Summary
Cette étude introduit une méthode de reconstruction tridimensionnelle (3D) pour l’ensemble du poumon chez les patients présentant des nodules pulmonaires multiples précoces. Il offre une visualisation complète de la distribution des nodules et de leur interaction avec le tissu pulmonaire, simplifiant ainsi l’évaluation du diagnostic et du pronostic pour ces patients.
Abstract
Pour les patients présentant des nodules pulmonaires multiples précoces, il est essentiel, d’un point de vue diagnostique, de déterminer la distribution spatiale, la taille, l’emplacement et la relation avec le tissu pulmonaire environnant de ces nodules dans l’ensemble du poumon. Ceci est crucial pour identifier la lésion primaire et développer des plans de traitement plus scientifiquement fondés pour les médecins. Cependant, les méthodes de reconnaissance de formes basées sur la vision industrielle sont susceptibles d’entraîner des faux positifs et des faux négatifs et, par conséquent, ne peuvent pas répondre pleinement aux exigences cliniques à cet égard. Les méthodes de visualisation basées sur la projection d’intensité maximale (MIP) peuvent mieux illustrer les nodules pulmonaires locaux et individuels, mais manquent d’une description macroscopique et holistique de la distribution et des caractéristiques spatiales de plusieurs nodules pulmonaires.
Par conséquent, cette étude propose une méthode de reconstruction 3D du poumon entier. Il extrait le contour 3D du poumon à l’aide d’une technologie de traitement d’images médicales sur le fond de l’ensemble du poumon et effectue une reconstruction 3D du poumon, de l’artère pulmonaire et de multiples nodules pulmonaires dans l’espace 3D. Cette méthode permet de décrire de manière exhaustive la distribution spatiale et les caractéristiques radiologiques de plusieurs nodules dans l’ensemble du poumon, offrant ainsi un moyen simple et pratique d’évaluer le diagnostic et le pronostic de plusieurs nodules pulmonaires.
Introduction
Les nodules pulmonaires multiples précoces, qui sont de petites excroissances rondes sur le poumon, peuvent être bénins ou malins 1,2,3. Bien que les nodules pulmonaires solitaires soient plus faciles à diagnostiquer et à traiter, les patients atteints de nodules pulmonaires multiples précoces sont confrontés à des défis importants en matière de diagnostic et de traitement. Pour élaborer des plans de traitement efficaces, il est essentiel d’identifier avec précision la distribution spatiale, la taille, l’emplacement et la relation avec le tissu pulmonaire environnant de ces nodules dans l’ensemble du poumon 4,5. Les méthodes de diagnostic traditionnelles ont des limites dans l’identification précise des nodules pulmonaires multiples précoces.
Les progrès récents de la technologie de traitement d’images médicales et des algorithmes d’apprentissage automatique ont le potentiel d’améliorer la précision et l’efficacité de la détection et du diagnostic précoces des nodules pulmonaires. Diverses approches ont été proposées, telles que des méthodes de reconnaissance de formes basées sur la vision industrielle et des méthodes de visualisation basées sur la projection d’intensité maximale (MIP)6,7,8,9,10. Cependant, ces méthodes souffrent de limitations telles que les faux positifs, les faux négatifs 11,12,13,14,15 et le manque de descriptions macroscopiques et holistiques de la distribution et des caractéristiques spatiales des nodules pulmonaires multiples précoces.
Pour remédier à ces limitations, cette étude propose une méthode de reconstruction 3D du poumon entier qui utilise la technologie de traitement d’images médicales pour extraire le contour 3D du poumon sur le fond de l’ensemble du thorax. La méthode effectue ensuite une reconstruction 3D du poumon, de l’artère pulmonaire et des nodules pulmonaires multiples précoces dans l’espace 3D. Cette approche permet une représentation plus complète et plus précise de la distribution spatiale et des caractéristiques radiologiques des nodules multiples précoces dans l’ensemble du poumon.
La méthode proposée comporte plusieurs étapes clés. Tout d’abord, les images médicales sont importées dans le logiciel de traitement d’images 3D, et la région pulmonaire est extraite à l’aide d’une technique de segmentation basée sur des seuils. Par la suite, la région pulmonaire extraite est séparée de la paroi thoracique environnante et des structures osseuses des vertèbres thoraciques. Les nodules pulmonaires multiples précoces et leur relation avec les vaisseaux sanguins environnants sont ensuite reconstruits dans l’espace 3D à l’aide d’algorithmes de projection d’intensité maximale (MIP). Enfin, le modèle 3D reconstruit du poumon, de l’artère pulmonaire et des nodules est affiché pour une analyse plus approfondie.
Cette méthode présente plusieurs avantages par rapport aux méthodes existantes. Contrairement aux méthodes traditionnelles qui reposent sur des images 2D, cette méthode utilise le volume 3D pour fournir une représentation plus précise et plus complète des nodules pulmonaires multiples précoces. La méthode permet également de surmonter les limites des faux positifs et des faux négatifs associés aux méthodes de reconnaissance de formes et aux méthodes de visualisation MIP. De plus, cette méthode fournit une description macroscopique et holistique de la distribution et des caractéristiques spatiales des nodules pulmonaires multiples précoces, ce qui est essentiel pour développer des plans de traitement efficaces.
La méthode proposée a plusieurs applications potentielles dans le diagnostic et le traitement des nodules pulmonaires multiples précoces. L’identification précise de la distribution spatiale et des caractéristiques radiologiques des nodules multiples précoces peut aider au diagnostic et au traitement précoces du cancer du poumon. De plus, la méthode peut être utilisée pour surveiller la progression de la maladie et évaluer l’efficacité des plans de traitement.
Les méthodes de reconnaissance de formes 6,7,8 basées sur la vision artificielle se sont révélées prometteuses dans l’identification des nodules pulmonaires, mais souffrent de limitations telles que les faux positifs et les faux négatifs. Les méthodes de visualisation MIP, d’autre part, fournissent une représentation plus précise des nodules individuels, mais manquent d’une description macroscopique et holistique de la distribution et des caractéristiques spatiales des nodules multiples précoces. La méthode de reconstruction 3D du poumon entier proposée permet de surmonter ces limites et fournit une représentation plus précise et plus complète des nodules pulmonaires multiples précoces.
La transformation d’Isovoxel16,17 fait référence au processus de conversion d’images 3D avec différentes tailles de voxels en images 3D avec des tailles de voxel uniformes. Dans le domaine du traitement d’images médicales, les volumes 3D sont souvent composés de voxels de tailles variables, ce qui peut entraîner des problèmes de calcul et de visualisation. L’objectif de la transformation isovoxel est de résoudre ces problèmes en rééchantillonnant et en interpolant les voxels dans le volume 3D d’origine, ce qui permet d’obtenir une nouvelle image 3D avec des tailles de voxel cohérentes. Cette technique trouve des applications dans divers contextes médicaux, notamment le recalage, la segmentation et la visualisation d’images. Ainsi, cette étude a proposé une méthode de reconstruction 3D du poumon entier qui utilise la technologie de traitement d’images médicales pour extraire le contour 3D du poumon sur le fond de l’ensemble du thorax. La méthode fournit une représentation plus précise et plus complète de la distribution spatiale et des caractéristiques radiologiques des nodules multiples précoces dans l’ensemble du poumon. Cette étude contribue à l’élaboration de stratégies diagnostiques et de traitement plus précises et plus efficaces pour les patients atteints de nodules pulmonaires multiples précoces.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Pour la présente étude, l’autorisation éthique a été obtenue auprès du Comité d’éthique de l’hôpital Dongzhimen, affilié à l’Université de médecine chinoise de Pékin (DZMEC-KY-2019.90). Dans ce cas précis, une description méthodique de l’approche de recherche est fournie, décrivant le cas d’une patiente de 65 ans présentant de multiples nodules pulmonaires. Cette patiente a donné son consentement éclairé pour son diagnostic par le biais de la modélisation numérique et a autorisé l’utilisation de ses données à des fins de recherche scientifique. La fonction de reconstruction du modèle est dérivée d’un outil logiciel disponible dans le commerce (voir Tableau des matériaux).
1. Préparation des données et transformation de l’isovoxel
- Préparation des données et propriétés des données DICOM (Digital Imaging and Communications in Medicine)
NOTE : La variation des paramètres reste relativement peu affectée par la méthodologie de recherche.- Copiez les données DICOM du patient dans un répertoire de travail défini.
- À l’aide de l’explorateur de fichiers, examinez chaque répertoire de fichiers pour identifier la séquence d’images avec le plus grand nombre de couches d’analyse à analyser.
- Utilisez la fonction Dicominfo dans MATLAB en fournissant des fichiers DICOM comme paramètres d’entrée. Cela vous permettra d’extraire des paramètres essentiels, tels que l’épaisseur de la tranche et l’espacement des pixels, directement dans l’environnement MATLAB.
REMARQUE : Ces paramètres sont d’une importance capitale dans la configuration de la fréquence d’affichage du volume 3D. Dans le cas de l’ensemble de données utilisé dans cette étude, l’épaisseur de la tranche était de 1 mm, l’espacement des pixels équivalait à 0,7188 mm et un total de 387 couches ont été numérisées.
- Tri correct des données numérisées
REMARQUE : La séquence de chaque image doit être triée pour la construction du volume.- Récupérez les données de localisation de chaque image à l’aide de la fonction Dicominfo . Accédez aux informations de localisation en référençant les informations. SliceLocation dans l’espace de travail MATLAB.
- Enregistrez les données de localisation dans une variable à l’aide de la fonction SliceLocation et générez un tracé pour celle-ci (Figure 1).
- Améliorez le tracé en y ajoutant un point de données à l’aide du bouton Info-bulles situé dans le coin supérieur droit de l’interface graphique. Ce point de données doit marquer l’emplacement maximal de la séquence normale, qui correspond à l’emplacement le plus élevé dans l’imagerie du patient (Figure 1).
- Organisez toutes les images en les triant puis extrayez les images allant du premier emplacement à l’emplacement maximum. Pour ce faire, appelez la fonction VolumeResort .
- Protégez les données de volume, qui se composent de 512 pixels par 512 pixels par 340 couches, des images valides ainsi que de leur index trié. Ces informations seront précieuses pour référence future, en particulier dans le contexte de l’identification des nodules importants.
- Transformation d’Isovoxel
REMARQUE : La transformation 3D d’Isovoxel permet un traitement ultérieur pour conserver la même échelle d’affichage dans toutes les dimensions.- Examinez l’échelle tridimensionnelle d’un volume 3D, qui est de 512 pixels x 512 pixels x 340 couches, à l’aide de la fonction de taille de Matlab.
- Pour visualiser le volume 3D (Figure 2) à l’aide de la fonction de commande Slice_View, enregistrez la plage de balayage séquentielle contenant les poumons de 60 à 340. Ensuite, il suffit d’utiliser la commande V1=V0( :, :,60 :340) pour obtenir un volume 3D contenant toutes les données de l’ensemble du poumon. La taille de V1 est de 512 pixels x 512 pixels x 281 couches.
- Utilisez la fonction de commande MATLAB dicominfo pour obtenir l’épaisseur de tranche de la séquence d’images, qui est de 1 mm, et l’espacement des pixels est de 0,7188. Calculez le nombre d’axes z pour la transformation isovoxel avec la commande : round (281 x 1/0.7188). Le nombre de couches pour la transformation isovoxel doit être de 391.
- Utilisez la fonction de commande Matlab imresize3 pour effectuer la transformation isovoxel sur V1. Exécutez le script à l’aide de la commande V2=imresize3(V1, [512, 512, 391]). Utilisez ensuite la fonction 3D_Slice_View pour visualiser le volume 3D transformé en isovoxel (Figure 3).
2. Élimination des interférences sonores causées par l’équipement de tomodensitométrie (TDM)
REMARQUE : Sur la figure 2, le signal de haute intensité représentant le divan du patient de l’équipement de tomodensitométrie est visible, ce qui peut interférer avec la segmentation de l’image. Pour éliminer ces interférences, une conception de filtre spatial est nécessaire.
- Utilisez le bouton Data Tips de la figure 2 pour ajouter des points de données continus dans l’interface interactive. Cela permettra de créer une ligne reliant ces points, excluant ainsi le divan du patient. Ensuite, cliquez avec le bouton droit de la souris sur les Data Tips et sélectionnez Export Cursor Data to Workspace (Exporter les données du curseur vers l’espace de travail) pour exporter la limite de référence pour le filtrage spatial vers l’espace de travail MATLAB (Figure 3). Dans ce cas, la matrice de dispersion des limites est nommée « CI ».
- Appelez la fonction Noise_Clean pour appliquer un filtrage spatial à V2, à l’aide du paramètre d’entrée « CI » de l’espace de travail. Cette opération produira un volume 3D qui supprime le signal d’interférence de l’équipement CT. Enfin, utilisez la fonction de commande Slice_View pour visualiser le volume résultant, comme illustré à la figure 4.
3. Extraction du contour du poumon
- Commencez par sélectionner une tranche qui servira de modèle dans l’interface graphique illustrée à la figure 4. Par exemple, choisissez la 232e image pour la conception de segmentation d’image et affectez-la à une variable 'I' à l’aide de la commande I=V2( :, :,232). Ensuite, ouvrez l’interface graphique de MATLAB Image Segmenter en exécutant la commande imageSegmenter(I), comme illustré à la figure 5.
- La figure 5 présente un ensemble d’outils de segmentation d’images. Pour commencer, sélectionnez l’outil Cluster automatique dans la barre d’outils en haut et exécutez la commande en cliquant sur le bouton gauche de la souris. L’image sera automatiquement divisée en deux classes. Compte tenu du processus de débruitage effectué à l’étape 2.2, la segmentation de l’image à ce stade devient relativement simple.
- Ensuite, cliquez sur le bouton Afficher le binaire dans le coin supérieur droit pour afficher l’image en binaire noir et blanc. À ce stade, la région pulmonaire apparaîtra noire. Pour rendre la région pulmonaire blanche, sélectionnez le bouton Inverser le masque dans la barre d’outils supérieure et exécutez la commande en cliquant sur le bouton gauche de la souris.
- Pour éliminer la couleur blanche à l’extérieur de la zone pulmonaire, sélectionnez le bouton Effacer les bordures dans la barre d’outils supérieure et exécutez-le en cliquant avec le bouton gauche de la souris. Après cette étape, il ne restera que la zone pulmonaire de couleur blanche. Cependant, toutes les ombres noires qui restent dans la région pulmonaire à ce stade doivent être comblées. Pour ce faire, sélectionnez le bouton Remplir les trous dans la barre d’outils, et le résultat après avoir cliqué sur le bouton est illustré à la figure 6.
- Toutes les étapes impliquées dans la segmentation de l’image pulmonaire sont présentées dans l’interface graphique de la figure 6 dans le coin inférieur gauche. En cliquant sur le bouton Exporter dans le coin supérieur droit, enregistrez ces étapes automatisées en tant que fonction de traitement par lots de la segmentation de la région pulmonaire. Dans l’éditeur de script contextuel, cliquez sur le bouton Enregistrer pour enregistrer la fonction dans le répertoire de travail actuel.
4.3D reconstruction pour l’ensemble du poumon avec des nodules pulmonaires multiples
REMARQUE : Prendre le produit scalaire de l’image de segmentation pulmonaire de chaque image avec l’image originale équivaut à effectuer un filtrage spatial 3D sur le volume, à filtrer efficacement les signaux d’interférence à l’extérieur des poumons et à obtenir la structure 3D des poumons.
- Lancez la fonction 3Dlung_Volume dans l’espace de travail MATLAB.
REMARQUE : Cette fonction effectue une segmentation d’image sur chaque image à l’aide de la sortie de l’étape 3.5. Il exécute ensuite une opération de produit scalaire entre le masque pulmonaire binaire et l’image d’origine pour générer un nouveau volume 3D contenant exclusivement du tissu pulmonaire. Dans l’interface graphique (Figure 7) qui s’affiche une fois la fonction terminée, il est possible de visualiser et d’effectuer des opérations de projection d’intensité maximale (MIP) sur l’ensemble du volume pulmonaire 3D. - Dans l’interface graphique, recherchez le premier menu déroulant dans le coin supérieur droit. Sélectionnez Projection MIP , puis choisissez la palette de couleurs du jet dans les options Palettes de couleurs intégrées ci-dessous. Ensuite, dans le menu déroulant situé dans le coin supérieur droit de la quatrième vue (Vue du volume 3D), sélectionnez Agrandir. Cette action produira un volume 3D du poumon entier (Figure 8) qui peut être observé sous n’importe quel angle, déplacé et manipulé au besoin.
REMARQUE : Dans la section sur l’interaction homme-machine illustrée à la figure 8, on peut ajuster librement l’angle de vue en maintenant le bouton gauche de la souris enfoncé et en le déplaçant. Faire défiler le bouton central de la souris permet d’effectuer un zoom avant ou arrière. - Pour des opérations avancées d’amélioration du contraste et des couleurs, utilisez le panneau de configuration sur le côté droit de l’interface graphique.
5. Concentrez-vous sur l’examen des nodules pulmonaires dominants
NOTE : Dans l’espace 3D (Figure 8), la zone lésionnelle dominante parmi les nodules pulmonaires multiples devient distinctement visible. Le nombre, la taille et la concentration de ces nodules sont des caractéristiques essentielles de la lésion dominante, offrant des informations précieuses pour l’évaluation de la maladie.
- Une fois de plus, invoquez la fonction Slice_View , mais cette fois-ci, entrez l’ensemble du volume 3D du poumon obtenu à l’étape 4.2. Dans l’interface graphique résultante (Figure 9), utilisez la barre de défilement inférieure pour naviguer jusqu’à la région où se trouvent les nodules pulmonaires dominants, couvrant les balayages 48 à 70.
- Procédez en appelant la fonction 3Dlung_Horizon pour effectuer une reconstruction 3D de la région d’intérêt (ROI) englobant les sections 48 à 70 à partir du volume 3D du poumon entier. Cette action générera une interface graphique adaptée à la visualisation des nodules pulmonaires, comme illustré à la figure 10. Dans cette interface graphique, il est possible d’explorer les caractéristiques détaillées de la lésion sous différents angles.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Dans la phase de prétraitement des données, le tri des données DICOM doit être la première étape (Figure 1) pour garantir la séquence de numérisation correcte pour chaque couche lors de la reconstruction 3D. Ensuite, une transformation isotrope est effectuée pour garantir le rapport hauteur/largeur correct du volume 3D (Figure 2). Ensuite, un filtrage spatial est appliqué au volume 3D d’origine (Figure 3) afin d’éliminer les signaux d’interférence provenant de la divan patient de l’équipement CT (Figure 4). Pour obtenir le contour 3D de l’ensemble du poumon, une segmentation de l’image est effectuée sur chaque scan (Figure 5) pour créer une image pulmonaire binaire (Figure 6). Sur la base du contour 3D du poumon, l’ensemble du volume 3D du poumon est reconstruit (Figure 7) et visualisé en 3D (Figure 8). Pour la zone de la lésion dominante (Figure 9), une visualisation 3D distincte (Figure 10) peut être effectuée afin d’identifier soigneusement les caractéristiques détaillées de la lésion.
La transformation d’Isovoxel garantit que la même échelle est maintenue dans toutes les dimensions lors du traitement ultérieur. La figure 2 montre la vue de la tranche après la transformation isovoxel. Dans cette interface utilisateur graphique (GUI), il est possible de visualiser l’ensemble des données volumiques 3D brutes.
La figure 3 et la figure 4 illustrent le processus de filtrage spatial utilisé pour éliminer les interférences du signal de lit de l’équipement de TC. Sans cela, les images avec des signaux bruités ne peuvent pas compléter la segmentation des structures pulmonaires dans les étapes suivantes.
Les figures 5 et 6 illustrent la fonction d’extraction des contours pulmonaires, qui permet d’extraire automatiquement les contours des poumons, fournissant ainsi les conditions de base pour la reconstruction 3D ultérieure des structures pulmonaires.
Les figures 7 et 8 montrent la reconstruction 3D de l’ensemble du poumon, révélant la distribution spatiale des tissus pulmonaires et des nodules pulmonaires multiples. En éliminant les interférences de signal provenant des tissus situés à l’extérieur des poumons, l’emplacement spatial, la taille et la concentration de plusieurs nodules pulmonaires peuvent être représentés avec précision.
La figure 9 et la figure 10 montrent la visualisation 3D des nodules pulmonaires dominants d’intérêt. En raison de l’exclusion des interférences de signal provenant de l’extérieur des poumons, le contraste des images est amélioré. La possibilité d’observer la structure 3D sous n’importe quel angle permet aux médecins de porter des jugements plus précis sur les caractéristiques lésionnelles des nodules pulmonaires dominants.
Figure 1 : Tracé de l’emplacement des images. Le tracé affiche l’emplacement des images en fonction de leur séquence de noms de fichiers. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 2 : Interface graphique pour l’affichage de tranches de volume 3D. Interface utilisateur graphique (GUI) pour visualiser des tranches du volume 3D après la transformation d’Isovoxel. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 3 : Matrice de dispersion des limites de référence. Matrice représentant la dispersion des limites de référence pour le filtrage spatial. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 4 : Vue de tranche de volume 3D après filtrage spatial. Vue des tranches du volume 3D après l’application du filtrage spatial. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 5 : Interface graphique du segmenteur d’images. Interface utilisateur graphique (GUI) de l’outil Segmenteur d’images. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 6 : Résultat du remplissage de l’ombre de la région pulmonaire. L’image résultante après avoir rempli les ombres noires dans la région pulmonaire à l’aide du bouton « Remplir les trous ». Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 7 : Reconstruction pulmonaire 3D avec nodules pulmonaires multiples. Reconstruction 3D de l’ensemble du poumon montrant des nodules pulmonaires multiples précoces. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 8 : Interface graphique interactive pour la visualisation 3D du volume pulmonaire. Interface utilisateur graphique (GUI) interactive pour visualiser et manipuler l’ensemble du volume pulmonaire 3D. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 9 : Vue en coupe pour naviguer dans la zone dominante du nodule pulmonaire. Vue en coupe pour naviguer dans la région contenant les nodules pulmonaires dominants dans l’ensemble du volume pulmonaire 3D. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 10 : Visualisation 3D du nodule pulmonaire dominant. Visualisation tridimensionnelle du nodule pulmonaire dominant dans le volume pulmonaire. Veuillez cliquer ici pour voir une version agrandie de cette figure.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Cette recherche présente une approche unique pour créer une reconstruction tridimensionnelle (3D) complète de l’ensemble du poumon, en utilisant des techniques avancées de traitement d’images médicales pour délimiter la forme 3D du poumon dans le contexte d’une scintigraphie thoracique complète. Cette technique offre une représentation plus précise et plus complète de la disposition spatiale et des caractéristiques radiologiques des nodules multiples précoces dans l’ensemble du poumon. Cette étude apporte une contribution précieuse à l’amélioration de la précision et de l’efficacité des stratégies de diagnostic et de traitement pour les personnes atteintes de nodules pulmonaires multiples précoces.
Étapes critiques
Dans cette étude, plusieurs étapes critiques ont été identifiées comme essentielles au succès du protocole : (1) Trier et organiser les coordonnées de la séquence de balayage DICOM pour générer un volume 3D précis du scanner pulmonaire (étape 1.2.2) ; (2) Transformation isotrope pour assurer le rapport hauteur/largeur correct du volume 3D, ce qui est crucial pour la reconstruction 3D ultérieure (étape 1.3.4) ; (3) Reconstruction de l’ensemble du poumon à l’aide d’un modèle précoce de nodules pulmonaires multiples, permettant l’identification de la zone dominante du nodule pulmonaire (étape 4.1) ; (4) Visualisation et examen détaillés de la zone locale contenant la lésion dominante (étape 5.2).
Modifications et dépannage
La segmentation des structures du tissu pulmonaire peut être affectée par le décalage du seuil de gris dans la séquence de balayage, ce qui peut entraîner une segmentation inexacte de l’image dans certains balayages. En cas de segmentation inexacte, un filtre séparé (répétition de l’étape 3) peut être conçu pour obtenir des contours précis du tissu pulmonaire. Le maintien de la plus grande précision dans la transformation isovoxel16,17 est crucial pour garantir l’utilisation précise des données. On s’attend à ce que ces étapes deviennent plus intelligentes et automatisées à l’avenir. Avec l’avancement des modèles d’imagerie médicale à grande échelle, l’identification précise des contours par la vision par ordinateur est également une orientation importante pour le développement futur11.
Limitations
La mise en œuvre simplifiée de l’extraction du contour du poumon peut entraîner des erreurs à la limite du contour 3D du poumon, ce qui peut affecter la visualisation des petits nodules près du bord du poumon. Cependant, l’impact de cette limitation est minime lors de la visualisation de la zone lésionnelle dominante en cas de nodules pulmonaires multiples.
Importance par rapport aux méthodes existantes
Par rapport aux approches de vision par ordinateur, cette méthode offre une représentation complète de la structure du tissu pulmonaire, y compris les relations entre les nodules pulmonaires multiples et le tissu pulmonaire, tout en évitant les problèmes de faux positifs et de faux négatifs. De plus, il filtre efficacement les interférences de signal provenant d’autres structures tissulaires, ce qui permet d’obtenir des diagnostics plus précis et plus précis avec un contraste et une clarté améliorés.
Applications futures
Cette méthode de visualisation 3D présente un potentiel considérable pour diverses applications cliniques, telles que la facilitation de la communication médecin-patient, la pose d’un diagnostic précis, la prise en charge d’une classification fondée sur des données probantes, l’aide à la planification du traitement et l’évaluation du pronostic. Il peut aider à la planification préopératoire, fournir une navigation peropératoire pour l’ablation chirurgicale de plusieurs nodules pulmonaires et surveiller les changements de taille et de forme des nodules au fil du temps pour évaluer l’efficacité du traitement. Dans l’ensemble, il a la capacité d’améliorer la prise de décision clinique dans le diagnostic et le traitement des nodules pulmonaires multiples.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Les auteurs n’ont aucun conflit d’intérêts à divulguer. L’outil logiciel pour la reconstruction du modèle de nodule pulmonaire, répertorié dans le tableau des matériaux de cette étude, est un logiciel commercial de Beijing Intelligent Entropy Science & Technology Co Ltd. Les droits de propriété intellectuelle de cet outil logiciel appartiennent à l’entreprise.
Acknowledgments
Cette publication a été soutenue par le cinquième programme national de recherche sur les talents cliniques d’excellence en médecine traditionnelle chinoise organisé par l’Administration nationale de la médecine traditionnelle chinoise. Le lien réseau officiel est 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).
