Celem tego badania jest opracowanie nowatorskiego cyfrowego modelu 3D guzków płucnych, który służy jako pomost komunikacyjny między lekarzami a pacjentami, a także jest najnowocześniejszym narzędziem do wstępnej diagnozy i oceny prognostycznej.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł metodologiczny
Cyfrowy model 3D do diagnostyki i leczenia guzków płucnych
W tym artykule
Podsumowanie
Streszczenie
Trójwymiarowa (3D) rekonstrukcja guzków płucnych za pomocą obrazów medycznych wprowadziła nowe techniczne podejścia do diagnozowania i leczenia guzków płucnych, które są stopniowo uznawane i przyjmowane przez lekarzy i pacjentów. Niemniej jednak skonstruowanie stosunkowo uniwersalnego cyfrowego modelu 3D guzków płucnych do diagnozy i leczenia jest wyzwaniem ze względu na różnice w urządzeniach, czas fotografowania i typy guzków. Celem tego badania jest zaproponowanie nowego cyfrowego modelu 3D guzków płucnych, który służy jako pomost między lekarzami a pacjentami, a także jest najnowocześniejszym narzędziem do wstępnej diagnozy i oceny prognostycznej. Wiele metod wykrywania i rozpoznawania guzków płucnych opartych na sztucznej inteligencji wykorzystuje techniki głębokiego uczenia się w celu uchwycenia cech radiologicznych guzków płucnych, a metody te mogą osiągnąć dobrą wydajność obszaru pod krzywą (AUC). Jednak wyniki fałszywie dodatnie i fałszywie ujemne pozostają wyzwaniem dla radiologów i klinicystów. Interpretacja i wyrażenie cech z punktu widzenia klasyfikacji i badania guzków płucnych są nadal niezadowalające. W niniejszej pracy zaproponowano metodę ciągłej rekonstrukcji 3D całego płuca w pozycji poziomej i koronalnej poprzez połączenie istniejących technologii przetwarzania obrazów medycznych. W porównaniu z innymi stosowanymi metodami, metoda ta pozwala użytkownikom szybko zlokalizować guzki płucne i zidentyfikować ich podstawowe właściwości, jednocześnie obserwując guzki płucne z wielu perspektyw, zapewniając w ten sposób bardziej skuteczne narzędzie kliniczne do diagnozowania i leczenia guzków płucnych.
Wprowadzenie
Globalna częstość występowania guzków płucnych jest zmienna, ale ogólnie szacuje się, że około 30% dorosłych ma co najmniej jeden guzek płucny widoczny na zdjęciach rentgenowskich klatki piersiowej1. Częstość występowania guzków płucnych jest wyższa w określonych populacjach, takich jak nałogowi palacze i osoby z rakiem płuc lub innymi chorobami płuc w wywiadzie. Ważne jest, aby pamiętać, że nie wszystkie guzki płucne są złośliwe, ale konieczna jest dokładna ocena, aby wykluczyć nowotwór złośliwy2. Wczesne wykrywanie i diagnozowanie raka płuc ma kluczowe znaczenie dla poprawy wskaźników przeżycia, a regularne badania przesiewowe za pomocą niskodawkowej tomografii komputerowej (LDCT) są zalecane dla osób z grupy wysokiego ryzyka. Wiele metod wykrywania i rozpoznawania guzków płucnych opartych na sztucznej inteligencji3,4,5,6,7 wykorzystuje techniki głębokiego uczenia się do uchwycenia cech radiologicznych guzków płucnych, a metody te mogą osiągnąć dobrą wydajność obszaru pod krzywą (AUC). Jednak wyniki fałszywie dodatnie i fałszywie ujemne pozostają wyzwaniem dla radiologów i klinicystów. Interpretacja i wyrażenie cech z punktu widzenia klasyfikacji i badania guzków płucnych są nadal niezadowalające. Jednocześnie coraz większym zainteresowaniem cieszy się rekonstrukcja 3D guzków płucnych w oparciu o LDCT jako cyfrowy model dla różnych typów guzków.
Rekonstrukcja 3D guzków płucnych to proces, który generuje trójwymiarową reprezentację małego narośla lub guzka w płucu. Proces ten zazwyczaj obejmuje zastosowanie technik analizy obrazów medycznych, które wykorzystują zarówno wiedzę medyczną, jak i podejścia oparte na analizie danych. Powstały w ten sposób cyfrowy model 3D oferuje bardziej szczegółowe i dokładne odwzorowanie guzka, umożliwiając lepszą wizualizację i analizę jego rozmiaru, kształtu i relacji przestrzennej z otaczającymi tkankami płuc8,9,10,11,12. Takie informacje mogą pomóc w diagnozowaniu i monitorowaniu guzków płucnych, szczególnie tych podejrzanych o rak. Ułatwiając bardziej precyzyjną analizę, rekonstrukcja 3D guzków płucnych może zwiększyć dokładność diagnozy i informować o decyzjach dotyczących leczenia.
Projekcja maksymalnej intensywności (MIP) jest popularną techniką w dziedzinie rekonstrukcji 3D guzków płucnych i służy do tworzenia projekcji 2D obrazu 3D8,9,10,11,12Jest to szczególnie przydatne w wizualizacji danych wolumetrycznych wyodrębnionych z plików DICOM (Digital Imaging and Communications in Medicine) zeskanowanych przez CT. Technika MIP polega na wyborze wokseli (najmniejszych jednostek objętości danych 3D) o największym natężeniu wzdłuż kierunku patrzenia i rzutowaniu ich na płaszczyznę 2D. W ten sposób powstaje obraz 2D, który uwypukla struktury o największej intensywności i tłumi te o mniejszej intensywności, co ułatwia identyfikację i analizę odpowiednich cech9,10,11,12. MIP nie jest jednak pozbawiony ograniczeń. Na przykład proces projekcji może spowodować utratę informacji, a wynikowy obraz 2D może nie odzwierciedlać dokładnie struktury 3D obiektu znajdującego się pod spodem. Niemniej jednak MIP pozostaje cennym narzędziem do obrazowania i wizualizacji medycznej, a jego zastosowanie nadal ewoluuje wraz z postępem technologicznym i mocą obliczeniową11.
W tym badaniu opracowano kolejny model MIP do wizualizacji guzków płucnych, który jest łatwy w użyciu, przyjazny dla radiologów, lekarzy i pacjentów, a także pozwala na identyfikację i oszacowanie właściwości guzków płucnych. Główne zalety tego podejścia do przetwarzania obejmują następujące aspekty: (1) eliminacja wyników fałszywie dodatnich i fałszywie ujemnych wynikających z rozpoznawania wzorców, co umożliwia skupienie się na pomaganiu lekarzom w uzyskiwaniu bardziej kompleksowych informacji na temat lokalizacji, kształtu i rozmiaru 3D guzków płucnych, a także ich związku z otaczającym naczyniem; 2) umożliwienie lekarzom specjalistom zdobycia profesjonalnej wiedzy na temat charakterystyki guzków płucnych nawet bez pomocy radiologów; oraz (3) poprawa zarówno efektywności komunikacji między lekarzami a pacjentami, jak i oceny rokowań.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
UWAGA: Podczas etapu wstępnego przetwarzania danych, oryginalne dane DICOM muszą zostać posortowane i przechwycone, aby zapewnić kompatybilność z różnymi urządzeniami i spójne wyniki. Odpowiednia regulowana zdolność musi być zarezerwowana do przetwarzania intensywności, a ciągła perspektywa 3D jest niezbędna do obserwacji. W niniejszym protokole przedstawiono metodyczny opis podejścia badawczego, szczegółowo opisujący przypadek 84-letniej pacjentki z guzkami płucnymi. Pacjentka ta wyraziła świadomą zgodę na diagnozę za pomocą modelowania cyfrowego i zezwoliła na wykorzystanie jej danych do celów badań naukowych. Funkcja rekonstrukcji modelu pochodzi z narzędzia programowego PulmonaryNodule (szczegółowe informacje można znaleźć w Tabeli Materiałów). Poświadczenie etyczne uzyskano od Komisji Etycznej Szpitala Dongzhimen, afiliowanego przy Pekińskim Uniwersytecie Medycyny Chińskiej (DZMEC-KY-2019.90).
1. Gromadzenie i przygotowanie danych
- Dane LDCT do wykrywania guzków płuc
UWAGA: Różnice widoczne w wartościach parametrów nie zależą od zastosowanej metody badawczej.- Uzyskanie zgody pacjenta na pozyskiwanie danych DICOM. Przenieś wszystkie dane do wyznaczonego katalogu roboczego.
- Zidentyfikuj katalog danych z największą liczbą warstw skanowania i najcieńszą warstwą, aby zoptymalizować dokładność na podstawie informacji o pliku. Ogólnie rzecz biorąc, im więcej plików skanowania DICOM ma pacjent, tym cieńsza jest grubość warstwy skanowania.
- Implementując funkcję Dicominfo i używając plików DICOM jako parametrów funkcji, uzyskaj parametry grubości przekroju i odstępów między pikselami w środowisku MATLAB. Te parametry są niezbędne do ustawiania szybkości wyświetlania głośności 3D. W przypadku przykładowych danych wykorzystanych w tym badaniu grubość warstwy wynosiła 1 mm, odstępy między pikselami wynosiły 0,5 mm, a łącznie zeskanowano 200 warstw.
- Poprawianie sortowania zeskanowanych danych
UWAGA: Sekwencja każdego obrazu powinna być posortowana pod kątem konstrukcji objętości.- Odczytaj dane o lokalizacji każdego obrazu za pomocą funkcji Dicominfo. Uzyskaj lokalizację, wprowadzając informacje. SliceLocation do przestrzeni roboczej programu MATLAB.
- Zaimplementuj funkcję SliceLocation, aby zapisać tablicę lokalizacji dla zmiennej i utworzyć jej wykres (Rysunek 1).
- Korzystając z przycisku Porady dotyczące danych w prawym górnym rogu graficznego interfejsu użytkownika, dodaj wskazówkę dotyczącą danych do wykresu w punkcie, który reprezentuje maksymalną wartość lokalizacji normalnej sekwencji (górna lokalizacja obrazowania pacjenta; Rysunek 1).
- Posortuj wszystkie obrazy i wyodrębnij obrazy zaczynając od 1 do maksymalnej wartości lokalizacji, implementując funkcję VolumeResort.
- Przechowuj woluminy prawidłowych obrazów z posortowanym indeksem, który będzie przydatny do śledzenia ważnych guzków.
- Kontrola objętości klatki piersiowej
UWAGA: Posiadanie dobrze zdefiniowanej struktury przechowywania danych sprawia, że praca następcza jest wygodniejsza.- Zaimplementuj funkcję VolumeInspect w celu wyświetlenia trzech widoków utworzonego woluminu. Przeciągnij przecięcie krzyża nitkowego w górę i w dół na osi koronalnej, aby szybko przeglądać wszystkie obrazy w osi poziomej (Rysunek 2).
- Przesuń krzyżyk do osi poziomej, aby przeglądać wszystkie obrazy w osi koronalnej. Krzyż nitkowy znajduje się w tych samych współrzędnych przestrzennych w objętości 3D; Dlatego przesunięcie go na jedną oś zmieni położenie obrazów w pozostałych dwóch osiach.
- W przypadku funkcji VolumeInspect użyj domyślnego okna intensywności dla płuc w graficznym interfejsie użytkownika. Dostosuj rzeczywistą wydajność filtra, przytrzymując lewy przycisk myszy i przeciągając w osi.
2. Cyfrowy model do poziomej rekonstrukcji 3D
UWAGA: Podproces 3Dlung_Horizon przeprowadza dokładne badanie guzków płucnych z perspektywy horyzontalnej.
- Zaimplementuj funkcję Build_3Dlung_Horizon w miejscu pracy MATLAB, aby zrekonstruować cyfrowy model 3D guzków płucnych pod okienkiem filtra płuca, a następnie otwórz GUI, aby sprawdzić poziomy model 3D (Rysunek 3).
- W przeciwieństwie do kroku 1.3.2, graficzny interfejs użytkownika w Rysunek 3 to ciągła struktura płuc 3D, w której wyraźnie widać różne typy guzków płucnych i ich względne relacje przestrzenne z tkanką płucną. Podczas przeciągania paska przewijania w graficznym interfejsie użytkownika za pomocą myszy można zaobserwować ciągłą strukturę płuc 3D.
- Prawy górny róg graficznego interfejsu użytkownika w Rysunek 3 zawiera ikony do powiększania, pomniejszania, powrotu do widoku globalnego i oznaczania współrzędnych wybranego piksela. Użyj funkcji powiększania, aby obserwować lokalne cechy zmian chorobowych i wyświetlać odpowiednie strukturalne obrazy wyjściowe 3D. Użyj przycisku Oznacz współrzędne pikseli, aby obliczyć odległość między dwoma punktami w celu zmierzenia rozmiaru guzków.
- Domyślnym paskiem kolorów jest mapa kolorów Jet, co oznacza, że wartości od niebieskiego do czerwonego reprezentują wartości od najniższych do najwyższych. Kliknij prawym przyciskiem myszy Pasek kolorów w menu podręcznym, aby wybrać wspólną szarą mapę kolorów i zresetować cały graficzny interfejs użytkownika.
- Jeśli okno filtra nie jest spełnione, użyj lewego przycisku myszy, aby przeciągnąć w górę iw dół na środku rysunku, aby dostosować poziom okna. Przeciągnij w lewo i w prawo, aby dostosować szerokość okna, a odpowiedni dokładny zakres filtrowania zostanie wyświetlony na pasku kolorów.
3. Konstruowanie cyfrowego modelu 3D dla dowolnego konkretnego guzka
UWAGA: Numer wycinka jest parametrem funkcji 3D_Nodules, która rekonstruuje cyfrowy model 3D, który można oglądać z każdej perspektywy.
- Aby określić numer wycinka, jak w Rysunek 3, sprawdź w prawym górnym rogu paska przewijania; w Rysunek 3, numer wycinka to 70. Użyj funkcji Build_3D_Nodules z dwoma parametrami, w tym numerem przekroju i objętością klatki piersiowej utworzoną w kroku 1.3, aby zrekonstruować cyfrowy model 3D dla określonych guzków. Jest to model zdefiniowany przez użytkownika, ponieważ numer wejściowego wycinka jest zmienny i zależy od użytkownika.
- Jeśli funkcja Build_3D_Nodules zostanie wykonana poprawnie, użytkownik może sprawdzić guzek płucny znajdujący się w określonym numerze wycinka z różnych perspektyw w wyskakującym graficznym interfejsie użytkownika (Rysunek 4). Aby to zrobić, wykonaj następujące czynności:
- Naciśnij i przytrzymaj lewy przycisk myszy, tak jak w środku Rysunek 4, i przeciągnij go w dowolnym kierunku, aby zmienić perspektywę guzków płucnych. Należy zauważyć, że kąt obserwacji powinien uwzględniać względy anatomiczne i starać się pokazać zarówno medyczne cechy guzków płucnych, jak i związek między guzkami a otaczającymi tkankami.
- Użyj ikon powiększania i przesuwania w prawym górnym rogu, tak jak to zrobiono w Rysunek 3. Dodatkowo, obracając środkowy przycisk myszy, użytkownik może w sposób ciągły przybliżać lub pomniejszać widok modelu.
- Graficzny interfejs użytkownika w Rysunek 4 pokazuje współrzędne modelu w lewym dolnym rogu, gdzie kierunek dodatni na osi z to kierunek skanowania w pozycji poziomej. Zaimplementuj narzędzie do zrzutów ekranu dostarczone przez system operacyjny, aby zapisać wymaganą projekcję 3D guzków.
4. Cyfrowy model rekonstrukcji koronalnej 3D
UWAGA: Podproces Build_3Dlung_Coronal jest wykonywany w celu oceny guzków płucnych z alternatywnej perspektywy koronalnej, pomagając w ten sposób klinicystom i pacjentom w bardziej precyzyjnym i wszechstronnym zrozumieniu lokalizacji i atrybutów guzków.
- Zaimplementuj funkcję Build_3Dlung_Coronal w miejscu pracy MATLAB, aby zrekonstruować cyfrowy model 3D guzków płucnych pod okienkiem filtra płuca, a następnie otwórz GUI, zgodnie z przygotowaniem funkcji, aby sprawdzić koronalny model 3D (Rysunek 5).
- Graficzny interfejs użytkownika w Rysunek 5 pokazuje ciągłą koronalną strukturę płuc 3D, w której wyraźnie widać różne typy guzków płucnych i ich względne relacje przestrzenne z tkanką płucną. Przeciągnij suwak przewijania w graficznym interfejsie użytkownika za pomocą myszy, aby obserwować ciągłą koronalną strukturę płuc 3D.
- Prawy górny róg graficznego interfejsu użytkownika, jak pokazano na rysunku Rysunek 5, zawiera również ikony do powiększania, pomniejszania, powrotu do widoku globalnego i oznaczania współrzędnych wybranego piksela. Za pomocą tych funkcji można obserwować lokalne cechy zmian chorobowych i generować odpowiednie obrazy strukturalne 3D. Zaznacz współrzędne pikseli, aby obliczyć odległość między dwoma punktami, która jest często używana do pomiaru wielkości guzków.
- Domyślnym paskiem kolorów jest mapa kolorów Jet, w której kolory od niebieskiego do czerwonego reprezentują wartości od najniższych do najwyższych. Kliknij prawym przyciskiem myszy pasek kolorów w menu podręcznym, aby wybrać wspólną szarą mapę kolorów i zresetować cały graficzny interfejs użytkownika.
- Jeśli okno filtru nie jest odpowiednie, użyj lewego przycisku myszy, aby przeciągnąć w górę i w dół w środku rysunku, aby dostosować poziom okna; przeciągnij w lewo i w prawo, aby dostosować szerokość okna, a odpowiedni dokładny zakres filtrowania zostanie wyświetlony na pasku kolorów.
5. Wyjściowe wideo 3D dla dominujących guzków płucnych
UWAGA: Przekształcenie optymalnego cyfrowego modelu 3D guzka płucnego w dynamiczny film 3D umożliwia lekarzom i pacjentom lepsze zrozumienie stanu i dokonanie trafnych osądów, co jest szczególnie ważne dla formułowania skutecznych planów leczenia.
- W przestrzeni roboczej przygotuj wymagany cyfrowy model 3D i wstępnie zwizualizuj względne relacje przestrzenne między guzkami płucnymi a tkanką płucną, które mają być wyświetlane pod różnymi kątami (Rysunek 3 i Rysunek 4).
- W tym badaniu użyto Adobe Captivate 2019 do nagrywania wszystkich procesów interakcji z graficznym interfejsem użytkownika. Aby rozpocząć, otwórz oprogramowanie i utwórz nowy projekt nagrywania ekranu. Wyłącz kamerę, a pojawi się czerwone pole zakresu nagrywania ekranu, w którym można nagrywać tylko operację na ekranie. W tym badaniu w pudełku dołączono graficzny interfejs użytkownika w wersji 5.1. Kliknij przycisk nagrywania, aby obsługiwać graficzny interfejs użytkownika i wygenerować cyfrowy plik wideo z nagrania ekranu.
- Po nagraniu dynamicznego wyświetlania guzków płucnych wróć do środowiska operacyjnego oprogramowania, klikając ikonę na pasku zadań.
- Korzystając z funkcji publikowania wideo, zapisz nagrane dynamiczne wideo cyfrowego modelu 3D guzków płucnych. Kliknij Plik > Dystrybuuj i skonfiguruj ścieżkę do przechowywania plików. Nazwij plik i zapisz żądany cyfrowy plik wideo.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
Aby metoda była możliwa do zastosowania w szerszym zakresie urządzeń, kolejność układania każdego skanu musi zostać zreorganizowana na podstawie współrzędnych wewnętrznych systemu plików DICOM (Rysunek 1), aby wygenerować poprawną objętość 3D (Rysunek 2). W oparciu o dokładne dane objętościowe wykorzystaliśmy algorytmiczną ciągłą rekonstrukcję poziomych i koronarnych obrazów MIP płuc pacjenta (Rysunek 4 oraz Rys...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dyskusja
Różne urządzenia LDCT mają znaczące różnice w sekwencjach obrazów DICOM, które wysyłają, zwłaszcza pod względem zarządzania systemem plików. Dlatego, aby zrekonstruować kluczowy cyfrowy model 3D guzka płucnego na późniejszych etapach protokołu, szczególnie ważny jest etap wstępnego przetwarzania danych. Na etapie przygotowania i wstępnego przetwarzania danych (krok 1.2.2) współrzędne osi z sekwencji można poprawnie posortować za pomocą sekwencji pokazanej na rysunku 1, która może być również...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Oświadczenia
Narzędzie programowe do rekonstrukcji modelu guzka płucnego, PulmonaryNodule, jest komercyjnym oprogramowaniem firmy Beijing Intelligent Entropy Science & Technology Co Ltd. Prawa własności intelektualnej do tego narzędzia programowego należą do firmy. Autorzy nie mają do ujawnienia żadnych konfliktów interesów.
Podziękowania
Ta publikacja była wspierana przez Piąty Narodowy Program Badań Klinicznych Doskonałej Medycyny Chińskiej organizowany przez Narodową Administrację Tradycyjnej Medycyny Chińskiej (http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| MATLAB | MathWorks | 2022B | Obliczenia i wizualizacja |
| Narzędzia do modelowania | Inteligentny Entropia | Guzek płucny V1.0 | Pekin Inteligentna nauka o entropii i Technology Co Ltd. Modelowanie do fuzji CT/MRI |
Bibliografia
- 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 2017. Radiology. 284 (1), 228-243 (2017).
- 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).
- 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., Park, J. Y., Hwang, E. J., Lee, S. M., Park, C. M. 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., Scholten, E. T., van Ginneken, B., Jacobs, C. 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).
- Gruden, J. F., Ouanounou, S., Tigges, S., Norris, S. D., Klausner, T. S. 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., Hekimoglu, K., Coskun, M., Akcay, S. 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., Qureshi, R., Sattar, A., Baloch, M. 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).
- Armato, S. G., et al. The lung image database consortium (LIDC) and image database resource initiative (IDRI): A completed reference database of lung nodules on CT scans. Medical Physics. 38 (2), 915-931 (2011).
- Xie, Y., et al. Knowledge-based collaborative deep learning for benign-malignant lung nodule classification on chest CT. IEEE Transactions on Medical Imaging. 38 (4), 991-1004 (2018).
- 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).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Przedruki i uprawnienia
