Name: SARS-CoV肺炎の定量的な評価のための統合および地盤ガラス領域を同定するための肺CTセグメンテーション (動画) | JoVE Journal
Uploaded: 2020-12-19T14:00:00.000+00:00
Duration: 8 min 5 s
Description: 学ぶ COVID-19関連の肺CT画像における病変セグメンテーション手法。3D Slicerを用いて磨玻璃影や実変領域を定量的に評価し、ラジオミクス解析とAI診断支援の基盤を構築する効率的な方法を解説します。

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

この研究はボローニャ大学放射線学科からの資金によって支えられた。

この議定書は、機関人間研究倫理委員会のガイドラインに従う。
1. DICOMイメージのダウンロード
<ol><li>DICOMイメージをダウンロードし、3Dソフトウェアをインストールしたセグメンテーション専用のワークステーションに転送します。パソコンで作業する予定の場合は、DICOMデータを匿名化してください。</li>
</ol>2. 3DスライサーソフトウェアにHRCTスタディをインポートする
<ol><li>ソフトウェアの開始画面 (ドロップダウン メニューの [スライサーへようこそ ] セクションに対応) で 、[DICOM データの読み込み] を選択します。または、ツールバーの左上隅にある DCM アイコンを選択します。</li>
	<li>DICOM ブラウザパネルの左上隅にある [インポート] を選択し、HRCT スタディの場所を選択します。DCM イメージを含むフォルダを選択し、[インポート] を選択します。</li>
	<li>HRCT スタディが正常にインポートされたら、[ 読み込み ] ボタンをクリックします。</li>
</ol>3. セグメントの作成
<ol><li>ドロップダウン メニューの [セグメンテーション] セクションで、またはドロップダウン メニューの [セグメント化] セクションにあるサブセクションセグメント エディタで直接セグメントを作成するか、ツールバーの専用アイコンとして再度セグメントを作成します。</li>
	<li>[マスターボリューム]の横にあるドロップダウンメニューで、HRCT スタディを選択します。</li>
	<li>[ 追加] を選択し、3 つの新しいセグメントを 作成します。それぞれをダブルクリックし、それぞれ"tlv"(総肺パレンチマ)、「ggo」(グランドガラス不透明度)と「短所」(統合)の名前を変更します。HRCT研究で胸水、肺癌、線維領域などの追加の病理学的所見が共存する場合は、追加のセグメントを作成します。同じことがアーティファクトにも当てはまります。</li>
</ol>4. TLP セグメントの定義
注: TLP セグメントの正確な定義は基本的なものであり、GGO セグメントと CD セグメントの定義中に HRCT をマスキングするために使用されます。
<ol><li>最初の手順として、 セグメントエディタ セクションで、TLP セグメントを選択した後、 しきい値 インストゥルメントを選択します。</li>
	<li>健康な肺のパレンチマと地面ガラスの不透明度の両方を含むのに十分な大きさのしきい値を設定します。GGOの教科書定義に準拠するために必要な調整を行って科学文献で報告された値を用いて、-1000 HUと-250 HUの間でしきい値を設定すると、6、14、15、16、17がうまく機能することがわかりました。次に、[適用] を選択します。</li>
	<li>そう定義されるセグメントには、肺内の空気と胸部外の空気(すなわち患者の外の空気)の両方が含まれる。肺のパレンチマを分離するには、セグメント エディタで見つかった[島]ツールを使用し、[選択した島を維持]を選択します。胸部の内側を左クリックして、胸の外側の何かがセグメントから除外されるようにします。</li>
	<li>次に、TLP セグメント内の任意の統合領域を含めます。通常、連結には、胸壁と隔壁を構成する軟組織と同様の減衰値(ハウンズフィールド単位:HU)があります。これは、この目的のために しきい値 の計測器を使用することができず、セグメントエディタにある ハサミ と ペイント ツールを使用して、統合を手動で追加する必要がある理由です。<ol>
<li>はさみツールを使用して、肺のパレンチマの一部をセグメントに追加します。[内側に塗り潰し]操作を選択し、シェイプとして[自由形式]を選択し、スライスカットとして[対称]を選択します。連結のサイズに適した厚さを選択します(例えば、3〜20 mm)。統合が完全に含まれるまで、TLP の小さな部分を段階的に追加します。</li>
		<li>ペイント ツールは、より簡単で、時には使用が速くなりますが、含める領域によっては、精度が低くなる場合があります。 [球ブラシ ]オプションがアクティブな場合、このツールは、セグメントに肺の小間の3D部分を追加することができます。ブラシのサイズは簡単に変更できます。</li>
		<li>TLP セグメントに統合を追加する場合は、胸壁または隔壁の一部は含めないでください。これは、後胸壁に隣接するCOVID19統合の影響を受ける患者が非常に一般的であるように困難であることが証明される可能性があります。 [消去] ツールを使用してセグメンテーションを修正するか、[ 元に戻す] を選択して最後の操作を破棄します。</li>
		<li>この段階では、スムージング アルゴリズムをもう一度使用して、セグメンテーションの手動部分で発生した可能性のある小さな不完全性を削除します。これで、TLP セグメント定義が終了します。</li>
	</ol>
</li>
</ol>5. GGOセグメントの定義
<ol><li>GGO セグメントを定義するには、しきい値ツールを使用します。<ol>
<li>GGO セグメントを選択します。</li>
		<li>しきい値を -750 HU と -150 HU の間で設定します。</li>
		<li>[適用] を選択する前に、右下の[マスキング] セクションに移動し、[編集可能領域] ドロップダウン メニューの[TLP]を選択します。[他のセグメントを上書き] ドロップダウン メニューで、[なし] を選択します。スキップした場合、いったん GGO セグメントを定義すると、TLP セグメントも変更されるので、これは非常に重要です。TLP セグメントは他のすべてのセグメントが定義されているマスクであるため、このことは避ける必要があります。</li>
		<li>ここで、[ 適用] を選択します。</li>
	</ol>
</li>
	<li>この時点で、すべての小さな血管と、地盤ガラスと同様の密度を有する生理的間質要素をセグメントから除外するために、平滑化アルゴリズムをもう一度使用する必要があるでしょう。3 mm のカーネルサイズから始め、必要に応じて、最大 6 ~ 7 mm まで徐々に増やします。カーネルサイズを大きくしすぎると、GGO セグメントの外に残るグラウンド ガラスの小さな領域が失われる可能性があることに注意してください。このため、平滑化アルゴリズムは適切な注意を払って使用する必要があります。</li>
	<li>この場合も、 ペイント、 はさみ 、 消去 ツールで必要な補正を適用します。この段階では、セグメント内の「グランドガラス」領域に隣接する胸壁の一部を含めないように、TLPマスクを常にアクティブに保つことを忘れないでください。これは、誤ってセグメント化された場合、自動的に除外されるためです。</li>
	<li>このセグメントを取得する場合は、ハースとダイヤフラムの動きによって生成されるアーティファクトの存在に細心の注意を払ってください(これは、患者が試験中に息を止めることができなかった場合に起こります)。TLP セグメントに含まれ、以前に含まれていた場合は、たとえば[選択した島を削除]オプションを使用して[アイランド]ツールを使用するか、ハサミツールと消去ツールを使用して、「グランドガラス」セグメントからこれらのアーティファクトを除去します。スタディの目標に応じて、アーティファクトは、専用セグメントを使用して個別にセグメント化されるか、TLP セグメントに含まれ、他のセグメントから除外される場合があります。GGO セグメントが定義されました。</li>
</ol>6. CD セグメントの定義
<ol><li>CD セグメントを定義するには、GGO セグメントを定義する場合と同じ方法で作業を進めます。<ol>
<li>CD セグメントを選択します。TLP マスキングは常にアクティブに動作するようにしてください。</li>
		<li>適切なしきい値を設定します。連結の範囲は、およそ -150 HU から 100 HU までさまざまです。</li>
		<li>必要に応じて、カーネルサイズを変更するスムージングアルゴリズムを適用します。</li>
		<li>ツールは、大きな血管、胸水、アーティファクト、換気バンドおよび他の非COVID関連病変を除いて、セグメント内に実際の統合のみを維持するために、ツールの組み合わせを使用してください。</li>
		<li>必要に応じて、最終的なスムージングを適用できます。</li>
	</ol>
</li>
</ol>7. セグメントの保存
<ol><li>セグメントを ".nrrd" ファイルとして保存するか、"Data" モジュールからバイナリ ラベル マップに変換します。</li>
</ol>8. 定義されたセグメントからボリュームを抽出する。
<ol><li>[セグメント統計]モジュールから、セグメントの体積とサーフェスの詳細を示す表を取得します。</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>

著者の誰も利益相反を持っていません。

セグメンテーションは、現代の定量放射線学研究を行うための基本的なステップを表し、ラジオミクスまたはテクスチャ解析技術を適用するために必要です。肺の病理学的所見は、定義された解剖学的境界の欠如と健康な領域と比較した減衰値の小さな違いのために、セグメントに最も困難なものの1つを表す。
ソース画像は、可能であれば、特に病理学的領域上の最小限のアーティファクトを提示する必要があり、これは呼吸保持を損なう疾患を研究する際に達成するのが難しい場合があります。したがって、研究者は、侵害されたHRCTを除外するか、さらなる分析から排除されるアーティファクト専用のセグメントを定義することを検討することができます。
「胸部画像処理プラットフォーム」11と呼ばれる3Dスライサーへの拡張をインストールすることが可能であり、これは肺セグメントに対するより速く、より自動化された操作を可能にし、特に気肺に関心を持つ。GGOと連結が胸膜下分布を有する場合には、この方法を採用しないことが決定された。
<p...

今年、世界は健康上の緊急事態、新しいコロナウイルス、Sars-CoV2によって引き起こされるパンデミックに直面しています。現在までに、COVID-19感染の生理病理学に関する多くの側面が依然として不明であるとしても、それはいくつかの特徴を「祖先」SARS1およびMERSと共有している。特に、ビリオンスパイクタンパク質がアンジオテンシン変換酵素タイプ2と相互作用することが証明されており、肺胞内皮細胞によく表される受容体であるが、ヒトの生物では遍在するが、全身症状1を与える可能性を有する。
診断のために、現在の標準はリアルタイムの逆転写酵素ポリメラーゼ連鎖反応(rt-PCR)、咽頭綿棒に対して行われる試験である。放射線画像は疾患の検出のための診断経路では公式には認められていないが、高分解能コンピュータ断層撮影(HRCT)は、rt-PCRの比較的低い感受性、専門研究所および必要な試薬の現在の不足、および高いオペレータ依存性のために、罹患患者の臨床および疫学的管理にとって貴重な援助であることが判明した。
北米放射線学会(RSNA)は、胸部放射線学会と米国放射線学会(ACR)が承認したコンセンサス声明を発表し、COVID19のCT出現を報告を標準化するために4つのカテゴリーに分類し、間質性肺炎パターンを「典型的」「非定型」「不確定」に分割する。
「典型的な」パターンは、通常、底下の部分の位置を持つ丸い形のグラウンドガラスオパシティ(GGO)の存在によって特徴付けられます。GGOは、肥厚したセプタの「クレイジー舗装」領域、または肺炎を組織する他の徴候に関連付けることができます。「不確定」パターンは、統合領域の有無にかかわらず、ペリヒラー分布を有する拡散GGO領域を有する「典型的な」パターン所見の欠如によって特徴付けられる。「非定型」パターンは、「典型的な」または「未確定」の徴候の欠如と、ロバーの統合の存在、「芽の木」、隔膜および胸膜滲出液の滑らかな肥厚のいずれかによって特徴付けられる。このプレゼンテーションでは、GGO は検出できません。「陰性」パターンは、前述の病的所見の欠如によって特徴付けられる。
文献によると、一部の患者は、陰性rt-PCR3,4を用いて見つけた疫学的基準および画像化結果によって支持されるCOVID-19の高い臨床容疑者を有する可能性がある。一方、陽性のrt−PCRおよび示唆的臨床所見を有する患者は、HRCT5に病的所見を提示しないことが報告されている。
今日では、この疾患の特性を定量的に研究する際に、科学界が画像解析技術を応用することが最も重要です。最近の研究では、肺パレンチマの自動セグメンテーション技術を適用して、COVID-19の影響を受ける患者の気泡肺の割合を特定し、この値を予後と相関させ、より重度の肺関与を有する患者が集中治療室(ICU)に入院するリスクが高いことを実証した。
セグメント化は、HRCT などのイメージング技術を使用して取得したボリューム内の対象領域(ROI)の輪郭です。この活動は、手動、半自動、自動の3つの方法で行うことができる。手動セグメンテーションは、訓練を受けた放射線科医の経験のおかげで、病理学的領域に属するボクセルのラベル付けで構成されています。この方法の主な欠点は、必要な時間が多く、オペレータに依存していることです。
半自動メソッドは、オペレータが画像処理の古典的な方法(例えば、ピクセル強度の閾値、クラスタリングなど)を通じて得られるセグメンテーションマスクを変更することができるので、セグメンテーションをスピードアップすることを可能にする。しかし、これらの技術は、最も複雑な症例18に広範な手動介入を必要とするため、臨床現場での実装は容易ではない。
現在は使用が制限されている自動セグメンテーション方式は、人工知能を用い、ROIを取得しています。特に、最近の研究では、COVID-19間質性肺炎19に罹患している患者におけるグランドガラス領域の定量化に自動セグメンテーションを用いることを目的としている。HRCT画像上の病理学的領域のセグメンテーションプロトコルの定義は、病気の生理病理学をさらに理解するのに役立つ特徴を特定し、治療に影響を与える可能性のある正確な予後因子として役立つ特徴を特定するために、その後のラジオミクス分析に向けた本当の第一歩です。
本稿は、COVID-19肺炎の病的所見を表す正確で効率的なセグメントを得るためのガイドを提供しています。

<table><tbody><tr><td>CTスキャナー</td><td>ゼネラル・エレクトリック・ヘルスケア</td><td>64-MDCT VCT lightSpeed</td><td>HRCTの取得に使用されるCTスキャナー</td></tr><tr><td>デスクトップコンピュータ</td><td>ThinkCentre</td><td></td><td>DICOMファイルのダウンロードと3Dスライサーの実行に使用されるコンピュータ</td></tr></tbody></table>

sars-cov肺炎の定量的な評価のための統合および地盤ガラス領域を同定するための肺ctセグメンテーション

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

セグメンテーションは、放射線学や機械学習が潜在的に成長するにつれて、放射線科医や研究者が直面する複雑な作業です。このプロセスは、自動、半自動、または手動のいずれかであり、最初のプロセスは十分に正確でないか、簡単に再現でき、最後は高解像度の買収で大規模な地区を巻き込む場合に過度に時間がかかります。
胸部の高解像度CTは何百もの画像で構成されており、これは手作業のアプローチに過度に時間がかかります。さらに、平常性の変化は、通常の外観から識別される専門家の評価を必要とします。したがって、セグメンテーションプロセスへの半自動アプローチは、我々の知る限りでは、肺炎をセグメント化する場合、特にそれらの特徴がまだ不明である場合に最も適している。
COVID-19のイメージングに関する研究所で行われた研究では、ハーバード大学が製造したフリーウェアソフトウェアである3Dスライサーを採用し、その閾値をペイントブラシ器具と組み合わせて、気泡性肺、グランドガラスの不透明度、および統合の迅速かつ正確なセグメンテーションを達成しました。複雑な場合に直面する場合、この方法は、適切な手動調整のためにかなりの時間を必要としますが、影響を受けた肺の根気味の割合の計算や地面ガラス領域のテクスチャ分析など、さらなる分析に使用するセグメントを定義するための非常に効率的な平均値を提供します。

提案された方法は試験および誤りを通して改良され、肯定的なrt-PCRテストでCOVID-19肺炎の影響を受けた117人の患者にそれをテストする。
短い学習曲線の後、セグメントを得るために必要な時間は、プレゼンテーションパターンに応じて5〜15分の間で変化することができます。
図1に示すように、この方法は正確なセグメントを生み出す:これはHRCTとの正確な対応に気づいて観察することができる。3D レンダリングは、対応を評価し、セグメンテーション結果をすばやく確認するのに役立ちます。影響を受けた肺のパレンチマの量の定量的評価が得られ、コロンビら6およびランザらから報告された結果を複製する。
<img alt="Figure 1" class="xfigimg" src="/files...

このプロトコルの目的は、さらなるラジオミクス分析に使用する高解像度CTスキャンで関心のある量をセグメント化する時間効率の高い方法を提供することです。

SARS-CoV肺炎の定量的な評価のための統合および地盤ガラス領域を同定するための肺CTセグメンテーション

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

新しいコロナウイルス病のパンデミックの発生以来、胸部CTスキャン画像におけるこの感染の典型的な病変の適切な区分化を得るのに有用な簡便かつ有効な方法が基本的に現れる。したがって、私たちの目的は、人々がこれらの肺病理学的所見の簡単かつ効率的なセグメンテーションを行うことを可能にするために、知識のスターターパックを提供することです。うまくいけば、これは科学界がこれらの患者の診断アプローチを改善できる専用のラジオミクスと人工知能研究を開発するのに役立ちます。3D スライサーの DICOM ブラウザーから、セグメント化するスタディを選択し、[ロード] をクリックします。[ビューアー] セクションで選択したケースを確認できます。ご覧のように、この患者は、COVID-19の典型的なケースである両側および統合領域と同様に地面ガラスの不透明度を提示する。次に、セグメント セクションに移動し、3 つのセグメントを追加します(1 つは総肺容積、1 つは地面ガラスの不透明度、および連結領域用に 1 つずつ)。しきい値計に移動し、上限しきい値をマイナス 250 ハウンズフィールドユニットに設定します。並べ替えして空気だけを選択し、ソフト組織、骨、および統合領域を除き、システムがソフト組織から自動的に識別できない場合は、クリックして適用します。次に、患者の外の空気を取り除き、そのためには、アイランドツールを使用して、[選択した島のみを保持]に移動します。次に、患者の内側をクリックします。外の空気が取り除かれたのがわかります。次に、合計肺量に統合領域を追加します。これを行うには、Sphereブラシ設定でペイントインストゥルメントを使用し、ニーズに合わせてサイズを調整し、柔らかいティッシュを避けるように注意してください。Sphere ブラシを使用すると、作業しているスライスに対して上下にペイントし、プロセスを高速化します。ここで、統合領域をセグメント化します。そのためには、他のセグメントの様々ななしで総肺量の内部で動作していることを確認してください。しきい値計測器を使用して、上側のしきい値を上げてソフト組織と統合を含め、下限しきい値をマイナス 250 に設定します。ソフト組織、船舶、および統合の両方を選択していますが、[適用]をクリックすると、統合領域のみが選択されています。次に、グラウンド ガラス領域をセグメント化するには、グラウンド ガラス セグメントを選択します。前のセグメンテーションの設定を維持し、しきい値をマイナス 750 からマイナス 250 ハウンズフィールド単位に設定します。これらの値は、CT スキャンの設定によって異なる場合があります。常に粉砕ガラスのフライシュナー協会の定義に従って調整します。その可視船を見て不透明度を選択します。次に、[適用] をクリックします。また、インタースティシャルスペースが選択されていることに気付くでしょう。調整するには、スムーズインストゥルメントに移動します。CTスキャンの構築アルゴリズムに適した座席を選択します。そして、ご覧のとおり、間質空間は削除されています。セグメント化の結果をセグメント エディタに表示し、定義したセグメントの 3D モデルを表示できます。左側のスライダーを使用して、モデルの透明度を調整できます。3D ビューを使用して、正しいセグメンテーション プロセスを確認できます。現在、3つの異なるセグメントがあり、1つは肺総容量、残りの2つはCOVID-19統合とグランドガラス領域の典型的な発見です。セグメント統計モジュールにより定義したセグメントから統計を抽出することができます。スカラーボリュームオプションを削除し、肺全体の体積と統合領域と地面ガラス領域を表すテーブルがあります。これを使用して、疾患の重症度を計算することができます。定義したセグメントをエクスポートすることもできます。[データ] セクションに移動できます。次に、エクスポートするセグメントのみを表示し、目のアイコンをクリックします。次に、右クリックして、表示されているバイナリラベルマップのみをエクスポートします。ラベルマップは、必要に応じてそのまま使用できます。定義したセグメントごとにこのプロセスを繰り返す必要があります。これにより、定義したセグメントに対応する 3 つのラベルマップが作成されます。これは、好みのファイルタイプでエクスポートすることも、さらに分析に最適なファイルタイプでエクスポートすることもできます。さら。これらの方法により、研究者は、特定の特徴を抽出できるCOVID-19の病理学的所見について、正確なセグメンテーションを迅速に得ることができます。科学界にこのような知識を提供し、正確で完全に自動化されたセグメンテーション方法を開発し、正確な予後因子を決定することができる。

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

Research

JoVE Journal

Medicine

医学

3 r 原則の観点から動物実験に代わる方法として呼吸モデルが進化しています。呼吸器系物質のリスク評価の特に適切な試金の不足があります。ここでは、浮遊物質の評価のための肺癌精密カット...

細胞毒性の評価と肺癌精密カット スライスで物質の免疫調節効果

肺の超音波は、ベッドサイド評価新生児肺疾患の非侵襲的、貴重なツールです。ただし、基準、プロトコルおよびガイドラインの相対的な不足は、そのアプリケーションを制限可能性があります。ここでは、臨床の意思決定で使用される標準化された新生児肺超音波診断プロトコルの開発を目指しています。...

プロトコルおよび国際専門家のコンセンサスに基づいた新生児の肺疾患の診断にポイント ・ オブ ・ ケア肺超音波のためのガイドライン

ここでは、全身性硬化症関連間質性肺疾患の診断と評価のための胸部高解像コンピュータ断層撮影を行うための実用的な推奨事項を提示する。...

全身性硬化症関連間質性肺疾患のイメージング機能

肺のポイントオブケア超音波(POCUS)は、急速に変化する臨床シナリオで迅速な答えを提供します。急性期医療現場で使用するための画像取得のための効率的で有益なプロトコルを提示します。...

成人におけるポイントオブケア肺超音波:画像取得

この研究の目的は、医師と患者の間のコミュニケーションブリッジとして機能し、診断前と予後評価のための最先端のツールでもある肺結節の新しい3Dデジタルモデルを開発することです。...

肺結節の診断と治療のための3Dデジタルモデル

この研究では、早期の多発性肺結節患者の肺全体の3次元(3D)再建方法を紹介します。結節の分布と肺組織との相互作用を包括的に視覚化し、これらの患者の診断と予後の評価を簡素化します。...

早期多発性肺結節を有する全肺の三次元再構成

CTおよび 129Xe MRIは、画像レジストレーションを使用した局所分析に利用できる補完的な肺構造機能情報を提供します。ここでは、オープンソースプラットフォームを使用した 129Xe...

マルチモーダル肺イメージング:CTおよび過分極 129Xe MRIからの補完情報を使用して肺の構造機能を評価する

ここでは、マイクロコンピューター断層撮影法(マイクロCT)を利用して、病変側の気管内注入を介して片側ブレオマイシン誘発性肺線維症モデルの換気領域を定量化するプロトコルを紹介します。...

前臨床モデルにおける肺線維症の評価を強化するためのマイクロCTを使用した片側肺活量分析

ここでは、ICU内のARDS管理におけるベッドサイドPOCUS適用のプロトコルを紹介します。肺、心臓、横隔膜、静脈、胃の評価に関する標準化された技術を詳述し、換気の誘導、離乳の予測、合併症の予防を図っています。...

集中治療室における急性呼吸困難症候群(ARDS)管理におけるポイント・オブ・ケア超音波検査(POCUS)の応用

肺炎は、生体力学的および免疫機能を強化するために、肺炎の治療に補助療法として用いることができる米国オステオパシー整体技術（OMT）の死亡のトップ10主要な原因の1つである;そして最終的に、入院期間、抗生物質の継続期間、呼吸不全の発症率、死亡率を減少させる。このビデオの記事では、肺炎患者のOMTの使用に関する無作為化対照試験をレビューだけでなく、具体的な実践的な肺感染症を治療する際に日常整骨医師が実践されている技術のデモンストレーションを行います。...

肺炎のための有用な補助的ツールとしてのオステオパシー整体

学ぶ COVID-19関連の肺CT画像における病変セグメンテーション手法。3D Slicerを用いて磨玻璃影や実変領域を定量的に評価し、ラジオミクス解析とAI診断支援の基盤を構築する効率的な方法を解説します。

SARS-CoV肺炎の定量的な評価のための統合および地盤ガラス領域を同定するための肺CTセグメンテーション

さらに動画を探す