Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Segmentacja tomografii komputerowej płuc w celu identyfikacji konsolidacji i obszarów szkła mielonego w celu ilościowej oceny zapalenia płuc SARS-CoV

13.6K wyświetleń

⸱

DOI:

10.3791/61737

⸱

19 grudnia 2020

 ,  ,  ,  , 
1Department of Diagnostic and Specialty Medicine, Policlinico Sant'Orsola-Malpighi, University of Bologna

* These authors contributed equally

W tym artykule

Podsumowanie

Celem tego protokołu jest zapewnienie efektywnego czasowo sposobu segmentacji interesujących objętości na skanach tomografii komputerowej o wysokiej rozdzielczości, aby wykorzystać je do dalszej analizy radiomicznej.

Streszczenie

Segmentacja to skomplikowane zadanie, przed którym stają radiolodzy i badacze, ponieważ radiomika i uczenie maszynowe zyskują na sile możliwości. Proces ten może być automatyczny, półautomatyczny lub ręczny, przy czym pierwsze z nich często nie są wystarczająco precyzyjne lub łatwe do odtworzenia, a ostatnie są zbyt czasochłonne w przypadku dużych okręgów z przejęciami o wysokiej rozdzielczości.

Wysokorozdzielczy tomografia komputerowa klatki piersiowej składa się z setek obrazów, co sprawia, że ręczne podejście jest zbyt czasochłonne. Ponadto zmiany miąższowe wymagają specjalistycznej oceny, aby można je było odróżnić od normalnego wyglądu; W związku z tym, zgodnie z naszą najlepszą wiedzą, półautomatyczne podejście do procesu segmentacji jest najbardziej odpowiednie w przypadku segmentacji zapalenia płuc, zwłaszcza gdy jego cechy są jeszcze nieznane.

Do badań prowadzonych w naszym instytucie na temat obrazowania COVID-19, zastosowaliśmy 3D Slicer, darmowe oprogramowanie wyprodukowane przez Uniwersytet Harvarda, i połączyliśmy próg z narzędziami pędzla, aby uzyskać szybką i precyzyjną segmentację napowietrzonych płuc, zmętnienia szkła mielonego i konsolidacji. W przypadku skomplikowanych przypadków metoda ta nadal wymaga znacznej ilości czasu na prawidłowe ręczne regulacje, ale zapewnia niezwykle skuteczny sposób definiowania segmentów do wykorzystania do dalszej analizy, takiej jak obliczenie procentu dotkniętego miąższu płuc lub analiza tekstury obszarów zmielonego szkła.

Wprowadzenie

W bieżącym roku świat stoi w obliczu zagrożenia zdrowia, pandemii spowodowanej przez nowego koronawirusa, Sars-CoV2. Nawet jeśli do chwili obecnej wiele aspektów dotyczących fizjopatologii zakażenia COVID-19 jest nadal niejasnych, ma ono kilka cech wspólnych ze swoimi "przodkami" SARS1 i MERS. W szczególności udowodniono, że białka kolca wirionu oddziałują z enzymem konwertującym angiotensynę typu 2, receptorem dobrze reprezentowanym na komórkach śródbłonka pęcherzyków płucnych, ale wszechobecnym w organizmie ludzkim, a zatem mającym potencjał do wywoływania objawów ogólnoustrojowych1.

Dla diagnozy, obecnym standardem jest reakcja łańcuchowa odwrotnej transkryptazy w czasie rzeczywistym (rt-PCR), test wykonywany na wymazach z gardła. Chociaż obrazowanie radiologiczne nie jest oficjalnie uznawane w ścieżce diagnostycznej wykrywania choroby, tomografia komputerowa o wysokiej rozdzielczości (HRCT) okazała się cenną pomocą w klinicznym i epidemiologicznym postępowaniu z chorymi pacjentami, ze względu na stosunkowo niską czułość rt-PCR, obecny niedobór specjalistycznych laboratoriów i niezbędnych odczynników, i duża zależność od operatora.

Towarzystwo Radiologiczne Ameryki Północnej (RSNA) wydało jednomyślne oświadczenie, zatwierdzone przez Towarzystwo Radiologii Klatki Piersiowej i American College of Radiology (ACR), które klasyfikuje wygląd TK u COVID19 na cztery kategorie w celu standaryzacji raportowania, dzieląc wzorce śródmiąższowego zapalenia płuc na "typowe", "nietypowe", "nieokreślone", oraz "negative"2.

"Typowy" wzór charakteryzuje się obecnością okrągłych zmętnień szkła mielonego (GGO), zwykle z położeniem podopłucnowym na grzbietowych segmentach podstawy. GGO może kojarzyć się z "szalonymi chodnikami" obszarami zagęszczonych przegród lub innymi oznakami organizującego się zapalenia płuc. Wzorzec "nieokreślony" charakteryzuje się brakiem "typowych" wyników wzorca, z rozproszonymi obszarami GGO z rozkładem okołozanękowym, z obszarami konsolidacyjnymi lub bez nich. "Nietypowy" wzór charakteryzuje się brakiem "typowych" lub "nieokreślonych" objawów oraz obecnością konsolidacji płatów, "drzewa w pąku", gładkim pogrubieniem przegród i wysiękiem opłucnowym; w tej prezentacji nie są wykrywalne żadne GGO. Wzorzec "negatywny" charakteryzuje się brakiem wyżej wymienionych zmian patologicznych.

Według literatury, niektórzy pacjenci mogą wykazywać wysokie kliniczne podejrzenie COVID-19 poparte kryteriami epidemiologicznymi i wynikami badań obrazowych z ujemnym wynikiem rt-PCR3,4. Z drugiej strony donoszono, że pacjenci z dodatnim wynikiem rt-PCR i sugestywnymi wynikami klinicznymi nie prezentują zmian patologicznych w HRCT5.

Obecnie niezwykle ważne dla społeczności naukowej jest stosowanie technik analizy obrazu podczas ilościowego badania cech tej choroby. W niedawnym badaniu zastosowano technikę automatycznej segmentacji miąższu płuc w celu zidentyfikowania odsetka napowietrzonych płuc u pacjentów dotkniętych COVID-19, skorelowania tej wartości z rokowaniem i wykazania, że pacjenci z cięższym zajęciem płuc stwarzali większe ryzyko przyjęcia na oddział intensywnej terapii (OIOM) i mieli gorsze wyniki6.

Segmentacja to konturowanie obszarów zainteresowania (ROI) wewnątrz objętości uzyskanej za pomocą techniki obrazowania, takiej jak HRCT. Czynność ta może być wykonywana na trzy sposoby: ręczną, półautomatyczną i automatyczną. Segmentacja manualna, dzięki doświadczeniu wyszkolonego radiologa, polega na znakowaniu wokseli należących do obszaru patologicznego. Głównymi wadami tej metody jest duża ilość wymaganego czasu oraz fakt, że jest ona zależna od operatora.

Metody półautomatyczne pozwalają przyspieszyć segmentację, ponieważ operator może modyfikować maskę segmentacji uzyskaną za pomocą klasycznych metod przetwarzania obrazu (np. próg intensywności pikseli, grupowanie, itp.). Techniki te nie są jednak łatwe do wdrożenia w praktyce klinicznej, ponieważ wymagają rozległej interwencji ręcznej w najbardziej skomplikowanych przypadkach18.

Metody automatycznej segmentacji, obecnie o ograniczonym zastosowaniu, wykorzystują sztuczną inteligencję do uzyskiwania zwrotów z inwestycji. W szczególności niedawne badanie ma na celu wykorzystanie automatycznej segmentacji w kwantyfikacji powierzchni szkła mielonego u pacjentów cierpiących na śródmiąższowe zapalenie płuc COVID-1919. Zdefiniowanie protokołu segmentacji obszarów patologicznych na obrazach HRCT jest prawdziwym pierwszym krokiem w kierunku późniejszej analizy radiomicznej, w celu zidentyfikowania cech, które mogą pomóc w lepszym zrozumieniu fizjopatologii choroby i służyć jako dokładny czynnik prognostyczny potencjalnie wpływający na leczenie.

Ten artykuł oferuje przewodnik do uzyskania dokładnych i wydajnych segmentów reprezentujących patologiczne objawy zapalenia płuc COVID-19 za pomocą "3D Slicer"7,8,9,10.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Ten protokół jest zgodny z wytycznymi instytucjonalnej komisji etycznej ds. badań na ludziach.

1. Pobieranie obrazów DICOM

  1. Pobierz obrazy DICOM i prześlij je na stację roboczą dedykowaną do segmentacji, z zainstalowanym oprogramowaniem 3D. Jeśli planujesz pracę na komputerze osobistym, zanonimizuj dane DICOM.

2. Importowanie badania HRCT za pomocą oprogramowania 3D Slicer

  1. Na ekranie otwierania oprogramowania (odpowiadającym sekcji Witamy we fragmentatorze w menu rozwijanym) wybierz opcję Load DICOM Data (Załaduj dane DICOM). Można również wybrać ikonę DCM w lewym górnym rogu paska narzędzi.
  2. W lewym górnym rogu panelu Przeglądarka DICOM wybierz opcję Importuj, a następnie wybierz lokalizację badania HRCT. Wybierz folder z obrazami DCM, a następnie wybierz opcję Importuj.
  3. Teraz, gdy badanie HRCT zostało pomyślnie zaimportowane, kliknij przycisk Załaduj.

3. Tworzenie segmentów

  1. Segmenty można tworzyć w sekcji Segmentacje w menu rozwijanym lub bezpośrednio w podsekcji Edytor segmentów znajdującej się w sekcji Segmentacja w menu rozwijanym, lub ponownie jako dedykowaną ikonę na pasku narzędzi.
  2. Z menu rozwijanego obok opcji Wolumin główny należy wybrać badanie HRCT.
  3. Wybierz Dodaj i utwórz trzy nowe segmenty, które zostaną automatycznie nazwane Segment 1, 2 i 3. Kliknij dwukrotnie każdy z nich i zmień ich nazwy odpowiednio na "tlv" (całkowity miąższ płuc), "ggo" (zmętnienia szkła mielonego) i "cons" (konsolidacje). Jeśli w badaniu HRCT współistnieją dodatkowe zmiany patologiczne, takie jak wysięk opłucnowy, rak płuc, obszary zwłóknienia i tak dalej, utwórz dodatkowe segmenty. To samo dotyczy artefaktów.

4. Definicja segmentu TLP

UWAGA: Dokładna definicja segmentu TLP jest fundamentalna, ponieważ będzie ona używana do maskowania HRCT podczas definiowania segmentów GGO i CDs.

  1. W pierwszym kroku, w sekcji Edytor segmentów, po wybraniu segmentu TLP, wybierz instrument Próg.
  2. Ustal próg wystarczająco duży, aby obejmował zarówno zdrowy miąższ płuc, jak i zmętnienia szkła mielonego. Korzystając z wartości podanych w literaturze naukowej z niezbędnymi korektami, aby zachować zgodność z podręcznikową definicją GGO, stwierdziliśmy, że ustawienie progu między -1000 HU a -250 HU działa dobrze6,14,15,16,17. Następnie wybierz pozycję Zastosuj.
  3. Tak zdefiniowany segment będzie obejmował zarówno powietrze wewnątrz płuc, jak i powietrze na zewnątrz klatki piersiowej (tj. powietrze na zewnątrz pacjenta). W celu wyizolowania miąższu płuc należy skorzystać z narzędzia Wyspy, które znajduje się w Edytorze segmentów, i wybrać opcję Zachowaj wybraną wyspę. Kliknij lewym przyciskiem myszy wewnątrz skrzyni, aby wszystko, co znajduje się poza skrzynią, zostało wykluczone z segmentu.
  4. Następnie uwzględnij dowolny obszar konsolidacji w segmencie TLP. Konsolidacje zwykle mają wartości tłumienia (jednostki Hounsfielda: HU) podobne do tych w tkankach miękkich, które tworzą ścianę klatki piersiowej i śródpiersie. Z tego powodu nie można użyć do tego celu instrumentu Próg, a konsolidacje będą musiały zostać dodane ręcznie, za pomocą narzędzi Nożyczki i Malowanie znajdujących się w edytorze segmentów.
    1. Użyj narzędzia Nożyczki, aby dodać do segmentu fragmenty miąższu płuc. Wybierz operację Wypełnij wnętrze, wybierz opcję Dowolny kształt jako kształt i Symetryczny jako wycięty plasterek. Należy dobrać grubość odpowiednią do wielkości konsolidacji (np. od 3 do 20 mm); a następnie zacznij stopniowo dodawać małe porcje TLP, aż konsolidacja zostanie całkowicie uwzględniona.
    2. Narzędzie Malowanie jest łatwiejsze i czasami szybsze w użyciu, ale może być mniej precyzyjne, w zależności od obszaru, który ma zostać uwzględniony. Gdy opcja Pędzel kuli jest aktywna, to narzędzie może dodawać do segmentu fragmenty 3D miąższu płuc. Rozmiar pędzla można łatwo modyfikować.
    3. Dodając konsolidacje do segmentu TLP, nie należy uwzględniać fragmentów ściany klatki piersiowej lub śródpiersia. Może to okazać się trudne, ponieważ u pacjentów dotkniętych COVID19 konsolidacje przylegające do tylnej ściany klatki piersiowej są dość częste. Użyj narzędzia Wymaż, aby poprawić segmentację, lub wybierz opcję Cofnij, aby odrzucić ostatnią czynność.
    4. Na tym etapie należy jeszcze raz skorzystać z algorytmu wygładzania, aby usunąć drobne niedoskonałości, które mogły wystąpić podczas manualnej części segmentacji. Teraz definicja segmentu TLP jest zakończona.

5. Definicja segmentu GGO

  1. Aby zdefiniować segment GGO, należy użyć narzędzia progowego.
    1. Wybierz segment GGO.
    2. Ustaw próg z zakresu od -750 HU do -150 HU.
    3. Przed wybraniem opcji Zastosuj przejdź do sekcji Maskowanie znajdującej się tuż pod spodem i wybierz TLP z menu rozwijanego Obszar edytowalny. Z menu rozwijanego Zastąp inny segment wybierz opcję Brak. Jest to niezwykle ważne, ponieważ w przypadku pominięcia, po zdefiniowaniu segmentu GGO, zmodyfikowany zostałby również segment TLP. Należy tego unikać, ponieważ segment TLP jest maską, na której zdefiniowane są wszystkie inne segmenty.
    4. Teraz wybierz Zastosuj.
  2. W tym momencie prawdopodobnie konieczne będzie ponowne użycie algorytmu wygładzania, aby wykluczyć z segmentu wszystkie małe naczynia i fizjologiczne elementy śródmiąższowe, które mają gęstość zbliżoną do gęstości szkła mielonego. Zacznij od rozmiaru ziarna 3 mm i, jeśli to konieczne, zwiększaj go stopniowo, maksymalnie do 6-7 mm. Zauważ, że zbyt duże zwiększenie rozmiaru jądra może spowodować utratę małych obszarów zmielonego szkła, które pozostałyby poza segmentem GGO. Z tego powodu algorytm wygładzania powinien być używany z odpowiednią ostrożnością.
  3. Również w tym przypadku zastosuj potrzebne poprawki za pomocą narzędzia Farba, nożyczki i wymazywanie. Podczas tej fazy pamiętaj, aby maska TLP była aktywna przez cały czas, aby uniknąć włączania części ściany klatki piersiowej przylegających do obszarów "szlifowanego szkła" wewnątrz segmentu. Dzieje się tak dlatego, że w przypadku błędnej segmentacji zostaną one automatycznie wykluczone.
  4. Uzyskując ten segment, zwróć szczególną uwagę na możliwą obecność artefaktów generowanych przez ruchy paleniska i przepony (dzieje się tak, jeśli pacjent nie mógł wstrzymać oddechu podczas badania). Jeśli artefakty te są obecne i wcześniej uwzględnione w segmencie TLP, wyeliminuj je z segmentu "szlifowane szkło", na przykład za pomocą narzędzia Wyspy z opcją Usuń zaznaczoną wyspę lub za pomocą narzędzi Nożyczki i Wymazuj. W zależności od celu badania artefakty mogą być segmentowane oddzielnie, przy użyciu dedykowanego segmentu lub włączone do segmentu TLP i wyłączone z innych segmentów. Teraz segment GGO został zdefiniowany.

6. Definicja segmentu płyt CD

  1. Aby zdefiniować segment CD, należy postępować w taki sam sposób, jak w przypadku definiowania segmentu GGO.
    1. Wybierz segment CD. Upewnij się, że maskowanie TLP jest zawsze aktywne.
    2. Ustal odpowiedni próg. W przypadku konsolidacji zakres waha się mniej więcej od -150 HU do 100 HU.
    3. Zastosuj algorytm wygładzania, zmieniając rozmiar jądra zgodnie z potrzebami.
    4. Użyj kombinacji narzędzi Nożyczki, Wymazywanie, Farba i Wyspy, aby utrzymać w segmencie tylko rzeczywiste konsolidacje, z wyłączeniem dużych naczyń, wysięków opłucnowych, artefaktów, opasek oddechowych i innych zmian niezwiązanych z COVID.
    5. W razie potrzeby zastosuj końcowe wygładzenie, które może zostać zastosowane.

7. Zapisywanie segmentów

  1. Zapisz segmenty jako plik ".nrrd" lub przekonwertuj je na binarne mapy etykiet z modułu "Dane".

8. Wyodrębnianie objętości ze zdefiniowanych segmentów.

  1. Z modułu Statystyka segmentu pobierz tabelę ze szczegółowymi informacjami na temat objętości i powierzchni segmentów.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Zaproponowana metoda została dopracowana w drodze prób i błędów, poprzez przetestowanie jej u 117 pacjentów z zapaleniem płuc wywołanym przez COVID-19 z dodatnim wynikiem testu rt-PCR.

Po krótkim okresie nauki czas potrzebny na uzyskanie segmentów może wynosić od 5 do 15 minut, w zależności od wzorca prezentacji.

Jak pokazano na Rysunku 1, metoda pozwala na uzyskanie precyzyjnych segmentów: można to zaobserwować, zwracając uwagę na dokładną zgodność...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Segmentacja stanowi podstawowy krok w wykonywaniu nowoczesnych ilościowych badań radiologicznych i jest niezbędna do zastosowania technik radiomiki lub analizy tekstury. Zmiany patologiczne w płucach stanowią jedną z najtrudniejszych do segmentacji ze względu na brak zdefiniowanych granic anatomicznych i niewielką różnicę w wartości tłumienia w porównaniu z obszarami zdrowymi.

Obrazy źródłowe muszą przedstawiać minimalną ilość artefaktów, jeśli to możliwe, zwłaszcza w obszarach patologicznych,...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Żaden z autorów nie ma konfliktu interesów.

Podziękowania

Ta praca była wspierana przez fundusze z Wydziału Radiologii Uniwersytetu Bolońskiego.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Tomograf komputerowyGeneral Electrics Healthcare64-MDCT VCT lightSpeedTomograf komputerowy używany do akwizycji HRCT
Komputer stacjonarnyThinkCentreKomputer używany do pobierania plików DICOM i uruchamiania 3D Slicer

Bibliografia

  1. Zheng, Y., et al. COVID-19 and the cardiovascular system. Nature Reviews Cardiology. 17, 259-260 (2020).
  2. 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).
  3. Xie, X., et al. Chest CT for Typical 2019-nCoV Pneumonia: Relationship to Negative RT-PCR Testing. Radiology. , 200343(2020).
  4. 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).
  5. Fang, Y., et al. Sensitivity of Chest CT for COVID-19: Comparison to RT-PCR. Radiology. , 200432(2020).
  6. Colombi, D., et al. Well-aerated Lung on Admitting Chest CT to Predict Adverse Outcome in COVID-19 Pneumonia. Radiology. , 201433(2020).
  7. 3D Slicer [software]. , Available from: https://www.slicer.org (2020).
  8. 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).
  9. 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).
  10. Fedorov, A., et al. 3D Slicer as an Image Computing Platform for the Quantitative Imaging Network. Magnetic Resonance Imaging. 30 (9), 1323-1341 (2012).
  11. Chest Imaging Platform [software]. , Available from: https://chestimagingplatform.org (2020).
  12. Wang, J., Li, F., Li, Q. Automated segmentation of lungs with severe interstitial lung disease in CT. Medical Physics. 36 (10), 4592-4599 (2009).
  13. Lanza, E., et al. Quantitative chest CT analysis in COVID-19 to predict the need for oxygenation support and intubation. European Radiology. , (2020).
  14. 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).
  15. 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).
  16. 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).
  17. Hansell, D. M., et al. Fleischner Society: glossary of terms for thoracic imaging. Radiology. 246, 697-722 (2008).
  18. 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).
  19. 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).
  20. 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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

zm tnienia typu matowej szybyobszary konsolidacjioprogramowanie 3D Slicernarz dzie progu Threshold Instrumentnarz dzie p dzla Paint Brush Toolnarz dzie wysp Island Toolmodu statystyk segment w Segment Statistics Moduleeksport mapy etykiet binarnych Binary Labelmap Exportustawienia jednostek Hounsfielda
Segmentacja tomografii komputerowej płuc w celu identyfikacji konsolidacji i obszarów szkła mielonego w celu ilościowej oceny zapalenia płuc SARS-CoV
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.