Artykuł metodologiczny

Trójwymiarowa rekonstrukcja całego płuca z wczesnymi mnogimi guzkami płucnymi

DOI:

10.3791/65786

⸱

13 października 2023

 ,  ,  , 
1Beijing University of Chinese Medicine, 2Beijing Intelligent Entropy Science & Technology Co Ltd., 3Center for Integrated Chinese and Western Medicine, Beijing You An Hospital, Capital Medical University, 4Fever Outpatient Clinic, Dongzhimen Hospital of Beijing University of Chinese Medicine

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

To badanie wprowadza trójwymiarową (3D) metodę rekonstrukcji całego płuca u pacjentów z wczesnymi mnogimi guzkami płucnymi. Oferuje kompleksową wizualizację rozmieszczenia guzków i ich wzajemnego oddziaływania z tkanką płucną, upraszczając ocenę diagnozy i rokowania dla tych pacjentów.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dla pacjentów z wczesnymi mnogimi guzkami płucnymi, z punktu widzenia diagnostyki, istotne jest określenie przestrzennego rozmieszczenia, rozmiaru, lokalizacji i związku z otaczającą tkanką płucną tych guzków w całym płucu. Ma to kluczowe znaczenie dla identyfikacji zmiany pierwotnej i opracowania bardziej naukowo uzasadnionych planów leczenia dla lekarzy. Jednak metody rozpoznawania wzorców oparte na widzeniu maszynowym są podatne na wyniki fałszywie dodatnie i fałszywie ujemne, a zatem nie mogą w pełni spełnić wymagań klinicznych w tym zakresie. Metody wizualizacji oparte na projekcji maksymalnej intensywności (MIP) mogą lepiej zilustrować lokalne i indywidualne guzki płucne, ale brakuje makroskopowego i holistycznego opisu rozmieszczenia i cech przestrzennych wielu guzków płucnych.

Dlatego w tym badaniu zaproponowano metodę rekonstrukcji 3D całego płuca. Wyodrębnia kontur 3D płuca za pomocą technologii przetwarzania obrazu medycznego na tle całego płuca i wykonuje rekonstrukcję 3D płuca, tętnicy płucnej i wielu guzków płucnych w przestrzeni 3D. Metoda ta może kompleksowo zobrazować rozmieszczenie przestrzenne i cechy radiologiczne wielu guzków w całym płucu, zapewniając prosty i wygodny sposób oceny diagnozy i rokowania wielu guzków płucnych.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wczesne liczne guzki płucne, które są małymi, okrągłymi naroślami na płucu, mogą być łagodne lub złośliwe1,2,3. Chociaż pojedyncze guzki płucne są łatwiejsze do zdiagnozowania i leczenia, pacjenci z wczesnymi mnogimi guzkami płucnymi stoją przed poważnymi wyzwaniami diagnostycznymi i terapeutycznymi. Aby opracować skuteczne plany leczenia, konieczne jest dokładne określenie rozmieszczenia przestrzennego, rozmiaru, lokalizacji i związku z otaczającą tkanką płucną tych guzków w całym płucu4,5. Tradycyjne metody diagnostyczne mają ograniczenia w dokładnym identyfikowaniu wczesnych mnogich guzków płucnych.

Ostatnie osiągnięcia w technologii przetwarzania obrazów medycznych i algorytmach uczenia maszynowego mogą potencjalnie poprawić dokładność i skuteczność wczesnego wykrywania i diagnozowania guzków płucnych. Zaproponowano różne podejścia, takie jak metody rozpoznawania wzorców oparte na widzeniu maszynowym i metody wizualizacji oparte na projekcji maksymalnej intensywności (MIP)6,7,8,9,10. Jednak te metody mają ograniczenia, takie jak wyniki fałszywie dodatnie, fałszywie ujemne11,12,13,14,15 oraz brak makroskopowych i holistycznych opisów rozmieszczenia i cech przestrzennych wczesnych mnogich guzków płucnych.

Aby rozwiązać te problemy, to badanie proponuje metodę rekonstrukcji 3D całego płuca, która wykorzystuje technologię przetwarzania obrazów medycznych do wyodrębnienia trójwymiarowego konturu płuca na tle całego skanu klatki piersiowej. Metoda ta polega następnie na rekonstrukcji 3D płuca, tętnicy płucnej i wczesnych mnogich guzków płucnych w przestrzeni 3D. Takie podejście pozwala na bardziej kompleksowe i dokładne odwzorowanie rozmieszczenia przestrzennego i cech radiologicznych wczesnych guzków mnogich w całym płucu.

Proponowana metoda obejmuje kilka kluczowych kroków. Po pierwsze, obrazy medyczne są importowane do oprogramowania do przetwarzania obrazów 3D, a obszar płuc jest ekstrahowany przy użyciu techniki segmentacji opartej na progach. Następnie wyekstrahowany obszar płuc jest oddzielany od otaczającej go ściany klatki piersiowej i struktur kostnych kręgów piersiowych. Wczesne mnogie guzki płucne i ich związek z otaczającymi naczyniami krwionośnymi są następnie rekonstruowane w przestrzeni 3D przy użyciu algorytmów projekcji maksymalnej intensywności (MIP). Na koniec wyświetlany jest zrekonstruowany model 3D płuca, tętnicy płucnej i guzków do dalszej analizy.

Ta metoda ma kilka zalet w porównaniu z istniejącymi metodami. W przeciwieństwie do tradycyjnych metod, które opierają się na obrazach 2D, ta metoda wykorzystuje objętość 3D, aby zapewnić dokładniejsze i bardziej kompleksowe odwzorowanie wczesnych mnogich guzków płucnych. Metoda ta pokonuje również ograniczenia wyników fałszywie dodatnich i fałszywie ujemnych związanych z metodami rozpoznawania wzorców i metodami wizualizacji MIP. Ponadto metoda ta zapewnia makroskopowy i całościowy opis rozmieszczenia i cech przestrzennych wczesnych mnogich guzków płucnych, co jest niezbędne do opracowania skutecznych planów leczenia.

Proponowana metoda ma kilka potencjalnych zastosowań w diagnostyce i leczeniu wczesnych mnogich guzków płucnych. Dokładna identyfikacja rozmieszczenia przestrzennego i cech radiologicznych wczesnych guzków mnogich może pomóc we wczesnej diagnozie i leczeniu raka płuc. Ponadto metoda ta może być stosowana do monitorowania postępu choroby i oceny skuteczności planów leczenia.

Metody rozpoznawania wzorców6,7,8 oparte na widzeniu maszynowym okazały się obiecujące w identyfikacji guzków płucnych, ale cierpią z powodu ograniczeń, takich jak wyniki fałszywie dodatnie i fałszywie ujemne. Z drugiej strony metody wizualizacji MIP zapewniają dokładniejsze odwzorowanie pojedynczych guzków, ale brakuje im makroskopowego i holistycznego opisu rozmieszczenia i cech przestrzennych wczesnych guzków mnogich. Proponowana metoda rekonstrukcji 3D całego płuca pokonuje te ograniczenia i zapewnia dokładniejsze i bardziej kompleksowe odwzorowanie wczesnych mnogich guzków płucnych.

Transformacja Isovoxel16,17odnosi się do procesu przekształcania obrazów 3D o różnych rozmiarach wokseli na obrazy 3D o jednolitych rozmiarach wokseli. W dziedzinie przetwarzania obrazów medycznych objętości 3D często składają się z wokseli o różnych rozmiarach, co może prowadzić do problemów obliczeniowych i wizualizacyjnych. Celem transformacji izofokselowej jest rozwiązanie tych problemów poprzez ponowne próbkowanie i interpolację wokseli w oryginalnej objętości 3D, co skutkuje nowym obrazem 3D o spójnych rozmiarach wokseli. Technika ta znajduje zastosowanie w różnych kontekstach medycznych, w tym w rejestracji obrazu, segmentacji i wizualizacji. W związku z tym w badaniu tym zaproponowano metodę rekonstrukcji 3D całego płuca, która wykorzystuje technologię przetwarzania obrazu medycznego w celu wyodrębnienia konturu 3D płuca na tle całego skanu klatki piersiowej. Metoda zapewnia dokładniejsze i bardziej kompleksowe odwzorowanie rozmieszczenia przestrzennego i cech radiologicznych wczesnych guzków mnogich w całym płucu. Badanie to przyczynia się do opracowania dokładniejszych i skuteczniejszych strategii diagnostycznych i terapeutycznych dla pacjentów z wczesnymi mnogimi guzkami płucnymi.

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

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dla niniejszego badania, uzyskano zgodę etyczną od Komisji Etyki Szpitala Dongzhimen, powiązanego z Pekińskim Uniwersytetem Medycyny Chińskiej (DZMEC-KY-2019.90). W tym konkretnym przypadku przedstawiono metodyczny opis podejścia badawczego, przedstawiając przypadek 65-letniej pacjentki z mnogimi guzkami płucnymi. Pacjentka ta wyraziła świadomą zgodę na diagnozę poprzez modelowanie cyfrowe i zezwoliła na wykorzystanie jej danych do celów badań naukowych. Funkcja rekonstrukcji modelu wywodzi się z dostępnego na rynku narzędzia programowego (patrz tabela materiałów).

1. Przygotowanie danych i transformacja izowokseli

  1. Przygotowanie danych i właściwości danych DICOM (Digital Imaging and Communications in Medicine)
    UWAGA: Metodologia badań nie ma wpływu na różnice w parametrach.
    1. Skopiuj dane DICOM pacjenta do zdefiniowanego katalogu roboczego.
    2. Korzystając z przeglądarki plików, przeanalizuj każdy katalog plików, aby zidentyfikować sekwencję obrazów z największą liczbą warstw skanowania do analizy.
    3. Zastosuj funkcję Dicominfo w programie MATLAB, podając pliki DICOM jako parametry wejściowe. Umożliwi to wyodrębnienie podstawowych parametrów, takich jak grubość warstwy i odstępy między pikselami, bezpośrednio w środowisku MATLAB.
      UWAGA: Te parametry mają istotne znaczenie przy konfigurowaniu szybkości wyświetlania dla objętości 3D. W przypadku zestawu danych wykorzystanego w tym badaniu grubość warstwy wynosiła 1 mm, odstępy między pikselami wynosiły 0,7188 mm, a łącznie zeskanowano 387 warstw.
  2. Poprawne sortowanie zeskanowanych danych
    UWAGA: Sekwencja każdego obrazu powinna być posortowana pod kątem konstrukcji objętości.
    1. Pobierz dane o lokalizacji dla każdego obrazu za pomocą funkcji Dicominfo. Uzyskaj dostęp do informacji o lokalizacji, odwołując się do informacji. SliceLocation w przestrzeni roboczej programu MATLAB.
    2. Zapisz dane o lokalizacji do zmiennej za pomocą funkcji SliceLocation i wygeneruj dla niej wykres (Rysunek 1).
    3. Ulepsz wykres, dodając do niego punkt danych za pomocą przycisku Porady dotyczące danych znajdującego się w prawym górnym rogu graficznego interfejsu użytkownika. Ten punkt danych powinien oznaczać maksymalną lokalizację normalnej sekwencji, która odpowiada najwyższej lokalizacji w obrazowaniu pacjenta (Rysunek 1).
    4. Uporządkuj wszystkie obrazy, sortując je, a następnie wyodrębnij obrazy w zakresie od pierwszej lokalizacji do maksymalnej lokalizacji. Osiągnij to, wywołując funkcję VolumeResort.
    5. Zabezpiecz dane woluminu, które składają się z 512 pikseli na 512 pikseli na 340 warstw, przed prawidłowymi obrazami wraz z ich posortowanym indeksem. Informacje te będą cenne w przyszłości, szczególnie w kontekście identyfikacji ważnych guzków.
  3. Transformacja izowokselowa
    UWAGA: Transformacja 3D Isovoxel umożliwia późniejsze przetwarzanie w celu zachowania tej samej skali wyświetlania we wszystkich wymiarach.
    1. Zbadaj trójwymiarową skalę objętości 3D, która wynosi 512 pikseli x 512 pikseli x 340 warstw, korzystając z funkcji rozmiaru w Matlabie.
    2. Aby wyświetlić wolumin 3D (Rysunek 2) za pomocą funkcji polecenia Slice_View, zapisz zakres skanowania sekwencji zawierający płuca od 60 do 340. Następnie po prostu użyj polecenia V1=V0(:,:,60:340), aby uzyskać wolumin 3D zawierający wszystkie dane z całego płuca. Rozmiar V1 to 512 pikseli x 512 pikseli x 281 warstw.
    3. Użyj funkcji polecenia MATLAB dicominfo, aby uzyskać grubość warstwy sekwencji obrazu, która wynosi 1 mm, a odstępy między pikselami wynoszą 0,7188. Oblicz liczbę osi z dla transformacji izowokselowej za pomocą polecenia: round (281 x 1/0.7188). Liczba warstw do przemiany izowokseli powinna wynosić 391.
    4. Użyj funkcji poleceń Matlab imresize3, aby wykonać transformację izovoxel w wersji 1. Wykonaj skrypt za pomocą polecenia V2=imresize3(V1, [512, 512, 391]). Następnie użyj funkcji 3D_Slice_View, aby wyświetlić przekształcony izoloksel 3D-Volume (Rysunek 3).

2. Usuwanie zakłóceń spowodowanych przez sprzęt do tomografii komputerowej (CT)

UWAGA: W Rysunek 2, widoczny jest sygnał o wysokiej intensywności reprezentujący kozetkę pacjenta w tomografii komputerowej, co może zakłócać segmentację obrazu. Aby wyeliminować tę interferencję, wymagany jest projekt filtra przestrzennego.

  1. Użyj przycisku Porady dotyczące danych w Rysunek 2, aby dodać ciągłe punkty danych w interaktywnym interfejsie. Pozwoli to na stworzenie linii łączącej te punkty, skutecznie wykluczając leżankę pacjenta. Następnie kliknij prawym przyciskiem myszy Porady dotyczące danych i wybierz Eksportuj dane kursora do obszaru roboczego, aby wyeksportować granicę odniesienia do filtrowania przestrzennego do przestrzeni roboczej MATLAB (Rysunek 3). Macierz rozproszenia granic w tym przypadku nosi nazwę "CI".
  2. Wywołaj funkcję Noise_Clean, aby zastosować filtrowanie przestrzenne do wersji 2 przy użyciu parametru wejściowego "CI" z obszaru roboczego. Ta operacja spowoduje uzyskanie woluminu 3D, który usunie sygnał zakłócający z urządzenia CT. Na koniec użyj funkcji polecenia Slice_View, aby zwizualizować wynikowy wolumin, jak pokazano na rysunku Rysunek 4.

3. Ekstrakcja konturu płuc

  1. Zacznij od wybrania wycinka, który będzie służył jako szablon w graficznym interfejsie użytkownika wyświetlanym w Rysunek 4. Na przykład wybierz 232. obraz do projektu segmentacji obrazu i przypisz go do zmiennej "I" za pomocą polecenia I=V2(:,:,232). Następnie otwórz graficzny interfejs użytkownika MATLAB Image Segmenter, wykonując polecenie imageSegmenter(I), jak pokazano w Rysunek 5.
  2. Rysunek 5 przedstawia szereg narzędzi do segmentacji obrazów. Aby rozpocząć, wybierz narzędzie Automatyczne grupowanie z paska narzędzi u góry i wykonaj polecenie, klikając lewym przyciskiem myszy. Obraz zostanie automatycznie podzielony na dwie klasy. Biorąc pod uwagę proces odszumiania przeprowadzony w kroku 2.2, segmentacja obrazu na tym etapie staje się stosunkowo prosta.
  3. Następnie kliknij przycisk Pokaż binarny w prawym górnym rogu, aby wyświetlić obraz w czarno-białym pliku binarnym. W tym momencie obszar płuc stanie się. Aby obszar płuc był biały, wybierz przycisk Odwróć maskę na górnym pasku narzędzi i wykonaj polecenie, klikając lewym przyciskiem myszy.
  4. Aby wyeliminować biały kolor poza obszarem płuc, wybierz przycisk Wyczyść obramowania na górnym pasku narzędzi i wykonaj go, klikając lewym przyciskiem myszy. Po tym kroku pozostanie tylko biały obszar płuc. Jednak wszelkie czarne cienie pozostające w tym momencie w obszarze płuc muszą zostać wypełnione. Aby to osiągnąć, wybierz przycisk Wypełnij otwory na pasku narzędzi, a wynik po kliknięciu przycisku jest pokazany w Rysunek 6.
  5. Wszystkie kroki związane z segmentacją obrazu płuc są przedstawione w graficznym interfejsie użytkownika Rysunek 6 w lewym dolnym rogu. Klikając przycisk Eksportuj w prawym górnym rogu, zapisz te zautomatyzowane kroki jako funkcję segmentacji regionu płuc przetwarzania wsadowego. W wyskakującym oknie Edytora skryptów kliknij przycisk Zapisz, aby zapisać funkcję w bieżącym katalogu roboczym.

4. 3D rekonstrukcja całego płuca z wieloma guzkami płucnymi

UWAGA: Połączenie iloczynu skalarnego z obrazu segmentacji płuc każdego obrazu z oryginalnym obrazem jest równoznaczne z wykonaniem przestrzennego filtrowania 3D objętości, skutecznie odfiltrowując sygnały interferencyjne na zewnątrz płuc i uzyskując strukturę 3D płuc.

  1. Zainicjuj funkcję 3Dlung_Volume w obszarze roboczym programu MATLAB.
    UWAGA: Ta funkcja przeprowadza segmentację obrazu na każdym obrazie przy użyciu danych wyjściowych z kroku 3.5. Następnie wykonuje operację iloczynu skalarnego między binarną maską płuc a oryginalnym obrazem, aby wygenerować nową wolumin 3D zawierającą wyłącznie tkankę płucną. W graficznym interfejsie użytkownika (Rysunek 7), który pojawia się po zakończeniu funkcji, można wizualizować i wykonywać operacje projekcji maksymalnej intensywności (MIP) na całej objętości płuc 3D.
  2. W graficznym interfejsie użytkownika znajdź pierwsze menu rozwijane w prawym górnym rogu. Wybierz opcję MIP Projection, a następnie wybierz mapę kolorów jet z poniższych opcji wbudowanych map kolorów. Następnie z menu rozwijanego znajdującego się w prawym górnym rogu czwartego widoku (Widok głośności 3D) wybierz opcję Maksymalizuj. To działanie da całą objętość 3D płuc (Rysunek 8), którą można obserwować pod dowolnym kątem, przesuwać i manipulować nią w razie potrzeby.
    UWAGA: W sekcji interakcji człowiek-komputer zilustrowanej na rysunku Rysunek 8, można dowolnie regulować kąt widzenia, przytrzymując lewy przycisk myszy i przesuwając go. Przewijanie środkowego przycisku myszy umożliwia powiększanie lub pomniejszanie.
  3. Aby uzyskać zaawansowane operacje poprawy kontrastu i kolorów, skorzystaj z panelu sterowania po prawej stronie graficznego interfejsu użytkownika.

5. Skoncentruj się na badaniu dominujących guzków płucnych

UWAGA: W przestrzeni 3D (Rysunek 8) dominujący obszar zmiany wśród wielu guzków płucnych staje się wyraźnie widoczny. Liczba, rozmiar i stężenie tych guzków są krytycznymi cechami zmiany dominującej, oferując cenne informacje na temat oceny choroby.

  1. Jeszcze raz wywołaj funkcję Slice_View, ale tym razem wprowadź całą objętość 3D płuca uzyskaną w kroku 4.2. W wynikowym graficznym interfejsie użytkownika (Rysunek 9) użyj dolnego paska przewijania, aby przejść do regionu, w którym znajdują się dominujące guzki płuc, obejmujące skany od 48 do 70.
  2. Kontynuuj, wywołując funkcję 3Dlung_Horizon, aby przeprowadzić rekonstrukcję 3D obszaru zainteresowania (ROI) obejmującą sekcje od 48 do 70 z całej objętości 3D płuca. Ta akcja spowoduje wygenerowanie interfejsu GUI dostosowanego do wizualizacji guzków płucnych, jak pokazano na rysunku Rysunek 10. W tym graficznym interfejsie użytkownika można badać szczegółowe cechy zmiany pod różnymi kątami.

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

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Na etapie wstępnego przetwarzania danych, sortowanie danych DICOM powinno być pierwszym krokiem (Rysunek 1), aby zapewnić poprawną sekwencję skanowania dla każdej warstwy podczas rekonstrukcji 3D. Następnie przeprowadzana jest transformacja izotropowa, aby zapewnić prawidłowe proporcje objętości 3D (Rysunek 2). Następnie filtrowanie przestrzenne jest stosowane do oryginalnej objętości 3D (Rysunek 3) w celu wyeliminowania sygnałów interferencyjnych z le...

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

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Badania te wprowadzają unikalne podejście do tworzenia kompletnej trójwymiarowej (3D) rekonstrukcji całego płuca, wykorzystując zaawansowane techniki przetwarzania obrazów medycznych w celu nakreślenia kształtu 3D płuca w kontekście pełnego skanu klatki piersiowej. Technika ta zapewnia bardziej precyzyjne i dokładne zobrazowanie układu przestrzennego i charakterystyki radiologicznej wczesnych guzków mnogich w całym płucu. Badanie to stanowi cenny wkład w zwiększenie dokładności i skuteczności strategii diagnostycznych i ...

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

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają do ujawnienia żadnych konfliktów interesów. Narzędzie programowe do rekonstrukcji modelu guzka płucnego, wymienione w Tabeli Materiałów tego badania, jest komercyjnym oprogramowaniem firmy Beijing Intelligent Entropy Science & Technology Co Ltd. Prawa własności intelektualnej do tego narzędzia programowego należą do firmy.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ta publikacja była wspierana przez piąty krajowy program badań klinicznych nad doskonałymi talentami tradycyjnej medycyny chińskiej, zorganizowany przez Krajową Administrację Tradycyjnej Medycyny Chińskiej. Oficjalny link do sieci to 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

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
MATLABMathWorks 2022BObliczenia i wizualizacja 
Narzędzia do modelowaniainteligentnej entropiiguzka płucnego V1.0Beijing Intelligent Entropy Science & Technology Co Ltd.
Modelowanie do fuzji CT/MRI

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Mazzone, P. J., Lam, L. Evaluating the patient with a pulmonary nodule: A review. JAMA. 327 (3), 264-273 (2022).
  2. MacMahon, H., et al. Guidelines for management of incidental pulmonary nodules detected on ct images: from the fleischner society. Radiology. 284 (1), 228-243 (2017).
  3. Yankelevitz, D. F., Yip, R., Henschke, C. I. Impact of duration of diagnostic workup on prognosis for early lung cancer. Journal of Thoracic Oncology. 18 (4), 527-537 (2023).
  4. Zhao, W., et al. PUNDIT: Pulmonary nodule detection with image category transformation. Medical Physics. 50, 2914-2927 (2023).
  5. 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).
  6. Gruden, J. F., et al. 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).
  7. Guleryuz Kizil, P., et al. Diagnostic importance of maximum intensity projection technique in the identification of small pulmonary nodules with computed tomography. Tuberk Toraks. 68 (1), 35-42 (2020).
  8. 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).
  9. Jabeen, N., et al. Diagnostic accuracy of maximum intensity projection in diagnosis of malignant pulmonary nodules. Cureus. 11 (11), e6120(2019).
  10. 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).
  11. 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).
  12. Christe, A., et al. Computer-aided diagnosis of pulmonary fibrosis using deep learning and CT images. Investigative Radiology. 54 (10), 627-632 (2019).
  13. Kim, Y., et al. Applications of artificial intelligence in the thorax: a narrative review focusing on thoracic radiology. Journal of Thoracic Disease. 13 (12), 6943-6962 (2021).
  14. Schreuder, A., et al. 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).
  15. 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).
  16. Yabuuchi, H., et al. Clinical application of radiation dose reduction for head and neck CT. European Journal of Radiology. 107, 209-215 (2018).
  17. Rana, B., et al. Regions-of-interest based automated diagnosis of Parkinson's disease using T1-weighted MRI. Expert Systems with Applications. 42 (9), 4506-4516 (2015).

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

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Modelowanie ca ych p ucprzetwarzanie obraz w medycznychsegmentacja guzk w p ucnychg bokie uczeniedane DICOMrozk ad przestrzennywizualizacja 3Dobrazowanie w programie MATLAB

Powiązane artykuły