Summary
Bu protokolün amacı, daha fazla radyomik analiz için kullanmak üzere yüksek çözünürlüklü CT taramalarına olan ilgi hacimlerini segmente etmek için zaman etkin bir yol sağlamaktır.
Abstract
Radyomik ve makine öğrenimi potansiyel olarak büyüdükçe segmentasyon radyologlar ve araştırmacılar tarafından karşı karşıya karmaşık bir görevdir. İşlem otomatik, yarı otomatik veya manuel olabilir, ilki genellikle yeterince hassas veya kolayca tekrarlanabilir değildir ve son olarak yüksek çözünürlüklü satın almalarla büyük bölgeleri dahil ederken aşırı zaman alıcı dır.
Göğsün yüksek çözünürlüklü CT görüntüleri yüzlerce oluşur ve bu aşırı zaman alıcı manuel yaklaşım yapar. Ayrıca, parenkimal değişiklikler normal görünümden ayırt edilmesi için bir uzman değerlendirmesi gerektirir; bu nedenle, segmentasyon sürecine yarı otomatik bir yaklaşım, bildiğimiz kadarıyla, en uygun pnömoni segmentasyon, özellikle özellikleri hala bilinmemektedir.
COVID-19'un görüntülenmesi üzerine enstitümüzde yapılan çalışmalar için Harvard Üniversitesi tarafından üretilen bir yazılım olan 3D Slicer'ı benimsedik ve eşik ile boya fırçası aletlerini birleştirerek havalandırılmış akciğerin, zemin cam opaklıklarının ve konsolidasyonların hızlı ve hassas segmentasyonunu elde ettik. Karmaşık durumlarda karşı karşıya, bu yöntem hala uygun manuel ayarlamalar için önemli miktarda zaman gerektirir, ancak etkilenen akciğer parankim veya zemin cam alanların doku analizi yüzdesi hesaplama gibi daha fazla analiz için kullanılacak segmentleri tanımlamak için son derece verimli bir ortalama sağlar.
Introduction
Bu yıl, dünya bir sağlık acil karşı karşıya, roman Coronavirus, Sars-CoV2 neden pandemik. Bugüne kadar COVID-19 enfeksiyonunun fizyopatolojisi ile ilgili pek çok yönü hala belirsiz olsa da, "ataları" SARS1 ve MERS ile çeşitli özellikleri paylaşmaktadır. Özellikle, bu virion başak proteinleri Anjiyotensin Dönüştürücü Enzim Type-2 ile etkileşim kanıtlanmıştır, iyi alveoler endotel hücreleri üzerinde temsil edilen bir reseptör, ama insan organizmasında her yerde, böylece sistemik belirtiler vermek potansiyeline sahip1.
Tanı için, mevcut standart gerçek zamanlı ters transkriptaz-polimeraz zincir reaksiyonu (rt-PCR), faringeal bezleri üzerinde yapılan bir testtir. Radyolojik görüntüleme hastalığın saptanması için tanı salada resmen tanınmasa da, rt-PCR'nin nispeten düşük duyarlılığı, özel laboratuvarların ve gerekli reaktiflerin mevcut azlığı ve yüksek operatör bağımlılığı nedeniyle, yüksek çözünürlüklü bilgisayarlı tomografi (HRCT) etkilenen hastaların klinik ve epidemiyolojik yönetimine değerli bir yardımcı olduğunu kanıtlamıştır.
Kuzey Amerika Radyoloji Derneği (RSNA), Torasik Radyoloji derneği ve Amerikan Radyoloji Koleji (ACR) tarafından onaylanan ve raporlamayı standartlaştırmak için COVID19'un CT görünümünü dört kategoriye ayıran ve interstisyel pnömoni modellerini "tipik", "atipik", "tanımlanmamış" ve "negatif"2olarak ikiye ayıran bir konsensüs bildirisi yayınladı.
"Tipik" desen yuvarlak şekilli Zemin Cam Opacities varlığı ile karakterizedir (GGO), genellikle dorsal bazal segmentleri üzerinde bir alt plevral konumu ile. GGO kalınlaşmış septa "Crazy Kaldırım" alanları ile ilişkili olabilir, ya da pnömoni organize diğer belirtileri. "Tanımlanmamış" desen, konsolide alanlar olan veya olmayan perihiler dağılımlı diffüz GGO alanları ile "tipik" desen bulgularının yokluğu ile karakterizedir. "Atipik" desen ya "tipik" ya da "tanımlanmamış" işaretlerin yokluğu ve lobar konsolidasyonlarının varlığı, "tomurcuktaki ağaç" ile karakterizedir, septanın düzgün kalınlaşması ve plevral efüzyon; Bu sunumda hiçbir GGO saptanamaz. "Negatif" desen yukarıda bahsedilen patolojik bulguların yokluğu ile karakterizedir.
Literatüre göre bazı hastalarda covid-19'un yüksek klinik şüphelisi epidemiyolojik kriterler ve negatif rt-PCR3,4ile görüntüleme bulgusu ile desteklenebilir. Öte yandan, pozitif rt-PCR ve düşündürücü klinik bulguları olan hastaların HRCT5'tepatolojik bulgular sunmadığı bildirilmiştir.
Günümüzde, bu hastalığın özelliklerini nicel olarak incelerken bilim camiasının görüntü analizi tekniklerini uygulaması son derece önemlidir. Yakın zamanda yapılan bir çalışmada, COVID-19 etkilenen hastalarda gazlı akciğer yüzdesini belirlemek için akciğer parankim otomatik segmentasyon tekniği uygulanmıştır, prognoz ile bu değeri korelasyon, ve daha ciddi bir akciğer tutulumu olan hastalarda Yoğun Bakım Ünitesi 'nde kabul edilme riski daha fazla sundu gösteren (Yoğun Bakım Ünitesi), ve daha kötüsonuçlarasahip 6 .
Segmentasyon, HRCT gibi bir görüntüleme tekniği ile edinilen bir hacim içinde ilgi bölgelerinin (ROI) konturlanmasıdır. Bu etkinlik üç yöntem ekibe rağmen gerçekleştirilebilir: manuel, yarı otomatik ve otomatik. Manuel segmentasyon, eğitimli bir radyolog deneyimi sayesinde, patolojik alana ait voxels etiketleme oluşur. Bu yöntemin temel dezavantajları, gereken büyük zaman miktarı ve operatöre bağlı olmasıdır.
Yarı otomatik yöntemler, operatör klasik görüntü işleme yöntemleri (örn. piksel yoğunluğu, kümeleme vb.) yoluyla elde edilen bir segmentasyon maskesini değiştirebildiği için segmentasyonun hızlandırılmasına olanak tanır. Ancak, bu tekniklerin klinik uygulamada uygulanması kolay değildir, çünkü en karmaşık olgularda kapsamlı manuel müdahale gerektirmektedir18.
Otomatik segmentasyon yöntemleri, şu anda sınırlı kullanım, ROI elde etmek için yapay zeka kullanır. Özellikle, yakın zamanda yapılan bir çalışmada COVID-19 interstisyel pnömoni19olan hastalarda zemin cam alanlarının sayısallaştırılmasında otomatik segmentasyon kullanmayı amaçlamaktadır. HRCT görüntüleri üzerinde patolojik alanlar için bir segmentasyon protokolü tanımı daha fazla hastalığın fizyopatoloji anlamak için yardımcı olabilecek özellikleri belirlemek için, sonraki radyomik analizi doğru gerçek ilk adımdır, ve doğru bir prognostik faktör potansiyel tedavi etkileyen olarak hizmet vermektedir.
Bu yazı "3D Slicer"7,8,9,10kullanarak COVID-19 pnömoni patolojik bulgularını temsil eden doğru ve verimli segmentleri elde etmek için bir rehber sunuyor.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Bu protokol, kurumsal insan araştırma etik komitesinin yönergelerini izler.
1. DICOM görüntülerini indirme
- DICOM görüntülerini indirin ve 3D yazılım yüklü olan segmentasyona adanmış iş istasyonunda aktarın. Kişisel bir bilgisayarda çalışmayı planlıyorsanız, DICOM verilerini anonimleştirin.
2. 3D Slicer yazılımı üzerinde HRCT çalışma alma
- Yazılım açılış ekranında (açılan menüdeki Dilimleyiciye Hoş Geldiniz bölümüne karşılık gelen) DICOM Verilerini Yükle'yiseçin. Alternatif olarak, araç çubuğunun sol üst köşesindeki DCM simgesini seçin.
- DICOM Tarayıcı panelinin sol üst köşesinde Içe Aktar'ıseçin ve ardından HRCT çalışmasının konumunu seçin. DCM görüntüleri içeren klasörü seçin ve sonra Içe Aktar'ıseçin.
- HRCT çalışması başarıyla içe aktarıldığına göre, Yükle düğmesine tıklayın.
3. Segmentleri Oluşturma
- Açılan menünün Segmentasyonlar bölümünde veya doğrudan açılır menünün Segmentasyon bölümünde bulunan alt bölüm Segment Düzenleyicisi'nde veya yine araç çubuğunda özel bir simge olarak segmentler oluşturun.
- Master Volume'in yanındaki açılır menüde HRCT çalışmasını seçin.
- Ekle'yi seçin ve otomatik olarak Segment 1, 2 ve 3olarak adlandırılacak üç yeni segment oluşturun. Her birine çift tıklayın ve sırasıyla "tlv" (Total Lung Parenchyma), "ggo" (Ground Glass Opacities) ve "cons" (Konsolidasyonlar) olarak yeniden adlandırın. HRCT çalışmasında plevral efüzyon, akciğer kanseri, fibrotik alanlar vb. ek patolojik bulgular bir arada bulunursa, ek segmentler oluşturur. Aynı şey eserler için de geçerlidir.
4. TLP segmentinin tanımı
NOT: GGO ve CD segmentlerinin tanımı sırasında HRCT'nin maskelemesi için kullanılacağı ndan, TLP segmentinin doğru bir tanımı esastır.
- İlk adım olarak, Segment Düzenleyicisi bölümünde, TLP segmentini seçtikten sonra Eşik aracını seçin.
- Sağlıklı akciğer parankim ve zemin cam opacities hem de içerecek kadar büyük bir eşik ayarlayın. GGO ders kitabı tanımına uymak için gerekli ayarlamalar ile bilimsel literatürde bildirilen değerleri kullanarak, biz -1000 HU ve -250 HU arasındaki eşik ayarıiyi6, 14,15,16,17çalışır bulundu. Ardından Uygula'yıseçin.
- Bu kadar tanımlanan segment hem akciğerlerin içindeki havayı hem de göğüs dışındaki havayı (yani hastanın dışındaki havayı) içerecektir. Amacıyla akciğer parankim izole etmek için, Segment Düzenleyicibulunan Adalar aracını kullanın , ve seçilen ada tutunseçin. Göğüs dışında bir şey segment dışında olacak, böylece göğüs içinde sol tıklayın.
- Ardından, TLP segmentinde herhangi bir konsolidasyon alanı ekleyin. Konsolidasyonlar genellikle zayıflama değerlerine (Hounsfield Birimleri: HU) göğüs duvarı ve mediasten oluşturan yumuşak dokulara benzer. Bu nedenle Threshold aracı bu amaçla kullanılamıyor ve segment düzenleyicisinde bulunan Makas ve Boya araçları kullanılarak konsolidasyonların el ile eklenmesi gerekecektir.
- Segmente akciğer parankim bölümlerini eklemek için Makas aracını kullanın. İçi Doldur işlemini seçin, şekil olarak Serbest Form'u ve dilim kesim olarak Simetrik'i seçin. Konsolidasyon boyutuna uygun bir kalınlık seçin (örneğin, 3 ila 20 mm); ve sonra, konsolidasyon tamamen dahil edilene kadar, TLP'nin küçük kısımlarını kademeli olarak eklemeye başlayın.
- Paint aracının kullanımı daha kolay ve bazen daha hızlıdır, ancak dahil edilecek alana bağlı olarak daha az hassas olabilir. Küre Fırçası seçeneği etkin olduğunda, bu araç segmente akciğer parankiminin 3Boyutlu bölümlerini ekleyebilir. Fırçanın boyutu kolayca değiştirilebilir.
- TLP segmentine konsolidasyonlar eklerken, torasik duvar veya mediasten bölümlerini içermez. Bu durum, arka torasik duvara bitişik COVID19 konsolidasyonlarından etkilenen hastalarda oldukça yaygın olduğu için bu durum zor olabilir. Segmentasyonu düzeltmek için Sil aracını kullanın veya son eylemi atmak için Geri A'yı seçin.
- Bu aşamada, segmentasyonun el ile bölümü sırasında oluşmuş olabilecek küçük kusurları silmek için bir kez daha düzleme algoritmasını kullanın. Şimdi TLP segment tanımı tamamlandı.
5. GGO segmentinin tanımı
- GGO kesimini tanımlamak için eşik aracını kullanın.
- GGO segmentini seçin.
- -750 HU ve -150 HU arasındaki eşiği ayarlayın.
- Uygula'yıseçmeden önce, hemen altındaki Maskeleme bölümüne gidin ve Editable Area açılır menüsünden TLP'yi seçin. Diğer Kesim açılır menüsünde, Yok'useçin. Bu son derece önemlidir, atlanırsa, bir kez GGO segmenti tanımlanan, aynı zamanda TLP segmenti değiştirilsin. TLP kesimi diğer tüm segmentlerin tanımlandığı maske olduğundan, bu durum kaçınılmalıdır.
- Şimdi Uygula'yıseçin.
- Bu noktada muhtemelen bir kez daha yumuşatma algoritması kullanmak için gerekli olacak, tüm küçük damarlar ve segmentten zemin cam benzer bir yoğunluğa sahip fizyolojik interstisyel elemanları dışlamak için. 3 mm'lik bir Çekirdek boyutuyla başlayın ve gerekirse kademeli olarak maksimum 6-7 mm'ye yükseltin. Çekirdek boyutunu çok fazla artırmanın, GGO segmentinin dışında bırakılacak olan küçük zemin cam alanlarının kaybını belirleyebileceğini unutmayın. Bu nedenle, yumuşatma algoritması uygun dikkatli kullanılmalıdır.
- Bu durumda da, Boya, Makas ve Silme aracı ile gerekli düzeltmeleri uygulayın. Bu aşamada segment içinde "zemin cam" alanlara bitişik göğüs duvarı bölümleri dahil önlemek için HER zaman TLP maskesi aktif tutmak unutmayın. Bunun nedeni, hatalı olarak bölümlere ayrılmıştır, bunlar otomatik olarak dışlanır.
- Bu segmenti elde ederken, ocak ve diyafram hareketleri tarafından oluşturulan eserlerin olası varlığı na dikkat (hasta muayene sırasında nefesini tutamadı eğer bu olur). TlP segmentinde mevcut ve daha önce yer alıyorsa, bu yapıları örneğin Seçili Adayı Kaldır seçeneğiyle Adalar aracı aracılığıyla veya Makas ve Sil araçlarını kullanarak "zemin camı" segmentinden ortadan kaldırın. Çalışmanın amacına bağlı olarak, eserler özel bir segment kullanılarak ayrı ayrı ayrılabilir veya TLP segmentine dahil edilebilir ve diğer segmentlerden dışlanabilir. Şimdi GGO segmenti tanımlanmıştır.
6. CD segmentinin tanımı
- CD segmentini tanımlamak için, GGO segmentini tanımlamak için aynı şekilde devam edin.
- CD segmentini seçin. TLP maskeleme ile her zaman etkin çalıştığınızdan emin olun.
- Yeterli bir eşik ayarlayın. Konsolidasyonlar için aralık kabaca -150 HU ile 100 HU arasında değişir.
- Gerektiğinde Çekirdek boyutunu değiştirerek düzgünleme algoritması uygulayın.
- Büyük damarlar, plevral efüzyonlar, eserler, disventilasyon bantları ve COVID ile ilgili olmayan diğer lezyonlar hariç, segment içinde sadece gerçek konsolidasyonlar tutmak için makas, Boyave Adalar araçlarının bir arada kullanın.
- Gerekirse, son bir yumuşatma uygulayın.
7. Segmentleri kaydetme
- Segmentleri ".nrrd" dosyası olarak kaydedin veya "Veri" modülünden ikili etiket eşlenere dönüştürün.
8. Tanımlanan segmentlerden hacimlerin ayıklanması.
- Segment İstatistikleri modülünden, segmentlerin hacmi ve yüzeyleri hakkında ayrıntılı bir tablo edinin.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Önerilen yöntem, covid-19 pnömonisi pozitif rt-PCR testi ile etkilenen 117 hastaüzerinde test edilerek denemeler ve hatalar la geliştirildi.
Kısa bir öğrenme eğrisisonra, segmentleri elde etmek için gerekli zaman sunum desenine bağlı olarak, 5 ila 15 dakika arasında değişebilir.
Şekil 1'degösterildiği gibi, yöntem kesin segmentler verir: Bu HRCT ile tam yazışma fark edilerek görülebilir. 3B oluşturma, yazışmaların değerlendirilmesine ve segmentasyon sonuçlarının hızla gözden geçirilmesine yardımcı olur. Etkilenen akciğer parankim miktarının kantitatif bir değerlendirme elde edilebilir, Colombi ve ark.6 ve Lanza ve ark.13bildirilen sonuçları çoğaltmak için .
Şekil 1: Temsili sonuç hacmi ve yüzey analizi. 3B Slicer arabiriminden ekran görüntüsü, etkilenen akciğer parankiminin hacmini nicel olarak değerlendirmek için kullanılabilecek "Segment İstatistikleri" modülünden elde edilen sonuçları temsil eder. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Segmentasyon modern nicel radyoloji çalışmaları gerçekleştirmek için temel bir adım temsil eder ve radyomik veya doku analizi teknikleri uygulamak için gereklidir. Akciğerlerdeki patolojik bulgular, tanımlanmış anatomik sınırların olmaması ve sağlıklı bölgelere kıyasla zayıflama değerinin küçük bir fark olması nedeniyle segmentin de en zorlu larından birini temsil eder.
Kaynak görüntüleri, özellikle patolojik alanlarda, mümkünse eserler en az sunmak gerekir ve bu bazen nefes tutma ödün veren bir hastalık incelerken elde etmek zordur; bu nedenle, araştırmacılar tehlikeye HRCTs hariç veya daha fazla analiz ortadan kaldırılacak eserler adanmış bir segment tanımlayan düşünebilirsiniz.
Bu 3D Slicer bir uzantısı yüklemek mümkündür, denilen "göğüs görüntüleme platformu"11, hangi akciğer segmentlerinde daha hızlı, daha otomatik operasyonlar sağlar, aerated akciğer özellikle ilgi ile. GGO ve konsolidasyonlar bu yazıda incelenen patoloji nin durumu olan alt plevral dağılıma sahip olduğunda kapsamlı manuel müdahale gerektirdiğinden, bu yöntemin benimsenmemeye karar ver.
İnterstisyel akciğer hastalıkları için otomatik segmentasyon yöntemi bildirilmiştir12; buna rağmen, bu yöntem etkilenen alanların özellikleri hakkında daha önce bilgi sahibi olmak için gerekli. Bu çalışmada önerilen teknik, akciğerpatolojik bulgularının segmentasyonunda öğrenmesi kolay ve tekrarlanabilir bir yaklaşımı temsil eder, bu da otomatik olarak segment viral interstisyel akciğer hastalıklarının gelecekteki araçlarını sağlayabilecek ve doğru prognostik faktörleri temsil edebilir.
Önerilen segmentasyon yönteminin bazı sınırlamaları vardır.
Her şeyden önce, IŞ istasyonlarından DICOM görüntüleri indirme zaman değişken bir miktar gerektirebilir bir süreçtir, böylece hastaların çok sayıda için bunu yapmak zahmetli bir iş olabilir. Bu segmentasyon yönteminin klinik uygulamasına olası herhangi bir uygulaması, segmentasyon eklentilerinin PACS platformlarında yaygın olarak kullanılabilir hale geldiği noktaya kadar bu kritik sorunu göz önünde bulundurmalıdır.
İkinci olarak, eşzamanlı kronik akciğer hastalığı olan hastalarda COVID-19 ilişkili patolojik alanların segmentasyonu (örneğin, akciğer kanseri, akciğer fibrozisi, vb.) radyolojik bulguları COVID-19 desenlerinin tipik özelliklerinin aynı yoğunlukta olduğu bölgelerden oluşan hastalarda karmaşık olabilir. Aynı endişe solunum objeleri ile CT taramalarında dikkate alınmalıdır. Bu eserler COVID-19 enfeksiyonu olan hastalarda oldukça yaygındır, yaygın dispne ve solunum yetmezliği ile ilgili olan, özellikle yaşlı / orta yaşlı hastalarda.
Ayrıca, şiddetli interstisyel pnömoni olan hastalar (birçok akciğer konsolidasyonları ve deli kaldırım opacities ile karakterize) daha kapsamlı bir manuel segmentasyon ve sonuç olarak, zaman büyük miktarda gerektirir. Genel olarak, interstisyel pnömoni yüksek şiddeti, daha kapsamlı manuel segmentasyon gerekli, uzun segmentasyon süresi.
Ancak, Lanza ve Colombi tarafından önerilen olanlar gibi gelişmiş değerlendirme teknikleri tarafından sunulan hassasiyet derecesi standart klinik ve radyolojik değerlendirmeler20ile karşılaştırıldığında zaten ciddi akciğer koşulları olan hastalar hakkında sınırlı bilgi ekleyebilirsiniz.
Son olarak, 3D dilimleyici ile hiçbir deneyimi olmayan herhangi bir radyolog, sezgisel bir yazılım değildir ve baziler fonksiyonları bile hakim olmak için biraz zaman gerektirir gibi, yeterli bir eğitim süresi ihtiyacı olduğu unutulmamalıdır.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Yazarların hiçbirinin çıkar çatışması yok.
Acknowledgments
Bu çalışma Bologna Üniversitesi Radyoloji Bölümü'nün finansmanı ile desteklenmiştir.
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).
