Summary
מחקר זה מציג שיטת שחזור תלת מימדית (3D) עבור הריאה כולה בחולים עם גושים ריאתיים מרובים מוקדמים. הוא מציע הדמיה מקיפה של התפלגות הגושים ואת יחסי הגומלין שלהם עם רקמת הריאה, מפשט את הערכת האבחנה והפרוגנוזה עבור חולים אלה.
Abstract
עבור חולים עם גושים ריאתיים מרובים מוקדמים, זה חיוני, מנקודת מבט אבחנתית, כדי לקבוע את הפיזור המרחבי, גודל, מיקום, והקשר עם רקמת הריאה שמסביב של גושים אלה לאורך הריאה כולה. זה חיוני לזיהוי הנגע הראשוני ולפיתוח תוכניות טיפול מבוססות מדעית יותר לרופאים. עם זאת, שיטות זיהוי תבניות המבוססות על ראיית מכונה רגישות לתוצאות חיוביות שגויות ושליליות שגויות, ולכן אינן יכולות לעמוד באופן מלא בדרישות הקליניות בהקשר זה. שיטות הדמיה המבוססות על הקרנה בעוצמה מרבית (MIP) יכולות להמחיש טוב יותר גושים ריאתיים מקומיים ובודדים, אך חסרות תיאור מקרוסקופי והוליסטי של ההתפלגות והתכונות המרחביות של גושים ריאתיים מרובים.
לכן, מחקר זה מציע שיטת שחזור תלת ממדית של כל הריאות. הוא מחלץ את קווי המתאר התלת-ממדיים של הריאה באמצעות טכנולוגיית עיבוד תמונה רפואית על רקע הריאה כולה ומבצע שחזור תלת-ממדי של הריאה, עורק הריאה וקשריות ריאה מרובות בחלל תלת-ממדי. שיטה זו יכולה לתאר באופן מקיף את ההתפלגות המרחבית והתכונות הרדיולוגיות של גושים מרובים ברחבי הריאה כולה, ולספק אמצעי פשוט ונוח להערכת האבחנה והפרוגנוזה של גושים ריאתיים מרובים.
Introduction
גושים ריאתיים מרובים מוקדמים, שהם גידולים קטנים ועגולים על הריאה, יכולים להיות שפירים או ממאירים 1,2,3. למרות שגושים ריאתיים בודדים קלים יותר לאבחון ולטיפול, חולים עם גושים ריאתיים מרובים מוקדמים מתמודדים עם אתגרי אבחון וטיפול משמעותיים. כדי לפתח תוכניות טיפול יעילות, חיוני לזהות במדויק את הפיזור המרחבי, הגודל, המיקום והקשר עם רקמת הריאה הסובבת גושים אלה לאורך כל הריאה 4,5. לשיטות אבחון מסורתיות יש מגבלות בזיהוי מדויק של גושים ריאתיים מרובים מוקדמים.
להתקדמות האחרונה בטכנולוגיית עיבוד תמונה רפואית ואלגוריתמים של למידת מכונה יש פוטנציאל לשפר את הדיוק והיעילות של זיהוי ואבחון מוקדם של קשריות ריאתיות. הוצעו גישות שונות, כגון שיטות זיהוי תבניות המבוססות על ראיית מכונה ושיטות ויזואליזציה המבוססות על הקרנה בעוצמה מרבית (MIP)6,7,8,9,10. עם זאת, שיטות אלה סובלות ממגבלות כגון תוצאות חיוביות שגויות, שליליות שגויות 11,12,13,14,15, והיעדר תיאורים מקרוסקופיים והוליסטיים של ההתפלגות והתכונות המרחביות של גושים ריאתיים מרובים מוקדמים.
כדי להתמודד עם מגבלות אלה, מחקר זה מציע שיטת שחזור תלת-ממדית של כל הריאה המשתמשת בטכנולוגיית עיבוד תמונה רפואית כדי לחלץ את קווי המתאר התלת-ממדיים של הריאה על רקע סריקת החזה כולה. לאחר מכן השיטה מבצעת שחזור תלת ממדי של הריאה, עורק הריאה וגושים ריאתיים מרובים מוקדמים בחלל תלת ממדי. גישה זו מאפשרת ייצוג מקיף ומדויק יותר של הפיזור המרחבי והתכונות הרדיולוגיות של גושים מרובים מוקדמים ברחבי הריאה כולה.
השיטה המוצעת כוללת מספר שלבים מרכזיים. ראשית, התמונות הרפואיות מיובאות לתוכנת עיבוד התמונה התלת-ממדית, ואזור הריאה מופק באמצעות טכניקת סגמנטציה מבוססת סף. לאחר מכן, אזור הריאה שחולץ מופרד מקיר החזה שמסביב ומהמבנים הגרמיים של חוליות בית החזה. הגושים הריאתיים המרובים המוקדמים והקשר שלהם עם כלי הדם הסובבים אותם משוחזרים לאחר מכן במרחב תלת-ממדי באמצעות אלגוריתמים של הקרנה בעוצמה מרבית (MIP). לבסוף, המודל התלת-ממדי המשוחזר של הריאה, עורק הריאה והגושים מוצג לניתוח נוסף.
לשיטה זו מספר יתרונות על פני השיטות הקיימות. בניגוד לשיטות מסורתיות המסתמכות על תמונות דו-ממדיות, שיטה זו משתמשת בנפח תלת-ממדי כדי לספק ייצוג מדויק ומקיף יותר של גושים ריאתיים מרובים מוקדמים. השיטה גם מתגברת על המגבלות של תוצאות חיוביות שגויות ושליליות שגויות הקשורות לשיטות זיהוי תבניות ושיטות תצוגה חזותית של MIP. יתר על כן, שיטה זו מספקת תיאור מקרוסקופי והוליסטי של הפיזור והתכונות המרחביות של גושים ריאתיים מרובים מוקדמים, החיוניים לפיתוח תוכניות טיפול יעילות.
לשיטה המוצעת מספר יישומים פוטנציאליים באבחון וטיפול בגושים ריאתיים מרובים מוקדמים. זיהוי מדויק של ההתפלגות המרחבית והמאפיינים הרדיולוגיים של גושים מרובים מוקדמים יכול לסייע באבחון מוקדם וטיפול בסרטן ריאות. יתר על כן, השיטה יכולה לשמש כדי לעקוב אחר התקדמות המחלה ולהעריך את היעילות של תוכניות הטיפול.
שיטות זיהוי תבניות 6,7,8 המבוססות על ראיית מכונה הראו הבטחה בזיהוי גושים ריאתיים, אך סובלות ממגבלות כגון תוצאות חיוביות שגויות ושליליות שגויות. שיטות הדמיית MIP, לעומת זאת, מספקות ייצוג מדויק יותר של גושים בודדים, אך חסרות תיאור מקרוסקופי והוליסטי של ההתפלגות והתכונות המרחביות של גושים מרובים מוקדמים. שיטת השחזור התלת-ממדית המוצעת של כל הריאה מתגברת על מגבלות אלה ומספקת ייצוג מדויק ומקיף יותר של גושים ריאתיים מרובים מוקדמים.
טרנספורמציית Isovoxel16,17 מתייחסת לתהליך של המרת תמונות תלת-ממדיות עם גדלי ווקסל שונים לתמונות תלת-ממדיות עם גדלי ווקסל אחידים. בתחום עיבוד התמונה הרפואית, נפחים תלת-ממדיים מורכבים לעתים קרובות מווקסלים בגדלים שונים, מה שעלול להוביל לבעיות חישוביות והדמיה. מטרת טרנספורמציית איזובוקסל היא לטפל בבעיות אלה על ידי דגימה מחדש ואינטרפולציה של הווקסלים בנפח התלת-ממדי המקורי, וכתוצאה מכך תמונה תלת-ממדית חדשה עם גדלי ווקסל עקביים. טכניקה זו מוצאת יישומים בהקשרים רפואיים שונים, כולל רישום תמונה, סגמנטציה והדמיה. לפיכך, מחקר זה הציע שיטת שחזור תלת-ממדית של כל הריאה המשתמשת בטכנולוגיית עיבוד תמונה רפואית כדי לחלץ את קווי המתאר התלת-ממדיים של הריאה על רקע סריקת החזה כולה. השיטה מספקת ייצוג מדויק ומקיף יותר של הפיזור המרחבי והתכונות הרדיולוגיות של גושים מרובים מוקדמים ברחבי הריאה כולה. מחקר זה תורם לפיתוח אסטרטגיות אבחון וטיפול מדויקות ויעילות יותר עבור חולים עם גושים ריאתיים מרובים מוקדמים.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
לצורך המחקר הנוכחי התקבל אישור אתי מוועדת האתיקה של בית החולים דונגג'ימן, המסונף לאוניברסיטת בייג'ינג לרפואה סינית (DZMEC-KY-2019.90). במקרה ספציפי זה, ניתן תיאור שיטתי של גישת המחקר, המתאר מקרה של מטופלת בת 65 עם גושים ריאתיים מרובים. מטופלת זו נתנה הסכמה מדעת לאבחנה שלה באמצעות מודלים דיגיטליים ואישרה את השימוש בנתונים שלה למטרות מחקר מדעי. פונקציית שחזור המודל נגזרת מכלי תוכנה זמין מסחרית (ראה טבלת חומרים).
1. הכנת נתונים וטרנספורמציה איזובוקסל
- DICOM (Digital Imaging and Communications in Medicine) הכנת נתונים ומאפייני נתונים
הערה: השונות בפרמטרים עדיין אינה מושפעת באופן יחסי ממתודולוגיית המחקר.- העתק את נתוני DICOM של המטופל לספריית עבודה מוגדרת.
- בעזרת דפדפן הקבצים, בדקו כל ספריית קבצים כדי לזהות את רצף התמונות עם המספר הגבוה ביותר של שכבות סריקה לניתוח.
- השתמש בפונקציה Dicominfo בתוך MATLAB על-ידי אספקת קובצי DICOM כפרמטרי קלט. הדבר יאפשר לכם לחלץ פרמטרים חיוניים, כגון עובי פרוסה וריווח פיקסלים, ישירות בסביבת MATLAB.
הערה: לפרמטרים אלה חשיבות רבה בהגדרת קצב התצוגה עבור אמצעי האחסון התלת-ממדיים. במקרה של מערך הנתונים ששימש במחקר זה, עובי הפרוסה נמדד 1 מ"מ, מרווח הפיקסלים השווה ל- 0.7188 מ"מ, ובסך הכל נסרקו 387 שכבות.
- מיון נכון של נתונים סרוקים
הערה: יש למיין את הרצף של כל תמונה לבניית נפח.- אחזר את נתוני המיקום של כל תמונה באמצעות הפונקציה Dicominfo . גש למידע המיקום על-ידי הפניה למידע. SliceLocation בסביבת העבודה של MATLAB.
- שמרו את נתוני המיקום במשתנה בעזרת הפונקציה SliceLocation וצרו עבורו תרשים (איור 1).
- שפר את ההתוויה על-ידי הוספת נקודת נתונים אליה באמצעות לחצן תיאורי נתונים הממוקם בפינה השמאלית העליונה של ממשק המשתמש הגרפי. נקודת נתונים זו אמורה לסמן את המיקום המרבי של הרצף הנורמלי, המתאים למיקום העליון ביותר בהדמיה של המטופל (איור 1).
- ארגן את כל התמונות על ידי מיונן ולאחר מכן חלץ את התמונות החל מהמיקום הראשון ועד למיקום המרבי. השג זאת על-ידי הפעלת הפונקציה VolumeResort .
- הגן על נתוני עוצמת הקול, הכוללים 512 פיקסלים על 512 פיקסלים על 340 שכבות, מהתמונות החוקיות יחד עם האינדקס הממוין שלהן. מידע זה יהיה בעל ערך להתייחסות עתידית, במיוחד בהקשר של זיהוי גושים חשובים.
- טרנספורמציית איזובוקסל
הערה: טרנספורמציית איזובוקסל תלת-ממדית מאפשרת עיבוד עוקב כדי לשמור על אותו קנה מידה של תצוגה בכל הממדים.- בחנו את קנה המידה התלת-ממדי של אמצעי אחסון תלת-ממדי, שהוא 512 פיקסלים x 512 פיקסלים x 340 שכבות, באמצעות פונקציית הגודל ב-Matlab.
- כדי להציג את עוצמת הקול התלת-ממדית (איור 2) באמצעות פונקציית הפקודה Slice_View , רשום את טווח סריקת הרצף המכיל את הריאות מ-60 עד 340. לאחר מכן, פשוט השתמש בפקודה V1=V0(:,:,60:340) כדי לקבל נפח תלת-ממדי המכיל את כל הנתונים של הריאה כולה. גודל V1 הוא 512 פיקסלים x 512 פיקסלים x 281 שכבות.
- השתמשו בפונקציית הפקודה MATLAB dicominfo לקבלת עובי הפרוסה של רצף התמונות, שהוא 1 מ"מ, והמרווח בין הפיקסלים הוא 0.7188. חשב את מספר צירי z עבור טרנספורמציית isovoxel עם הפקודה: עגול (281 x 1/0.7188). מספר השכבות עבור טרנספורמציית isovoxel צריך להיות 391.
- השתמש בפונקציית הפקודה Matlab imresize3 כדי לבצע טרנספורמציה של isovoxel ב- V1. הפעל את קובץ ה- Script באמצעות הפקודה V2=imresize3(V1, [512, 512, 391]). לאחר מכן השתמשו בפונקציה 3D_Slice_View כדי להציג את האיזובוקסל שעבר טרנספורמציה תלת-ממדית (איור 3).
2. הסרת הפרעות רעש הנגרמות על ידי ציוד טומוגרפיה ממוחשבת (CT)
הערה: באיור 2 ניתן לראות את האות בעוצמה גבוהה המייצג את ספת המטופל של מכשיר ה-CT, מה שיכול להפריע לסגמנטציה של התמונה. כדי למנוע הפרעה זו, נדרש תכנון מסנן מרחבי.
- השתמש בלחצן תיאורי נתונים באיור 2 כדי להוסיף נקודות נתונים רציפות בתוך הממשק האינטראקטיבי. זה יאפשר ליצור קו המחבר בין נקודות אלה, למעשה למעט ספת המטופל. לאחר מכן, לחצו לחיצה ימנית על תיאורי הנתונים ובחרו 'ייצוא נתוני סמן לסביבת עבודה' כדי לייצא את גבול ההפניה לסינון מרחבי לסביבת העבודה של MATLAB (איור 3). מטריצת פיזור הגבול במקרה זה נקראת 'CI'.
- הפעל את הפונקציה Noise_Clean כדי להחיל סינון מרחבי על V2, באמצעות פרמטר הקלט 'CI' מסביבת העבודה. פעולה זו תניב אמצעי אחסון תלת-ממדי המסיר את אות ההפרעה מציוד ה-CT. לבסוף, השתמש בפונקציית הפקודה Slice_View כדי להמחיש את אמצעי האחסון המתקבל, כפי שמודגם באיור 4.
3. מיצוי מיתאר הריאה
- התחילו בבחירת פרוסה שתשמש כתבנית בתוך ממשק המשתמש הגרפי המוצג באיור 4. לדוגמה, בחרו בתמונה ה-232 לעיצוב פילוח התמונה והקצו אותה למשתנה 'I' באמצעות הפקודה I=V2(:,:,232). לאחר מכן, פתח את ממשק המשתמש הגרפי MATLAB Image Segmenter על-ידי הפעלת הפקודה imageSegmenter(I), כמתואר באיור 5.
- איור 5 מציג מערך של כלי פילוח תמונות. כדי להתחיל, בחר בכלי אשכולות אוטומטי מסרגל הכלים בחלק העליון ובצע את הפקודה על-ידי לחיצה על לחצן העכבר השמאלי. התמונה תחולק אוטומטית לשתי כיתות. בהינתן תהליך הזיהוי המבוצע בשלב 2.2, פילוח התמונה בשלב זה הופך להיות פשוט יחסית.
- לאחר מכן, לחץ על הצג בינארי כפתור בפינה השמאלית העליונה כדי להציג את התמונה בשחור לבן בינארי . בשלב זה, אזור הריאה ייראה שחור. כדי להפוך את אזור הריאה ללבן, בחר בלחצן הפוך מסיכה מסרגל הכלים העליון ובצע את הפקודה על-ידי לחיצה על לחצן העכבר השמאלי.
- כדי לבטל את הצבע הלבן מחוץ לאזור הריאות, בחר בלחצן נקה גבולות בסרגל הכלים העליון והפעל אותו על-ידי לחיצה עם לחצן העכבר השמאלי. לאחר שלב זה, רק אזור הריאה בצבע לבן יישאר. עם זאת, כל הצללים השחורים שנותרו באזור הריאה בשלב זה צריכים להיות מלאים. כדי להשיג זאת, בחר בלחצן חורי מילוי בסרגל הכלים, והתוצאה לאחר לחיצה על הלחצן מוצגת באיור 6.
- כל השלבים המעורבים בפילוח תמונות ריאות מוצגים בממשק המשתמש הגרפי של איור 6 בפינה השמאלית התחתונה. על ידי לחיצה על יצוא כפתור בפינה השמאלית העליונה, שמור את השלבים האוטומטיים האלה כפונקציה לעיבוד אצווה של אזור ריאות. בחלון הנפתח Script Editor, לחץ על הלחצן Save כדי לשמור את הפונקציה בספריית העבודה הנוכחית.
4.3D שחזור הריאה כולה עם גושים ריאתיים מרובים
הערה: לקיחת מכפלת הנקודות של תמונת פילוח הריאות של כל תמונה עם התמונה המקורית שקולה לביצוע סינון מרחבי תלת-ממדי על עוצמת הקול, סינון יעיל של אותות הפרעה מחוץ לריאות וקבלת המבנה התלת-ממדי של הריאות.
- הפעילו את פונקציית 3Dlung_Volume בסביבת העבודה של MATLAB.
הערה: פונקציה זו מבצעת פילוח תמונה בכל תמונה באמצעות הפלט משלב 3.5. לאחר מכן הוא מבצע פעולת מוצר נקודה בין מסיכת הריאה הבינארית לבין התמונה המקורית כדי ליצור נפח תלת-ממדי חדש המכיל באופן בלעדי רקמת ריאה. בממשק המשתמש הגרפי (איור 7) שמופיע לאחר השלמת הפונקציה, ניתן לדמיין ולבצע פעולות הקרנה בעוצמה מרבית (MIP) על כל נפח הריאה התלת-ממדי. - בתוך ממשק המשתמש הגרפי, מצא את התפריט הנפתח הראשון בפינה השמאלית העליונה. בחר MIP Projection ולאחר מכן בחר את מפת הצבעים של סילון מתוך האפשרויות מוכללות Colormaps להלן. לאחר מכן, בתפריט הנפתח הממוקם בפינה השמאלית העליונה של התצוגה הרביעית (תצוגת עוצמת קול תלת מימדית), בחר הגדל. פעולה זו תניב נפח תלת-ממדי שלם של הריאה (איור 8) שניתן לצפות בו מכל זווית, להזיז ולתפעל אותו לפי הצורך.
הערה: באזור האינטראקציה בין אדם למחשב המתואר באיור 8, ניתן לכוונן את זווית הצפייה באופן חופשי על-ידי לחיצה ממושכת על לחצן העכבר השמאלי והזזתו. גלילה בלחצן העכבר האמצעי מאפשרת להגדיל או להקטין את התצוגה. - לפעולות מתקדמות של ניגודיות ושיפור צבע, השתמש בלוח הבקרה בצד ימין של ממשק המשתמש הגרפי.
5. התמקדו בבדיקת גושים ריאתיים דומיננטיים
הערה: במרחב תלת-ממדי (איור 8), אזור הנגע הדומיננטי בין גושים ריאתיים מרובים נראה באופן ברור. מספרם, גודלם וריכוזם של גושים אלה הם מאפיינים קריטיים של הנגע הדומיננטי, ומציעים תובנות חשובות לגבי הערכת המחלה.
- שוב, להפעיל את הפונקציה Slice_View , אבל הפעם קלט את כל נפח 3D של הריאה המתקבל בשלב 4.2. בתוך ממשק המשתמש הגרפי שנוצר (איור 9), השתמשו בפס הגלילה התחתון כדי לנווט לאזור שבו נמצאים גושי הריאה הדומיננטיים, המשתרעים על פני סריקות 48 עד 70.
- המשך על ידי קריאה לפונקציה 3Dlung_Horizon לבצע שחזור תלת-ממדי של אזור העניין (ROI) המקיף את מקטעים 48 עד 70 מכל נפח התלת-ממד של הריאה. פעולה זו תיצור ממשק GUI המותאם להדמיית גושים ריאתיים, כפי שמודגם באיור 10. בתוך ממשק משתמש גרפי זה, ניתן לחקור את התכונות המפורטות של הנגע מזוויות שונות.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
בשלב עיבוד מקדים של נתונים, מיון נתוני DICOM צריך להיות השלב הראשון (איור 1) כדי להבטיח את רצף הסריקה הנכון עבור כל שכבה במהלך שחזור תלת-ממדי. לאחר מכן, טרנספורמציה איזוטרופית מבוצעת כדי להבטיח את יחס הגובה-רוחב הנכון של נפח התלת-ממד (איור 2). לאחר מכן, סינון מרחבי מוחל על הנפח התלת-ממדי המקורי (איור 3) כדי לסלק אותות הפרעה מספת המטופל של ציוד ה-CT (איור 4). כדי לקבל את קווי המתאר התלת-ממדיים של הריאה כולה, מתבצע פילוח תמונה בכל סריקה (איור 5) כדי ליצור תמונת ריאה בינארית (איור 6). בהתבסס על קווי המתאר התלת-ממדיים של הריאה, כל נפח הריאה המשוחזר (איור 7) ומודגם בתלת-ממד (איור 8). עבור אזור הנגע הדומיננטי (איור 9), ניתן לבצע הדמיה תלת-ממדית נפרדת (איור 10) כדי לזהות בזהירות את המאפיינים המפורטים של הנגע.
טרנספורמציית Isovoxel מבטיחה כי אותו קנה מידה נשמר בכל הממדים במהלך העיבוד הבא. איור 2 מציג את תצוגת הפרוסה לאחר טרנספורמציית איזובוקסל. בממשק משתמש גרפי (GUI) זה, ניתן להציג את נתוני נפח התלת-ממד הגולמיים המלאים.
איור 3 ואיור 4 מדגימים את תהליך הסינון המרחבי המשמש להסרת הפרעות אות המיטה מציוד ה-CT. בלי זה, תמונות עם אותות רועשים לא יכול להשלים את פילוח של מבני ריאות בשלבים הבאים.
איור 5 ואיור 6 מדגימים את פונקציית מיצוי קווי המתאר של הריאה, אשר יכולה לחלץ באופן אוטומטי את קווי המתאר של הריאה, ולספק את התנאים הבסיסיים לשחזור תלת-ממדי עוקב של מבני ריאה.
איור 7 ואיור 8 מראים שחזור תלת-ממדי של הריאה כולה, וחושפים את הפיזור המרחבי של רקמות הריאה וגושים ריאתיים מרובים. על ידי סילוק הפרעות אות מרקמות מחוץ לריאות, ניתן לתאר במדויק את המיקום המרחבי, הגודל והריכוז של גושים ריאתיים מרובים.
איור 9 ואיור 10 מציגים הדמיה תלת-ממדית של גושי הריאה הדומיננטיים המעניינים. בשל אי הכללת הפרעות אות מחוץ לריאות, הניגודיות של התמונות משופרת. היכולת להתבונן במבנה התלת-ממדי מכל זווית מאפשרת לרופאים לבצע שיפוטים מדויקים יותר לגבי מאפייני הנגע של גושי הריאה הדומיננטיים.
איור 1: מיקום עלילת התמונות. העלילה מציגה את מיקום התמונות בהתבסס על רצף שמות הקבצים שלהן. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
איור 2: ממשק משתמש גרפי (GUI) לתצוגת פרוסות בנפח תלת-ממדי. ממשק משתמש גרפי (GUI) להצגת פרוסות של אמצעי האחסון התלת-ממדי לאחר טרנספורמציית Isovoxel. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
איור 3: מטריצת פיזור גבול ייחוס. המטריצה המייצגת פיזור גבול ייחוס לסינון מרחבי. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
איור 4: תצוגת פרוסות נפח תלת-ממדיות לאחר סינון מרחבי. תצוגה של פרוסות מאמצעי האחסון התלת-ממדי לאחר החלת סינון מרחבי. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
איור 5: ממשק המשתמש הגרפי של מגזר התמונות. ממשק משתמש גרפי (GUI) של הכלי Image Segmenter. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
איור 6: תוצאה של מילוי צל באזור הריאה. התמונה המתקבלת לאחר מילוי צללים שחורים באזור הריאה באמצעות כפתור "מילוי חורים". אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
איור 7: שחזור ריאה תלת-ממדי עם גושים ריאתיים מרובים. שחזור תלת ממדי של כל הריאה מראה גושים ריאתיים מרובים מוקדמים. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
איור 8: ממשק משתמש גרפי אינטראקטיבי לצפייה בנפח ריאות תלת-ממדי. ממשק משתמש גרפי אינטראקטיבי (GUI) לצפייה ומניפולציה של כל נפח הריאה התלת-ממדי. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
איור 9: תצוגת פרוסה לניווט באזור קשריות ריאתי דומיננטיות. תצוגת פרוסה לניווט באזור המכיל גושים ריאתיים דומיננטיים בתוך כל נפח הריאה התלת-ממדי. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
איור 10: הדמיה תלת-ממדית של קשרית ריאתית דומיננטית. הדמיה תלת מימדית של הגולם הריאתי הדומיננטי בתוך נפח הריאה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
מחקר זה מציג גישה ייחודית ליצירת שחזור תלת ממדי (3D) מלא של הריאה כולה, תוך שימוש בטכניקות עיבוד תמונה רפואיות מתקדמות כדי לשרטט את צורת הריאה התלת-ממדית בהקשר של סריקת חזה מלאה. טכניקה זו מציעה תיאור מדויק ויסודי יותר של הסידור המרחבי והמאפיינים הרדיולוגיים של גושים מרובים מוקדמים על פני הריאה כולה. מחקר זה תורם תרומה חשובה לשיפור הדיוק והיעילות של אסטרטגיות אבחון וטיפול עבור אנשים עם גושים ריאתיים מרובים מוקדמים.
שלבים קריטיים
במחקר זה זוהו מספר שלבים קריטיים כחיוניים להצלחת הפרוטוקול: (1) מיון וסידור קואורדינטות רצף סריקת DICOM ליצירת נפח תלת-ממדי מדויק של סריקת הריאות (שלב 1.2.2); (2) טרנספורמציה איזוטרופית כדי להבטיח את יחס הגובה-רוחב הנכון של נפח התלת-ממד, שהוא חיוני לשחזור תלת-ממדי עוקב (שלב 1.3.4); (3) שחזור הריאה כולה באמצעות מודל מוקדם של קשריות ריאתיות מרובות, המאפשר זיהוי אזור קשריות ריאתי דומיננטי (שלב 4.1); (4) הדמיה מפורטת ובדיקה של האזור המקומי המכיל את הנגע הדומיננטי (שלב 5.2).
שינויים ופתרון בעיות
הסגמנטציה של מבני רקמת הריאה עשויה להיות מושפעת מהיסט הסף בגווני אפור ברצף הסריקה, מה שעלול לגרום לסגמנטציה לא מדויקת של התמונה בחלק מהסריקות. במקרים של סגמנטציה לא מדויקת, ניתן לתכנן מסנן נפרד (חזרה על שלב 3) כדי לקבל קווי מתאר מדויקים של רקמת הריאה. שמירה על הדיוק הגבוה ביותר בטרנספורמציית איזובוקסל16,17 חיונית כדי להבטיח ניצול מדויק של נתונים. צעדים אלה צפויים להפוך לחכמים ואוטומטיים יותר בעתיד. עם התקדמות מודלים של הדמיה רפואית בקנה מידה גדול, זיהוי מדויק של קווי מתאר באמצעות ראייה ממוחשבת הוא גם כיוון חשוב לפיתוח עתידי11.
מגבלות
יישום פשוט יותר של מיצוי מיתאר הריאה עלול להוביל לטעויות בגבול קווי המתאר התלת-ממדיים של הריאה, מה שעלול להשפיע על הדמיה של גושים קטנים ליד קצה הריאה. עם זאת, ההשפעה של הגבלה זו היא מינימלית כאשר מדמיינים את אזור הנגע הדומיננטי במקרים של גושים ריאתיים מרובים.
משמעויות ביחס לשיטות הקיימות
בהשוואה לגישות ראייה ממוחשבת, שיטה זו מציעה ייצוג מקיף של מבנה רקמת הריאה, כולל היחסים בין גושים ריאתיים מרובים לבין רקמת ריאה, תוך הימנעות מבעיות של תוצאות חיוביות שגויות ושליליות שגויות. בנוסף, הוא מסנן ביעילות הפרעות אות ממבני רקמות אחרים, מה שמוביל לאבחנות מדויקות ומדויקות יותר עם ניגודיות ובהירות משופרות.
יישומים עתידיים
שיטת הדמיה תלת-ממדית זו טומנת בחובה פוטנציאל משמעותי ליישומים קליניים שונים, כגון הקלה על תקשורת רופא-מטופל, המאפשרת אבחון מדויק, תמיכה בסיווג מבוסס ראיות מבוסס נתונים, סיוע בתכנון הטיפול והערכת פרוגנוזה. הוא יכול לסייע בתכנון טרום ניתוחי, לספק ניווט תוך ניתוחי להסרה כירורגית של גושי ריאה מרובים, ולעקוב אחר שינויים בגודל הקשרית וצורתה לאורך זמן כדי להעריך את יעילות הטיפול. בסך הכל, יש לו את היכולת לשפר את קבלת ההחלטות הקליניות באבחון וטיפול בגושים ריאתיים מרובים.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
למחברים אין ניגודי עניינים לחשוף. כלי התוכנה לשחזור מודל קשריות ריאתיות, המופיע בטבלת החומרים של מחקר זה, הוא תוכנה מסחרית מבית Beijing Intelligent Entropy Science & Technology Co Ltd. זכויות הקניין הרוחני של כלי תוכנה זה שייכות לחברה.
Acknowledgments
פרסום זה נתמך על ידי התוכנית הלאומית החמישית למחקר כישרונות קליניים מצוינים ברפואה סינית מסורתית שאורגנה על ידי המנהל הלאומי לרפואה סינית מסורתית. קישור הרשת הרשמי הוא 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).
