Articolo metodologico

Ricostruzione tridimensionale per l'intero polmone con noduli polmonari multipli precoci

DOI:

10.3791/65786

⸱

13 ottobre 2023

 ,  ,  , 
1Beijing University of Chinese Medicine, 2Beijing Intelligent Entropy Science & Technology Co Ltd., 3Center for Integrated Chinese and Western Medicine, Beijing You An Hospital, Capital Medical University, 4Fever Outpatient Clinic, Dongzhimen Hospital of Beijing University of Chinese Medicine

In questo articolo

Sommario

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo studio introduce un metodo di ricostruzione tridimensionale (3D) per l'intero polmone in pazienti con noduli polmonari multipli precoci. Offre una visualizzazione completa della distribuzione dei noduli e della loro interazione con il tessuto polmonare, semplificando la valutazione della diagnosi e della prognosi per questi pazienti.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Per i pazienti con noduli polmonari multipli precoci, è essenziale, da un punto di vista diagnostico, determinare la distribuzione spaziale, le dimensioni, la posizione e la relazione con il tessuto polmonare circostante di questi noduli in tutto il polmone. Questo è fondamentale per identificare la lesione primaria e sviluppare piani di trattamento più scientificamente fondati per i medici. Tuttavia, i metodi di riconoscimento dei modelli basati sulla visione artificiale sono suscettibili di falsi positivi e falsi negativi e, pertanto, non possono soddisfare pienamente le richieste cliniche in questo senso. I metodi di visualizzazione basati sulla proiezione di massima intensità (MIP) possono illustrare meglio i noduli polmonari locali e individuali, ma mancano di una descrizione macroscopica e olistica della distribuzione e delle caratteristiche spaziali dei noduli polmonari multipli.

Pertanto, questo studio propone un metodo di ricostruzione 3D dell'intero polmone. Estrae il contorno 3D del polmone utilizzando la tecnologia di elaborazione delle immagini mediche sullo sfondo dell'intero polmone ed esegue la ricostruzione 3D del polmone, dell'arteria polmonare e di noduli polmonari multipli nello spazio 3D. Questo metodo è in grado di rappresentare in modo completo la distribuzione spaziale e le caratteristiche radiologiche di noduli multipli in tutto il polmone, fornendo un mezzo semplice e conveniente per valutare la diagnosi e la prognosi di noduli polmonari multipli.

Introduzione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

I noduli polmonari multipli precoci, che sono piccole escrescenze rotonde sul polmone, possono essere benigni o maligni 1,2,3. Sebbene i noduli polmonari solitari siano più facili da diagnosticare e trattare, i pazienti con noduli polmonari multipli precoci affrontano sfide diagnostiche e terapeutiche significative. Per sviluppare piani di trattamento efficaci, è essenziale identificare con precisione la distribuzione spaziale, le dimensioni, la posizione e la relazione con il tessuto polmonare circostante di questi noduli in tutto il polmone 4,5. I metodi diagnostici tradizionali hanno dei limiti nell'identificare con precisione i noduli polmonari multipli precoci.

I recenti progressi nella tecnologia di elaborazione delle immagini mediche e negli algoritmi di apprendimento automatico hanno il potenziale per migliorare l'accuratezza e l'efficienza del rilevamento e della diagnosi precoce dei noduli polmonari. Sono stati proposti vari approcci, come metodi di riconoscimento di pattern basati sulla visione artificiale e metodi di visualizzazione basati sulla proiezione di massima intensità (MIP)6,7,8,9,10. Tuttavia, questi metodi soffrono di limitazioni come i falsi positivi, i falsi negativi 11,12,13,14,15 e la mancanza di descrizioni macroscopiche e olistiche della distribuzione e delle caratteristiche spaziali dei noduli polmonari multipli precoci.

Per affrontare queste limitazioni, questo studio propone un metodo di ricostruzione 3D dell'intero polmone che utilizza la tecnologia di elaborazione delle immagini mediche per estrarre il contorno 3D del polmone sullo sfondo dell'intera scansione del torace. Il metodo esegue quindi la ricostruzione 3D del polmone, dell'arteria polmonare e dei noduli polmonari multipli precoci nello spazio 3D. Questo approccio consente una rappresentazione più completa e accurata della distribuzione spaziale e delle caratteristiche radiologiche dei noduli multipli precoci in tutto il polmone.

Il metodo proposto prevede diversi passaggi chiave. In primo luogo, le immagini mediche vengono importate nel software di elaborazione delle immagini 3D e la regione polmonare viene estratta utilizzando una tecnica di segmentazione basata sulla soglia. Successivamente, la regione polmonare estratta viene separata dalla parete toracica circostante e dalle strutture ossee delle vertebre toraciche. I primi noduli polmonari multipli e la loro relazione con i vasi sanguigni circostanti vengono quindi ricostruiti nello spazio 3D utilizzando algoritmi di proiezione di massima intensità (MIP). Infine, il modello 3D ricostruito del polmone, dell'arteria polmonare e dei noduli viene visualizzato per ulteriori analisi.

Questo metodo presenta diversi vantaggi rispetto ai metodi esistenti. A differenza dei metodi tradizionali che si basano su immagini 2D, questo metodo utilizza il volume 3D per fornire una rappresentazione più accurata e completa dei noduli polmonari multipli precoci. Il metodo supera anche i limiti dei falsi positivi e dei falsi negativi associati ai metodi di riconoscimento dei modelli e ai metodi di visualizzazione MIP. Inoltre, questo metodo fornisce una descrizione macroscopica e olistica della distribuzione e delle caratteristiche spaziali dei noduli polmonari multipli precoci, che è essenziale per lo sviluppo di piani di trattamento efficaci.

Il metodo proposto ha diverse potenziali applicazioni nella diagnosi e nel trattamento dei noduli polmonari multipli precoci. L'identificazione accurata della distribuzione spaziale e delle caratteristiche radiologiche dei noduli multipli precoci può aiutare nella diagnosi precoce e nel trattamento del cancro del polmone. Inoltre, il metodo può essere utilizzato per monitorare la progressione della malattia e valutare l'efficacia dei piani di trattamento.

I metodi di riconoscimento dei modelli 6,7,8 basati sulla visione artificiale si sono dimostrati promettenti nell'identificazione dei noduli polmonari, ma soffrono di limitazioni come falsi positivi e falsi negativi. I metodi di visualizzazione MIP, d'altra parte, forniscono una rappresentazione più accurata dei singoli noduli, ma mancano di una descrizione macroscopica e olistica della distribuzione e delle caratteristiche spaziali dei noduli multipli precoci. Il metodo di ricostruzione 3D dell'intero polmone proposto supera queste limitazioni e fornisce una rappresentazione più accurata e completa dei noduli polmonari multipli precoci.

La trasformazione Isovoxel16,17 si riferisce al processo di conversione di immagini 3D con diverse dimensioni di voxel in immagini 3D con dimensioni di voxel uniformi. Nel campo dell'elaborazione delle immagini mediche, i volumi 3D sono spesso composti da voxel di dimensioni variabili, che possono portare a problemi computazionali e di visualizzazione. Lo scopo della trasformazione isovoxel è quello di risolvere questi problemi ricampionando e interpolando i voxel nel volume 3D originale, ottenendo una nuova immagine 3D con dimensioni voxel coerenti. Questa tecnica trova applicazioni in vari contesti medici, tra cui la registrazione, la segmentazione e la visualizzazione delle immagini. Pertanto, questo studio ha proposto un metodo di ricostruzione 3D dell'intero polmone che utilizza la tecnologia di elaborazione delle immagini mediche per estrarre il contorno 3D del polmone sullo sfondo dell'intera scansione del torace. Il metodo fornisce una rappresentazione più accurata e completa della distribuzione spaziale e delle caratteristiche radiologiche dei noduli multipli precoci in tutto il polmone. Questo studio contribuisce allo sviluppo di strategie diagnostiche e terapeutiche più accurate ed efficaci per i pazienti con noduli polmonari multipli precoci.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Per il presente studio, è stata ottenuta l'autorizzazione etica dal Comitato etico dell'ospedale Dongzhimen, affiliato all'Università di medicina cinese di Pechino (DZMEC-KY-2019.90). In questo caso specifico, viene fornita una descrizione metodica dell'approccio di ricerca, delineando un caso che coinvolge una paziente di 65 anni con noduli polmonari multipli. Questa paziente ha fornito il consenso informato per la sua diagnosi attraverso la modellazione digitale e ha autorizzato l'uso dei suoi dati per scopi di ricerca scientifica. La funzione di ricostruzione del modello è derivata da uno strumento software disponibile in commercio (vedi Tabella dei materiali).

1. Preparazione dei dati e trasformazione isovoxel

  1. Preparazione dei dati DICOM (Digital Imaging and Communications in Medicine) e proprietà dei dati
    NOTA: La variazione dei parametri rimane relativamente inalterata dalla metodologia di ricerca.
    1. Copiare i dati DICOM del paziente in una directory di lavoro definita.
    2. Utilizzando il browser dei file, esaminare ciascuna directory di file per identificare la sequenza di immagini con il maggior numero di livelli di scansione per l'analisi.
    3. Utilizza la funzione Dicominfo all'interno di MATLAB fornendo file DICOM come parametri di input. In questo modo è possibile estrarre i parametri essenziali, come lo spessore della fetta e la spaziatura dei pixel, direttamente all'interno dell'ambiente MATLAB.
      NOTA: Questi parametri hanno un'importanza significativa nella configurazione della velocità di visualizzazione per il volume 3D. Nel caso del set di dati utilizzato in questo studio, lo spessore della fetta misurava 1 mm, la spaziatura dei pixel equivaleva a 0,7188 mm e sono stati scansionati un totale di 387 strati.
  2. Ordinamento corretto dei dati scansionati
    NOTA: La sequenza di ogni immagine deve essere ordinata per la costruzione del volume.
    1. Recupera i dati di posizione per ogni immagine utilizzando la funzione Dicominfo . Accedere alle informazioni sulla posizione facendo riferimento alle informazioni. SliceLocation all'interno dell'area di lavoro MATLAB.
    2. Salvare i dati di posizione in una variabile utilizzando la funzione SliceLocation e generare un grafico (Figura 1).
    3. Migliora il grafico aggiungendo un punto dati utilizzando il pulsante Suggerimenti dati situato nell'angolo in alto a destra della GUI. Questo punto dati deve contrassegnare la posizione massima della sequenza normale, che corrisponde alla posizione più in alto nell'imaging del paziente (Figura 1).
    4. Organizza tutte le immagini ordinandole e poi estrai le immagini che vanno dalla prima posizione alla posizione massima. A tale scopo, richiamare la funzione VolumeResort .
    5. Proteggere i dati del volume, che consistono in 512 pixel per 512 pixel per 340 livelli, dalle immagini valide insieme al relativo indice ordinato. Queste informazioni saranno preziose per riferimento futuro, in particolare nel contesto dell'identificazione di noduli importanti.
  3. Trasformazione di Isovoxel
    NOTA: La trasformazione 3D Isovoxel consente l'elaborazione successiva per mantenere la stessa scala di visualizzazione in tutte le dimensioni.
    1. Esamina la scala tridimensionale di un volume 3D, che è di 512 pixel x 512 pixel x 340 strati, utilizzando la funzione di dimensione in Matlab.
    2. Per visualizzare il volume 3D (Figura 2) utilizzando la funzione di comando Slice_View , registrare l'intervallo di scansione della sequenza contenente i polmoni da 60 a 340. Quindi, è sufficiente utilizzare il comando V1=V0(:,:,60:340) per ottenere un volume 3D contenente tutti i dati dell'intero polmone. La dimensione di V1 è di 512 pixel x 512 pixel x 281 strati.
    3. Utilizzare la funzione di comando MATLAB dicominfo per ottenere lo spessore della fetta della sequenza di immagini, che è di 1 mm, e la spaziatura dei pixel è 0,7188. Calcolare il numero di assi z per la trasformazione isovoxel con il comando: round (281 x 1/0.7188). Il numero di strati per la trasformazione isovoxel dovrebbe essere 391.
    4. Usa la funzione di comando Matlab imresize3 per eseguire la trasformazione isovoxel su V1. Eseguire lo script utilizzando il comando V2=imresize3(V1, [512, 512, 391]). Quindi utilizzare la funzione 3D_Slice_View per visualizzare il volume 3D trasformato in isovoxel (Figura 3).

2. Rimozione delle interferenze di rumore causate dalle apparecchiature di tomografia computerizzata (TC)

NOTA: Nella Figura 2, è visibile il segnale ad alta intensità che rappresenta il lettino del paziente dell'apparecchiatura TC, che può interferire con la segmentazione dell'immagine. Per eliminare questa interferenza, è necessario un progetto di filtro spaziale.

  1. Utilizzare il pulsante Suggerimenti dati nella Figura 2 per aggiungere punti dati continui all'interno dell'interfaccia interattiva. Questo permetterà di creare una linea che collega questi punti, escludendo di fatto il lettino del paziente. Quindi, fare clic con il pulsante destro del mouse sui suggerimenti per i dati e selezionare Esporta dati cursore nell'area di lavoro per esportare il limite di riferimento per il filtro spaziale nell'area di lavoro MATLAB (Figura 3). La matrice di dispersione al contorno in questo caso è denominata 'CI'.
  2. Richiamare la funzione Noise_Clean per applicare il filtro spaziale a V2, usando il parametro di input 'CI' dall'area di lavoro. Questa operazione produrrà un volume 3D che rimuove il segnale di interferenza dall'apparecchiatura CT. Infine, utilizzare la funzione di comando Slice_View per visualizzare il volume risultante, come illustrato nella Figura 4.

3. Estrazione del contorno polmonare

  1. Per iniziare, selezionare una sezione da utilizzare come modello all'interno della GUI visualizzata nella Figura 4. Ad esempio, scegli l'immagine 232 per il design della segmentazione dell'immagine e assegnala a una variabile 'I' utilizzando il comando I=V2(:,:,232). Quindi, aprire la GUI di MATLAB Image Segmenter eseguendo il comando imageSegmenter(I), come illustrato nella Figura 5.
  2. La Figura 5 mostra una serie di strumenti di segmentazione delle immagini. Per iniziare, seleziona lo strumento Raggruppamento automatico dalla barra degli strumenti in alto ed esegui il comando facendo clic con il pulsante sinistro del mouse. L'immagine verrà automaticamente divisa in due classi. Dato il processo di riduzione del rumore eseguito nel passaggio 2.2, la segmentazione dell'immagine in questa fase diventa relativamente semplice.
  3. Quindi, fai clic sul pulsante Mostra binario nell'angolo in alto a destra per visualizzare l'immagine in binario in bianco e nero. A questo punto, la regione polmonare apparirà nera. Per rendere bianca la regione polmonare, selezionare il pulsante Inverti maschera dalla barra degli strumenti in alto ed eseguire il comando facendo clic con il pulsante sinistro del mouse.
  4. Per eliminare il colore bianco al di fuori dell'area polmonare, selezionare il pulsante Cancella bordi sulla barra degli strumenti in alto ed eseguirlo facendo clic con il pulsante sinistro del mouse. Dopo questo passaggio, rimarrà solo l'area polmonare di colore bianco. Tuttavia, eventuali ombre nere rimaste all'interno dell'area polmonare a questo punto devono essere riempite. A tale scopo, selezionare il pulsante Riempi fori nella barra degli strumenti e il risultato dopo aver fatto clic sul pulsante è mostrato nella Figura 6.
  5. Tutti i passaggi coinvolti nella segmentazione dell'immagine polmonare sono presentati nella GUI della Figura 6 nell'angolo in basso a sinistra. Facendo clic sul pulsante Esporta nell'angolo in alto a destra, salva questi passaggi automatizzati come funzione per l'elaborazione batch della segmentazione della regione polmonare. Nell'editor di script a comparsa, fare clic sul pulsante Salva per salvare la funzione nella directory di lavoro corrente.

4.3D ricostruzione per l'intero polmone con noduli polmonari multipli

NOTA: Prendere il prodotto scalare dell'immagine di segmentazione polmonare di ciascuna immagine con l'immagine originale equivale a eseguire un filtraggio spaziale 3D sul volume, filtrando efficacemente i segnali di interferenza al di fuori dei polmoni e ottenendo la struttura 3D dei polmoni.

  1. Avviare la funzione 3Dlung_Volume all'interno dell'area di lavoro MATLAB.
    NOTA: Questa funzione esegue la segmentazione dell'immagine su ciascuna immagine utilizzando l'output del passaggio 3.5. Esegue quindi un'operazione di prodotto scalare tra la maschera polmonare binaria e l'immagine originale per generare un nuovo volume 3D contenente esclusivamente tessuto polmonare. Nella GUI (Figura 7) che appare al termine della funzione, è possibile visualizzare ed eseguire operazioni di proiezione di massima intensità (MIP) sull'intero volume polmonare 3D.
  2. All'interno della GUI, trova il primo menu a discesa nell'angolo in alto a destra. Selezionare Proiezione MIP e quindi scegliere la mappa dei colori del getto dalle opzioni Mappe colori predefinite riportate di seguito. Successivamente, nel menu a discesa situato nell'angolo in alto a destra della quarta vista (Vista volume 3D), seleziona Ingrandisci. Questa azione produrrà un intero volume 3D del polmone (Figura 8) che può essere osservato da qualsiasi angolazione, spostato e manipolato secondo necessità.
    NOTA: Nella sezione relativa all'interazione uomo-computer illustrata nella Figura 8, è possibile regolare liberamente l'angolo di visualizzazione tenendo premuto il pulsante sinistro del mouse e spostandolo. Scorrendo il pulsante centrale del mouse è possibile ingrandire o rimpicciolire.
  3. Per operazioni avanzate di miglioramento del contrasto e del colore, utilizzare il pannello di controllo sul lato destro della GUI.

5. Focus sull'esame dei noduli polmonari dominanti

NOTA: Nello spazio 3D (Figura 8), l'area della lesione dominante tra più noduli polmonari diventa distintamente visibile. Il numero, le dimensioni e la concentrazione di questi noduli sono caratteristiche critiche della lesione dominante, che offrono preziose informazioni sulla valutazione della malattia.

  1. Ancora una volta, invocare la funzione Slice_View , ma questa volta immettere il volume 3D dell'intero polmone ottenuto nel passaggio 4.2. All'interno della GUI risultante (Figura 9), utilizzare la barra di scorrimento inferiore per navigare verso la regione in cui si trovano i noduli polmonari dominanti, che si estende dalle scansioni 48 a 70.
  2. Procedere chiamando la funzione 3Dlung_Horizon per eseguire la ricostruzione 3D della regione di interesse (ROI) che comprende le sezioni da 48 a 70 dall'intero volume 3D del polmone. Questa azione genererà un'interfaccia GUI su misura per la visualizzazione dei noduli polmonari, come illustrato nella Figura 10. All'interno di questa GUI, è possibile esplorare le caratteristiche dettagliate della lesione da varie angolazioni.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nella fase di pre-elaborazione dei dati, l'ordinamento dei dati DICOM dovrebbe essere il primo passo (Figura 1) per garantire la corretta sequenza di scansione per ogni strato durante la ricostruzione 3D. Successivamente, viene eseguita la trasformazione isotropa per garantire le proporzioni corrette del volume 3D (Figura 2). Successivamente, il filtro spaziale viene applicato al volume 3D originale (Figura 3) per eliminare i segnal...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questa ricerca introduce un approccio unico per la creazione di una ricostruzione tridimensionale completa (3D) dell'intero polmone, impiegando tecniche avanzate di elaborazione delle immagini mediche per delineare la forma 3D del polmone nel contesto di una scansione completa del torace. Questa tecnica offre una rappresentazione più precisa e completa della disposizione spaziale e delle caratteristiche radiologiche dei noduli multipli precoci in tutto il polmone. Questo studio fornisce un prezioso contributo al migliora...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gli autori non hanno conflitti di interesse da rivelare. Lo strumento software per la ricostruzione del modello di nodulo polmonare, elencato nella tabella dei materiali di questo studio, è un software commerciale della Beijing Intelligent Entropy Science & Technology Co Ltd. I diritti di proprietà intellettuale di questo strumento software appartengono all'azienda.

Ringraziamenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questa pubblicazione è stata supportata dal quinto programma nazionale di ricerca sui talenti eccellenti della medicina tradizionale cinese organizzato dall'Amministrazione Nazionale della Medicina Tradizionale Cinese. Il collegamento ufficiale alla rete è http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
MATLABMathWorks 2022BInformatica e visualizzazione 
Strumenti per la modellazionedell'entropia polmonareintelligenteNodulo V1.0Pechino Entropia intelligente Scienza & Technology Co Ltd.
Modellazione per la fusione TC/MRI

Riferimenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Mazzone, P. J., Lam, L. Evaluating the patient with a pulmonary nodule: A review. JAMA. 327 (3), 264-273 (2022).
  2. MacMahon, H., et al. Guidelines for management of incidental pulmonary nodules detected on ct images: from the fleischner society. Radiology. 284 (1), 228-243 (2017).
  3. Yankelevitz, D. F., Yip, R., Henschke, C. I. Impact of duration of diagnostic workup on prognosis for early lung cancer. Journal of Thoracic Oncology. 18 (4), 527-537 (2023).
  4. Zhao, W., et al. PUNDIT: Pulmonary nodule detection with image category transformation. Medical Physics. 50, 2914-2927 (2023).
  5. Ather, S., Kadir, T., Gleeson, F. Artificial intelligence and radiomics in pulmonary nodule management: current status and future applications. Clinical Radiology. 75 (1), 13-19 (2020).
  6. Gruden, J. F., et al. Incremental benefit of maximum-intensity-projection images on observer detection of small pulmonary nodules revealed by multidetector CT. American Journal of Roentgenology. 179 (1), 149-157 (2002).
  7. Guleryuz Kizil, P., et al. Diagnostic importance of maximum intensity projection technique in the identification of small pulmonary nodules with computed tomography. Tuberk Toraks. 68 (1), 35-42 (2020).
  8. Valencia, R., et al. Value of axial and coronal maximum intensity projection (MIP) images in the detection of pulmonary nodules by multislice spiral CT: comparison with axial 1-mm and 5-mm slices. European Radiology. 16, 325-332 (2006).
  9. Jabeen, N., et al. Diagnostic accuracy of maximum intensity projection in diagnosis of malignant pulmonary nodules. Cureus. 11 (11), e6120(2019).
  10. Naeem, M., et al. Comparison of maximum intensity projection and volume rendering in detecting pulmonary nodules on multidetector computed tomography. Cureus. 13 (3), e14025(2021).
  11. Bianconi, F., et al. Comparative evaluation of conventional and deep learning methods for semi-automated segmentation of pulmonary nodules on CT. Quantitative Imaging in Medicine and Surgery. 11 (7), 3286-3305 (2021).
  12. Christe, A., et al. Computer-aided diagnosis of pulmonary fibrosis using deep learning and CT images. Investigative Radiology. 54 (10), 627-632 (2019).
  13. Kim, Y., et al. Applications of artificial intelligence in the thorax: a narrative review focusing on thoracic radiology. Journal of Thoracic Disease. 13 (12), 6943-6962 (2021).
  14. Schreuder, A., et al. Artificial intelligence for detection and characterization of pulmonary nodules in lung cancer CT screening: ready for practice. Translational Lung Cancer Research. 10 (5), 2378-2388 (2021).
  15. Zheng, S., et al. Automatic pulmonary nodule detection in CT scans using convolutional neural networks based on maximum intensity projection. IEEE Transactions on Medical Imaging. 39 (3), 797-805 (2019).
  16. Yabuuchi, H., et al. Clinical application of radiation dose reduction for head and neck CT. European Journal of Radiology. 107, 209-215 (2018).
  17. Rana, B., et al. Regions-of-interest based automated diagnosis of Parkinson's disease using T1-weighted MRI. Expert Systems with Applications. 42 (9), 4506-4516 (2015).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Modellazione dell intero polmoneElaborazione di immagini medicheSegmentazione dei noduli polmonariDeep learningDati DICOMDistribuzione spazialeVisualizzazione 3DImaging MATLAB

Articoli correlati