Summary
L’objectif de ce protocole est de fournir un moyen efficace dans le temps de segmenter les volumes d’intérêt sur les tomodensitogrammes haute résolution à utiliser pour une analyse radiomique plus poussée.
Abstract
La segmentation est une tâche complexe, à laquelle sont confrontés les radiologistes et les chercheurs à mesure que la radiomics et l’apprentissage automatique augmentent en potentialité. Le processus peut être automatique, semi-automatique ou manuel, le premier n’étant souvent pas suffisamment précis ou facilement reproductible, et le dernier étant excessivement long lorsqu’il s’agit de grands districts avec des acquisitions à haute résolution.
Un CT haute résolution de la poitrine est composé de centaines d’images, ce qui rend l’approche manuelle excessivement longue. En outre, les modifications parenchymales exigent une évaluation experte pour être discernée de l’aspect normal ; ainsi, une approche semi-automatique du processus de segmentation est, à notre connaissance, la plus appropriée lors de la segmentation des pneumonies, surtout lorsque leurs caractéristiques sont encore inconnues.
Pour les études menées dans notre institut sur l’imagerie de COVID-19, nous avons adopté 3D Slicer, un logiciel freeware produit par l’Université Harvard, et combiné le seuil avec les instruments de pinceau pour atteindre une segmentation rapide et précise du poumon aéré, des opacities en verre moulu et des consolidations. Face à des cas complexes, cette méthode nécessite encore beaucoup de temps pour des ajustements manuels appropriés, mais fournit un moyen extrêmement efficace de définir les segments à utiliser pour une analyse plus approfondie, comme le calcul du pourcentage du parenchyme pulmonaire affecté ou l’analyse de la texture des zones de verre moulu.
Introduction
Au cours de l’année en cours, le monde est confronté à une urgence sanitaire, la pandémie causée par le nouveau coronavirus, le Sars-CoV2. Même si, jusqu’à aujourd’hui, de nombreux aspects concernant la physiopathologie de l’infection à COVID-19 ne sont toujours pas clairs, il partage plusieurs caractéristiques avec ses « ancêtres » le SRAS1 et le MERS. En particulier, il a été prouvé que les protéines de pointe virion interagissent avec l’angiotensine convertissant enzyme type-2, un récepteur bien représenté sur les cellules endothéliales alvéolaires, mais omniprésent dans l’organisme humain, ayant ainsi la potentialité de donner des symptômes systémiques1.
Pour le diagnostic, la norme actuelle est la réaction en chaîne inverse de transcriptase-polyméseau en temps réel (rt-PCR), un essai exécuté sur des écouvillons pharyngéal. Bien que l’imagerie radiologique ne soit pas officiellement reconnue dans la voie diagnostique pour la détection de la maladie, la tomographie calculée à haute résolution (HRCT) s’est avérée être une aide précieuse à la gestion clinique et épidémiologique des patients affectés, en raison de la sensibilité relativement faible du rt-PCR, de la rareté actuelle des laboratoires spécialisés et des reagents nécessaires, et de la forte dépendance de l’opérateur.
La Radiological Society of North America (RSNA) a publié une déclaration consensuelle, approuvée par la société de radiologie thoracique et l’American College of Radiology (ACR), qui classe l’apparition du CT de COVID19 en quatre catégories afin de normaliser le rapport, en divisant les schémas interstitiels de pneumonie en « typiques », « atypiques », « indéterminés » et « négatifs »2.
Le modèle « typique » se caractérise par la présence d’opacities de verre moulu (GGO) en forme ronde, généralement avec un emplacement sub pleural sur les segments basaux dorsal. Le GGO peut être associé à des zones de « pavage fou » de septa épaissie, ou à d’autres signes d’organisation de la pneumonie. Le modèle « indéterminé » est caractérisé par l’absence des résultats « typiques » de modèle, avec les secteurs diffus de GGO avec une distribution périhilar, avec ou sans secteurs consolidants. Le modèle « atypique » se caractérise soit par l’absence des signes « typiques » ou « indéterminés », soit par la présence de consolidations de lobar, d'« arbre en bourgeon », d’épaississement lisse de la septa et de l’effusion pleurale; dans cette présentation, aucun GGO n’est détectable. Le modèle « négatif » est caractérisé par l’absence des résultats pathologiques susmentionnés.
Selon la littérature, quelques patients peuvent présenter avec un suspect clinique élevé de COVID-19 soutenu par des critères épidémiologiques et la conclusion de formation image avec rt-PCRnégatif 3,4. D’autre part, il a été rapporté que les patients présentant un rt-PCR positif et des résultats cliniques suggestifs, ne présentent pas de résultats pathologiques sur HRCT5.
Aujourd’hui, il est d’un intérêt primordial pour la communauté scientifique d’appliquer des techniques d’analyse d’image lors de l’étude quantitative des caractéristiques de cette maladie. Une étude récente a appliqué la technique automatisée de segmentation du parenchyme de poumon pour identifier le pourcentage de poumon aéré dans les patients affectés par COVID-19, corrélant cette valeur avec le pronostic, et démontrant que les patients présentant une participation pulmonaire plus grave ont présenté plus de risque d’être admis dans l’unité de soins intensifs (ICU), et ayant de pires résultats6.
La segmentation est le contournement des régions d’intérêt (IDH) à l’intérieur d’un volume acquis au moyen d’une technique d’imagerie, comme le TDHC. Cette activité peut être effectuée par trois méthodes : manuelle, semi-automatique et automatique. La segmentation manuelle, grâce à l’expérience d’un radiologue qualifié, consiste à étiqueter les voxels appartenant à la zone pathologique. Les principaux inconvénients de cette méthode sont la grande quantité de temps nécessaire et le fait qu’elle dépend de l’opérateur.
Les méthodes semi-automatiques permettent d’accélérer la segmentation car l’opérateur peut modifier un masque de segmentation obtenu grâce aux méthodes classiques de traitement d’image (p. ex., seuil sur l’intensité des pixels, regroupement, etc.). Cependant, ces techniques ne sont pas faciles à mettre en œuvre dans la pratique clinique car elles nécessitent une intervention manuelle étendue dans les cas les pluscompliqués 18.
Les méthodes de segmentation automatique, actuellement d’une utilisation limitée, utilisent l’intelligence artificielle pour obtenir des IA. En particulier, une étude récente vise à utiliser la segmentation automatique dans la quantification des zones de verre moulu chez les patients souffrant de pneumonie interstitielle COVID-1919. La définition d’un protocole de segmentation pour les zones pathologiques sur les images HRCT est la véritable première étape vers l’analyse radiomique ultérieure, afin d’identifier les caractéristiques qui pourraient aider à mieux comprendre la physiopathologie de la maladie, et servir de facteur pronostique précis potentiellement influencer le traitement.
Cet article offre un guide pour obtenir des segments précis et efficaces représentant les résultats pathologiques de la pneumonie COVID-19 à l’aide de « Trancheur 3D »7,8,9,10.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Ce protocole suit les lignes directrices du comité institutionnel d’éthique de la recherche humaine.
1. Télécharger les images du DICOM
- Téléchargez les images DICOM et transférez-les dans le poste de travail dédié à la segmentation, avec le logiciel 3D installé. Si vous prévoyez de travailler sur un ordinateur personnel, anonymisez les données DICOM.
2. Importation de l’étude HRCT sur le logiciel Slicer 3D
- Dans l’écran d’ouverture du logiciel (correspondant à la section Bienvenue à Slicer dans le menu drop-down) sélectionnez Load DICOM Data. Vous pouvez également sélectionner l’icône DCM dans le coin supérieur gauche de la barre d’outils.
- Dans le coin supérieur gauche du panneau DICOM Browser sélectionnez Import, puis sélectionnez l’emplacement de l’étude HRCT. Sélectionnez le dossier avec les images DCM, puis sélectionnez Importation.
- Maintenant que l’étude HRCT a été importée avec succès, cliquez sur le bouton Charge.
3. Création des segments
- Créez des segments dans la section Segmentations du menu drop-down ou directement dans la sous-section Segment Editor trouvée dans la section Segmentation du menu drop-down, ou encore comme icône dédiée dans la barre d’outils.
- Dans le menu drop-down à côté de Master Volume, sélectionnez l’étude HRCT.
- Sélectionnez Ajouter et créer trois nouveaux segments, qui seront automatiquement nommés segment 1, 2 et 3. Double clic sur chacun d’eux et les renommer respectivement « tlv » (Total Lung Parenchyma), « ggo » (Ground Glass Opacities) et « cons » (Consolidations). Si dans l’étude hrct d’autres résultats pathologiques coexistent, tels que l’effusion pleurale, le cancer du poumon, les secteurs fibrotiques et ainsi de suite, créent des segments additionnels. Il en va de même pour les artefacts.
4. Définition du segment TLP
REMARQUE : Une définition précise du segment TLP est fondamentale, car elle sera utilisée pour masquer le HRCT lors de la définition des segments GGO et CD.
- Dans un premier temps, dans la section Segment Editor, après avoir sélectionné le segment TLP, choisissez l’instrument Threshold.
- Fixez un seuil suffisamment grand pour inclure à la fois le parenchyme pulmonaire sain et les opacities de verre moulu. En utilisant les valeurs rapportées dans la littérature scientifique avec les ajustements nécessaires pour se conformer à la définition classique de GGO, nous avons constaté que l’établissement du seuil entre -1000 HU et -250 HU fonctionnebien 6,14,15,16,17. Ensuite, sélectionnez Appliquer.
- Le segment ainsi défini comprendra à la fois l’air à l’intérieur des poumons et l’air à l’extérieur de la poitrine (c.-à-d. l’air à l’extérieur du patient). Afin d’isoler le parenchyme pulmonaire, utilisez l’outil Îles, trouvé dans l’éditeur de segment, et choisissez Keep île sélectionnée. Cliquez à gauche à l’intérieur de la poitrine de sorte que tout ce qui est à l’extérieur de la poitrine sera exclu du segment.
- Ensuite, inclure n’importe quel domaine de consolidation à l’intérieur du segment TLP. Les consolidations ont généralement des valeurs d’atténuation (Unités Hounsfield: HU) similaires à celles des tissus mous qui constituent la paroi thoracique et le mediastinum. C’est la raison pour laquelle l’instrument Threshold ne peut pas être utilisé à cette fin et les consolidations devront être ajoutées manuellement, à l’aide des outils Ciseaux et Peinture trouvés dans l’éditeur du segment.
- Utilisez l’outil Ciseaux pour ajouter des portions de parenchyme pulmonaire au segment. Choisissez l’opération Fill Inside, sélectionnez Formulaire libre comme forme et Symétrique comme coupe de tranche. Choisissez une épaisseur adaptée à la taille de la consolidation (p. ex., de 3 à 20 mm); puis, commencer progressivement à ajouter de petites portions de TLP, jusqu’à ce que la consolidation a été complètement inclus.
- L’outil Peinture est plus facile et parfois plus rapide à utiliser, mais peut être moins précis, selon la zone à inclure. Lorsque l’option Sphere Brush est active, cet outil peut ajouter des parties 3D du parenchyme pulmonaire au segment. La taille de la brosse peut être facilement modifiée.
- Tout en ajoutant les consolidations au segment TLP, n’incluez pas de parties de mur thoracique ou de mediastinum. Ceci pourrait s’avérer difficile car dans les patients affectés par les consolidations covid19 adjacentes à la paroi thoracique postérieure sont tout à fait communes. Utilisez l’outil Effacer pour corriger la segmentation ou sélectionnez Annuler pour jeter la dernière action.
- À ce stade, utilisez l’algorithme de lissage une fois de plus pour supprimer les petites imperfections qui auraient pu se produire pendant la partie manuelle de la segmentation. Maintenant, la définition du segment TLP est terminée.
5. Définition du segment GGO
- Pour définir le segment GGO, utilisez l’outil seuil.
- Sélectionnez le segment GGO.
- Fixez le seuil entre -750 HU et -150 HU.
- Avant de sélectionner Appliquer,allez à la section Masquage juste en dessous et sélectionnez TLP dans le menu de drop down zone modifiable. Dans le menu overwrite other segment drop-down, sélectionnez Aucun. Ceci est extrêmement important car, s’il était ignoré, une fois défini le segment GGO, le segment TLP serait également modifié. Cela doit être évité, car le segment TLP est le masque sur lequel tous les autres segments sont définis.
- Maintenant sélectionnez Appliquer.
- À ce stade, il sera probablement nécessaire d’utiliser l’algorithme de lissage une fois de plus, afin d’exclure tous les petits vaisseaux et les éléments physiologiques interstitiels qui ont une densité similaire à celle du verre moulu du segment. Commencez par une taille de noyau de 3 mm et, si nécessaire, augmentez-le progressivement, à un maximum de 6-7 mm. Notez que l’augmentation de la taille du noyau trop pourrait déterminer la perte de petites zones de verre moulu, qui serait laissé en dehors du segment GGO. Pour cette raison, l’algorithme de lissage doit être utilisé avec la prudence appropriée.
- Dans ce cas aussi, appliquer les corrections nécessaires avec la peinture, ciseaux et effacer outil. Au cours de cette phase, n’oubliez pas de garder le masque TLP actif en tout temps pour éviter d’inclure des parties de la paroi thoracique adjacentes aux zones de « verre moulu » à l’intérieur du segment. En effet, s’ils étaient segmentés par erreur, ils seraient automatiquement exclus.
- Lors de l’obtention de ce segment, portez une attention particulière à la présence possible d’artefacts générés par les mouvements de foyer et de diaphragme (cela se produit si le patient ne pouvait pas retenir son souffle pendant l’examen). S’ils sont présents et inclus précédemment dans le segment TLP, éliminez ces artefacts du segment « verre moulu », par exemple par l’intermédiaire de l’outil Îles avec l’option Supprimer l’île sélectionnée ou en utilisant les outils Ciseaux et Effacement. Selon l’objectif de l’étude, les artefacts peuvent être segmentés séparément, à l’aide d’un segment dédié ou inclus dans le segment TLP et exclus d’autres segments. Maintenant, le segment GGO a été défini.
6. Définition du segment CD
- Pour définir le segment CD, procédez de la même manière que pour définir le segment GGO.
- Sélectionnez le segment CD. Assurez-vous de travailler avec le masquage TLP toujours actif.
- Fixez un seuil adéquat. Pour les consolidations, la plage varie, à peu près, de -150 HU à 100 HU.
- Appliquez l’algorithme de lissage en variant la taille du noyau au besoin.
- Utilisez une combinaison des outils Ciseaux, Effacer, Peinture et Îles afin de garder à l’intérieur du segment que les consolidations réelles, à l’exclusion des grands navires, effusions pleurales, artefacts, bandes disventilatoires et autres lésions non covid-connexes.
- Si nécessaire, appliquer un lissage final peut être appliqué.
7. Enregistrement des segments
- Enregistrez les segments sous forme de fichier « .nrrd » ou convertissez-les en cartes d’étiquettes binaires à partir du module « Données ».
8. Extraire des volumes des segments définis.
- À partir du module Statistiques segment, obtenez un tableau avec des détails sur le volume et les surfaces des segments.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
La méthode proposée a été affinée par des essais et des erreurs, la testant sur 117 patients affectés par la pneumonie COVID-19 avec un test rt-PCR positif.
Après une courte courbe d’apprentissage, le temps nécessaire pour obtenir les segments peut varier de 5 à 15 minutes, selon le modèle de présentation.
Comme le montre la figure 1,la méthode donne des segments précis : on peut l’observer en repérageant la correspondance exacte avec le HRCT. Le rendu 3D permet d’évaluer la correspondance et d’examiner rapidement les résultats de segmentation. Une évaluation quantitative de la quantité de parenchyme pulmonaire affectée peut être obtenue, pour reproduire les résultats rapportés de Colombi et coll.6 et Lanza et coll.13.
Figure 1 : Analyse représentative du volume des résultats et de la surface. La capture d’écran de l’interface trancheuse 3D représente les résultats obtenus à partir du module « Statistiques sectores », qui peut être utilisé pour évaluer quantitativement le volume du parenchyme pulmonaire affecté. S’il vous plaît cliquez ici pour voir une version plus grande de ce chiffre.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
La segmentation représente une étape fondamentale pour effectuer des études quantitatives modernes de radiologie, et est nécessaire pour appliquer des techniques de radiomics ou d’analyse de texture. Les résultats pathologiques dans les poumons représentent l’un des plus difficiles à segmenter, car l’absence de frontières anatomiques définies et une petite différence de valeur d’atténuation par rapport aux zones saines.
Les images sources doivent présenter un minimum d’artefacts si possible, en particulier sur les zones pathologiques, et cela est parfois difficile à réaliser lors de l’étude d’une maladie qui compromet la respiration; par conséquent, les chercheurs peuvent envisager d’exclure les HRCTs compromis ou de définir un segment dédié aux artefacts à éliminer d’une analyse plus approfondie.
Il est possible d’installer une extension de Slicer 3D, appelée la « plate-forme d’imageriethoracique » 11, qui permet des opérations plus rapides et plus automatisées sur les segments pulmonaires, avec un intérêt particulier sur les poumons aérés. Il a été décidé de ne pas adopter cette méthode, car elle nécessite une intervention manuelle approfondie lorsque GGO et les consolidations ont une distribution sous-pleurale, ce qui est le cas de la pathologie explorée dans cet article.
Une méthode de segmentation automatique pour les maladies pulmonaires interstitielles a étérapportée 12; néanmoins, cette méthode exigeait d’avoir une connaissance préalable des caractéristiques des zones touchées. La technique proposée dans cette étude représente une approche facile à apprendre et reproductible à la segmentation des résultats pathologiques du poumon, les caractéristiques extraites à partir de laquelle pourrait fournir des moyens futurs de segmenter automatiquement les maladies pulmonaires interstitielles virales, et représentent des facteurs pronostiques précis.
La méthode de segmentation proposée a certaines limites.
Tout d’abord, le téléchargement des images DICOM à partir des postes de travail est un processus qui peut nécessiter une quantité variable de temps, ce qui le fait pour un grand nombre de patients pourrait être un travail gênant. Toute application potentielle de cette méthode de segmentation à la pratique clinique doit tenir compte de cette question cruciale, jusqu’au moment où les plugins de segmentation deviennent largement disponibles sur les plateformes PACS.
Deuxièmement, la segmentation des zones pathologiques liées au COVID-19 pourrait être compliquée chez les patients atteints d’une maladie pulmonaire chronique concomitante (p. ex., cancer du poumon, fibrose pulmonaire, etc.) dont les résultats radiologiques se composent de zones présentant les mêmes densités que celles typiques des modèles COVID-19. La même préoccupation devrait être prise en considération dans les tomodensitogrammes avec des artefacts respiratoires. Ces artefacts sont assez communs dans les patients présentant l’infection de COVID-19, étant généralement liés à la dyspnée et à l’échec respiratoire, particulièrement dans les patients âgés/moyens.
En outre, les patients présentant une pneumonie interstitielle grave (caractérisée par beaucoup de consolidations pulmonaires et d’opacities folles de pavage) exigent une segmentation manuelle plus étendue et par conséquent, une grande quantité de temps. En général, plus la gravité de la pneumonie interstitielle est élevée, plus la segmentation manuelle requise est étendue, plus le temps de segmentation est long.
Cependant, le degré de précision offert par les techniques avancées d’évaluation telles que celles proposées par Lanza et Colombi pourrait ajouter des informations limitées sur les patients présentant des conditions pulmonaires déjà graves par rapport aux évaluations cliniques et radiologiques standard20.
Enfin, il convient de noter que tout radiologiste qui n’a aucune expérience avec trancheur 3D a besoin d’un temps de formation adéquat, car il n’est pas un logiciel intuitif et nécessite un certain temps pour être maîtrisé, même dans ses fonctions basilaires.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Aucun des auteurs n’a de conflits d’intérêts.
Acknowledgments
Ces travaux ont été soutenus par le financement du Département de radiologie de l’Université de Bologne.
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).
