Trójwymiarowa rekonstrukcja całego płuca z wczesnymi mnogimi guzkami płucnymi
13 października 2023
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.
Badania te rozwijają podejście do modelowania 3D w celu kompleksowej wirtualizacji wielu guzków płucnych w całym płucu, mając na celu poprawę diagnostyki i leczenia pacjentów z rakiem płuc we wczesnym stadium. Kluczowe pytania dotyczą tego, jak dokładnie zrekonstruować rozkład nnoduli i wzajemne oddziaływanie z tkanką płucną. Niedawny postęp w dziedzinie głębokiego uczenia i widzenia komputerowego umożliwia dokładniejsze wykrywanie i segmentację guzków płuc wspomagane sztuczną inteligencją.
Utrzymują się jednak ograniczenia dotyczące modelowania całych płuc i relacji przestrzennych między wieloma guzkami. Badania te oferują postęp dzięki technice reprzewodnictwa 3D dla całego płuca. Integracja obrazowania i wizualizacji medycznej opartej na sztucznej inteligencji ze specjalistyczną diagnostyką kliniczną i leczeniem ma kluczowe znaczenie.
Technologie takie jak głębokie uczenie do segmentacji, modelowania wolumetrycznego, wirtualna rzeczywistość rozszerzona do wizualizacji 3D i multimodalna fuzja danych rozwijają modelowanie całych płuc i ocenę wielu guzków, aby usprawnić podejmowanie decyzji klinicznych. Badania te opracowały skuteczne podejście do modelowania 3D do wizualizacji rozmieszczenia i relacji przestrzennych wielu guzków płucnych w całej wartości płuc. Najważniejsze innowacje obejmują ekstrakcję konturu płuc, rekonstrukcję guzków w przestrzeni 3D oraz interaktywną wizualizację całego płuca.
Umożliwia to dokładniejszą diagnozę i planowanie leczenia u pacjentów z wczesnym rakiem płuca. Opracowanie dokładnego podejścia do modelowania 3D do wizualizacji partnerów z całych guzków płuc zapewnia nowe możliwości zrozumienia postępu choroby. Może to umożliwić wcześniejszą diagnozę, spersonalizowane plany leczenia i lepsze wyniki leczenia u pacjentów z rakiem płuc.
Odkrycia stanowią podstawę do rozszerzenia modelowania całych płuc przy użyciu danych z wielu modeli i przyspieszenia translacji klinicznej. Aby rozpocząć, skopiuj dane pacjenta z Digital Imaging and Communications in Medicine lub DICOM do zdefiniowanego katalogu roboczego. Korzystając z przeglądarki plików, przeanalizuj każdy katalog plików, aby zidentyfikować sekwencję obrazów z największą liczbą warstw skanowania do analizy.
Korzystaj z funkcji DICOM w programie MATLAB, dostarczając pliki DICOM jako dane wejściowe do wyodrębniania podstawowych parametrów, takich jak grubość warstw i odstępy między pikselami, bezpośrednio w środowisku MATLAB. Następnie pobierz dane o lokalizacji dla każdego obrazu i uzyskaj dostęp do informacji za pomocą informacji. SliceLocation w przestrzeni roboczej programu MATLAB.
Następnie użyj funkcji SliceLocation, aby zapisać dane lokalizacji w zmiennej i wygenerować dla niej wykres. Kliknij przycisk Porady dotyczące danych w prawym górnym rogu graficznego interfejsu użytkownika, aby dodać punkty danych i ulepszyć wykres. Następnie użyj funkcji regulacji głośności, aby uporządkować wszystkie obrazy i wyodrębnić obrazy w zakresie od pierwszej do maksymalnej lokalizacji.
Zabezpiecz dane woluminu z prawidłowych obrazów wraz z ich posortowanym indeksem. Korzystając z funkcji rozmiaru w programie MATLAB, zbadaj trójwymiarową skalę objętości 3D. Aby wyświetlić wolumin 3D za pomocą funkcji polecenia SliceView, zapisz zakres skanowania sekwencji, uzyskując płuca od 60 do 340.
Następnie użyj polecenia, aby uzyskać wolumin 3D zawierający wszystkie dane dotyczące całego płuca. Użyj funkcji polecenia MATLAB DICOM info, aby uzyskać grubość warstwy sekwencji obrazu. Użyj tego polecenia, aby obliczyć liczbę osi Z dla transformacji izowokselowej.
Następnie użyj funkcji poleceń MATLAB imresize3, aby wykonać transformację izovoxel w wersji 1. Użyj funkcji ThreeD_Slice_View, aby wyświetlić objętość 3D przekształconą przez izowoksel. Aby usunąć zakłócenia, użyj przycisku Porady dotyczące danych, aby dodać ciągłe punkty danych w interaktywnym interfejsie. Następnie kliknij prawym przyciskiem myszy wskazówki dotyczące danych i wybierz opcję Eksportuj dane kursora do obszaru roboczego, aby wyeksportować granicę odniesienia do filtrowania przestrzennego do przestrzeni roboczej MATLAB.
Wywołaj funkcję Noise_Clean, aby zastosować filtrowanie przestrzenne do wersji 2 przy użyciu parametru wejściowego CI z obszaru roboczego. Użyj funkcji polecenia Slice_View, aby zwizualizować wynikowy wolumin. Wybierz wycinek szablonu, taki jak dwa 30-sekundowe obrazy do projektu segmentacji obrazu, i przypisz go do zmiennej.
Następnie otwórz graficzny interfejs użytkownika segmentera obrazów MATLAB, wykonując polecenie imagesegmenter1. Wybierz narzędzie Automatyczne grupowanie z paska narzędzi u góry i kliknij lewym przyciskiem myszy, aby wykonać polecenie. Następnie kliknij przycisk Pokaż binarny w prawym górnym rogu, aby wyświetlić obraz w czarno-białym pliku binarnym.
Aby obszar płuc był biały, wybierz przycisk Odwróć maskę na górnym pasku narzędzi i kliknij lewym przyciskiem myszy, aby wykonać polecenie. Aby wyeliminować biały kolor poza obszarem płuc, wybierz przycisk Wyczyść obramowanie na górnym pasku narzędzi i kliknij lewym przyciskiem myszy. Zainicjuj funkcję objętości płuc 3D w przestrzeni roboczej programu MATLAB.
Następnie wybierz opcję Maksymalizuj z menu rozwijanego w prawym górnym rogu czwartego widoku. Wybierz opcję MIP Projection (Projekcja MIP). A następnie wybierz mapę kolorów odrzutowych z wbudowanej opcji map kolorów poniżej.
Jeszcze raz wywołaj funkcję Slice_View, ale tym razem wprowadź całą objętość 3D płuca. W wynikowym graficznym interfejsie użytkownika użyj dolnego paska przewijania, aby przejść do regionu, w którym znajdują się dominujące guzki płuc, obejmujące skany od 48 do 70. Za pomocą funkcji ThreeDlung_Horizon można przeprowadzić rekonstrukcję 3D obszaru zainteresowania, obejmującą sekcje od 48 do 70 z całej objętości 3D płuca.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Niniejsza praca opracowuje podejście do modelowania 3D w celu kompleksowej wirtualizacji wielu guzków płucnych w całym płucu, co ma na celu usprawnienie diagnostyki i leczenia pacjentów we wczesnym stadium raka płuca. Metoda ta zapewnia kompleksową wizualizację rozmieszczenia guzków oraz ich wzajemnych oddziaływań z tkanką płucną.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauka
- Obrazowanie medyczne
- Onkologia
Wstęp
- Dokładna rekonstrukcja rozmieszczenia guzków ma kluczowe znaczenie dla diagnostyki.
- Głębokie uczenie i komputerowe rozpoznawanie obrazów usprawniają detekcję i segmentację guzków płucnych.
- Występują ograniczenia w modelowaniu całych płuc oraz w analizie relacji przestrzennych między guzkami.
- Integracja obrazowania medycznego opartego na AI jest niezbędna w zastosowaniach klinicznych.
Cel badania
- W celu usprawnienia diagnostyki wczesnego stadium raka płuc.
- W celu uproszczenia oceny rozkładu guzków.
- W celu poprawy wizualizacji oddziaływania guzków z tkanką płucną.
Zastosowane metody
- Technika rekonstrukcji 3D całego płuca.
- Metody detekcji i segmentacji wspomagane przez AI.
- Integracja obrazowania medycznego z diagnozą kliniczną.
- Wizualizacja rozmieszczenia guzków i interakcji z tkanką płucną.
Główne wyniki
- Skuteczne modelowanie 3D guzków płucnych.
- Poprawiona wizualizacja rozmieszczenia guzków.
- Głębsze zrozumienie oddziaływania guzków z tkanką płucną.
- Potencjał do opracowania lepszych strategii diagnostycznych i terapeutycznych.
Wnioski
- Metoda rekonstrukcji 3D dostarcza cennych informacji w przypadku pacjentów we wczesnym stadium raka płuc.
- Integracja AI jest kluczowa dla rozwoju obrazowania medycznego.
- Podejście to może prowadzić do poprawy wyników klinicznych.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Kompleksowa rekonstrukcja 3D całego płuca z wczesnymi licznymi guzkami płucnymi wypełnia krytyczną lukę w mapowaniu przestrzennym i ilościowej ocenie w badaniach i rozwoju (B&R) nad wczesnymi stadiami raka płuca. Możliwość ta zwiększa pewność prognostyczną w charakteryzacji zmian, wspiera ograniczanie ryzyka mechanistycznego oraz pomaga w triage’u portfolio na etapie przejścia z fazy odkrywania do badań przedklinicznych. Integracja segmentacji opartej na AI i modelowania wolumetrycznego umożliwia bardziej solidną weryfikację hipotez oraz zapewnia ciągłość translacyjną pomiędzy zespołami zajmującymi się odkrywaniem leków a badaniami klinicznymi.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne etapy odkrywania i walidacja celu
- Umożliwia badanie z rozdzielczością przestrzenną rozkładu guzków oraz interakcji tkankowych w celu walidacji celu.
- Wspiera ograniczanie ryzyka mechanistycznego poprzez wyjaśnienie heterogeniczności zmian i kontekstu anatomicznego.
- Ułatwia zwiększenie pewności predykcyjnej w identyfikacji i priorytetyzacji zmian we wczesnym stadium.
Przesiewy i opracowanie testu
- Przygotowuje zwalidowane trójwymiarowe modele płuc do późniejszych etapów obrazowania oraz analizy fenotypowej.
- Standaryzuje wyniki ilościowe w celu powtarzalnej oceny charakterystyki guzków.
- Umożliwia skalowalną, gotową do wdrożenia na platformie wizualizację do oceny związków w systemach istotnych dla przebiegu choroby.
Badania translacyjne i przedkliniczne
- Koreluje wyniki obrazowania ze strategiami translacyjnymi w zakresie biomarkerów dla badań progresji chorób.
- Zapewnia ciągłość przejścia od modelowania na etapie odkrywania do przedklinicznej walidacji hipotez terapeutycznych.
- Wspiera decyzje o dalszym rozwoju projektów z uwzględnieniem analizy ryzyka poprzez integrację danych obrazowania przestrzennego i ilościowego.
Integracja potoku i przepływu pracy
Ta metoda rekonstrukcji 3D łączy wczesną fazę odkryć, identyfikację wiodących związków oraz badania przedkliniczne, zapewniając ujednolicone ramy przestrzenne i ilościowe dla oceny guzków płuc.
- Biologia odkrywcza: Wspiera weryfikację hipotez i wyjaśnianie szlaków poprzez mapowanie przestrzenne guzków.
- Przesiewanie: Dostarcza powtarzalne, ilościowe wyniki obrazowania do porównań między różnymi warunkami.
- Analityka: Umożliwia pomiary wolumetryczne i przestrzenne w celu dostarczenia danych do analizy statystycznej i podejmowania decyzji.
- Badania translacyjne: Łączy biomarkery obrazowe z punktami końcowymi badań przedklinicznych w modelowaniu istotnym dla przebiegu choroby.
- Wykorzystanie w przedsiębiorstwie: Tworzy wielokrotnego użytku cyfrowy model płuca do zastosowań w wielu projektach i międzyfunkcyjnych działaniach B+R.
Wpływ operacyjny i przedsiębiorstwa
- Wartość naukowa: Zwiększa pewność prognostyczną i redukuje niejednoznaczność mechanistyczną w ocenie zmian chorobowych.
- Wartość operacyjna: Standaryzuje procesy obrazowania i zwiększa odtwarzalność wyników pomiędzy zespołami.
- Wartość strategiczna: Usprawnia podejmowanie decyzji o kontynuacji lub przerwaniu badań (go/no-go) oraz alokację kapitału poprzez integrację analizy przestrzennej.
- Wpływ na portfolio: Umożliwia priorytetyzację skorygowaną o ryzyko oraz rozwój wczesnych etapów projektów dotyczących raka płuc.
Uwagi dotyczące wdrożenia
- Wymaga wiedzy specjalistycznej w zakresie przetwarzania obrazów medycznych i modelowania wolumetrycznego.
- Zależy od dostępu do danych obrazowych DICOM oraz infrastruktury obliczeniowej do rekonstrukcji 3D.
- Wymaga standaryzacji protokołów obrazowania i potoków analizy danych pomiędzy zespołami.
- Możliwa jest konieczność adaptacji dla różnych modalności obrazowania lub modeli chorób płuc.
- Ograniczenia praktyczne obejmują jakość obrazu, dokładność segmentacji oraz zapotrzebowanie na zasoby obliczeniowe.
