Summary
In dieser Studie wird eine dreidimensionale (3D) Rekonstruktionsmethode für die gesamte Lunge bei Patienten mit frühen multiplen Lungenknoten vorgestellt. Es bietet eine umfassende Visualisierung der Knötchenverteilung und ihres Zusammenspiels mit dem Lungengewebe und vereinfacht so die Beurteilung von Diagnose und Prognose für diese Patienten.
Abstract
Für Patienten mit frühen multiplen Lungenknoten ist es aus diagnostischer Sicht unerlässlich, die räumliche Verteilung, Größe, Lage und Beziehung dieser Knoten zum umgebenden Lungengewebe in der gesamten Lunge zu bestimmen. Dies ist entscheidend, um die primäre Läsion zu identifizieren und wissenschaftlich fundiertere Behandlungspläne für Ärzte zu entwickeln. Mustererkennungsverfahren, die auf maschinellem Sehen basieren, sind jedoch anfällig für falsch-positive und falsch-negative Ergebnisse und können daher die klinischen Anforderungen in dieser Hinsicht nicht vollständig erfüllen. Visualisierungsmethoden, die auf der Maximum-Intensitäts-Projektion (MIP) basieren, können lokale und individuelle Lungenknoten besser abbilden, aber es fehlt eine makroskopische und ganzheitliche Beschreibung der Verteilung und der räumlichen Merkmale mehrerer Lungenknoten.
Daher wird in dieser Studie eine 3D-Rekonstruktionsmethode für die gesamte Lunge vorgeschlagen. Es extrahiert die 3D-Kontur der Lunge mit medizinischer Bildverarbeitungstechnologie vor dem Hintergrund der gesamten Lunge und führt eine 3D-Rekonstruktion der Lunge, der Lungenarterie und mehrerer Lungenknoten im 3D-Raum durch. Mit dieser Methode lassen sich die räumliche Verteilung und die radiologischen Merkmale mehrerer Knoten in der gesamten Lunge umfassend darstellen und so die Diagnose und Prognose multipler Lungenknoten einfach und komfortabel beurteilen.
Introduction
Frühe multiple Lungenknoten, bei denen es sich um kleine, runde Wucherungen in der Lunge handelt, können gutartig oder bösartig sein 1,2,3. Obwohl solitäre Lungenknoten einfacher zu diagnostizieren und zu behandeln sind, stehen Patienten mit frühen multiplen Lungenknoten vor erheblichen diagnostischen und therapeutischen Herausforderungen. Um effektive Behandlungspläne zu entwickeln, ist es wichtig, die räumliche Verteilung, Größe, Lage und Beziehung dieser Knoten in der gesamten Lunge zum umgebenden Lungengewebe genau zu bestimmen 4,5. Herkömmliche diagnostische Methoden haben Einschränkungen bei der genauen Identifizierung früher multipler Lungenknoten.
Jüngste Fortschritte in der medizinischen Bildverarbeitungstechnologie und Algorithmen des maschinellen Lernens haben das Potenzial, die Genauigkeit und Effizienz der Früherkennung und Diagnose von Lungenknoten zu verbessern. Es wurden verschiedene Ansätze vorgeschlagen, wie z. B. Mustererkennungsverfahren, die auf maschinellem Sehen basieren, und Visualisierungsmethoden, die auf der Maximum-Intensitätsprojektion (MIP) basieren6,7,8,9,10. Diese Methoden leiden jedoch unter Einschränkungen wie falsch positiven, falsch negativen Ergebnissen 11,12,13,14,15 und dem Fehlen makroskopischer und ganzheitlicher Beschreibungen der Verteilung und der räumlichen Merkmale früher multipler Lungenknoten.
Um diese Einschränkungen zu beheben, schlägt diese Studie eine 3D-Rekonstruktionsmethode für die gesamte Lunge vor, die medizinische Bildverarbeitungstechnologie verwendet, um die 3D-Kontur der Lunge vor dem Hintergrund des gesamten Thoraxscans zu extrahieren. Die Methode führt dann eine 3D-Rekonstruktion der Lunge, der Lungenarterie und früher multipler Lungenknoten im 3D-Raum durch. Dieser Ansatz ermöglicht eine umfassendere und genauere Darstellung der räumlichen Verteilung und der radiologischen Merkmale früher multipler Knoten in der gesamten Lunge.
Die vorgeschlagene Methode umfasst mehrere wichtige Schritte. Zunächst werden die medizinischen Bilder in die 3D-Bildverarbeitungssoftware importiert und die Lungenregion mittels einer schwellenbasierten Segmentierungstechnik extrahiert. Anschließend wird die entnommene Lungenregion von der umgebenden Brustwand und den knöchernen Strukturen der Brustwirbel getrennt. Die frühen multiplen Lungenknoten und ihre Beziehung zu den umgebenden Blutgefäßen werden dann im 3D-Raum mit Hilfe von MIP-Algorithmen (Maximum Intensity Projection) rekonstruiert. Abschließend wird das rekonstruierte 3D-Modell der Lunge, der Lungenarterie und der Knoten zur weiteren Analyse angezeigt.
Diese Methode hat mehrere Vorteile gegenüber bestehenden Methoden. Im Gegensatz zu herkömmlichen Methoden, die auf 2D-Bildern basieren, nutzt diese Methode das 3D-Volumen, um eine genauere und umfassendere Darstellung früher multipler Lungenknoten zu ermöglichen. Die Methode überwindet auch die Einschränkungen von falsch positiven und falsch negativen Ergebnissen, die mit Mustererkennungsmethoden und MIP-Visualisierungsmethoden verbunden sind. Darüber hinaus liefert diese Methode eine makroskopische und ganzheitliche Beschreibung der Verteilung und der räumlichen Merkmale früher multipler Lungenknoten, die für die Entwicklung effektiver Behandlungspläne unerlässlich ist.
Die vorgeschlagene Methode hat mehrere potenzielle Anwendungen in der Diagnose und Behandlung von frühen multiplen Lungenknoten. Die genaue Identifizierung der räumlichen Verteilung und der radiologischen Merkmale früher multipler Knoten kann bei der frühzeitigen Diagnose und Behandlung von Lungenkrebs helfen. Darüber hinaus kann die Methode verwendet werden, um das Fortschreiten der Krankheit zu überwachen und die Wirksamkeit von Behandlungsplänen zu bewerten.
Mustererkennungsmethoden 6,7,8, die auf maschinellem Sehen basieren, haben sich bei der Identifizierung von Lungenknoten als vielversprechend erwiesen, leiden jedoch unter Einschränkungen wie falsch positiven und falsch negativen Ergebnissen. MIP-Visualisierungsmethoden hingegen liefern eine genauere Darstellung einzelner Knoten, aber es fehlt eine makroskopische und ganzheitliche Beschreibung der Verteilung und der räumlichen Merkmale früher multipler Knoten. Die vorgeschlagene 3D-Rekonstruktionsmethode für die gesamte Lunge überwindet diese Einschränkungen und bietet eine genauere und umfassendere Darstellung früher multipler Lungenknoten.
Die Isovoxel-Transformation16,17 bezieht sich auf den Prozess der Konvertierung von 3D-Bildern mit unterschiedlichen Voxelgrößen in 3D-Bilder mit einheitlichen Voxelgrößen. Im Bereich der medizinischen Bildverarbeitung bestehen 3D-Volumina häufig aus Voxeln unterschiedlicher Größe, was zu Rechen- und Visualisierungsproblemen führen kann. Der Zweck der Isovoxel-Transformation besteht darin, diese Probleme zu beheben, indem die Voxel im ursprünglichen 3D-Volumen neu abgetastet und interpoliert werden, was zu einem neuen 3D-Bild mit konsistenten Voxelgrößen führt. Diese Technik findet Anwendung in verschiedenen medizinischen Kontexten, einschließlich Bildregistrierung, Segmentierung und Visualisierung. Daher wurde in dieser Studie eine 3D-Rekonstruktionsmethode für die gesamte Lunge vorgeschlagen, die medizinische Bildverarbeitungstechnologie verwendet, um die 3D-Kontur der Lunge vor dem Hintergrund des gesamten Thoraxscans zu extrahieren. Die Methode ermöglicht eine genauere und umfassendere Darstellung der räumlichen Verteilung und der radiologischen Merkmale früher multipler Knoten in der gesamten Lunge. Diese Studie trägt dazu bei, genauere und effektivere Diagnose- und Behandlungsstrategien für Patienten mit frühen multiplen Lungenknoten zu entwickeln.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Für die vorliegende Studie wurde die ethische Freigabe von der Ethikkommission des Dongzhimen-Krankenhauses eingeholt, das der Pekinger Universität für Chinesische Medizin angegliedert ist (DZMEC-KY-2019.90). In diesem konkreten Fall wird der Forschungsansatz methodisch anhand eines Falles einer 65-jährigen Patientin mit multiplen Lungenknoten beschrieben. Diese Patientin gab eine informierte Einwilligung für ihre Diagnose durch digitale Modellierung und genehmigte die Verwendung ihrer Daten für wissenschaftliche Forschungszwecke. Die Modellrekonstruktionsfunktion wird von einem kommerziell erhältlichen Software-Tool abgeleitet (siehe Materialtabelle).
1. Datenaufbereitung und Isovoxel-Transformation
- DICOM (Digital Imaging and Communications in Medicine) Datenaufbereitung und Dateneigenschaften
HINWEIS: Die Variation der Parameter bleibt von der Forschungsmethodik relativ unberührt.- Kopieren Sie die DICOM-Daten des Patienten in ein definiertes Arbeitsverzeichnis.
- Untersuchen Sie mithilfe des Dateibrowsers jedes Dateiverzeichnis, um die Bildsequenz mit der höchsten Anzahl von Scanebenen für die Analyse zu identifizieren.
- Verwenden Sie die Dicominfo-Funktion in MATLAB, indem Sie DICOM-Dateien als Eingabeparameter bereitstellen. Auf diese Weise können Sie wichtige Parameter wie Schichtdicke und Pixelabstand direkt in der MATLAB-Umgebung extrahieren.
HINWEIS: Diese Parameter sind bei der Konfiguration der Anzeigerate für das 3D-Volumen von großer Bedeutung. Im Falle des in dieser Studie verwendeten Datensatzes betrug die Schichtdicke 1 mm, der Pixelabstand entsprach 0,7188 mm, und es wurden insgesamt 387 Schichten gescannt.
- Korrekte Sortierung der gescannten Daten
HINWEIS: Die Reihenfolge jedes Bildes sollte für die Volumenkonstruktion sortiert werden.- Rufen Sie die Positionsdaten für jedes Bild mithilfe der Dicominfo-Funktion ab. Greifen Sie auf die Standortinformationen zu, indem Sie auf Informationen verweisen. SliceLocation innerhalb des MATLAB-Arbeitsbereichs.
- Speichern Sie die Positionsdaten mithilfe der SliceLocation-Funktion in einer Variablen , und generieren Sie ein Diagramm dafür (Abbildung 1).
- Verbessern Sie das Diagramm, indem Sie mit der Schaltfläche Datentipps in der oberen rechten Ecke der GUI einen Datenpunkt hinzufügen. Dieser Datenpunkt sollte die maximale Position der normalen Sequenz markieren, die der obersten Position in der Bildgebung des Patienten entspricht (Abbildung 1).
- Organisieren Sie alle Bilder, indem Sie sie sortieren, und extrahieren Sie dann die Bilder von der ersten bis zur maximalen Position. Erreichen Sie dies, indem Sie die VolumeResort-Funktion aufrufen.
- Schützen Sie die Volume-Daten, die aus 512 x 512 x 340 Layern bestehen, vor den gültigen Bildern zusammen mit ihrem sortierten Index. Diese Informationen werden für die Zukunft wertvoll sein, insbesondere im Zusammenhang mit der Identifizierung wichtiger Knoten.
- Isovoxel-Transformation
HINWEIS: Die 3D-Isovoxel-Transformation ermöglicht die nachfolgende Verarbeitung, um den gleichen Anzeigemaßstab in allen Dimensionen beizubehalten.- Untersuchen Sie den dreidimensionalen Maßstab eines 3D-Volumens, der 512 Pixel x 512 Pixel x 340 Schichten beträgt, mit der Größenfunktion in Matlab.
- Um das 3D-Volumen (Abbildung 2) mit der Befehlsfunktion Slice_View anzuzeigen, zeichnen Sie den Sequenzscanbereich mit den Lungen von 60 bis 340 auf. Dann verwenden Sie einfach den Befehl V1=V0(:,:,60:340), um ein 3D-Volumen zu erhalten, das alle Daten der gesamten Lunge enthält. Die Größe von V1 beträgt 512 Pixel x 512 Pixel x 281 Ebenen.
- Verwenden Sie die MATLAB-Befehlsfunktion dicominfo , um die Schichtdicke der Bildsequenz zu erhalten, die 1 mm beträgt, und den Pixelabstand von 0,7188. Berechnen Sie die Anzahl der z-Achsen für die Isovoxel-Transformation mit dem Befehl: round (281 x 1/0.7188). Die Anzahl der Schichten für die Isovoxel-Transformation sollte 391 betragen.
- Verwenden Sie die Matlab-Befehlsfunktion imresize3 , um eine Isovoxel-Transformation auf V1 durchzuführen. Führen Sie das Skript mit dem Befehl V2=imresize3(V1, [512, 512, 391]) aus. Verwenden Sie dann die 3D_Slice_View-Funktion, um das isovoxeltransformierte 3D-Volumen anzuzeigen (Abbildung 3).
2. Beseitigung von Störgeräuschen, die durch Computertomographiegeräte (CT) verursacht werden
HINWEIS: In Abbildung 2 ist das hochintensive Signal sichtbar, das die Patientenliege des CT-Geräts darstellt, was die Bildsegmentierung beeinträchtigen kann. Um diese Interferenzen zu eliminieren, ist ein räumliches Filterdesign erforderlich.
- Verwenden Sie die Schaltfläche "Datentipps " in Abbildung 2 , um fortlaufende Datenpunkte innerhalb der interaktiven Benutzeroberfläche hinzuzufügen. Auf diese Weise kann eine Verbindungslinie zwischen diesen Punkten erstellt werden, die die Patientenliege effektiv ausschließt. Klicken Sie anschließend mit der rechten Maustaste auf die Datentipps und wählen Sie Cursordaten in Arbeitsbereich exportieren aus, um die Referenzgrenze für die räumliche Filterung in den MATLAB-Arbeitsbereich zu exportieren (Abbildung 3). Die Randstreumatrix wird in diesem Fall als "CI" bezeichnet.
- Rufen Sie die Noise_Clean-Funktion auf, um die räumliche Filterung auf V2 anzuwenden, indem Sie den Eingabeparameter "CI" aus dem Arbeitsbereich verwenden. Dieser Vorgang führt zu einem 3D-Volumen, das das Störsignal aus dem CT-Gerät entfernt. Verwenden Sie abschließend die Befehlsfunktion Slice_View , um das resultierende Volumen zu visualisieren, wie in Abbildung 4 dargestellt.
3. Extraktion der Lungenkontur
- Wählen Sie zunächst ein Segment aus, das als Vorlage in der in Abbildung 4 dargestellten GUI dienen soll. Wählen Sie z.B. das 232. Bild für den Bildsegmentierungsentwurf aus und weisen Sie es mit dem Befehl I=V2(:,:,232) einer Variablen 'I' zu. Öffnen Sie dann die grafische Benutzeroberfläche von MATLAB Image Segmenter, indem Sie den Befehl imageSegmenter(I) ausführen, wie in Abbildung 5 dargestellt.
- Abbildung 5 zeigt eine Reihe von Tools zur Bildsegmentierung. Wählen Sie zunächst in der Symbolleiste oben das Werkzeug Auto-Cluster aus und führen Sie den Befehl aus, indem Sie mit der linken Maustaste klicken. Das Bild wird automatisch in zwei Klassen eingeteilt. Angesichts des in Schritt 2.2 durchgeführten Entrauschungsprozesses wird die Bildsegmentierung in dieser Phase relativ einfach.
- Klicken Sie anschließend auf die Schaltfläche Binärdatei anzeigen in der oberen rechten Ecke, um das Bild in Schwarz-Weiß-Binärdatei anzuzeigen. Zu diesem Zeitpunkt erscheint die Lungenregion schwarz. Um die Lungenregion weiß zu machen, wählen Sie in der oberen Symbolleiste die Schaltfläche Maske umkehren und führen Sie den Befehl aus, indem Sie mit der linken Maustaste klicken.
- Um die weiße Farbe außerhalb des Lungenbereichs zu eliminieren, wählen Sie die Schaltfläche Ränder löschen in der oberen Symbolleiste und führen Sie sie aus, indem Sie mit der linken Maustaste klicken. Nach diesem Schritt bleibt nur noch der weiß gefärbte Lungenbereich übrig. Zu diesem Zeitpunkt verbleibende schwarze Schatten im Lungenbereich müssen jedoch aufgefüllt werden. Um dies zu erreichen, wählen Sie in der Symbolleiste die Schaltfläche Löcher füllen aus, und das Ergebnis nach dem Klicken auf die Schaltfläche wird in Abbildung 6 angezeigt.
- Alle Schritte, die an der Segmentierung des Lungenbildes beteiligt sind, sind in der GUI von Abbildung 6 in der unteren linken Ecke dargestellt. Wenn Sie auf die Schaltfläche Exportieren in der oberen rechten Ecke klicken, speichern Sie diese automatisierten Schritte als Funktion für die Stapelverarbeitung der Lungenregionensegmentierung. Klicken Sie im Popup-Skript-Editor auf die Schaltfläche Speichern , um die Funktion im aktuellen Arbeitsverzeichnis zu speichern.
4. .3D Rekonstruktion für die gesamte Lunge mit multiplen Lungenknoten
HINWEIS: Das Aufnehmen des Punktprodukts des Lungensegmentierungsbildes jedes Bildes mit dem Originalbild entspricht der Durchführung einer räumlichen 3D-Filterung des Volumens, der effektiven Filterung von Interferenzsignalen außerhalb der Lunge und der Ermittlung der 3D-Struktur der Lunge.
- Initiieren Sie die 3Dlung_Volume Funktion innerhalb des MATLAB-Arbeitsbereichs.
HINWEIS: Diese Funktion führt die Bildsegmentierung für jedes Bild anhand der Ausgabe aus Schritt 3.5 durch. Anschließend wird eine Punktproduktoperation zwischen der binären Lungenmaske und dem Originalbild durchgeführt, um ein neues 3D-Volumen zu erzeugen, das ausschließlich Lungengewebe enthält. In der GUI (Abbildung 7), die nach Abschluss der Funktion angezeigt wird, kann man MIP-Operationen (Maximum Intensity Projection) für das gesamte 3D-Lungenvolumen visualisieren und durchführen. - In der GUI finden Sie das erste Dropdown-Menü in der oberen rechten Ecke. Wählen Sie MIP-Projektion aus, und wählen Sie dann die Jet-Colormap aus den Optionen für integrierte Colormaps unten aus. Wählen Sie als Nächstes im Dropdown-Menü in der oberen rechten Ecke der vierten Ansicht (3D-Volumenansicht) die Option Maximieren aus. Diese Aktion ergibt ein 3D-Volumen der gesamten Lunge (Abbildung 8), das aus jedem Winkel beobachtet, bewegt und nach Bedarf manipuliert werden kann.
HINWEIS: In der in Abbildung 8 dargestellten Sektion Mensch-Computer-Interaktion kann man den Betrachtungswinkel frei einstellen, indem man die linke Maustaste gedrückt hält und bewegt. Durch Scrollen mit der mittleren Maustaste kann man hinein- oder herauszoomen. - Verwenden Sie für erweiterte Kontrast- und Farbverbesserungsvorgänge das Bedienfeld auf der rechten Seite der GUI.
5. Fokus auf die Untersuchung dominanter Lungenknoten
HINWEIS: Im 3D-Raum (Abbildung 8) wird der dominante Läsionsbereich unter mehreren Lungenknoten deutlich sichtbar. Die Anzahl, Größe und Konzentration dieser Knötchen sind entscheidende Merkmale der dominanten Läsion und bieten wertvolle Einblicke in die Beurteilung der Krankheit.
- Rufen Sie erneut die Slice_View Funktion auf, aber geben Sie dieses Mal das gesamte 3D-Volumen der Lunge ein, das Sie in Schritt 4.2 erhalten haben. Verwenden Sie in der resultierenden GUI (Abbildung 9) die untere Bildlaufleiste, um zu der Region zu navigieren, in der sich die dominanten Lungenknoten befinden, und erstrecken Sie sich über die Scans 48 bis 70.
- Rufen Sie die Funktion 3Dlung_Horizon auf, um eine 3D-Rekonstruktion der Region of Interest (ROI) durchzuführen, die die Abschnitte 48 bis 70 aus dem gesamten 3D-Volumen der Lunge umfasst. Durch diese Aktion wird eine GUI-Schnittstelle generiert, die auf die Visualisierung von Lungenknoten zugeschnitten ist, wie in Abbildung 10 dargestellt. Innerhalb dieser GUI kann man die detaillierten Merkmale der Läsion aus verschiedenen Blickwinkeln untersuchen.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
In der Phase der Datenvorverarbeitung sollte die Sortierung der DICOM-Daten der erste Schritt sein (Abbildung 1), um die richtige Scansequenz für jede Schicht während der 3D-Rekonstruktion sicherzustellen. Als nächstes wird eine isotrope Transformation durchgeführt, um das richtige Seitenverhältnis des 3D-Volumens sicherzustellen (Abbildung 2). Anschließend wird eine räumliche Filterung auf das ursprüngliche 3D-Volumen angewendet (Abbildung 3), um Störsignale von der Patientenliege des CT-Geräts zu eliminieren (Abbildung 4). Um die 3D-Kontur der gesamten Lunge zu erhalten, wird bei jedem Scan eine Bildsegmentierung durchgeführt (Abbildung 5), um ein binäres Lungenbild zu erstellen (Abbildung 6). Basierend auf der 3D-Kontur der Lunge wird das gesamte 3D-Volumen der Lunge rekonstruiert (Abbildung 7) und in 3D visualisiert (Abbildung 8). Für den dominanten Läsionsbereich (Abbildung 9) kann eine separate 3D-Visualisierung (Abbildung 10) durchgeführt werden, um die detaillierten Merkmale der Läsion sorgfältig zu identifizieren.
Die Isovoxel-Transformation stellt sicher, dass bei der anschließenden Verarbeitung in allen Dimensionen der gleiche Maßstab beibehalten wird. Abbildung 2 zeigt die Slice-Ansicht nach der Isovoxel-Transformation. In dieser grafischen Benutzeroberfläche (GUI) kann man die kompletten 3D-Rohvolumendaten anzeigen.
Abbildung 3 und Abbildung 4 zeigen den räumlichen Filterprozess, der verwendet wird, um Bettsignalstörungen aus dem CT-Gerät zu entfernen. Ohne diese können Bilder mit verrauschten Signalen die Segmentierung von Lungenstrukturen in den nachfolgenden Schritten nicht abschließen.
Abbildung 5 und Abbildung 6 veranschaulichen die Funktion der Lungenkonturextraktion, die automatisch Lungenkonturen extrahieren kann und damit die Grundvoraussetzungen für die anschließende 3D-Rekonstruktion von Lungenstrukturen schafft.
Abbildung 7 und Abbildung 8 zeigen die 3D-Rekonstruktion der gesamten Lunge und zeigen die räumliche Verteilung von Lungengewebe und mehreren Lungenknoten. Durch die Eliminierung von Signalstörungen aus Geweben außerhalb der Lunge können die räumliche Lage, Größe und Konzentration mehrerer Lungenknoten genau dargestellt werden.
Abbildung 9 und Abbildung 10 zeigen die 3D-Visualisierung der dominanten Lungenknoten von Interesse. Durch den Ausschluss von Signalstörungen von außerhalb der Lunge wird der Kontrast der Bilder verbessert. Die Möglichkeit, die 3D-Struktur aus jedem Blickwinkel zu betrachten, ermöglicht es Ärzten, genauere Urteile über die Läsionsmerkmale der dominanten Lungenknoten zu fällen.
Abbildung 1: Positionsdiagramm von Bildern. Das Diagramm zeigt den Speicherort von Bildern basierend auf ihrer Dateinamensequenz an. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 2: GUI für die 3D-Volumen-Slice-Ansicht. Grafische Benutzeroberfläche (GUI) zum Anzeigen von Slices des 3D-Volumens nach der Isovoxel-Transformation. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 3: Referenz-Randstreumatrix. Die Matrix, die die Streuung der Referenzgrenzen für die räumliche Filterung darstellt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 4: 3D-Volumenschnittansicht nach räumlicher Filterung. Ansicht von Schnitten aus dem 3D-Volumen nach Anwendung der räumlichen Filterung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 5: grafische Benutzeroberfläche des Bildsegmenters. Grafische Benutzeroberfläche (GUI) des Bildsegmentier-Werkzeugs. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 6: Ergebnis der Schattenfüllung im Lungenbereich. Das resultierende Bild nach dem Füllen von schwarzen Schatten im Lungenbereich mit der Schaltfläche "Löcher füllen". Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 7: 3D-Lungenrekonstruktion mit multiplen Lungenknoten. 3D-Rekonstruktion der gesamten Lunge mit frühen multiplen Lungenknoten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 8: Interaktive GUI für die 3D-Anzeige des Lungenvolumens. Interaktive grafische Benutzeroberfläche (GUI) zur Anzeige und Manipulation des gesamten 3D-Lungenvolumens. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 9: Schnittansicht für die Navigation im dominanten Bereich des Lungenknotens. Schnittansicht zur Navigation in der Region mit dominanten Lungenknoten innerhalb des gesamten 3D-Lungenvolumens. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 10: 3D-Visualisierung des dominanten Lungenknotens. Dreidimensionale Darstellung des dominanten Lungenknotens innerhalb des Lungenvolumens. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Diese Forschung stellt einen einzigartigen Ansatz zur Erstellung einer vollständigen dreidimensionalen (3D) Rekonstruktion der gesamten Lunge vor, bei dem fortschrittliche medizinische Bildverarbeitungstechniken eingesetzt werden, um die 3D-Form der Lunge im Kontext eines vollständigen Thoraxscans zu beschreiben. Diese Technik ermöglicht eine präzisere und gründlichere Darstellung der räumlichen Anordnung und der radiologischen Eigenschaften früher multipler Knoten in der gesamten Lunge. Diese Studie leistet einen wertvollen Beitrag, um die Genauigkeit und Wirksamkeit von Diagnose- und Behandlungsstrategien für Patienten mit frühen multiplen Lungenknoten zu verbessern.
Kritische Schritte
In dieser Studie wurden mehrere kritische Schritte als wesentlich für den Erfolg des Protokolls identifiziert: (1) Sortieren und Anordnen von DICOM-Scansequenzkoordinaten, um ein genaues 3D-Volumen des Lungenscans zu generieren (Schritt 1.2.2); (2) Isotrope Transformation, um das richtige Seitenverhältnis des 3D-Volumens zu gewährleisten, was für die anschließende 3D-Rekonstruktion entscheidend ist (Schritt 1.3.4); (3) Rekonstruktion der gesamten Lunge unter Verwendung eines frühen multiplen Lungenknotenmodells, das die Identifizierung des dominanten Lungenknotenbereichs ermöglicht (Schritt 4.1); (4) Detaillierte Visualisierung und Untersuchung des lokalen Bereichs, in dem sich die dominante Läsion befindet (Schritt 5.2).
Modifikationen und Fehlerbehebung
Die Segmentierung von Lungengewebestrukturen kann durch den Graustufen-Schwellenversatz in der Scansequenz beeinflusst werden, was bei einigen Scans zu einer ungenauen Bildsegmentierung führen kann. Bei ungenauer Segmentierung kann ein separater Filter (Wiederholung von Schritt 3) entworfen werden, um präzise Lungengewebekonturen zu erhalten. Die Aufrechterhaltung höchster Präzision bei der Isovoxeltransformation16,17 ist entscheidend, um die genaue Nutzung der Daten zu gewährleisten. Es wird erwartet, dass diese Schritte in Zukunft intelligenter und automatisierter werden. Mit der Weiterentwicklung großflächiger medizinischer Bildgebungsmodelle ist die präzise Konturerkennung durch Computer Vision auch eine wichtige Richtung für die zukünftige Entwicklung11.
Begrenzungen
Eine vereinfachte Implementierung der Lungenkonturextraktion kann zu Fehlern an der Grenze der 3D-Kontur der Lunge führen, die möglicherweise die Visualisierung kleiner Knoten in der Nähe des Lungenrandes beeinträchtigen. Die Auswirkungen dieser Einschränkung sind jedoch minimal, wenn der dominante Läsionsbereich bei multiplen Lungenknoten visualisiert wird.
Bedeutung in Bezug auf bestehende Methoden
Im Vergleich zu Computer-Vision-Ansätzen bietet diese Methode eine umfassende Darstellung der Lungengewebestruktur, einschließlich der Beziehungen zwischen mehreren Lungenknoten und Lungengewebe, und vermeidet gleichzeitig die Probleme von falsch positiven und falsch negativen Ergebnissen. Darüber hinaus filtert es effektiv Signalstörungen von anderen Gewebestrukturen heraus, was zu präziseren und genaueren Diagnosen mit verbessertem Kontrast und Klarheit führt.
Zukünftige Anwendungen
Diese 3D-Visualisierungsmethode birgt ein erhebliches Potenzial für verschiedene klinische Anwendungen, wie z. B. die Erleichterung der Arzt-Patienten-Kommunikation, die Ermöglichung präziser Diagnosen, die Unterstützung einer datengesteuerten evidenzbasierten Klassifikation, die Unterstützung bei der Behandlungsplanung und die Bewertung der Prognose. Es kann bei der präoperativen Planung helfen, die intraoperative Navigation für die chirurgische Entfernung mehrerer Lungenknoten ermöglichen und Veränderungen der Knotengröße und -form im Laufe der Zeit überwachen, um die Wirksamkeit der Behandlung zu beurteilen. Insgesamt ist es in der Lage, die klinische Entscheidungsfindung bei der Diagnose und Behandlung multipler Lungenknoten zu verbessern.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Die Autoren haben keine Interessenkonflikte offenzulegen. Das Software-Tool zur Rekonstruktion von Lungenknotenmodellen, das in der Materialtabelle dieser Studie aufgeführt ist, ist eine kommerzielle Software von Beijing Intelligent Entropy Science & Technology Co Ltd. Die geistigen Eigentumsrechte an diesem Software-Tool gehören dem Unternehmen.
Acknowledgments
Diese Veröffentlichung wurde durch das fünfte nationale Forschungsprogramm für klinische exzellente Talente der Traditionellen Chinesischen Medizin unterstützt, das von der Nationalen Verwaltung für Traditionelle Chinesische Medizin organisiert wurde. Die offizielle Netzwerkverbindung ist 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).
