Summary
この研究では、早期の多発性肺結節患者の肺全体の3次元(3D)再建方法を紹介します。結節の分布と肺組織との相互作用を包括的に視覚化し、これらの患者の診断と予後の評価を簡素化します。
Abstract
早期の多発性肺結節を有する患者の場合、診断の観点から、肺全体にわたるこれらの結節の空間分布、サイズ、位置、および周囲の肺組織との関係を決定することが不可欠です。これは、原発病変を特定し、医師にとってより科学的根拠のある治療計画を立てるために重要です。しかし、マシンビジョンに基づくパターン認識法は、偽陽性や偽陰性の影響を受けやすいため、この点に関する臨床的要求を完全に満たすことはできません。最大強度投影法(MIP)に基づく可視化法は、局所的および個々の肺結節をよりよく説明できますが、複数の肺結節の分布と空間的特徴の巨視的および全体的な記述が欠けています。
そこで、本研究では、全肺3次元再構成法を提案する。医用画像処理技術を用いて肺全体の背景から肺の3次元輪郭を抽出し、肺、肺動脈、複数の肺結節を3次元空間で3次元再構成します。この方法は、肺全体にわたる複数の結節の空間分布と放射線学的特徴を包括的に描写することができ、複数の肺結節の診断と予後を評価するための簡単で便利な手段を提供します。
Introduction
初期の多発性肺結節は、肺の小さな丸い成長であり、良性または悪性である可能性があります1,2,3。孤立性肺結節は診断と治療が容易であるが、早期の多発性肺結節を有する患者は、診断と治療に重大な課題に直面している。効果的な治療計画を立てるためには、肺全体にわたってこれらの結節の空間分布、サイズ、位置、および周囲の肺組織との関係を正確に特定することが不可欠です4,5。従来の診断方法では、早期の多発性肺結節を正確に特定するには限界があります。
近年の医用画像処理技術や機械学習アルゴリズムの進歩により、肺結節の早期発見・診断の精度・効率向上が期待されています。マシンビジョンに基づくパターン認識手法や、最大強度投影法(MIP)に基づく可視化手法など、様々なアプローチが提案されている6,7,8,9,10。ただし、これらの方法は、偽陽性、偽陰性 11、12、13、14、15、および初期の多発性肺結節の分布と空間的特徴の巨視的および全体的な説明の欠如などの制限に悩まされています。
これらの限界に対処するために、本研究では、医用画像処理技術を利用して、胸部全体のスキャンを背景に肺の3次元輪郭を抽出する全肺3次元再構成法を提案します。次に、肺、肺動脈、および初期の多発性肺結節の3D再構成を3D空間で行います。このアプローチにより、肺全体にわたる初期の多発性結節の空間分布と放射線学的特徴をより包括的かつ正確に表現することができます。
提案手法には、いくつかの重要なステップがあります。まず、医用画像を3D画像処理ソフトウェアにインポートし、閾値ベースのセグメンテーション技術を使用して肺領域を抽出します。続いて、抽出された肺領域は、周囲の胸壁および胸椎の骨構造から分離される。次に、初期の多発性肺結節と周囲の血管との関係を、最大強度投影(MIP)アルゴリズムを使用して3D空間で再構築します。最後に、肺、肺動脈、結節の再構成された3Dモデルが表示され、さらに分析されます。
この方法には、既存の方法に比べていくつかの利点があります。2D画像に依存する従来の方法とは異なり、この方法は3Dボリュームを利用して、初期の多発性肺結節をより正確かつ包括的に表現します。また、この手法は、パターン認識手法やMIP可視化手法に関連する偽陽性や偽陰性の限界を克服しています。さらに、この方法は、効果的な治療計画を立てるために不可欠な、早期の多発性肺結節の分布と空間的特徴の巨視的および全体的な説明を提供します。
提案手法は、早期多発性肺結節の診断と治療に応用できる可能性を秘めています。早期多発性結節の空間分布と放射線学的特徴を正確に特定することは、肺がんの早期診断と治療に役立ちます。さらに、この方法は、疾患の進行を監視し、治療計画の有効性を評価するために使用できます。
マシンビジョンに基づくパターン認識法6,7,8は、肺結節の同定において有望であることが示されているが、偽陽性や偽陰性などの限界に悩まされている。一方、MIP可視化法は、個々の結節をより正確に表現しますが、初期の複数の結節の分布と空間的特徴の巨視的および全体的な記述を欠いています。提案された全肺3D再建法は、これらの制限を克服し、初期の多発性肺結節のより正確で包括的な表現を提供します。
等ボクセル変換16,17は、異なるボクセルサイズの3D画像を均一なボクセルサイズの3D画像に変換するプロセスを指します。医用画像処理の分野では、3D ボリュームはさまざまなサイズのボクセルで構成されることが多く、計算や視覚化の問題につながる可能性があります。アイソボクセル変換の目的は、元の 3D ボリュームのボクセルをリサンプリングして補間することでこれらの問題に対処し、一貫したボクセル サイズを持つ新しい 3D 画像を作成することです。この手法は、画像レジストレーション、セグメンテーション、視覚化など、さまざまな医療コンテキストで応用されています。そこで本研究では、医用画像処理技術を用いて、胸部全体のスキャンを背景に肺の3次元輪郭を抽出する全肺3次元再構成法を提案した。この方法は、肺全体にわたる初期の多発性結節の空間分布と放射線学的特徴をより正確かつ包括的に表現します。この研究は、早期の多発性肺結節患者に対するより正確で効果的な診断および治療戦略の開発に貢献します。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
本研究では、北京中医薬大学と提携している東直門病院の倫理委員会から倫理的クリアランスを取得しました(DZMEC-KY-2019.90)。この特定のケースでは、複数の肺結節を有する65歳の女性患者が関与する症例を概説し、研究アプローチの系統的な説明が提供されます。この患者は、デジタルモデリングを通じて診断にインフォームドコンセントを提供し、科学的研究目的でのデータの使用を許可しました。モデル再構成機能は、市販のソフトウェアツールから派生しています( 材料表を参照)。
1. データ準備とアイソボクセル変換
- DICOM(Digital Imaging and Communications in Medicine)データの準備とデータプロパティ
注:パラメータの変動は、調査方法の影響を比較的受けません。- 患者のDICOMデータを定義された作業ディレクトリにコピーします。
- ファイルブラウザを使用して、各ファイルディレクトリを調べ、解析するスキャンレイヤーの数が最も多い画像シーケンスを特定します。
- MATLAB 内で関数 Dicominfo を使用して、入力パラメーターとして DICOM ファイルを指定します。これにより、スライスの厚さやピクセル間隔などの重要なパラメーターを MATLAB 環境内で直接抽出できます。
注: これらのパラメータは、3D ボリュームの表示レートを設定する上で非常に重要です。本研究で利用したデータセットの場合、スライスの厚さは1mm、画素間隔は0.7188mmで、合計387層をスキャンしました。
- スキャンしたデータの正しい並べ替え
注:すべての画像のシーケンスは、ボリューム構築のためにソートする必要があります。- 関数 Dicominfo を使用して、各イメージの位置データを取得します。情報を参照して位置情報にアクセスします。MATLAB ワークスペース内の SliceLocation。
- 関数 SliceLocation を使用して位置データを変数に保存し、そのプロットを生成します (図 1)。
- GUIの右上隅にある [Data Tips ]ボタンを使用してデータポイントを追加して、プロットを拡張します。このデータポイントは、患者の画像診断の最上部に対応する正常シーケンスの最大位置を示す必要があります(図1)。
- すべての画像を並べ替えて整理し、最初の場所から最大の場所までの範囲の画像を抽出します。これを実現するには、 関数を VolumeResort 呼び出します。
- 512 ピクセル x 512 ピクセル x 340 のレイヤーで構成されるボリューム データを、並べ替えられたインデックスと共に有効な画像から保護します。この情報は、特に重要な結節を特定する文脈において、将来の参照のために貴重です。
- アイソボクセル変換
注: 3D アイソボクセル変換により、後続の処理ですべての次元で同じ表示スケールを維持できます。- Matlab の 関数 size を使用して、512 ピクセル x 512 ピクセル x 340 レイヤーの 3D ボリュームの 3 次元スケールを調べます。
- Slice_Viewコマンド機能を使用して3Dボリューム(図2)を表示するには、肺を含むシーケンススキャン範囲を60〜340まで記録します。次に、コマンドV1=V0(:,:,60:340)を使用して、肺全体のすべてのデータを含む3Dボリュームを取得します。V1 のサイズは 512 ピクセル x 512 ピクセル x 281 レイヤーです。
- MATLAB コマンド関数 dicominfo を使用して、イメージ シーケンスのスライスの厚さ (1 mm、ピクセル間隔 0.7188) を取得します。コマンド round (281 x 1/0.7188) を使用して、等ボクセル変換の z 軸の数を計算します。等ボクセル変換の層数は 391 である必要があります。
- MATLAB コマンド関数 imresize3 を使用して、V1 でアイソボクセル変換を実行します。コマンド V2=imresize3(V1, [512, 512, 391]) を使用してスクリプトを実行します。次に、3D_Slice_View関数を使用して、アイソボクセル変換された3Dボリュームを表示します(図 3)。
2. CT装置によるノイズ干渉の除去
注: 図2では、CT装置の患者用カウチを表す高強度信号が表示されており、画像のセグメンテーションに干渉する可能性があります。この干渉を除去するには、空間フィルタの設計が必要です。
- 図 2 の [Data Tips] ボタンを使用して、対話型インターフェイス内に連続するデータ ポイントを追加します。これにより、これらの点を結ぶ線を作成し、患者のカウチを効果的に排除することができます。次に、データ ヒントを右クリックして [カーソル データをワークスペースにエクスポート] を選択し、空間フィルター処理の参照境界を MATLAB ワークスペースにエクスポートします (図 3)。この場合の境界散乱行列は「CI」と名付けられます。
- 関数 Noise_Clean を呼び出し、ワークスペースの入力パラメーター 'CI' を使用して空間フィルター処理を V2 に適用します。この操作により、CT装置から干渉信号を除去する3Dボリュームが得られます。最後に、 Slice_View コマンド関数を使用して、結果の体積を可視化します ( 図 4 参照)。
3. 肺輪郭の抽出
- まず、図 4 に示す GUI 内でテンプレートとして使用するスライスを選択します。たとえば、イメージ セグメンテーション計画に 232 番目のイメージを選択し、コマンド I=V2(:,:,232) を使用して変数 'I' に代入します。次に、図 5 に示すように、imageSegmenter(I) コマンドを実行して MATLAB イメージ セグメンター GUI を開きます。
- 図 5 は、一連の画像セグメンテーション ツールを示しています。開始するには、上部のツールバーから自動 クラスタリング ツールを選択し、マウスの左ボタンをクリックしてコマンドを実行します。画像は自動的に 2 つのクラスに分割されます。ステップ 2.2 で実行したノイズ除去プロセスを考えると、この段階での画像のセグメンテーションは比較的簡単になります。
- 次に、右上隅にある[バイナリを表示]ボタンをクリックして、画像を白黒 バイナリ で表示します。この時点で、肺領域は黒く見えます。肺領域を白くするには、上部のツールバーから[ マスクの反転 ]ボタンを選択し、マウスの左ボタンをクリックしてコマンドを実行します。
- 肺領域の外側の白色を除去するには、上部のツールバーの[ 境界線のクリア ]ボタンを選択し、マウスの左ボタンでクリックして実行します。このステップの後、白い肺領域だけが残ります。ただし、この時点で肺領域内に残っている黒い影は埋める必要があります。これを実現するには、ツールバーの [ 穴を埋める ] ボタンを選択し、ボタンをクリックした後の結果を 図 6 に示します。
- 肺画像のセグメンテーションに関連するすべてのステップは、 図6 のGUIの左下隅に示されています。右上隅の [エクスポート ] ボタンをクリックして、これらの自動化されたステップを、肺領域セグメンテーションをバッチ処理するための関数として保存します。ポップアップのスクリプトエディタ(Script Editor)で、 保存(Save )ボタンをクリックして、関数を現在の作業ディレクトリに保存します。
4.3D 複数の肺結節を有する全肺の3D再建
注:各画像の肺セグメンテーション画像と元の画像の内積を取ることは、体積に対して3D空間フィルタリングを実行し、肺の外側の干渉信号を効果的にフィルタリングし、肺の3D構造を取得することと同等です。
- MATLAB ワークスペース内で 関数 3Dlung_Volume を開始します。
注:この機能は、手順3.5の出力を使用して、各画像に対して画像のセグメンテーションを実行します。次に、バイナリ肺マスクと元の画像の間で内積演算を実行して、肺組織のみを含む新しい3Dボリュームを生成します。関数の完了後に表示されるGUI(図7)では、3D肺容積全体に対して最大強度投影(MIP)操作を視覚化して実行できます。 - GUI内で、右上隅にある最初のドロップダウンメニューを見つけます。[MIP Projection] を選択し、以下の [Built-in Colormaps] オプションからジェット カラーマップを選択します。次に、4 番目のビュー(3D ボリューム ビュー)の右上隅にあるドロップダウン メニューで、[最大化]を選択します。このアクションにより、肺全体の3Dボリューム(図8)が得られ、任意の角度から観察したり、必要に応じて移動したり、操作したりできます。
注: 図 8 に示す人間とコンピュータの相互作用のセクションでは、マウスの左ボタンを押したまま動かすことで、視野角を自由に調整できます。マウスの中央ボタンをスクロールすると、ズームインまたはズームアウトできます。 - 高度なコントラストとカラーエンハンスメント操作を行うには、GUIの右側にあるコントロールパネルを利用します。
5.優性肺結節の検査に焦点を当てる
注:3D空間(図8)では、複数の肺結節間の優勢な病変領域がはっきりと見えるようになります。これらの結節の数、大きさ、および濃度は、優性病変の重要な特徴であり、疾患評価に貴重な洞察を提供します。
- もう一度、 Slice_View 関数を呼び出しますが、今回は手順4.2で取得した肺全体の3Dボリュームを入力します。表示されたGUI(図9)内で、下部のスクロールバーを使用して、スキャン48から70に及ぶ優勢な肺結節が位置する領域に移動します。
- 関数 3Dlung_Horizon を呼び出して、肺全体の 3D ボリュームからセクション 48 から 70 を含む関心領域 (ROI) の 3D 再構成を実行します。このアクションにより、 図 10 に示すように、肺結節を視覚化するために調整された GUI インターフェイスが生成されます。このGUIでは、病変の詳細な特徴をさまざまな角度から調べることができます。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
データの前処理段階では、3D再構成中に各層の正しいスキャンシーケンスを確保するための最初のステップ(図1)として、DICOMデータのソートを行う必要があります。次に、等方性変換を実行して、3Dボリュームの正しいアスペクト比を確保します(図2)。その後、元の3Dボリューム(図3)に空間フィルタリングを適用し、CT装置の患者用カウチからの干渉信号を排除します(図4)。肺全体の3D輪郭を取得するために、各スキャンで画像セグメンテーションが実行され(図5)、バイナリ肺画像が作成されます(図6)。肺の3D輪郭に基づいて、肺全体の3Dボリュームが再構築され(図7)、3Dで視覚化されます(図8)。優勢な病変領域(図9)については、別の3D可視化(図10)を実行して、病変の詳細な特徴を慎重に特定できます。
アイソボクセル変換により、後続の処理中にすべての次元で同じスケールが維持されます。 図 2 は、アイソボクセル変換後のスライス ビューを示しています。このグラフィカル・ユーザー・インターフェース(GUI)では、完全な生の3Dボリューム・データを表示できます。
図3と図4は、CT装置からベッド信号の干渉を除去するために使用される空間フィルタリングプロセスを示しています。これがないと、ノイズの多い信号を含む画像は、後続のステップで肺構造のセグメンテーションを完了できません。
図5と図6は、肺の輪郭を自動的に抽出できる肺輪郭抽出機能を示しており、その後の肺構造の3D再構成のための基本的な条件を提供します。
図7と図8は、肺全体の3D再構成を示しており、肺組織と複数の肺結節の空間分布を明らかにしています。肺の外側の組織からの信号干渉を排除することにより、複数の肺結節の空間的な位置、サイズ、および濃度を正確に描写できます。
図 9 と図 10 は、関心のある優勢な肺結節の 3D 視覚化を示しています。肺の外部からの信号干渉が排除されるため、画像のコントラストが向上します。3D構造をあらゆる角度から観察できるため、医師は優勢な肺結節の病変の特徴についてより正確な判断を下すことができます。
図1:画像の位置プロット。 プロットには、ファイル名のシーケンスに基づいてイメージの位置が表示されます。 この図の拡大版をご覧になるには、ここをクリックしてください。
図2:3DボリュームスライスビューのGUI。 Isovoxel 変換後の 3D ボリュームのスライスを表示するためのグラフィカル ユーザー インターフェイス (GUI)。 この図の拡大版をご覧になるには、ここをクリックしてください。
図3:基準境界散乱行列。 空間フィルタリングの参照境界散乱を表す行列。 この図の拡大版をご覧になるには、ここをクリックしてください。
図4:空間フィルタリング後の3Dボリュームスライスビュー。 空間フィルタリングを適用した後の 3D ボリュームのスライスの表示。 この図の拡大版をご覧になるには、ここをクリックしてください。
図5:画像セグメンタのGUI 画像領域分割ツールのグラフィカル ユーザー インターフェイス (GUI)。 この図の拡大版をご覧になるには、ここをクリックしてください。
図6:肺領域のシャドー充填の結果。 「穴を埋める」ボタンを使用して肺領域の黒い影を埋めた後の結果の画像。 この図の拡大版をご覧になるには、ここをクリックしてください。
図7:複数の肺結節を伴う3D肺 再建。 初期の多発性肺結節を示す肺全体の3D再建。 この図の拡大版をご覧になるには、ここをクリックしてください。
図8:3D肺活量表示用のインタラクティブなGUI。 3D肺容積全体を表示および操作するためのインタラクティブなグラフィカルユーザーインターフェイス(GUI)。 この図の拡大版をご覧になるには、ここをクリックしてください。
図9:優勢な肺結節領域をナビゲートするためのスライスビュー。 3D肺容積全体の中で優勢な肺結節を含む領域をナビゲートするためのスライスビュー。 この図の拡大版をご覧になるには、ここをクリックしてください。
図10:優性肺結節の3D可視化。 肺容積内の優勢な肺結節の3次元可視化。 この図の拡大版をご覧になるには、ここをクリックしてください。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
この研究は、高度な医用画像処理技術を使用して、胸部全体の完全な3D形状を描写し、肺全体の完全な3次元(3D)再構成を作成するための独自のアプローチを導入しています。この技術は、肺全体にわたる初期の複数の結節の空間的配置と放射線学的特徴をより正確かつ完全に描写します。この研究は、早期の多発性肺結節を有する個人の診断および治療戦略の精度と有効性を高めることに貴重な貢献をします。
重要なステップ
この研究では、プロトコルの成功に不可欠なものとしていくつかの重要なステップが特定されました:(1)DICOMスキャンシーケンス座標を並べ替えて配置し、肺スキャンの正確な3Dボリュームを生成します(ステップ1.2.2)。(2)その後の3D再構成に不可欠な3Dボリュームの正しいアスペクト比を確保するための等方性変換(ステップ1.3.4)。(3)初期の多発性肺結節モデルを使用して肺全体を再建し、優勢な肺結節領域の特定を可能にします(ステップ4.1)。(4)優性病変を含む局所領域の詳細な視覚化と検査(ステップ5.2)。
変更とトラブルシューティング
肺組織構造のセグメンテーションは、スキャンシーケンスのグレースケール閾値オフセットの影響を受け、一部のスキャンで不正確な画像セグメンテーションをもたらす可能性があります。セグメンテーションが不正確な場合は、別のフィルター(ステップ3を繰り返す)を設計して、正確な肺組織の輪郭を得ることができます。アイソボクセル変換16,17において最高の精度を維持することは、データを正確に利用するために重要です。これらのステップは、将来的にはよりインテリジェントで自動化されることが期待されています。大規模な医用画像モデルの進歩に伴い、コンピュータビジョンによる正確な輪郭識別も将来の開発にとって重要な方向性です11。
制限
肺輪郭抽出の簡略化は、肺の3D輪郭の境界でエラーを引き起こし、肺の端近くの小さな結節の視覚化に影響を与える可能性があります。ただし、この制限の影響は、複数の肺結節の場合に優勢な病変領域を視覚化する場合に最小限です。
既存の手法に対する意義
コンピュータビジョンのアプローチと比較して、この方法は、偽陽性と偽陰性の問題を回避しながら、複数の肺結節と肺組織との関係を含む肺組織構造の包括的な表現を提供します。さらに、他の組織構造からの信号干渉を効果的に除去し、コントラストと明瞭さが向上した、より正確で正確な診断につながります。
将来のアプリケーション
この3D可視化手法は、医師と患者のコミュニケーションの円滑化、正確な診断の実現、データ駆動型のエビデンスに基づく分類のサポート、治療計画の支援、予後の評価など、さまざまな臨床応用に大きな可能性を秘めています。術前の計画を支援し、複数の肺結節を外科的に除去するための術中ナビゲーションを提供し、結節のサイズと形状の経時的な変化を監視して治療効果を評価することができます。全体として、多発性肺結節の診断と治療における臨床的意思決定を強化する能力があります。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
著者には開示すべき利益相反はありません。本研究の 材料表 に記載されている肺結節モデル再建のためのソフトウェアツールは、Beijing Intelligent Entropy Science & Technology Co Ltd.の商用ソフトウェアである。本ソフトウェアツールの知的財産権は当社に帰属します。
Acknowledgments
この出版物は、国家中医薬管理局が主催する第5回全国漢方薬臨床優秀人材研究プログラムの支援を受けました。公式ネットワークリンクは http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html です。
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).