Summary
Цель этого протокола заключается в том, чтобы обеспечить эффективный способ сегментации объемов интереса к КТ высокого разрешения для использования для дальнейшего анализа радиомики.
Abstract
Сегментация является сложной задачей, с которой сталкиваются радиологи и исследователи по мере роста потенциала радиомики и машинного обучения. Этот процесс может быть либо автоматическим, полуавтоматическим, либо ручным, первый часто недостаточно точным или легко воспроизводимым, а последний - чрезмерно трудоемким при привлечении крупных районов с приобретением с высоким разрешением.
КТ высокого разрешения грудной клетки состоит из сотен изображений, и это делает ручной подход чрезмерно трудоемким. Кроме того, паренхимальные изменения требуют экспертной оценки, которая будет различима от нормального внешнего вида; Таким образом, полуавтоматический подход к процессу сегментации, к нашим знаниям, наиболее подходит при сегментации пневмоний, особенно когда их особенности до сих пор неизвестны.
Для исследований, проведенных в нашем институте по визуализации COVID-19, мы приняли 3D Slicer, бесплатное программное обеспечение, производимое Гарвардским университетом, и объединили порог с инструментами кисти краски для достижения быстрой и точной сегментации газированных легких, непрозрачности грунтового стекла и консолидации. При сталкиваясь со сложными случаями, этот метод по-прежнему требует значительного количества времени для надлежащей ручной корректировки, но обеспечивает чрезвычайно эффективное среднее определение сегментов для использования для дальнейшего анализа, таких как расчет процента пораженной паренхимы легких или анализ текстуры области грунтового стекла.
Introduction
В текущем году мир сталкивается с чрезвычайной ситуацией в области здравоохранения, пандемией, вызванной новым коронавирусом Sars-CoV2. Даже если до настоящего времени многие аспекты, касающиеся физиопатологии инфекции COVID-19, до сих пор неясны, она разделяет несколько характеристик со своими "предками" ТОРС1 и БВРС. В частности, было доказано, что белки вирионного шипа взаимодействуют с ангиотензином Преобразование фермента Типа-2, рецептор хорошо представлены на альвеолярных эндотелиальных клеток, но повсеместно в организме человека, тем самым имея потенциал, чтобыдать системные симптомы 1.
Для диагностики, текущий стандарт в режиме реального времени обратной транскриптазы-полимеразы цепной реакции (rt-PCR), тест, выполненный на фарингеальных тампонов. Хотя радиологическая визуализация официально не признана в диагностическом пути для выявления заболевания, компьютерная томография высокого разрешения (HRCT) оказалась ценным под угрозой клинического и эпидемиологического лечения пострадавших пациентов, из-за относительно низкой чувствительности рт-ПЦР, нынешней нехватки специализированных лабораторий и необходимых реагентов, а также высокой зависимости оператора.
Радиологическое общество Северной Америки (RSNA) выпустило консенсусное заявление, одобренное обществом торакальной радиологии и Американского колледжа радиологии (ACR), которое классифицирует появление КТ COVID19 на четыре категории, чтобы стандартизировать отчетность, разделив интерстициальные модели пневмонии на "типичные", "нетипичные", "неопределенные" и "отрицательные"2.
«Типичный» узор характеризуется наличием круглых форм наземного стекла Opacities (GGO), как правило, с субплевральным расположением на спинных базальных сегментах. GGO может быть связано с "Crazy Paving" области утолщенной септы, или другие признаки организации пневмонии. "Неопределенным" шаблоном характеризуется отсутствие "типичных" находок шаблона, с диффузными областями GGO с перихилярным распределением, с или без консолидированных областей. «Атипичная» картина характеризуется либо отсутствием «типичных» или «неопределенных» знаков, либо наличием консолидаций лобаров, «дерева в зародыше», плавным утолщением септы и плевральным выпотом; в этой презентации GGO не обнаруживается. "Негативная" картина характеризуется отсутствием вышеупомянутых патологических результатов.
Согласно литературе, некоторые пациенты могут представить с высоким клиническим подозреваемым COVID-19 поддерживается эпидемиологических критериев и изображений нахождения с отрицательным rt-PCR3,4. С другой стороны, было сообщено, что пациенты с положительным рт-ПЦР и наводящий клинические выводы, не представляют патологических выводов на HRCT5.
В настоящее время научному сообществу представляется первостепенный интерес применение методов анализа изображений при количественном изучении характеристик этого заболевания. Недавнее исследование применяется автоматизированная техника сегментации легких parenchyma для выявления процент газированных легких у пациентов, пострадавших от COVID-19, коррелирует это значение с прогнозом, и показывает, что пациенты с более тяжелой участия легких представил больше риска быть допущены в отделение интенсивной терапии (ICU), и имеющиехудшие результаты 6.
Сегментация — это контурирование областей интересов (ROIs) внутри тома, приобретенного с помощью метода визуализации, такого как HRCT. Эта деятельность может быть выполнена, хотя три метода: ручной, полуавтоматический и автоматический. Ручная сегментация, благодаря опыту обученного радиолога, состоит из маркировки вокселей, принадлежащих к патологической области. Основными недостатками этого метода являются большое количество требуемого времени и тот факт, что он зависит от оператора.
Полуавтоматические методы позволяют ускорить сегментацию, так как оператор может модифицировать маску сегментации, полученную с помощью классических методов обработки изображений (например, порог интенсивности пикселей, кластеризации и т.д.). Тем не менее, эти методы не легко реализовать в клинической практике, поскольку они требуют обширного ручного вмешательства в самых сложныхслучаях 18.
Методы автоматической сегментации, которые в настоящее время используются в ограниченном объеме, используют искусственный интеллект для получения ИИ. В частности, недавнее исследование направлено на использование автоматической сегментации в количественной оценке области молотого стекла у пациентов, страдающих от COVID-19 интерстициальной пневмонии19. Определение протокола сегментации для патологических областей на изображениях HRCT является реальным первым шагом на пути к последующему анализу радиомики, с тем чтобы определить особенности, которые могли бы помочь в дальнейшем понять физиопатологии болезни, и служить в качестве точного прогностического фактора, потенциально влияющих на лечение.
Данный документ предлагает руководство для получения точных и эффективных сегментов, представляющих патологические выводы COVID-19 пневмонии с использованием "3D Slicer"7,8,9,10.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Этот протокол соответствует руководящим принципам институционального комитета по этике исследований в области человека.
1. Загрузка изображений DICOM
- Загрузите изображения DICOM и перенесите их на рабочую станцию, посвященную сегментации, с установленным 3D-программным обеспечением. Планируя работать на персоном компьютере, анонимизируйте данные DICOM.
2. Импорт исследования HRCT по программному обеспечению 3D Slicer
- На экране открытия программного обеспечения (соответствующий разделу Добро пожаловать в Slicer в меню высадки) выберите данные Load DICOM. Кроме того, выберите значок DCM в левом верхнем углу панели инструментов.
- В левом верхнем углу панели браузера DICOM выберите Импорт,а затем выберите место исследования HRCT. Выберите папку с изображениями DCM, а затем выберите Импорт.
- Теперь, когда исследование HRCT успешно импортировано, нажмите на кнопку Нагрузки.
3. Создание сегментов
- Создавайте сегменты в разделе Сегментации выпадают из меню или непосредственно в подразряде Сегмент редактор найти в разделе сегментации выпадают меню, или снова в качестве выделенного значка в панели инструментов.
- В меню высадки рядом с Master Volume выберите исследование HRCT.
- Выберите Добавить и создать три новых сегмента, которые будут автоматически называться сегмент 1, 2 и 3. Дважды нажмите на каждый из них и переименовать их соответственно "tlv" (Total Lung Parenchyma), "ggo" (Ground Glass Opacities) и "против" (Консолидации). Если в исследовании HRCT сосуществуют дополнительные патологические находки, такие как плевральное выпот, рак легких, фиброзные области и так далее, создавайте дополнительные сегменты. То же самое относится и к артефактам.
4. Определение сегмента ТЛП
ПРИМЕЧАНИЕ: Точное определение сегмента TLP имеет основополагающее значение, поскольку оно будет использоваться для маскировки HRCT при определении сегментов GGO и компакт-соров.
- В качестве первого шага в разделе Редактор сегмента, выбрав сегмент TLP, выберите инструмент Threshold.
- Установите порог достаточно большой, чтобы включить как здоровые паренхимы легких и земле стекла непрозрачности. Используя значения, зарегистрированные в научной литературе с необходимыми корректировками в соответствии с хрестоматийным определением GGO, мы обнаружили, что установление порога между -1000 HU и -250 HUработает хорошо 6,14,15,16,17. Затем выберите Применить.
- Определяемый таким образом сегмент будет включать в себя как воздух внутри легких, так и воздух вне грудной клетки (т.е. воздух вне пациента). Для того, чтобы изолировать легких parenchyma, использовать инструмент острова, найденные в сегменте редактор, и выбрать Сохранить выбранный остров. Левый щелкните внутри груди так, что что-нибыдь вне комода будет исключено от сегмента.
- Далее включите любую область консолидации в сегменте TLP. Консолидации, как правило, имеют значения оголения (Хаунсфилд единиц: HU), аналогичные тем из мягких тканей, которые составляют грудную стенку и mediastinum. Это причина, почему инструмент Порог не может быть использован для этой цели и консолидации должны быть добавлены вручную, используя ножницы и краски инструменты, найденные в редакторе сегмента.
- Используйте инструмент ножницы, чтобы добавить части паренхимы легких в сегменте. Выберите операцию Fill Inside, выберите Свободную форму в качестве формы и симметричную, как разрез среза. Выбрать толщину, соответствующую размеру консолидации (например, от 3 до 20 мм); а затем начните постепенно добавлять небольшие порции TLP, пока консолидация не будет полностью включена.
- Инструмент Paint проще, а иногда и быстрее в использовании, но может быть менее точным, в зависимости от области, чтобы включить. Когда вариант Sphere Brush активен, этот инструмент может добавить 3D части паренхимы легких в сегмент. Размер кисти можно легко изменить.
- Добавляя консолидации в сегмент TLP, не включайте части грудной стенки или медиастинума. Это может оказаться трудным, как у пациентов, пострадавших от консолидации COVID19, прилегающих к задней грудной стенке довольно распространены. Используйте инструмент Erase для коррекции сегментации или выбора Отменить, чтобы отбросить последнее действие.
- На этом этапе используйте алгоритм сглаживания еще раз, чтобы удалить небольшие недостатки, которые могли возникнуть во время ручной части сегментации. Теперь определение сегмента TLP завершено.
5. Определение сегмента GGO
- Для определения сегмента GGO используйте пороговый инструмент.
- Выберите сегмент GGO.
- Установите порог между -750 HU и -150 HU.
- Перед выбором Применить, перейдите в раздел маскировки прямо под и выберите TLP в Редактируемой области падение вниз меню. В меню высадки других сегментов выберите No. Это чрезвычайно важно, поскольку, если пропустить, как только определен сегмент GGO, также сегмент TLP будет изменен. Этого следует избегать, поскольку сегмент TLP является маской, на которой определяются все остальные сегменты.
- Теперь выберите Применить.
- На этом этапе, вероятно, необходимо будет еще раз использовать алгоритм сглаживания, чтобы исключить из сегмента все мелкие сосуды и физиологические интерстициальные элементы, которые имеют плотность, аналогичную плотности грунтового стекла. Начните с ядра размером 3 мм и, при необходимости, увеличьте его постепенно, максимум до 6-7 мм. Обратите внимание, что увеличение размера ядра слишком много может определить потерю небольших площадей молотого стекла, которые будут оставлены за пределами сегмента GGO. Из-за этого алгоритм сглаживания следует использовать с надлежащей осторожностью.
- В этом случае также примените необходимые исправления с помощью инструмента Paint, Scissors и Erase. На этом этапе не забудьте сохранить TLP маска активна во все времена, чтобы избежать включения части грудной стенки, прилегающих к "земля стекла" областях внутри сегмента. Это происходит потому, что, если ошибочно сегментировать, они будут автоматически исключены.
- При получении этого сегмента обратите пристальное внимание на возможное наличие артефактов, порожденных движениями очага и диафрагмы (это происходит, если пациент не может задержать дыхание во время экзамена). Если они присутствуют и ранее включены в сегмент TLP, исключите эти артефакты из сегмента «земляного стекла», например, с помощью инструмента «Острова» с опцией «Удалить выбранный остров» или с помощью инструментов Scissors and Erase. В зависимости от цели исследования артефакты могут быть сегментированы отдельно, используя выделенный сегмент или включенные в сегмент TLP, и исключены из других сегментов. Сейчас определен сегмент GGO.
6. Определение сегмента компакт-товок
- Чтобы определить сегмент компакт-товок, пройди так же, как определить сегмент GGO.
- Выберите сегмент компакт-товок. Будьте уверены, чтобы работать с TLP маскировки всегда активны.
- Установите адекватный порог. Для консолидации диапазон варьируется, примерно, от -150 HU до 100 HU.
- Применяем алгоритм сглаживания, изменяя размер ядра по мере необходимости.
- Используйте комбинацию инструментов Ножницы, Стереть, Краска и острова для того, чтобы держать внутри сегмента только реальные консолидации, за исключением крупных сосудов, плевральных выпотов, артефакты, дисвентиляционные полосы и другие не связанные с COVID поражения.
- При необходимости можно применить окончательное сглаживание.
7. Сохранение сегментов
- Сохранить сегменты в качестве файла ".nrrd" или преобразовать в двоичные карты меток из модуля "Data".
8. Извлечение объемов из определенных сегментов.
- Из модуля Статистики сегментов получите таблицу с подробной информацией об объемах и поверхностях сегментов.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Предлагаемый метод был усовершенствован с помощью испытаний и ошибок, тестируя его на 117 пациентов, пострадавших от пневмонии COVID-19 с положительным тестом RT-PCR.
После короткой кривой обучения время, необходимое для получения сегментов, может варьироваться от 5 до 15 минут, в зависимости от шаблона презентации.
Как показано на рисунке 1,метод дает точные сегменты: это можно наблюдать, замечая точную переписку с HRCT. 3D-рендеринг помогает оценить корреспонденцию и быстро просмотреть результаты сегментации. Количественная оценка количества пораженных паренхимы легких может быть получена, чтобы воспроизвести результаты, полученные от Colombi et al.6 и Lanza et al.13.
Рисунок 1: Репрезентативные результаты объема и анализа поверхности. Скриншот из интерфейса 3D Slicer представляет результаты, полученные из модуля «Статистика сегментов», которые могут быть использованы для количественной оценки объема пораженной паренхимы легких. Пожалуйста, нажмите здесь, чтобы просмотреть большую версию этой цифры.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Сегментация представляет собой фундаментальный шаг для проведения современных количественных радиологических исследований и необходима для применения методов радиомики или анализа текстур. Патологические находки в легких представляют собой один из самых сложных для сегмента, из-за отсутствия определенных анатомических границ и небольшой разницы в значении времени по сравнению со здоровыми областями.
Исходные изображения должны представлять с минимумом артефактов, если это возможно, особенно на патологических областях, и это иногда трудно достичь при изучении болезни, которая ставит под угрозу дыхание; поэтому исследователи могут рассмотреть вопрос об исключении скомпрометированных СПЧ или определении сегмента, посвященного артефактам, который будет исключен из дальнейшего анализа.
Можно установить расширение до 3D Slicer, называется "грудь визуализации платформы"11, что позволяет быстрее, более автоматизированные операции на сегментах легких, с особым интересом на газированных легких. Было принято решение не применять этот метод, поскольку он требует широкого ручного вмешательства, когда GGO и консолидации имеют суб-плеврального распределения, что в случае патологии, изученной в настоящем документе.
Автоматический метод сегментации для интерстициальных заболеваний легких было зарегистрировано12; несмотря на это, этот метод требовал наличия прежних знаний об особенностях пострадавших районов. Техника, предложенная в данном исследовании представляет собой простой в изучении и воспроизводимый подход к сегментации патологических выводов легких, особенности, извлеченные из которых может обеспечить будущие средства автоматического сегмента вирусных интерстициальных заболеваний легких, и представляют точные прогностические факторы.
Предлагаемый метод сегментации имеет некоторые ограничения.
Прежде всего, загрузка изображений DICOM с рабочих станций является процессом, который может потребовать переменного количества времени, таким образом, для огромного числа пациентов может быть хлопотной работы. Любое потенциальное применение этого метода сегментации в практике клиники должно учитывать эту критическую проблему до момента, когда плагины сегментации станут широко доступны на платформах PACS.
Во-вторых, сегментация связанных с COVID-19 патологических областей может быть осложнена у пациентов с сопутствующими хроническими заболеваниями легких (например, раком легких, фиброзом легких и т.д.), радиологические выводы которых состоят из областей с такой же плотностью, как и у моделей COVID-19. То же самое следует учитывать при КТ с респираторными артефактами. Эти артефакты довольно распространены у пациентов с инфекцией COVID-19, которые обычно связаны с одышкой и дыхательной недостаточностью, особенно у пациентов пожилого/среднего возраста.
Кроме того, пациенты с тяжелой интерстициальной пневмонией (характерной для многих консолидаций легких и сумасшедшей мощения непрозрачности) требуют более обширной ручной сегментации и, следовательно, огромного количества времени. В целом, чем выше тяжесть интерстициальной пневмонии, тем больше требуется ручная сегментация, тем больше времени сегментации.
Тем не менее, степень точности, предлагаемые передовые методы оценки, такие как те, предложенные Ланца и Коломби может добавить ограниченную информацию о пациентах с уже тяжелыми заболеваниями легких по сравнению со стандартными клиническими ирадиологическими оценками 20.
Наконец, следует отметить, что любой радиолог, не имеет опыта работы с 3D-слайзером, нуждается в достаточном времени обучения, так как это не интуитивно понятное программное обеспечение и требует некоторого времени для освоения даже в его базилярных функциях.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Ни у кого из авторов нет конфликта интересов.
Acknowledgments
Эта работа была поддержана финансированием кафедры радиологии Болонского университета.
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).
