Summary
В данном исследовании представлен метод трехмерной (3D) реконструкции всего легкого у пациентов с ранними множественными легочными узелками. Он обеспечивает всестороннюю визуализацию распределения узелков и их взаимодействия с легочной тканью, упрощая оценку диагноза и прогноза для этих пациентов.
Abstract
Для пациентов с ранними множественными легочными узелками важно с диагностической точки зрения определить пространственное распределение, размер, расположение и взаимосвязь с окружающей легочной тканью этих узелков по всему легкому. Это имеет решающее значение для выявления первичного поражения и разработки более научно обоснованных планов лечения для врачей. Однако методы распознавания образов, основанные на машинном зрении, подвержены ложноположительным и ложноотрицательным результатам и, следовательно, не могут в полной мере удовлетворить клинические требования в этом отношении. Методы визуализации, основанные на проекции максимальной интенсивности (MIP), могут лучше проиллюстрировать локальные и индивидуальные легочные узелки, но не имеют макроскопического и целостного описания распределения и пространственных особенностей множественных легочных узелков.
Поэтому в данном исследовании предлагается метод 3D-реконструкции всего легкого. Он извлекает 3D-контур легкого с помощью технологии обработки медицинских изображений на фоне всего легкого и выполняет 3D-реконструкцию легкого, легочной артерии и множественных легочных узелков в 3D-пространстве. Этот метод позволяет всесторонне отобразить пространственное распределение и рентгенологические особенности множественных узелков по всему легкому, обеспечивая простой и удобный способ оценки диагноза и прогноза множественных легочных узелков.
Introduction
Ранние множественные легочные узелки, представляющие собой небольшие округлые наросты на легких, могут быть доброкачественными или злокачественными 1,2,3. Несмотря на то, что одиночные легочные узелки легче диагностировать и лечить, пациенты с ранними множественными легочными узлами сталкиваются со значительными проблемами диагностики и лечения. Для разработки эффективных планов лечения важно точно определить пространственное распределение, размер, расположение и взаимосвязь с окружающей легочной тканью этих узелковпо всему легкому 4,5. Традиционные методы диагностики имеют ограничения в точном выявлении ранних множественных легочных узелков.
Последние достижения в области технологий обработки медицинских изображений и алгоритмов машинного обучения могут повысить точность и эффективность раннего обнаружения и диагностики легочных узелков. Предложены различные подходы, такие как методы распознавания образов на основе машинного зрения и методы визуализации на основе проекции максимальной интенсивности (MIP)6,7,8,9,10. Однако эти методы страдают от таких ограничений, как ложноположительные, ложноотрицательные результаты 11,12,13,14,15 и отсутствие макроскопических и целостных описаний распределения и пространственных особенностей ранних множественных легочных узелков.
Чтобы устранить эти ограничения, в данном исследовании предлагается метод 3D-реконструкции всего легкого, который использует технологию обработки медицинских изображений для извлечения 3D-контура легкого на фоне сканирования всей грудной клетки. Затем метод выполняет 3D-реконструкцию легкого, легочной артерии и ранних множественных легочных узелков в 3D-пространстве. Такой подход позволяет получить более полное и точное представление о пространственном распределении и рентгенологических особенностях ранних множественных узелков по всему легкому.
Предлагаемый метод включает в себя несколько ключевых этапов. Во-первых, медицинские изображения импортируются в программное обеспечение для обработки 3D-изображений, и область легких извлекается с помощью метода пороговой сегментации. Впоследствии извлеченный участок легкого отделяют от окружающей грудной стенки и костных структур грудных позвонков. Ранние множественные легочные узелки и их взаимосвязь с окружающими кровеносными сосудами затем реконструируются в 3D-пространстве с использованием алгоритмов проекции максимальной интенсивности (MIP). Наконец, реконструированная 3D-модель легкого, легочной артерии и узелков демонстрируется для дальнейшего анализа.
Этот метод имеет ряд преимуществ перед существующими методами. В отличие от традиционных методов, основанных на 2D-изображениях, этот метод использует 3D-объем, чтобы обеспечить более точное и всестороннее представление ранних множественных легочных узелков. Метод также преодолевает ограничения ложноположительных и ложноотрицательных результатов, связанные с методами распознавания образов и методами визуализации MIP. Кроме того, этот метод обеспечивает макроскопическое и целостное описание распределения и пространственных особенностей ранних множественных легочных узелков, что имеет важное значение для разработки эффективных планов лечения.
Предложенный метод имеет несколько потенциальных применений в диагностике и лечении ранних множественных легочных узелков. Точная идентификация пространственного распределения и рентгенологических особенностей ранних множественных узелков может помочь в ранней диагностике и лечении рака легких. Кроме того, метод может быть использован для мониторинга прогрессирования заболевания и оценки эффективности планов лечения.
Методы распознавания образов 6,7,8, основанные на машинном зрении, показали многообещающие результаты в идентификации легочных узелков, но страдают от таких ограничений, как ложноположительные и ложноотрицательные результаты. Методы визуализации MIP, с другой стороны, обеспечивают более точное представление об отдельных узелках, но не имеют макроскопического и целостного описания распределения и пространственных особенностей ранних множественных узелков. Предлагаемый метод 3D-реконструкции всего легкого преодолевает эти ограничения и обеспечивает более точное и полное представление ранних множественных легочных узелков.
Изовоксельное преобразование16,17 относится к процессу преобразования 3D-изображений с различными размерами вокселов в 3D-изображения с одинаковыми размерами вокселов. В области обработки медицинских изображений 3D-объемы часто состоят из вокселей различных размеров, что может привести к проблемам с вычислениями и визуализацией. Целью изовоксельного преобразования является решение этих проблем путем пересчета и интерполяции вокселей в исходном 3D-объеме, в результате чего получается новое 3D-изображение с постоянными размерами вокселов. Этот метод находит применение в различных медицинских контекстах, включая регистрацию изображений, сегментацию и визуализацию. Таким образом, в данном исследовании был предложен метод 3D-реконструкции всего легкого, который использует технологию обработки медицинских изображений для извлечения 3D-контура легкого на фоне сканирования всей грудной клетки. Метод обеспечивает более точное и всестороннее представление о пространственном распределении и рентгенологических особенностях ранних множественных узелков по всему легкому. Данное исследование способствует разработке более точных и эффективных стратегий диагностики и лечения пациентов с ранними множественными легочными узелками.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Для настоящего исследования было получено этическое разрешение от Комитета по этике больницы Дунчжимэнь при Пекинском университете китайской медицины (DZMEC-KY-2019.90). В данном конкретном случае приводится методическое описание исследовательского подхода, описывающий случай с участием 65-летней пациентки с множественными легочными узелками. Эта пациентка предоставила информированное согласие на постановку диагноза с помощью цифрового моделирования и дала разрешение на использование ее данных в научных исследовательских целях. Функция реконструкции модели является производной от коммерчески доступного программного инструмента (см. Таблицу материалов).
1. Подготовка данных и преобразование изовокселя
- Подготовка и свойства данных DICOM (Digital Imaging and Communications in Medicine)
ПРИМЕЧАНИЕ: Вариация параметров остается относительно незатронутой методологией исследования.- Скопируйте данные DICOM пациента в определенный рабочий каталог.
- С помощью файлового менеджера изучите каждый файловый каталог, чтобы определить последовательность изображений с наибольшим количеством слоев сканирования для анализа.
- Используйте функцию Dicominfo в MATLAB, предоставив файлы DICOM в качестве входных параметров. Это позволит вам извлекать важные параметры, такие как толщина среза и расстояние между пикселями, непосредственно в среде MATLAB.
ПРИМЕЧАНИЕ: Эти параметры имеют большое значение для настройки скорости отображения 3D-объема. В случае набора данных, использованного в этом исследовании, толщина среза составляла 1 мм, расстояние между пикселями равнялось 0,7188 мм, и в общей сложности было отсканировано 387 слоев.
- Корректная сортировка отсканированных данных
ПРИМЕЧАНИЕ: Последовательность каждого изображения должна быть отсортирована для построения объема.- Получите данные о местоположении для каждого изображения с помощью функции Dicominfo . Получите доступ к информации о местоположении, ссылаясь на информацию. SliceLocation в рабочей области MATLAB.
- Сохраните данные местоположения в переменную с помощью функции SliceLocation и сгенерируйте для нее график (рисунок 1).
- Улучшите график, добавив к нему точку данных с помощью кнопки «Подсказки по данным », расположенной в правом верхнем углу графического интерфейса. Эта точка данных должна обозначать максимальное местоположение нормальной последовательности, которое соответствует самому верхнему положению на визуализации пациента (рис. 1).
- Организуйте все изображения, отсортировав их, а затем извлеките изображения от первого до максимального местоположения. Этого можно добиться, вызвав функцию VolumeResort .
- Защитите данные тома, состоящие из слоев размером 512 x 512 x 340 пикселей, от допустимых изображений вместе с их отсортированным индексом. Эта информация будет полезна для дальнейшего использования, особенно в контексте выявления важных узелков.
- Преобразование изовокселя
ПРИМЕЧАНИЕ: Преобразование 3D Isovoxel позволяет выполнять последующую обработку с сохранением одного и того же масштаба отображения во всех измерениях.- Изучите трехмерный масштаб 3D-объема, который составляет 512 пикселей x 512 пикселей x 340 слоев, используя функцию размера в Matlab.
- Для просмотра 3D-объема (рис. 2) с помощью функции команды Slice_View запишите диапазон сканирования последовательности, содержащий легкие, от 60 до 340. Затем просто используйте команду V1=V0(:,:,60:340), чтобы получить 3D-объем, содержащий все данные всего легкого. Размер V1 составляет 512 пикселей x 512 пикселей x 281 слоев.
- Используйте командную функцию MATLAB dicominfo , чтобы получить толщину среза последовательности изображений, которая составляет 1 мм, а расстояние между пикселями равно 0,7188. Вычислите количество осей z для изовоксельного преобразования с помощью команды: round (281 x 1/0.7188). Количество слоев для изовоксельного преобразования должно быть равно 391.
- Используйте командную функцию Matlab imresize3 для выполнения преобразования isovoxel в V1. Запустите скрипт с помощью команды V2=imresize3(V1, [512, 512, 391]). Затем используйте функцию 3D_Slice_View для просмотра преобразованного изовокселя 3D-объема (рис. 3).
2. Устранение шумовых помех, создаваемых оборудованием компьютерной томографии (КТ)
ПРИМЕЧАНИЕ: На рисунке 2 виден высокоинтенсивный сигнал, представляющий кушетку пациента оборудования для КТ, что может мешать сегментации изображения. Чтобы устранить эту интерференцию, требуется конструкция пространственного фильтра.
- Используйте кнопку Data Tips на рисунке 2 для добавления непрерывных точек данных в интерактивный интерфейс. Это позволит создать линию, соединяющую эти точки, эффективно исключив кушетку для пациента. Затем щелкните правой кнопкой мыши на Data Tips и выберите Export Cursor Data to Workspace , чтобы экспортировать координатную границу для пространственной фильтрации в рабочую область MATLAB (рисунок 3). Граничная матрица рассеяния в этом случае называется 'CI'.
- Вызовите функцию Noise_Clean , чтобы применить пространственную фильтрацию к версии 2, используя входной параметр 'CI' из рабочей области. Эта операция позволит получить 3D-объем, который снимает интерференционный сигнал с оборудования КТ. Наконец, используйте командную функцию Slice_View для визуализации результирующего объема, как показано на рисунке 4.
3. Удаление контура легких
- Начните с выбора фрагмента, который будет служить шаблоном в графическом интерфейсе, показанном на рисунке 4. Например, выберите 232-е изображение для дизайна сегментации изображений и присвойте его переменной 'I' с помощью команды I=V2(:,:,,232). Затем откройте графический интерфейс MATLAB Image Segmenter, выполнив команду imageSegmenter(I), как показано на рисунке 5.
- На рисунке 5 показан набор инструментов сегментации изображений. Для начала выберите инструмент « Автокластеризация » на панели инструментов вверху и выполните команду, щелкнув левой кнопкой мыши. Изображение будет автоматически разделено на два класса. Учитывая процесс шумоподавления, выполненный на шаге 2.2, сегментация изображения на этом этапе становится относительно простой.
- Затем нажмите на кнопку Show Binary в правом верхнем углу, чтобы отобразить изображение в черно-белом двоичном виде. В этот момент область легких будет казаться черной. Чтобы сделать область легких белой, выберите кнопку «Инвертировать маску » на верхней панели инструментов и выполните команду, щелкнув левой кнопкой мыши.
- Чтобы устранить белый цвет за пределами области легких, выберите кнопку «Очистить границы » на верхней панели инструментов и запустите ее, щелкнув левой кнопкой мыши. После этого шага останется только область легких белого цвета. Тем не менее, любые черные тени, оставшиеся в области легких в этот момент, должны быть заполнены. Для этого нажмите кнопку Fill Holes на панели инструментов, и результат после нажатия кнопки показан на рисунке 6.
- Все шаги, связанные с сегментацией изображения легких, представлены в графическом интерфейсе на рисунке 6 в левом нижнем углу. Нажав кнопку «Экспорт » в правом верхнем углу, сохраните эти автоматические шаги в качестве функции для сегментации области легких при пакетной обработке. Во всплывающем окне редактора сценариев нажмите кнопку Сохранить , чтобы сохранить функцию в текущем рабочем каталоге.
4. .3D реконструкция всего легкого с множественными легочными узелками
ПРИМЕЧАНИЕ: Получение скалярного произведения сегментационного изображения легких каждого изображения с исходным изображением эквивалентно выполнению 3D-пространственной фильтрации объема, эффективному отфильтровыванию интерференционных сигналов за пределами легких и получению 3D-структуры легких.
- Запустите функцию 3Dlung_Volume в рабочей области MATLAB.
ПРИМЕЧАНИЕ: Эта функция выполняет сегментацию каждого изображения, используя выходные данные шага 3.5. Затем он выполняет операцию точечного произведения между бинарной легочной маской и исходным изображением для создания нового 3D-объема, содержащего исключительно легочную ткань. В графическом интерфейсе (рис. 7), который появляется после завершения функции, можно визуализировать и выполнять операции проекции максимальной интенсивности (MIP) на весь 3D-объем легких. - В графическом интерфейсе найдите первое выпадающее меню в правом верхнем углу. Выберите MIP-проекция , а затем выберите цветовую карту струи из параметров встроенных цветовых карт ниже. Далее в выпадающем меню, расположенном в правом верхнем углу четвертого вида (3D Volume View), выберите «Развернуть». Это действие приведет к созданию целого 3D-объема легких (рис. 8), который можно наблюдать под любым углом, перемещать и манипулировать им по мере необходимости.
ПРИМЕЧАНИЕ: В разделе о человеко-машинном взаимодействии, показанном на рисунке 8, можно свободно регулировать угол обзора, удерживая левую кнопку мыши и перемещая ее. Прокрутка средней кнопки мыши позволяет увеличивать или уменьшать масштаб. - Для расширенных операций по повышению контрастности и цветопередачи используйте панель управления в правой части графического интерфейса.
5. Сосредоточьтесь на исследовании доминантных легочных узелков
ПРИМЕЧАНИЕ: В 3D-пространстве (рис. 8) отчетливо видна доминирующая область поражения среди множественных легочных узелков. Количество, размер и концентрация этих узелков являются критическими характеристиками доминантного поражения, что дает ценную информацию для оценки заболевания.
- Снова вызовем функцию Slice_View , но на этот раз введем весь 3D-объем легкого, полученный на шаге 4.2. В результирующем графическом интерфейсе (рис. 9) используйте нижнюю полосу прокрутки для перехода к области, где расположены преобладающие узелки в легких, охватывая сканы от 48 до 70.
- Затем вызовите функцию 3Dlung_Horizon для проведения 3D-реконструкции области интереса (ROI), охватывающей участки с 48 по 70 из всего 3D-объема легкого. Это действие сгенерирует графический интерфейс, предназначенный для визуализации легочных узелков, как показано на рисунке 10. В этом графическом интерфейсе можно исследовать детальные особенности поражения с разных сторон.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
На этапе предварительной обработки данных первым шагом должна стать сортировка данных DICOM (рис. 1), чтобы обеспечить правильную последовательность сканирования для каждого слоя при 3D-реконструкции. Далее выполняется изотропное преобразование, чтобы обеспечить правильное соотношение сторон 3D-объема (рис. 2). После этого к исходному 3D-объему применяется пространственная фильтрация (рис. 3) для устранения интерференционных сигналов от кушетки пациента КТ-оборудования (рис. 4). Для получения 3D-контура всего легкого на каждом снимке выполняется сегментация изображения (рис. 5) для создания бинарного изображения легкого (рис. 6). На основе 3D контура легкого реконструируется весь 3D объем легких (рис. 7) и визуализируется в 3D (рис. 8). Для доминантной области поражения (рис. 9) может быть выполнена отдельная 3D-визуализация (рис. 10) для тщательного выявления детальных особенностей поражения.
Преобразование изовокселя обеспечивает сохранение одного и того же масштаба во всех измерениях при последующей обработке. На рисунке 2 показан вид среза после преобразования изолоксела. В этом графическом пользовательском интерфейсе (GUI) можно просматривать полные необработанные объемные 3D-данные.
На рисунках 3 и 4 показан процесс пространственной фильтрации, используемый для устранения помех от сигнала кровати от оборудования КТ. Без этого изображения с зашумленными сигналами не могут завершить сегментацию легочных структур на последующих этапах.
На рисунках 5 и 6 показана функция извлечения контуров легких, которая может автоматически извлекать контуры легких, обеспечивая основные условия для последующей 3D-реконструкции структур легких.
На рисунках 7 и 8 показана 3D-реконструкция всего легкого, раскрывающая пространственное распределение легочных тканей и множественных легочных узелков. Устраняя помехи сигнала от тканей за пределами легких, можно точно отобразить пространственное расположение, размер и концентрацию множественных легочных узелков.
На рисунках 9 и 10 показана 3D-визуализация интересующих нас доминантных узелков в легких. За счет исключения помех сигнала извне легких улучшается контрастность изображений. Возможность наблюдать 3D-структуру под любым углом позволяет врачам делать более точные суждения об особенностях поражения доминантных легочных узелков.
Рисунок 1: График расположения изображений. На графике отображается расположение изображений в соответствии с последовательностью имен файлов. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 2: Графический интерфейс для просмотра 3D-объемных срезов. Графический интерфейс пользователя (GUI) для просмотра срезов 3D-объема после преобразования Isovoxel. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 3: Матрица рассеяния опорных границ. Матрица, представляющая рассеяние на границах привязки для пространственной фильтрации. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 4: 3D вид объемного среза после пространственной фильтрации. Вид срезов из 3D объема после применения пространственной фильтрации. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 5: Графический интерфейс сегментатора изображений. Графический интерфейс пользователя (GUI) инструмента Сегментатор изображений. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 6: Результат теневого заполнения области легких. Полученное изображение после заливки черными тенями в области легких с помощью кнопки «Заполнить отверстия». Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 7: 3D-реконструкция легких с множественными легочными узелками. 3D-реконструкция всего легкого с ранними множественными легочными узелками. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 8: Интерактивный графический интерфейс для 3D-просмотра объема легких. Интерактивный графический интерфейс пользователя (GUI) для просмотра и управления всем 3D-объемом легких. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 9: Вид среза для навигации по доминантной области легочного узелка. Вид среза для навигации по области, содержащей доминирующие легочные узелки во всем 3D-объеме легких. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Рисунок 10: 3D-визуализация доминантного легочного узелка. Трехмерная визуализация доминантного легочного узла в объеме легкого. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
В этом исследовании представлен уникальный подход к созданию полной трехмерной (3D) реконструкции всего легкого с использованием передовых методов обработки медицинских изображений для определения 3D-формы легкого в контексте полного сканирования грудной клетки. Этот метод обеспечивает более точное и тщательное изображение пространственного расположения и рентгенологических характеристик ранних множественных узелков по всему легкому. Это исследование вносит ценный вклад в повышение точности и эффективности стратегий диагностики и лечения у лиц с ранними множественными легочными узелками.
Критические шаги
В этом исследовании было определено несколько критически важных шагов, необходимых для успеха протокола: (1) сортировка и упорядочение координат последовательности сканирования DICOM для создания точного 3D-объема сканирования легких (шаг 1.2.2); (2) Изотропное преобразование для обеспечения правильного соотношения сторон 3D-объема, что имеет решающее значение для последующей 3D-реконструкции (шаг 1.3.4); (3) Реконструкция всего легкого с использованием ранней модели множественных легочных узелков, позволяющей идентифицировать доминирующую область легочного узла (шаг 4.1); (4) Детальная визуализация и осмотр локального участка, содержащего доминантное поражение (шаг 5.2).
Модификации и устранение неполадок
На сегментацию структур легочной ткани может влиять смещение порога оттенков серого в последовательности сканирования, что может привести к неточной сегментации изображения в некоторых сканах. В случаях неточной сегментации может быть сконструирован отдельный фильтр (повторяющий шаг 3) для получения точных контуров легочной ткани. Поддержание высочайшей точности в изовоксельномпреобразовании 16,17 имеет решающее значение для обеспечения точного использования данных. Ожидается, что в будущем эти шаги станут более интеллектуальными и автоматизированными. С развитием крупномасштабных моделей медицинской визуализации точная идентификация контуров с помощью компьютерного зрения также является важным направлением для будущего развития11.
Ограничения
Упрощенная экстракция контура легких может привести к ошибкам на границе 3D-контура легкого, что может повлиять на визуализацию небольших узелков у края легкого. Однако влияние этого ограничения минимально при визуализации доминирующей области поражения в случаях множественных легочных узелков.
Значимость по отношению к существующим методам
По сравнению с подходами компьютерного зрения, этот метод предлагает всестороннее представление о структуре легочной ткани, включая взаимосвязи между множественными легочными узелками и легочной тканью, избегая при этом проблем ложноположительных и ложноотрицательных результатов. Кроме того, он эффективно отфильтровывает помехи сигнала от других тканевых структур, что приводит к более точной и точной диагностике с повышенной контрастностью и четкостью.
Будущие области применения
Этот метод 3D-визуализации обладает значительным потенциалом для различных клинических применений, таких как облегчение коммуникации между врачом и пациентом, обеспечение точной диагностики, поддержка классификации на основе данных, помощь в планировании лечения и оценка прогноза. Он может помочь в предоперационном планировании, обеспечить интраоперационную навигацию для хирургического удаления множественных узелков в легких и отслеживать изменения размера и формы узелка с течением времени для оценки эффективности лечения. В целом, он обладает потенциалом для улучшения процесса принятия клинических решений при диагностике и лечении множественных легочных узелков.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
У авторов нет конфликта интересов, который можно было бы раскрыть. Программный инструмент для реконструкции модели легочного узелка, приведенный в таблице материалов данного исследования, является коммерческим программным обеспечением компании Beijing Intelligent Entropy Science & Technology Co Ltd. Права интеллектуальной собственности на этот программный инструмент принадлежат компании.
Acknowledgments
Эта публикация была поддержана пятой национальной программой исследований талантов в области традиционной китайской медицины, организованной Национальным управлением традиционной китайской медицины. Официальная сетевая ссылка — http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html.
Materials
| Name | Company | Catalog Number | Comments |
| MATLAB | MathWorks | 2022B | Computing and visualization |
| Tools for Modeling | Intelligent Entropy | PulmonaryNodule V1.0 | Beijing Intelligent Entropy Science & Technology Co Ltd. Modeling for CT/MRI fusion |
References
- Mazzone, P. J., Lam, L. Evaluating the patient with a pulmonary nodule: A review. JAMA. 327 (3), 264-273 (2022).
- 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).
- 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).
- Zhao, W., et al. PUNDIT: Pulmonary nodule detection with image category transformation. Medical Physics. 50, 2914-2927 (2023).
- 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).
- 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).
- 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).
- 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).
- Jabeen, N., et al. Diagnostic accuracy of maximum intensity projection in diagnosis of malignant pulmonary nodules. Cureus. 11 (11), e6120 (2019).
- 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).
- 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).
- Christe, A., et al. Computer-aided diagnosis of pulmonary fibrosis using deep learning and CT images. Investigative Radiology. 54 (10), 627-632 (2019).
- 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).
- 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).
- 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).
- Yabuuchi, H., et al. Clinical application of radiation dose reduction for head and neck CT. European Journal of Radiology. 107, 209-215 (2018).
- 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).
