Summary
Este estudio presenta un método de reconstrucción tridimensional (3D) para todo el pulmón en pacientes con nódulos pulmonares múltiples tempranos. Ofrece una visualización completa de la distribución de los nódulos y su interacción con el tejido pulmonar, lo que simplifica la evaluación del diagnóstico y el pronóstico de estos pacientes.
Abstract
Para los pacientes con nódulos pulmonares múltiples tempranos, es esencial, desde una perspectiva diagnóstica, determinar la distribución espacial, el tamaño, la ubicación y la relación con el tejido pulmonar circundante de estos nódulos en todo el pulmón. Esto es crucial para identificar la lesión primaria y desarrollar planes de tratamiento más científicamente fundamentados para los médicos. Sin embargo, los métodos de reconocimiento de patrones basados en visión artificial son susceptibles a falsos positivos y falsos negativos y, por lo tanto, no pueden satisfacer plenamente las demandas clínicas en este sentido. Los métodos de visualización basados en la proyección de máxima intensidad (MIP) pueden ilustrar mejor los nódulos pulmonares locales e individuales, pero carecen de una descripción macroscópica y holística de la distribución y las características espaciales de los nódulos pulmonares múltiples.
Por lo tanto, este estudio propone un método de reconstrucción 3D de todo el pulmón. Extrae el contorno 3D del pulmón utilizando tecnología de procesamiento de imágenes médicas en el fondo de todo el pulmón y realiza la reconstrucción 3D del pulmón, la arteria pulmonar y múltiples nódulos pulmonares en el espacio 3D. Este método puede describir de manera integral la distribución espacial y las características radiológicas de múltiples nódulos en todo el pulmón, proporcionando un medio simple y conveniente para evaluar el diagnóstico y el pronóstico de múltiples nódulos pulmonares.
Introduction
Los nódulos pulmonares múltiples tempranos, que son crecimientos pequeños y redondos en el pulmón, pueden ser benignos o malignos 1,2,3. Aunque los nódulos pulmonares solitarios son más fáciles de diagnosticar y tratar, los pacientes con nódulos pulmonares múltiples tempranos enfrentan importantes desafíos de diagnóstico y tratamiento. Para desarrollar planes de tratamiento efectivos, es esencial identificar con precisión la distribución espacial, el tamaño, la ubicación y la relación con el tejido pulmonar circundante de estos nódulos en todo el pulmón 4,5. Los métodos diagnósticos tradicionales tienen limitaciones para identificar con precisión los nódulos pulmonares múltiples tempranos.
Los avances recientes en la tecnología de procesamiento de imágenes médicas y los algoritmos de aprendizaje automático tienen el potencial de mejorar la precisión y la eficiencia de la detección y el diagnóstico tempranos de nódulos pulmonares. Se han propuesto diversos enfoques, como los métodos de reconocimiento de patrones basados en visión artificial y los métodos de visualización basados en la proyección de máxima intensidad (MIP)6,7,8,9,10. Sin embargo, estos métodos adolecen de limitaciones tales como falsos positivos, falsos negativos 11,12,13,14,15 y falta de descripciones macroscópicas y holísticas de la distribución y características espaciales de los nódulos pulmonares múltiples tempranos.
Para abordar estas limitaciones, este estudio propone un método de reconstrucción 3D de todo el pulmón que utiliza tecnología de procesamiento de imágenes médicas para extraer el contorno 3D del pulmón en el contexto de la exploración de tórax completo. A continuación, el método realiza la reconstrucción en 3D del pulmón, la arteria pulmonar y los nódulos pulmonares múltiples tempranos en el espacio 3D. Este enfoque permite una representación más completa y precisa de la distribución espacial y las características radiológicas de los nódulos múltiples tempranos en todo el pulmón.
El método propuesto implica varios pasos clave. En primer lugar, las imágenes médicas se importan al software de procesamiento de imágenes 3D y la región pulmonar se extrae mediante una técnica de segmentación basada en umbrales. Posteriormente, la región pulmonar extraída se separa de la pared torácica circundante y de las estructuras óseas de las vértebras torácicas. Los nódulos pulmonares múltiples tempranos y su relación con los vasos sanguíneos circundantes se reconstruyen en el espacio 3D utilizando algoritmos de proyección de máxima intensidad (MIP). Finalmente, se muestra el modelo 3D reconstruido del pulmón, la arteria pulmonar y los nódulos para su posterior análisis.
Este método tiene varias ventajas sobre los métodos existentes. A diferencia de los métodos tradicionales que se basan en imágenes 2D, este método utiliza el volumen 3D para proporcionar una representación más precisa y completa de los nódulos pulmonares múltiples tempranos. El método también supera las limitaciones de falsos positivos y falsos negativos asociados con los métodos de reconocimiento de patrones y los métodos de visualización MIP. Además, este método proporciona una descripción macroscópica y holística de la distribución y las características espaciales de los nódulos pulmonares múltiples tempranos, lo cual es esencial para desarrollar planes de tratamiento efectivos.
El método propuesto tiene varias aplicaciones potenciales en el diagnóstico y tratamiento de los nódulos pulmonares múltiples tempranos. La identificación precisa de la distribución espacial y las características radiológicas de los nódulos múltiples tempranos puede ayudar en el diagnóstico y tratamiento tempranos del cáncer de pulmón. Además, el método se puede utilizar para monitorear la progresión de la enfermedad y evaluar la efectividad de los planes de tratamiento.
Los métodos de reconocimiento de patrones 6,7,8 basados en la visión artificial se han mostrado prometedores en la identificación de nódulos pulmonares, pero adolecen de limitaciones como falsos positivos y falsos negativos. Por otro lado, los métodos de visualización de MIP proporcionan una representación más precisa de los nódulos individuales, pero carecen de una descripción macroscópica y holística de la distribución y las características espaciales de los nódulos múltiples tempranos. El método propuesto de reconstrucción 3D de todo el pulmón supera estas limitaciones y proporciona una representación más precisa y completa de los nódulos pulmonares múltiples tempranos.
La transformación de isovoxel16,17 se refiere al proceso de conversión de imágenes 3D con diferentes tamaños de vóxeles en imágenes 3D con tamaños de vóxeles uniformes. En el campo del procesamiento de imágenes médicas, los volúmenes 3D suelen estar compuestos por vóxeles de diferentes tamaños, lo que puede dar lugar a problemas computacionales y de visualización. El propósito de la transformación isovoxel es abordar estos problemas mediante el remuestreo e interpolación de los vóxeles en el volumen 3D original, lo que da como resultado una nueva imagen 3D con tamaños de vóxeles consistentes. Esta técnica encuentra aplicaciones en diversos contextos médicos, incluido el registro, la segmentación y la visualización de imágenes. Por lo tanto, este estudio propuso un método de reconstrucción 3D de todo el pulmón que utiliza tecnología de procesamiento de imágenes médicas para extraer el contorno 3D del pulmón en el fondo de la exploración de tórax completo. El método proporciona una representación más precisa y completa de la distribución espacial y las características radiológicas de los nódulos múltiples tempranos en todo el pulmón. Este estudio contribuye al desarrollo de estrategias diagnósticas y terapéuticas más precisas y efectivas para los pacientes con nódulos pulmonares múltiples tempranos.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Para el presente estudio, se obtuvo la autorización ética del Comité de Ética del Hospital Dongzhimen, afiliado a la Universidad de Medicina China de Beijing (DZMEC-KY-2019.90). En este caso específico, se proporciona una descripción metódica del enfoque de la investigación, esbozando un caso de una paciente femenina de 65 años con múltiples nódulos pulmonares. Esta paciente dio su consentimiento informado para su diagnóstico a través de la modelación digital y autorizó el uso de sus datos con fines de investigación científica. La función de reconstrucción del modelo se deriva de una herramienta de software disponible en el mercado (véase la Tabla de materiales).
1. Preparación de datos y transformación de isovoxel
- Preparación de datos DICOM (Digital Imaging and Communications in Medicine) y propiedades de los datos
NOTA: La variación en los parámetros permanece relativamente poco afectada por la metodología de investigación.- Copie los datos DICOM del paciente en un directorio de trabajo definido.
- Con el explorador de archivos, examine cada directorio de archivos para identificar la secuencia de imágenes con el mayor número de capas de escaneo para el análisis.
- Emplee la función Dicominfo en MATLAB proporcionando archivos DICOM como parámetros de entrada. Esto le permitirá extraer parámetros esenciales, como el grosor de los sectores y el espaciado de píxeles, directamente en el entorno de MATLAB.
NOTA: Estos parámetros tienen una importancia significativa en la configuración de la velocidad de visualización para el volumen 3D. En el caso del conjunto de datos utilizado en este estudio, el grosor del corte midió 1 mm, el espaciado de píxeles equivalió a 0,7188 mm y se escanearon un total de 387 capas.
- Clasificación correcta de los datos escaneados
NOTA: La secuencia de cada imagen debe ordenarse para la construcción del volumen.- Recupere los datos de ubicación de cada imagen utilizando la función Dicominfo . Acceda a la información de ubicación haciendo referencia a la información. SliceLocation dentro del espacio de trabajo de MATLAB.
- Guarde los datos de ubicación en una variable mediante la función SliceLocation y genere una gráfica para ella (Figura 1).
- Mejore la gráfica añadiéndole un punto de datos utilizando el botón Sugerencias de datos situado en la esquina superior derecha de la interfaz gráfica de usuario. Este punto de datos debe marcar la ubicación máxima de la secuencia normal, que corresponde a la ubicación más alta en la imagen del paciente (Figura 1).
- Organice todas las imágenes clasificándolas y luego extraiga las imágenes que van desde la primera ubicación hasta la ubicación máxima. Para ello, invoque la función VolumeResort .
- Proteja los datos de volumen, que constan de 512 píxeles por 512 píxeles por 340 capas, de las imágenes válidas junto con su índice ordenado. Esta información será valiosa para futuras referencias, en particular en el contexto de la identificación de nódulos importantes.
- Transformación de Isovoxel
NOTA: La transformación 3D de Isovoxel permite el procesamiento posterior para mantener la misma escala de visualización en todas las dimensiones.- Examine la escala tridimensional de un volumen 3D, que es de 512 píxeles x 512 píxeles x 340 capas, utilizando la función de tamaño en Matlab.
- Para ver el volumen 3D (Figura 2) utilizando la función de comando Slice_View , registre el rango de escaneo de secuencia que contiene los pulmones de 60 a 340. A continuación, basta con utilizar el comando V1=V0(:,:,60:340) para obtener un volumen 3D que contenga todos los datos de todo el pulmón. El tamaño de V1 es de 512 píxeles x 512 píxeles x 281 capas.
- Utilice la función de comando dicominfo de MATLAB para obtener el grosor de corte de la secuencia de imágenes, que es de 1 mm, y el espaciado de píxeles es de 0,7188. Calcule el número de ejes z para la transformación isovoxel con el comando: round (281 x 1/0.7188). El número de capas para la transformación de isovoxel debe ser 391.
- Utilice la función de comando imresize3 de Matlab para realizar la transformación isovoxel en V1. Ejecute el script usando el comando V2=imresize3(V1, [512, 512, 391]). A continuación, utilice la función 3D_Slice_View para ver el volumen 3D transformado en isovoxel (Figura 3).
2. Eliminación de la interferencia sonora causada por los equipos de tomografía computarizada (TC)
NOTA: En la Figura 2, la señal de alta intensidad que representa la camilla del paciente del equipo de TC es visible, lo que puede interferir con la segmentación de la imagen. Para eliminar esta interferencia, se requiere un diseño de filtro espacial.
- Utilice el botón Sugerencias de datos de la figura 2 para agregar puntos de datos continuos dentro de la interfaz interactiva. Esto permitirá crear una línea que conecte estos puntos, excluyendo efectivamente la camilla del paciente. A continuación, haga clic con el botón derecho en Data Tips y seleccione Export Cursor Data to Workspace (Exportar datos de cursor al espacio de trabajo) para exportar el límite de referencia para el filtrado espacial al espacio de trabajo de MATLAB (Figura 3). La matriz de dispersión de límites en este caso se denomina 'CI'.
- Invoque la función Noise_Clean para aplicar el filtrado espacial a V2, utilizando el parámetro de entrada 'CI' del espacio de trabajo. Esta operación producirá un volumen 3D que elimina la señal de interferencia del equipo de TC. Por último, utilice la función de comando Slice_View para visualizar el volumen resultante, como se muestra en la figura 4.
3. Extracción del contorno pulmonar
- Comience seleccionando un sector para que sirva como plantilla dentro de la GUI que se muestra en la Figura 4. Por ejemplo, elija la imagen número 232 para el diseño de segmentación de imágenes y asígnela a una variable 'I' usando el comando I=V2(:,:,232). A continuación, abra la interfaz gráfica de usuario de MATLAB Image Segmenter ejecutando el comando imageSegmenter(I), como se muestra en la Figura 5.
- En la figura 5 se muestra una serie de herramientas de segmentación de imágenes. Para comenzar, seleccione la herramienta Clúster automático en la barra de herramientas de la parte superior y ejecute el comando haciendo clic con el botón izquierdo del ratón. La imagen se dividirá automáticamente en dos clases. Dado el proceso de eliminación de ruido realizado en el paso 2.2, la segmentación de imágenes en esta etapa se vuelve relativamente sencilla.
- A continuación, haga clic en el botón Mostrar binario en la esquina superior derecha para mostrar la imagen en binario en blanco y negro. En este punto, la región pulmonar aparecerá negra. Para hacer que la región pulmonar sea blanca, seleccione el botón Invertir máscara en la barra de herramientas superior y ejecute el comando haciendo clic con el botón izquierdo del ratón.
- Para eliminar el color blanco fuera del área pulmonar, seleccione el botón Borrar bordes en la barra de herramientas superior y ejecútelo haciendo clic con el botón izquierdo del mouse. Después de este paso, solo quedará el área pulmonar de color blanco. Sin embargo, cualquier sombra negra que quede dentro del área pulmonar en este punto debe rellenarse. Para ello, seleccione el botón Rellenar agujeros en la barra de herramientas y el resultado después de hacer clic en el botón se muestra en la Figura 6.
- Todos los pasos involucrados en la segmentación de imágenes pulmonares se presentan en la interfaz gráfica de usuario de la Figura 6 en la esquina inferior izquierda. Al hacer clic en el botón Exportar en la esquina superior derecha, guarde estos pasos automatizados como una función para la segmentación de la región pulmonar de procesamiento por lotes. En el Editor de secuencias de comandos emergente, haga clic en el botón Guardar para guardar la función en el directorio de trabajo actual.
4. Reconstrucción .3D para todo el pulmón con múltiples nódulos pulmonares
NOTA: Tomar el producto escalar de la imagen de segmentación pulmonar de cada imagen con la imagen original equivale a realizar un filtrado espacial 3D en el volumen, filtrando eficazmente las señales de interferencia fuera de los pulmones y obteniendo la estructura 3D de los pulmones.
- Inicie la función 3Dlung_Volume dentro del espacio de trabajo de MATLAB.
NOTA: Esta función lleva a cabo la segmentación de imágenes en cada imagen utilizando la salida del paso 3.5. A continuación, ejecuta una operación de producto de puntos entre la máscara pulmonar binaria y la imagen original para generar un nuevo volumen 3D que contiene exclusivamente tejido pulmonar. En la interfaz gráfica de usuario (Figura 7) que aparece después de que se completa la función, se pueden visualizar y realizar operaciones de proyección de intensidad máxima (MIP) en todo el volumen pulmonar 3D. - Dentro de la interfaz gráfica de usuario, busque el primer menú desplegable en la esquina superior derecha. Seleccione Proyección MIP y, a continuación, elija el mapa de colores de chorro de las opciones de Mapas de colores integrados que aparecen a continuación. A continuación, en el menú desplegable ubicado en la esquina superior derecha de la cuarta vista (Vista de volumen 3D), seleccione Maximizar. Esta acción producirá un volumen 3D de todo el pulmón (Figura 8) que se puede observar desde cualquier ángulo, mover y manipular según sea necesario.
NOTA: En la sección de interacción hombre-computadora ilustrada en la Figura 8, se puede ajustar el ángulo de visión libremente manteniendo presionado el botón izquierdo del mouse y moviéndolo. Desplazar el botón central del ratón permite acercar o alejar la imagen. - Para operaciones avanzadas de mejora de contraste y color, utilice el panel de control en el lado derecho de la GUI.
5. Centrarse en el examen de los nódulos pulmonares dominantes
NOTA: En el espacio 3D (Figura 8), el área de la lesión dominante entre los nódulos pulmonares múltiples se hace claramente visible. El número, el tamaño y la concentración de estos nódulos son características críticas de la lesión dominante, lo que ofrece información valiosa para la evaluación de la enfermedad.
- Una vez más, invoque la función Slice_View , pero esta vez ingrese el volumen 3D de todo el pulmón obtenido en el paso 4.2. Dentro de la interfaz gráfica de usuario resultante (Figura 9), utilice la barra de desplazamiento inferior para navegar hasta la región donde se encuentran los nódulos pulmonares dominantes, que abarca las exploraciones 48 a 70.
- Proceda llamando a la función 3Dlung_Horizon para realizar la reconstrucción 3D de la región de interés (ROI) que abarca las secciones 48 a 70 del volumen 3D de todo el pulmón. Esta acción generará una interfaz gráfica de usuario adaptada para visualizar nódulos pulmonares, como se ilustra en la Figura 10. Dentro de esta interfaz gráfica de usuario, se pueden explorar las características detalladas de la lesión desde varios ángulos.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
En la etapa de preprocesamiento de datos, la clasificación de datos DICOM debe ser el primer paso (Figura 1) para garantizar la secuencia de escaneo correcta para cada capa durante la reconstrucción 3D. A continuación, se realiza una transformación isotrópica para garantizar la relación de aspecto correcta del volumen 3D (Figura 2). Posteriormente, se aplica un filtrado espacial al volumen 3D original (Figura 3) para eliminar las señales de interferencia de la camilla del paciente del equipo de TC (Figura 4). Para obtener el contorno 3D de todo el pulmón, se realiza la segmentación de la imagen en cada exploración (Figura 5) para crear una imagen pulmonar binaria (Figura 6). A partir del contorno 3D del pulmón, se reconstruye todo el volumen pulmonar 3D (Figura 7) y se visualiza en 3D (Figura 8). Para el área dominante de la lesión (Figura 9), se puede realizar una visualización 3D separada (Figura 10) para identificar cuidadosamente las características detalladas de la lesión.
La transformación de Isovoxel garantiza que se mantenga la misma escala en todas las dimensiones durante el procesamiento posterior. La figura 2 muestra la vista de división después de la transformación de isovoxel. En esta interfaz gráfica de usuario (GUI), se pueden ver los datos completos del volumen 3D sin procesar.
La Figura 3 y la Figura 4 muestran el proceso de filtrado espacial utilizado para eliminar la interferencia de la señal de lecho del equipo de TC. Sin esto, las imágenes con señales ruidosas no pueden completar la segmentación de las estructuras pulmonares en los pasos posteriores.
Las figuras 5 y 6 ilustran la función de extracción del contorno pulmonar, que puede extraer automáticamente los contornos pulmonares, proporcionando las condiciones básicas para la posterior reconstrucción 3D de las estructuras pulmonares.
Las figuras 7 y 8 muestran la reconstrucción 3D de todo el pulmón, revelando la distribución espacial de los tejidos pulmonares y los múltiples nódulos pulmonares. Al eliminar la interferencia de la señal de los tejidos fuera de los pulmones, se puede representar con precisión la ubicación espacial, el tamaño y la concentración de múltiples nódulos pulmonares.
Las figuras 9 y 10 muestran la visualización en 3D de los nódulos pulmonares dominantes de interés. Debido a la exclusión de la interferencia de la señal desde el exterior de los pulmones, se mejora el contraste de las imágenes. La capacidad de observar la estructura 3D desde cualquier ángulo permite a los médicos hacer juicios más precisos sobre las características de la lesión de los nódulos pulmonares dominantes.
Figura 1: Gráfico de ubicación de las imágenes. El gráfico muestra la ubicación de las imágenes en función de su secuencia de nombres de archivo. Haga clic aquí para ver una versión más grande de esta figura.
Figura 2: Interfaz gráfica de usuario para la vista de división de volumen 3D. Interfaz gráfica de usuario (GUI) para ver segmentos del volumen 3D después de la transformación de Isovoxel. Haga clic aquí para ver una versión más grande de esta figura.
Figura 3: Matriz de dispersión de límites de referencia. Matriz que representa la dispersión de los límites de referencia para el filtrado espacial. Haga clic aquí para ver una versión más grande de esta figura.
Figura 4: Vista de división de volumen 3D después del filtrado espacial. Vista de los sectores del volumen 3D después de aplicar el filtrado espacial. Haga clic aquí para ver una versión más grande de esta figura.
Figura 5: Interfaz gráfica de usuario del segmentador de imágenes. Interfaz gráfica de usuario (GUI) de la herramienta Segmentador de imágenes. Haga clic aquí para ver una versión más grande de esta figura.
Figura 6: Resultado del relleno de sombra del área pulmonar. La imagen resultante después de rellenar las sombras negras en la zona de los pulmones con el botón "Rellenar agujeros". Haga clic aquí para ver una versión más grande de esta figura.
Figura 7: Reconstrucción pulmonar 3D con múltiples nódulos pulmonares. Reconstrucción 3D de todo el pulmón que muestra múltiples nódulos pulmonares tempranos. Haga clic aquí para ver una versión más grande de esta figura.
Figura 8: Interfaz gráfica de usuario interactiva para la visualización del volumen pulmonar en 3D. Interfaz gráfica de usuario interactiva (GUI) para ver y manipular todo el volumen pulmonar en 3D. Haga clic aquí para ver una versión más grande de esta figura.
Figura 9: Vista de corte para navegar por el área dominante del nódulo pulmonar. Vista de corte para navegar por la región que contiene los nódulos pulmonares dominantes dentro de todo el volumen pulmonar 3D. Haga clic aquí para ver una versión más grande de esta figura.
Figura 10: Visualización en 3D del nódulo pulmonar dominante. Visualización tridimensional del nódulo pulmonar dominante dentro del volumen pulmonar. Haga clic aquí para ver una versión más grande de esta figura.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Esta investigación presenta un enfoque único para crear una reconstrucción tridimensional completa (3D) de todo el pulmón, empleando técnicas avanzadas de procesamiento de imágenes médicas para delinear la forma 3D del pulmón en medio del contexto de un escáner de tórax completo. Esta técnica ofrece una descripción más precisa y completa de la disposición espacial y las características radiológicas de los nódulos múltiples tempranos en todo el pulmón. Este estudio hace una valiosa contribución para mejorar la precisión y la eficacia de las estrategias de diagnóstico y tratamiento para los individuos con nódulos pulmonares múltiples tempranos.
Pasos críticos
En este estudio, se identificaron varios pasos críticos como esenciales para el éxito del protocolo: (1) Clasificar y organizar las coordenadas de la secuencia de escaneo DICOM para generar un volumen 3D preciso de la exploración pulmonar (paso 1.2.2); (2) Transformación isotrópica para garantizar la relación de aspecto correcta del volumen 3D, que es crucial para la reconstrucción 3D posterior (paso 1.3.4); (3) Reconstrucción de todo el pulmón utilizando un modelo temprano de nódulos pulmonares múltiples, que permite la identificación del área dominante del nódulo pulmonar (paso 4.1); (4) Visualización y examen detallados del área local que contiene la lesión dominante (paso 5.2).
Modificaciones y solución de problemas
La segmentación de las estructuras del tejido pulmonar puede verse afectada por el desplazamiento del umbral de la escala de grises en la secuencia de exploración, lo que puede dar lugar a una segmentación inexacta de la imagen en algunas exploraciones. En casos de segmentación inexacta, se puede diseñar un filtro separado (repitiendo el paso 3) para obtener contornos precisos del tejido pulmonar. Mantener la máxima precisión en la transformación de isovoxel16,17 es crucial para garantizar la utilización exacta de los datos. Se espera que estos pasos sean más inteligentes y automatizados en el futuro. Con el avance de los modelos de imágenes médicas a gran escala, la identificación precisa de contornos a través de la visión por computadora también es una dirección importante para el desarrollo futuro11.
Limitaciones
La implementación simplificada de la extracción del contorno pulmonar puede dar lugar a errores en el límite del contorno 3D del pulmón, lo que puede afectar a la visualización de pequeños nódulos cerca del borde del pulmón. Sin embargo, el impacto de esta limitación es mínimo cuando se visualiza el área de la lesión dominante en casos de nódulos pulmonares múltiples.
Importancia con respecto a los métodos existentes
En comparación con los enfoques de visión por computadora, este método ofrece una representación completa de la estructura del tejido pulmonar, incluidas las relaciones entre múltiples nódulos pulmonares y el tejido pulmonar, al tiempo que evita los problemas de falsos positivos y falsos negativos. Además, filtra eficazmente la interferencia de la señal de otras estructuras tisulares, lo que conduce a diagnósticos más precisos y exactos con mayor contraste y claridad.
Aplicaciones futuras
Este método de visualización 3D tiene un potencial sustancial para diversas aplicaciones clínicas, como facilitar la comunicación médico-paciente, permitir un diagnóstico preciso, respaldar la clasificación basada en datos basados en la evidencia, ayudar en la planificación del tratamiento y evaluar el pronóstico. Puede ayudar en la planificación preoperatoria, proporcionar navegación intraoperatoria para la extirpación quirúrgica de múltiples nódulos pulmonares y monitorear los cambios en el tamaño y la forma de los nódulos a lo largo del tiempo para evaluar la efectividad del tratamiento. En general, tiene la capacidad de mejorar la toma de decisiones clínicas en el diagnóstico y tratamiento de los nódulos pulmonares múltiples.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Los autores no tienen conflictos de intereses que revelar. La herramienta de software para la reconstrucción de modelos de nódulos pulmonares, que figura en la Tabla de Materiales de este estudio, es un software comercial de Beijing Intelligent Entropy Science & Technology Co Ltd. Los derechos de propiedad intelectual de esta herramienta de software pertenecen a la empresa.
Acknowledgments
Esta publicación fue apoyada por el quinto programa nacional de investigación de excelentes talentos clínicos de medicina tradicional china organizado por la Administración Nacional de Medicina Tradicional China. El enlace oficial de la red es 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).
