Summary
Denne undersøgelse introducerer en tredimensionel (3D) rekonstruktionsmetode for hele lungen hos patienter med tidlige multiple lungeknuder. Det giver en omfattende visualisering af knudefordeling og deres samspil med lungevæv, hvilket forenkler vurderingen af diagnose og prognose for disse patienter.
Abstract
For patienter med tidlige multiple lungeknuder er det vigtigt fra et diagnostisk perspektiv at bestemme den rumlige fordeling, størrelse, placering og forhold til omgivende lungevæv af disse knuder gennem hele lungen. Dette er afgørende for at identificere den primære læsion og udvikle mere videnskabeligt funderede behandlingsplaner for læger. Imidlertid er mønstergenkendelsesmetoder baseret på maskinsyn modtagelige for falske positive og falske negativer og kan derfor ikke fuldt ud opfylde kliniske krav i denne henseende. Visualiseringsmetoder baseret på maksimal intensitetsprojektion (MIP) kan bedre illustrere lokale og individuelle lungeknuder, men mangler en makroskopisk og holistisk beskrivelse af fordelingen og rumlige træk ved flere lungeknuder.
Derfor foreslår denne undersøgelse en hellunge 3D-rekonstruktionsmetode. Det ekstraherer lungens 3D-kontur ved hjælp af medicinsk billedbehandlingsteknologi på baggrund af hele lungen og udfører 3D-rekonstruktion af lungen, lungearterien og flere lungeknuder i 3D-rummet. Denne metode kan omfattende skildre den rumlige fordeling og radiologiske egenskaber ved flere knuder gennem hele lungen, hvilket giver et enkelt og bekvemt middel til at evaluere diagnosen og prognosen for flere lungeknuder.
Introduction
Tidlige flere lungeknuder, som er små, runde vækster på lungen, kan være godartede eller ondartede 1,2,3. Selvom ensomme lungeknuder er lettere at diagnosticere og behandle, står patienter med tidlige multiple lungeknuder over for betydelige diagnostiske og behandlingsmæssige udfordringer. For at udvikle effektive behandlingsplaner er det vigtigt nøjagtigt at identificere den rumlige fordeling, størrelse, placering og forhold til omgivende lungevæv af disse knuder gennem hele lungen 4,5. Traditionelle diagnostiske metoder har begrænsninger i nøjagtigt at identificere tidlige flere lungeknuder.
Nylige fremskridt inden for medicinsk billedbehandlingsteknologi og maskinlæringsalgoritmer har potentialet til at forbedre nøjagtigheden og effektiviteten af tidlig lungeknudedetektion og diagnose. Forskellige tilgange er blevet foreslået, såsom mønstergenkendelsesmetoder baseret på maskinsyn og visualiseringsmetoder baseret på maksimal intensitetsprojektion (MIP)6,7,8,9,10. Disse metoder lider imidlertid af begrænsninger såsom falske positive, falske negativer 11,12,13,14,15 og mangel på makroskopiske og holistiske beskrivelser af fordelingen og rumlige træk ved tidlige multiple lungeknuder.
For at løse disse begrænsninger foreslår denne undersøgelse en hellunge 3D-rekonstruktionsmetode, der bruger medicinsk billedbehandlingsteknologi til at ekstrahere lungens 3D-kontur på baggrund af hele brystscanningen. Metoden udfører derefter 3D-rekonstruktion af lungen, lungearterien og tidlige flere lungeknuder i 3D-rummet. Denne tilgang giver mulighed for en mere omfattende og præcis repræsentation af den rumlige fordeling og radiologiske træk ved tidlige multiple knuder i hele lungen.
Den foreslåede metode involverer flere vigtige trin. For det første importeres de medicinske billeder til 3D-billedbehandlingssoftwaren, og lungeregionen ekstraheres ved hjælp af en tærskelbaseret segmenteringsteknik. Derefter adskilles den ekstraherede lungeregion fra den omgivende brystvæg og brysthvirvlernes knoglestrukturer. De tidlige multiple lungeknuder og deres forhold til omgivende blodkar rekonstrueres derefter i 3D-rum ved hjælp af MIP-algoritmer (Maximum Intensity Projection). Endelig vises den rekonstruerede 3D-model af lungen, lungearterien og knuderne til yderligere analyse.
Denne metode har flere fordele i forhold til eksisterende metoder. I modsætning til traditionelle metoder, der er afhængige af 2D-billeder, bruger denne metode 3D-volumen til at give en mere nøjagtig og omfattende repræsentation af tidlige flere lungeknuder. Metoden overvinder også begrænsningerne ved falske positiver og falske negativer forbundet med mønstergenkendelsesmetoder og MIP-visualiseringsmetoder. Desuden giver denne metode en makroskopisk og holistisk beskrivelse af fordelingen og rumlige træk ved tidlige multiple lungeknuder, hvilket er afgørende for at udvikle effektive behandlingsplaner.
Den foreslåede metode har flere potentielle anvendelser til diagnosticering og behandling af tidlige multiple lungeknuder. Den nøjagtige identifikation af den rumlige fordeling og radiologiske træk ved tidlige multiple knuder kan hjælpe med tidlig diagnose og behandling af lungekræft. Desuden kan metoden bruges til at overvåge sygdommens progression og evaluere effektiviteten af behandlingsplaner.
Mønstergenkendelsesmetoder 6,7,8 baseret på maskinsyn har vist løfte om at identificere lungeknuder, men lider af begrænsninger som falske positive og falske negativer. MIP-visualiseringsmetoder giver derimod en mere nøjagtig repræsentation af individuelle knuder, men mangler en makroskopisk og holistisk beskrivelse af fordelingen og rumlige træk ved tidlige flere knuder. Den foreslåede hellunge 3D-rekonstruktionsmetode overvinder disse begrænsninger og giver en mere nøjagtig og omfattende repræsentation af tidlige multiple lungeknuder.
Isovoxel transformation16,17 refererer til processen med at konvertere 3D-billeder med forskellige voxelstørrelser til 3D-billeder med ensartede voxelstørrelser. Inden for medicinsk billedbehandling er 3D-volumener ofte sammensat af voxels med varierende størrelser, hvilket kan føre til beregnings- og visualiseringsproblemer. Formålet med isovoxeltransformation er at løse disse problemer ved at gensample og interpolere voxels i den oprindelige 3D-volumen, hvilket resulterer i et nyt 3D-billede med ensartede voxelstørrelser. Denne teknik finder anvendelser i forskellige medicinske sammenhænge, herunder billedregistrering, segmentering og visualisering. Således foreslog denne undersøgelse en hellunge 3D-rekonstruktionsmetode, der bruger medicinsk billedbehandlingsteknologi til at ekstrahere lungens 3D-kontur på baggrund af hele brystscanningen. Metoden giver en mere præcis og omfattende repræsentation af den rumlige fordeling og radiologiske træk ved tidlige multiple knuder i hele lungen. Denne undersøgelse bidrager til udviklingen af mere præcise og effektive diagnostiske og behandlingsstrategier for patienter med tidlige multiple lungeknuder.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Til denne undersøgelse blev etisk godkendelse opnået fra The Ethics Committee of Dongzhimen Hospital, tilknyttet Beijing University of Chinese Medicine (DZMEC-KY-2019.90). I dette specifikke tilfælde gives en metodisk beskrivelse af forskningsmetoden, der skitserer et tilfælde, der involverer en 65-årig kvindelig patient med flere lungeknuder. Denne patient gav informeret samtykke til sin diagnose gennem digital modellering og godkendte brugen af hendes data til videnskabelige forskningsformål. Modelrekonstruktionsfunktionen er afledt af et kommercielt tilgængeligt softwareværktøj (se materialetabel).
1. Dataforberedelse og isovoxeltransformation
- DICOM (Digital Imaging and Communications in Medicine) dataforberedelse og dataegenskaber
BEMÆRK: Variationen i parametre forbliver relativt upåvirket af forskningsmetoden.- Kopier patientens DICOM-data til en defineret arbejdsmappe.
- Brug filbrowseren til at undersøge hver filmappe for at identificere billedsekvensen med det højeste antal scanningslag til analyse.
- Brug Dicominfo-funktionen i MATLAB ved at levere DICOM-filer som inputparametre. Dette giver dig mulighed for at udtrække vigtige parametre, såsom skivetykkelse og pixelafstand, direkte i MATLAB-miljøet.
BEMÆRK: Disse parametre har stor betydning for konfiguration af visningshastigheden for 3D-diskenheden. I tilfælde af datasættet, der blev brugt i denne undersøgelse, målte skivetykkelsen 1 mm, pixelafstanden svarede til 0.7188 mm, og i alt 387 lag blev scannet.
- Korrekt sortering af scannede data
BEMÆRK: Sekvensen af hvert billede skal sorteres for volumenkonstruktion.- Hent placeringsdataene for hvert billede ved hjælp af Dicominfo-funktionen . Få adgang til placeringsoplysningerne ved at henvise til oplysninger. UdsnitPlacering i MATLAB-arbejdsområdet.
- Gem placeringsdataene i en variabel ved hjælp af funktionen SliceLocation , og generer et plot for den (figur 1).
- Gør plottet bedre ved at føje et datapunkt til det ved hjælp af knappen Datatip i øverste højre hjørne af den grafiske brugergrænseflade. Dette datapunkt skal markere den maksimale placering af den normale sekvens, som svarer til den øverste placering i patientens billeddannelse (figur 1).
- Organiser alle billederne ved at sortere dem, og udpak derefter billederne lige fra den første placering til den maksimale placering. Opnå dette ved at aktivere funktionen VolumeResort .
- Beskyt diskenhedsdataene, som består af 512 x 512 pixel x 340 lag, fra de gyldige billeder sammen med deres sorterede indeks. Disse oplysninger vil være værdifulde til fremtidig reference, især i forbindelse med identifikation af vigtige knuder.
- Isovoxel transformation
BEMÆRK: 3D Isovoxel-transformation tillader efterfølgende behandling for at opretholde den samme displayskala i alle dimensioner.- Undersøg den tredimensionelle skala af et 3D-volumen, som er 512 pixels x 512 pixels x 340 lag, ved hjælp af størrelsesfunktionen i Matlab.
- For at se 3D-volumen (figur 2) ved hjælp af kommandofunktionen Slice_View skal du registrere sekvensscanningsområdet, der indeholder lungerne fra 60 til 340. Derefter skal du blot bruge kommandoen V1=V0(:,:,60:340) for at opnå et 3D-volumen, der indeholder alle data for hele lungen. Størrelsen på V1 er 512 pixels x 512 pixels x 281 lag.
- Brug MATLAB-kommandofunktionen dicominfo til at opnå billedsekvensens udsnittykkelse, som er 1 mm, og pixelafstanden er 0,7188. Beregn antallet af z-akser for isovoxeltransformationen med kommandoen: rund (281 x 1/0,7188). Antallet af lag til isovoxeltransformationen skal være 391.
- Brug Matlab-kommandofunktionen imresize3 til at udføre isovoxel-transformation på V1. Udfør scriptet ved hjælp af kommandoen V2=imresize3(V1, [512, 512, 391]). Brug derefter funktionen 3D_Slice_View til at se isovoxel-transformeret 3D-volumen (figur 3).
2. Fjernelse af støjinterferens forårsaget af computertomografiudstyr (CT)
BEMÆRK: I figur 2 er højintensitetssignalet, der repræsenterer CT-udstyrets patientsofa, synligt, hvilket kan forstyrre billedsegmenteringen. For at eliminere denne interferens kræves et rumligt filterdesign.
- Brug knappen Datatip i figur 2 til at tilføje kontinuerlige datapunkter i den interaktive grænseflade. Dette vil gøre det muligt for en at oprette en linje, der forbinder disse punkter, effektivt udelukker patientsofaen. Højreklik derefter på Datatip , og vælg Eksporter markørdata til arbejdsområde for at eksportere referencegrænsen for rumlig filtrering til MATLAB-arbejdsområdet (figur 3). Grænsespredningsmatrixen kaldes i dette tilfælde 'CI'.
- Aktivér Noise_Clean-funktionen for at anvende rumlig filtrering på V2 ved hjælp af inputparameteren 'CI' fra arbejdsområdet. Denne operation giver et 3D-volumen, der fjerner interferenssignalet fra CT-udstyret. Til sidst skal du bruge kommandofunktionen Slice_View til at visualisere den resulterende diskenhed, som vist i figur 4.
3. Ekstraktion af lungekontur
- Begynd med at vælge et udsnit, der skal fungere som skabelon i den GUI, der vises i figur 4. Vælg f.eks. det 232. billede til billedsegmenteringsdesignet, og tildel det til en variabel 'I' ved hjælp af kommandoen I=V2(:,:,232). Åbn derefter MATLAB Image Segmenter GUI ved at udføre kommandoen imageSegmenter(I), som vist i figur 5.
- Figur 5 viser en række billedsegmenteringsværktøjer. For at starte skal du vælge værktøjet Auto Cluster fra værktøjslinjen øverst og udføre kommandoen ved at klikke på venstre museknap. Billedet vil automatisk blive opdelt i to klasser. I betragtning af den denoising proces, der udføres i trin 2.2, bliver billedsegmentering på dette stadium relativt ligetil.
- Klik derefter på knappen Vis binær i øverste højre hjørne for at få vist billedet i sort / hvid binær . På dette tidspunkt vil lungeområdet se sort ud. For at gøre lungeregionen hvid skal du vælge knappen Inverter maske fra den øverste værktøjslinje og udføre kommandoen ved at klikke på venstre museknap.
- For at fjerne den hvide farve uden for lungeområdet skal du vælge knappen Ryd grænser på den øverste værktøjslinje og udføre den ved at klikke med venstre museknap. Efter dette trin forbliver kun det hvidfarvede lungeområde. Imidlertid skal eventuelle sorte skygger, der er tilbage i lungeområdet på dette tidspunkt, udfyldes. For at opnå dette skal du vælge knappen Udfyld huller på værktøjslinjen, og resultatet efter at have klikket på knappen vises i figur 6.
- Alle trin involveret i lungebilledsegmentering er præsenteret i GUI i figur 6 i nederste venstre hjørne. Ved at klikke på knappen Eksporter i øverste højre hjørne skal du gemme disse automatiserede trin som en funktion til batchbehandling af lungeregionssegmentering. I pop op-scripteditoren skal du klikke på Gem knappen for at gemme funktionen i den aktuelle arbejdsmappe.
4.3D rekonstruktion for hele lungen med flere lungeknuder
BEMÆRK: At tage prikproduktet af lungesegmenteringsbilledet af hvert billede med det originale billede svarer til at udføre 3D-rumlig filtrering på lydstyrken, effektivt filtrere interferenssignaler uden for lungerne og opnå lungernes 3D-struktur.
- Start 3Dlung_Volume-funktionen i MATLAB-arbejdsområdet.
BEMÆRK: Denne funktion udfører billedsegmentering på hvert billede ved hjælp af output fra trin 3.5. Derefter udføres en prikproduktoperation mellem den binære lungemaske og det originale billede for at generere et nyt 3D-volumen, der udelukkende indeholder lungevæv. I den grafiske brugergrænseflade (figur 7), der vises, når funktionen er fuldført, kan man visualisere og udføre MIP-operationer (Maximum Intensity Projection) på hele 3D-lungevolumenet. - Inden for GUI finder du den første rullemenu i øverste højre hjørne. Vælg MIP-projektion , og vælg derefter jetfarvekortet fra indstillingerne for indbyggede farvekort nedenfor. Vælg derefter Maksimer i rullemenuen i øverste højre hjørne af den fjerde visning (3D-volumenvisning). Denne handling vil give et helt lunge 3D-volumen (figur 8), der kan observeres fra enhver vinkel, flyttes og manipuleres efter behov.
BEMÆRK: I afsnittet om interaktion mellem mennesker og computere, der er illustreret i figur 8, kan man justere synsvinklen frit ved at holde venstre museknap nede og flytte den. Rulning af den midterste museknap giver mulighed for at zoome ind eller ud. - For avancerede kontrast- og farveforbedringsoperationer skal du bruge kontrolpanelet på højre side af GUI.
5. Fokus på undersøgelse af dominerende lungeknuder
BEMÆRK: I 3D-rum (figur 8) bliver det dominerende læsionsområde blandt flere lungeknuder tydeligt synligt. Antallet, størrelsen og koncentrationen af disse knuder er kritiske træk ved den dominerende læsion og giver værdifuld indsigt i sygdomsvurdering.
- Påkald igen Slice_View-funktionen , men indtast denne gang hele lungens 3D-volumen opnået i trin 4.2. Inden for den resulterende GUI (figur 9) skal du bruge det nederste rullepanel til at navigere til det område, hvor de dominerende lungeknuder er placeret, der spænder over scanninger 48 til 70.
- Fortsæt ved at kalde 3Dlung_Horizon-funktionen til at udføre 3D-rekonstruktion af interesseregionen (ROI), der omfatter afsnit 48 til 70 fra hele lungens 3D-volumen. Denne handling genererer en GUI-grænseflade, der er skræddersyet til visualisering af lungeknuder, som illustreret i figur 10. Inden for denne GUI kan man udforske læsionens detaljerede træk fra forskellige vinkler.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
I dataforbehandlingsfasen skal DICOM-datasortering være det første trin (figur 1) for at sikre den korrekte scanningssekvens for hvert lag under 3D-rekonstruktion. Dernæst udføres isotrop transformation for at sikre det korrekte billedformat for 3D-volumenet (figur 2). Derefter anvendes rumlig filtrering på det originale 3D-volumen (figur 3) for at eliminere interferenssignaler fra CT-udstyrets patientsofa (figur 4). For at opnå 3D-konturen af hele lungen udføres billedsegmentering på hver scanning (figur 5) for at skabe et binært lungebillede (figur 6). Baseret på lungens 3D-kontur rekonstrueres hele lungens 3D-volumen (figur 7) og visualiseres i 3D (figur 8). For det dominerende læsionsområde (figur 9) kan der udføres en separat 3D-visualisering (figur 10) for omhyggeligt at identificere læsionens detaljerede egenskaber.
Isovoxel-transformation sikrer, at den samme skala opretholdes i alle dimensioner under efterfølgende behandling. Figur 2 viser udsnitsvisningen efter isovoxeltransformation. I denne grafiske brugergrænseflade (GUI) kan man se de komplette rå 3D-volumendata.
Figur 3 og figur 4 viser den rumlige filtreringsproces, der bruges til at fjerne sengesignalinterferens fra CT-udstyret. Uden dette kan billeder med støjende signaler ikke fuldføre segmenteringen af lungestrukturer i efterfølgende trin.
Figur 5 og figur 6 illustrerer lungekonturekstraktionsfunktionen, som automatisk kan udtrække lungekonturer, hvilket giver de grundlæggende betingelser for den efterfølgende 3D-rekonstruktion af lungestrukturer.
Figur 7 og figur 8 viser 3D-rekonstruktionen af hele lungen og afslører den rumlige fordeling af lungevæv og flere lungeknuder. Ved at eliminere signalinterferens fra væv uden for lungerne kan den rumlige placering, størrelse og koncentration af flere lungeknuder afbildes nøjagtigt.
Figur 9 og figur 10 viser 3D-visualiseringen af de dominerende lungeknuder af interesse. På grund af udelukkelsen af signalinterferens uden for lungerne forbedres kontrasten af billederne. Evnen til at observere 3D-strukturen fra enhver vinkel gør det muligt for læger at foretage mere præcise vurderinger af læsionsfunktionerne i de dominerende lungeknuder.
Figur 1: Placering plot af billeder. Plottet viser placeringen af billeder baseret på deres filnavnsekvens. Klik her for at se en større version af denne figur.
Figur 2: GUI til 3D-volumenudsnitsvisning. Grafisk brugergrænseflade (GUI) til visning af udsnit af 3D-lydstyrken efter Isovoxel-transformation. Klik her for at se en større version af denne figur.
Figur 3: Referencegrænsespredningsmatrix. Matricen, der repræsenterer referencegrænsespredning til rumlig filtrering. Klik her for at se en større version af denne figur.
Figur 4: 3D-volumenudsnitsvisning efter rumlig filtrering. Visning af udsnit fra 3D-diskenheden efter anvendelse af rumlig filtrering. Klik her for at se en større version af denne figur.
Figur 5: Billedsegmenter GUI. Grafisk brugergrænseflade (GUI) i værktøjet Billedsegmenter. Klik her for at se en større version af denne figur.
Figur 6: Resultat af skyggefyldning af lungeområdet. Det resulterende billede efter udfyldning af sorte skygger i lungeområdet ved hjælp af knappen "Fyldhuller". Klik her for at se en større version af denne figur.
Figur 7: 3D lungerekonstruktion med flere lungeknuder. 3D rekonstruktion af hele lungen, der viser tidlige flere lungeknuder. Klik her for at se en større version af denne figur.
Figur 8: Interaktiv GUI til visning af 3D-lungevolumen. Interaktiv grafisk brugergrænseflade (GUI) til visning og manipulation af hele 3D-lungevolumen. Klik her for at se en større version af denne figur.
Figur 9: Udsnitsvisning til navigation af dominerende lungeknudeområde. Udsnitsvisning til navigation i det område, der indeholder dominerende lungeknuder inden for hele 3D-lungevolumenet. Klik her for at se en større version af denne figur.
Figur 10: 3D visualisering af dominerende lungeknude. Tredimensionel visualisering af den dominerende lungeknude i lungevolumenet. Klik her for at se en større version af denne figur.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Denne forskning introducerer en unik tilgang til at skabe en komplet tredimensionel (3D) rekonstruktion af hele lungen ved hjælp af avancerede medicinske billedbehandlingsteknikker til at afgrænse lungens 3D-form midt i konteksten af en fuld brystscanning. Denne teknik giver en mere præcis og grundig skildring af det rumlige arrangement og radiologiske egenskaber ved tidlige flere knuder over hele lungen. Denne undersøgelse yder et værdifuldt bidrag til at forbedre nøjagtigheden og effektiviteten af diagnostiske og behandlingsstrategier for personer med tidlige flere lungeknuder.
Kritiske trin
I denne undersøgelse blev flere kritiske trin identificeret som afgørende for protokollens succes: (1) Sortering og arrangering af DICOM-scanningskoordinater for at generere et nøjagtigt 3D-volumen af lungescanningen (trin 1.2.2); (2) Isotrop transformation for at sikre det korrekte billedformat for 3D-volumen, hvilket er afgørende for efterfølgende 3D-rekonstruktion (trin 1.3.4); (3) Rekonstruktion af hele lungen ved hjælp af en tidlig multipel lungeknudemodel, der muliggør identifikation af det dominerende lungeknudeområde (trin 4.1); (4) Detaljeret visualisering og undersøgelse af det lokalområde, der indeholder den dominerende læsion (trin 5.2).
Ændringer og fejlfinding
Segmenteringen af lungevævsstrukturer kan påvirkes af gråtonetærskelforskydningen i scanningssekvensen, hvilket potentielt kan resultere i unøjagtig billedsegmentering i nogle scanninger. I tilfælde af unøjagtig segmentering kan et separat filter (gentagende trin 3) designes til at opnå præcise lungevævskonturer. Opretholdelse af den højeste præcision i isovoxeltransformation16,17 er afgørende for at sikre nøjagtig udnyttelse af data. Disse trin forventes at blive mere intelligente og automatiserede i fremtiden. Med udviklingen af store medicinske billeddannelsesmodeller er præcis konturidentifikation gennem computersyn også en vigtig retning for fremtidig udvikling11.
Begrænsninger
Forenklet implementering af lungekonturekstraktion kan føre til fejl ved grænsen af lungens 3D-kontur, hvilket potentielt påvirker visualiseringen af små knuder nær lungekanten. Imidlertid er virkningen af denne begrænsning minimal, når man visualiserer det dominerende læsionsområde i tilfælde af flere lungeknuder.
Betydning i forhold til eksisterende metoder
Sammenlignet med computersynsmetoder tilbyder denne metode en omfattende repræsentation af lungevævsstruktur, herunder forholdet mellem flere lungeknuder og lungevæv, samtidig med at man undgår problemerne med falske positive og falske negativer. Derudover filtrerer det effektivt signalinterferens fra andre vævsstrukturer, hvilket fører til mere præcise og nøjagtige diagnoser med forbedret kontrast og klarhed.
Fremtidige applikationer
Denne 3D-visualiseringsmetode har et betydeligt potentiale for forskellige kliniske anvendelser, såsom at lette kommunikationen mellem læge og patient, muliggøre præcis diagnose, understøtte datadrevet evidensbaseret klassificering, hjælpe med behandlingsplanlægning og evaluere prognosen. Det kan hjælpe med præoperativ planlægning, give intraoperativ navigation til kirurgisk fjernelse af flere lungeknuder og overvåge ændringer i knudestørrelse og form over tid for at vurdere behandlingseffektiviteten. Samlet set har det kapacitet til at forbedre klinisk beslutningstagning i diagnosticering og behandling af flere lungeknuder.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har ingen interessekonflikter at oplyse. Softwareværktøjet til rekonstruktion af lungeknudemodeller, der er anført i materialetabellen i denne undersøgelse, er en kommerciel software fra Beijing Intelligent Entropy Science & Technology Co Ltd. De intellektuelle ejendomsrettigheder til dette softwareværktøj tilhører virksomheden.
Acknowledgments
Denne publikation blev støttet af det femte nationale forskningsprogram for traditionel kinesisk medicin klinisk fremragende talenter arrangeret af National Administration of Traditional Chinese Medicine. Det officielle netværkslink er http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html.
Materials
| Name | Company | Catalog Number | Comments |
| MATLAB | MathWorks | 2022B | Computing and visualization |
| Tools for Modeling | Intelligent Entropy | PulmonaryNodule V1.0 | Beijing Intelligent Entropy Science & Technology Co Ltd. Modeling for CT/MRI fusion |
References
- 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. Radiology. 284 (1), 228-243 (2017).
- 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).
- Zhao, W., et al. PUNDIT: Pulmonary nodule detection with image category transformation. Medical Physics. 50, 2914-2927 (2023).
- 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).
- 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).
- 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).
- 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., et al. 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).
- 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., 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).
- 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).
- 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).
- Yabuuchi, H., et al. Clinical application of radiation dose reduction for head and neck CT. European Journal of Radiology. 107, 209-215 (2018).
- 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).
