyse d’image lors de l’étude quantitative des caractéristiques de cette maladie. Une étude récente a appliqué la technique automatisée de segmentation du parenchyme de poumon pour identifier le pourcentage de poumon aéré dans les patients affectés par COVID-19, corrélant cette valeur avec le pronostic, et démontrant que les patients présentant une participation pulmonaire plus grave ont présenté plus de risque d’être admis dans l’unité de soins intensifs (ICU), et ayant de pires résultats6.
La segmentation est le contournement des régions d’intérêt (IDH) à l’intérieur d’un volume acquis au moyen d’une technique d’imagerie, comme le TDHC. Cette activité peut être effectuée par trois méthodes : manuelle, semi-automatique et automatique. La segmentation manuelle, grâce à l’expérience d’un radiologue qualifié, consiste à étiqueter les voxels appartenant à la zone pathologique. Les principaux inconvénients de cette méthode sont la grande quantité de temps nécessaire et le fait qu’elle dépend de l’opérateur.
Les méthodes semi-automatiques permettent d’accélérer la segmentation car l’opérateur peut modifier un masque de segmentation obtenu grâce aux méthodes classiques de traitement d’image (p. ex., seuil sur l’intensité des pixels, regroupement, etc.). Cependant, ces techniques ne sont pas faciles à mettre en œuvre dans la pratique clinique car elles nécessitent une intervention manuelle étendue dans les cas les pluscompliqués 18.
Les méthodes de segmentation automatique, actuellement d’une utilisation limitée, utilisent l’intelligence artificielle pour obtenir des IA. En particulier, une étude récente vise à utiliser la segmentation automatique dans la quantification des zones de verre moulu chez les patients souffrant de pneumonie interstitielle COVID-1919. La définition d’un protocole de segmentation pour les zones pathologiques sur les images HRCT est la véritable première étape vers l’analyse radiomique ultérieure, afin d’identifier les caractéristiques qui pourraient aider à mieux comprendre la physiopathologie de la maladie, et servir de facteur pronostique précis potentiellement influencer le traitement.
Cet article offre un guide pour obtenir des segments précis et efficaces représentant les résultats pathologiques de la pneumonie COVID-19 à l’aide de « Trancheur 3D »7,8,9,10.

<table><tbody><tr><td>CT Scanner</td><td>General Electrics Healthcare</td><td>64-MDCT VCT lightSpeed</td><td>Le scanner CT utilisé pour les acquisitions HRCT</td></tr><tr><td>Ordinateur de bureau</td><td>ThinkCentre</td><td></td><td>L’ordinateur utilisé pour télécharger les fichiers DICOM et exécuter 3D Slicer</td></tr></tbody></table>

segmentation de la tomodensitaire pulmonaire pour identifier les consolidations et les zones de verre moulu pour l’assesment quantitatif de la pneumonie sras-cov

Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia

La segmentation est une tâche complexe, à laquelle sont confrontés les radiologistes et les chercheurs à mesure que la radiomics et l’apprentissage automatique augmentent en potentialité. Le processus peut être automatique, semi-automatique ou manuel, le premier n’étant souvent pas suffisamment précis ou facilement reproductible, et le dernier étant excessivement long lorsqu’il s’agit de grands districts avec des acquisitions à haute résolution.
Un CT haute résolution de la poitrine est composé de centaines d’images, ce qui rend l’approche manuelle excessivement longue. En outre, les modifications parenchymales exigent une évaluation experte pour être discernée de l’aspect normal ; ainsi, une approche semi-automatique du processus de segmentation est, à notre connaissance, la plus appropriée lors de la segmentation des pneumonies, surtout lorsque leurs caractéristiques sont encore inconnues.
Pour les études menées dans notre institut sur l’imagerie de COVID-19, nous avons adopté 3D Slicer, un logiciel freeware produit par l’Université Harvard, et combiné le seuil avec les instruments de pinceau pour atteindre une segmentation rapide et précise du poumon aéré, des opacities en verre moulu et des consolidations. Face à des cas complexes, cette méthode nécessite encore beaucoup de temps pour des ajustements manuels appropriés, mais fournit un moyen extrêmement efficace de définir les segments à utiliser pour une analyse plus approfondie, comme le calcul du pourcentage du parenchyme pulmonaire affecté ou l’analyse de la texture des zones de verre moulu.

La méthode proposée a été affinée par des essais et des erreurs, la testant sur 117 patients affectés par la pneumonie COVID-19 avec un test rt-PCR positif.
Après une courte courbe d’apprentissage, le temps nécessaire pour obtenir les segments peut varier de 5 à 15 minutes, selon le modèle de présentation.
Comme le montre la figure 1,la méthode donne des segments précis : on peut l’observer en repérageant la correspondance exacte avec le HRCT. Le re...

L’objectif de ce protocole est de fournir un moyen efficace dans le temps de segmenter les volumes d’intérêt sur les tomodensitogrammes haute résolution à utiliser pour une analyse radiomique plus poussée.

Segmentation de la Tomodensitaire pulmonaire pour identifier les consolidations et les zones de verre moulu pour l’assesment quantitatif de la pneumonie SRAS-CoV

Segmentation is a complex task, faced by radiologists and researchers as radiomics and machine learning grow in potentiality. The process can either be ...

Depuis l’éclosion de la nouvelle pandémie de maladie coronavirus, une méthode simple et efficace utile pour obtenir une segmentation appropriée des lésions pathologiques typiques de cette infection dans les images de balayage de CT de coffre semble fondamentale. Ainsi, notre objectif est d’offrir un pack de démarrage de connaissances afin de permettre aux gens d’effectuer une segmentation facile et efficace de ces résultats pathologiques pulmonaires. Espérons que cela aidera la communauté scientifique à développer des études de radiomics et d’intelligence artificielle dédiées qui pourraient améliorer l’approche diagnostique de ces patients.À partir du navigateur DICOM de 3D Slicer, sélectionnez l’étude que vous souhaitez segmenter et cliquez sur Charge. Vous pouvez consulter le cas sélectionné dans la section spectateur. Comme vous pouvez le voir, ce patient se présente avec des opacities de verre moulu bilatéralement et les zones consolidatives, qui est un cas typique de COVID-19.Ensuite, allez à la section Segment, et ajoutez trois segments, un pour le volume total des poumons, un pour les opacities de verre moulu, et un pour les zones de consolidation. Allez à l’instrument Threshold et fixez le seuil supérieur à moins 250 unités Hounsfield. Trier pour sélectionner uniquement l’air et en laissant de côté les tissus mous, les os et les zones de consolidation de même, que le système ne peut pas discerner automatiquement à partir des tissus mous, puis cliquez pour appliquer.Ensuite, vous voulez enlever l’air à l’extérieur du patient, et pour ce faire, utiliser l’outil île et aller à Garder seulement l’île sélectionnée. Puis cliquez à l’intérieur du patient. Vous voyez que l’air extérieur a été enlevé.Maintenant, vous voulez ajouter les zones consolidatives au volume total des poumons. Pour ce faire, utilisez l’instrument Paint avec le réglage de la brosse Sphere, en ajustant la taille à vos besoins et en prenant soin d’éviter les tissus mous. Avec le pinceau Sphere, vous peignez de haut en bas par rapport à la tranche sur laquelle vous travaillez, ce qui accélère le processus.Maintenant, vous voulez segmenter les zones de consolidation. Pour ce faire, assurez-vous de travailler à l’intérieur du volume total des poumons sans une variété d’autres segments. À l’aide de l’instrument Threshold, augmentez le seuil supérieur pour vous assurer d’inclure les tissus mous et les consolidations, et fixez le seuil inférieur à moins 250.Notez que vous sélectionnez à la fois les tissus mous, les vaisseaux et la consolidation, mais lorsque vous cliquez sur Appliquer, seules les zones de consolidation ont été sélectionnées. Maintenant, pour segmenter les zones de verre moulu, vous sélectionnez le segment de verre moulu. En conservant les paramètres de la segmentation précédente, fixez le seuil de moins 750 à moins 250 unité Hounsfield.Notez que ces valeurs peuvent varier en fonction des paramètres de tomodensitométrie. Toujours ajuster selon la définition fleischner société de verre moulu. Choisissez une opacité avec ce vaisseau visible en vue.Ensuite, cliquez sur Appliquer. Vous remarquerez que des espaces interstitiels ont également été sélectionnés. Pour vous ajuster, rendez-vous à l’instrument Smooth.Sélectionnez le siège qui convient le mieux à l’algorithme de construction de votre tomodensitométrie. Et comme vous pouvez le voir, les espaces interstitiels ont été supprimés. Vous pouvez vérifier les résultats de votre segmentation allant à Segment Editor, et vous pouvez afficher un modèle 3D des segments que vous avez définis.Vous pouvez utiliser le curseur sur le côté gauche pour ajuster la transparence du modèle. La vue 3D peut être utilisée pour confirmer le processus de segmentation correct. Nous avons maintenant trois segments distincts, l’un pour le volume total des poumons, et les deux autres pour les résultats typiques des consolidations COVID-19 et des zones de verre moulu.Vous pouvez extraire quelques statistiques du segment que vous avez défini en raison du module SegmentStatistics. Retirez l’option Scalar Volume, puis vous avez une table exprimant le volume du poumon total et les zones de consolidation et les zones de verre moulu. Vous pouvez l’utiliser pour calculer la gravité de la maladie.Vous pouvez également exporter le segment que vous avez défini. Vous pouvez vous rendre à la section Données. Ensuite, ne rendre visible que le segment que vous souhaitez exporter, en cliquant sur l’icône de l’œil.Ensuite, cliquez à droite et exportez labelmap binaire seulement visible. Vous pouvez rester le labelmap comme vous le préférez. Vous devez répéter le processus pour chaque segment que vous avez défini.Ce faisant, vous avez maintenant trois cartes d’étiquettes correspondant au segment que vous avez défini. Cela peut être exporté dans n’importe quel type de fichier que vous préférez ou convient le mieux pour une analyse plus approfondie. Plus. Avec ces méthodes, les chercheurs peuvent rapidement obtenir une segmentation précise pour les résultats pathologiques de COVID-19 pour lesquels des caractéristiques spécifiques peuvent être extraites.En fournissant ces connaissances à la communauté scientifique, des méthodes de segmentation précises et entièrement automatisées peuvent être développées et des facteurs pronostiques précis peuvent être déterminés.

lung-ct-segmentation-to-identify-consolidations-ground-glass-areas

Research

Recherche

JoVE Journal

Medicine

Médecine

Compte tenu du principe des 3 r, modèles respiratoires comme des alternatives aux études sur les animaux évoluent. Surtout pour l’évaluation des risques des substances respiratoires, il y a un manque d’essais appropriés. Nous décrivons ici l’utilisation de tranches de poumon humain de coupe de précision pour l’évaluation des substances véhiculées.

Évaluation de la cytotoxique et effets immunomodulateurs de Substances dans des tranches de poumon humain de coupe de précision

L’échographie pulmonaire est un outil non invasif et précieux pour chevet évaluation des maladies pulmonaires néonatales. Cependant, un manque relatif d’étalons de référence, des protocoles et des directives peut limiter son application. Ici, nous visons à développer un protocole de diagnostic échographie pulmonaire néonatale normalisés à utiliser dans la prise de décisions clinique.

Protocole et Guidelines for Point-of-Care poumon échographie dans le diagnostic des maladies pulmonaires néonatales basés sur un Consensus d’experts internationaux

Ici, nous présentons des recommandations pratiques pour effectuer la tomographie calculée à haute résolution thoracique pour diagnostiquer et évaluer la maladie pulmonaire interstitielle systémique liée à la sclérose.

Caractéristiques d’imagerie de la sclérose systémique associée à la maladie pulmonaire interstitielle

L’échographie au point de service (POCUS) des poumons fournit des réponses rapides dans des scénarios cliniques en évolution rapide. Nous présentons un protocole efficace et informatif pour l’acquisition d’images à utiliser dans les milieux de soins actifs.

Échographie pulmonaire au point de service chez les adultes : acquisition d’images

L’objectif de cette étude est de développer un nouveau modèle numérique 3D des nodules pulmonaires qui sert de pont de communication entre les médecins et les patients et constitue également un outil de pointe pour le prédiagnostic et l’évaluation pronostique.

Un modèle numérique 3D pour le diagnostic et le traitement des nodules pulmonaires

Cette étude introduit une méthode de reconstruction tridimensionnelle (3D) pour l’ensemble du poumon chez les patients présentant des nodules pulmonaires multiples précoces. Il offre une visualisation complète de la distribution des nodules et de leur interaction avec le tissu pulmonaire, simplifiant ainsi l’évaluation du diagnostic et du pronostic pour ces patients.

Reconstruction tridimensionnelle de l’ensemble du poumon avec des nodules pulmonaires multiples précoces

La TDM et l’IRM 129Xe fournissent des informations complémentaires sur la structure et la fonction pulmonaires qui peuvent être exploitées pour l’analyse régionale à l’aide du recalage d’images. Ici, nous fournissons un protocole qui s’appuie sur la littérature existante pour le recalage d’images 129Xe MR vers CT à l’aide de plates-formes open source.

Imagerie pulmonaire multimodale : utilisation d’informations complémentaires provenant de la TDM et de l’IRM hyperpolarisée 129Xe pour évaluer la structure et la fonction pulmonaires

Ici, nous présentons un protocole pour utiliser la micro-tomodensitométrie (micro-TDM) pour quantifier les régions ventilées dans un modèle de fibrose pulmonaire unilatéralement induite par la bléomycine via une instillation intratrachéale du côté lésionnel.

Analyse unilatérale du volume pulmonaire à l’aide de la micro-tomodensitométrie pour une évaluation améliorée de la fibrose pulmonaire dans des modèles précliniques

Ici, nous présentons un protocole pour l’application du POCUS au chevet dans la gestion de l’ARDS au sein de l’USI. Il détaille des techniques standardisées pour les évaluations pulmonaires, cardiaques, diaphragmes, veineuses et gastriques afin de guider la ventilation, prédire le sevrage et prévenir les complications.

L’application de l’échographie au point de soins (POCUS) dans la prise en charge du syndrome de détresse respiratoire aiguë (SDRA) en unité de soins intensifs

La pneumonie est l'une des dix principales causes de décès dans les techniques de manipulation des États-Unis en ostéopathie (OMT) peut être utilisé comme traitement d'appoint dans le traitement de la pneumonie à améliorer la fonction biomécanique et immunitaire; et, finalement, de réduire séjour à l'hôpital, la durée des antibiotiques, l'incidence de l'insuffisance respiratoire, et la mortalité. Dans cette vidéo, article, nous passerons en revue les études randomisées et contrôlées sur...

Traitement ostéopathique comme outil d&#39;appoint utile pour la pneumonie

Apprenez la segmentation tomodensitométrique pulmonaire pour identifier consolidations et zones de verre dépoli dans la pneumonie COVID-19. Cette méthode facilite l'analyse radiomique et améliore le diagnostic.

Segmentation de la Tomodensitaire pulmonaire pour identifier les consolidations et les zones de verre moulu pour l’assesment quantitatif de la pneumonie SRAS-CoV (Vidéo) | JoVE Journal

Segmentation de la Tomodensitaire pulmonaire pour identifier les consolidations et les zones de verre moulu pour l’assesment quantitatif de la pneumonie SRAS-CoV

Explorer plus de vidéos