Summary
Denna studie introducerar en tredimensionell (3D) rekonstruktionsmetod för hela lungan hos patienter med tidiga multipla lungknutor. Den erbjuder en omfattande visualisering av noduldistribution och deras samspel med lungvävnad, vilket förenklar bedömningen av diagnos och prognos för dessa patienter.
Abstract
För patienter med tidiga multipla lungknutor är det viktigt, ur ett diagnostiskt perspektiv, att bestämma den rumsliga fördelningen, storleken, platsen och förhållandet till omgivande lungvävnad för dessa knölar i hela lungan. Detta är avgörande för att identifiera den primära lesionen och utveckla mer vetenskapligt grundade behandlingsplaner för läkare. Mönsterigenkänningsmetoder baserade på maskinseende är dock känsliga för falska positiva och falska negativa resultat och kan därför inte helt uppfylla kliniska krav i detta avseende. Visualiseringsmetoder baserade på maximal intensitetsprojektion (MIP) kan bättre illustrera lokala och individuella lungknutor men saknar en makroskopisk och holistisk beskrivning av fördelningen och rumsliga egenskaper hos multipla lungknutor.
Därför föreslår denna studie en 3D-rekonstruktionsmetod för hela lungorna. Den extraherar lungans 3D-kontur med hjälp av medicinsk bildbehandlingsteknik mot bakgrund av hela lungan och utför 3D-rekonstruktion av lungan, lungartären och flera lungknutor i 3D-rymden. Denna metod kan på ett heltäckande sätt skildra den rumsliga fördelningen och radiologiska egenskaper hos flera knölar i hela lungan, vilket ger ett enkelt och bekvämt sätt att utvärdera diagnos och prognos för multipla lungknutor.
Introduction
Tidiga multipla lungknutor, som är små, runda utväxter på lungan, kan vara godartade eller maligna 1,2,3. Även om ensamma lungknutor är lättare att diagnostisera och behandla, står patienter med tidiga multipla lungknutor inför betydande diagnostiska och behandlingsmässiga utmaningar. För att utveckla effektiva behandlingsplaner är det viktigt att noggrant identifiera den rumsliga fördelningen, storleken, platsen och förhållandet till omgivande lungvävnad för dessa knölar i hela lungan 4,5. Traditionella diagnostiska metoder har begränsningar när det gäller att exakt identifiera tidiga multipla lungknutor.
De senaste framstegen inom medicinsk bildbehandlingsteknik och maskininlärningsalgoritmer har potential att förbättra noggrannheten och effektiviteten vid tidig upptäckt och diagnos av lungknutor. Olika tillvägagångssätt har föreslagits, såsom mönsterigenkänningsmetoder baserade på maskinseende och visualiseringsmetoder baserade på maximal intensitetsprojektion (MIP)6,7,8,9,10. Dessa metoder lider dock av begränsningar såsom falskt positiva, falskt negativa 11,12,13,14,15 och brist på makroskopiska och holistiska beskrivningar av fördelningen och rumsliga egenskaper hos tidiga multipla lungknutor.
För att ta itu med dessa begränsningar föreslår denna studie en 3D-rekonstruktionsmetod för hela lungorna som använder medicinsk bildbehandlingsteknik för att extrahera lungans 3D-kontur mot bakgrunden av hela bröstskanningen. Metoden utför sedan 3D-rekonstruktion av lungan, lungartären och tidiga multipla lungknutor i 3D-rymden. Detta tillvägagångssätt möjliggör en mer omfattande och exakt representation av den rumsliga fördelningen och radiologiska egenskaper hos tidiga multipla knölar i hela lungan.
Den föreslagna metoden omfattar flera viktiga steg. Först importeras de medicinska bilderna till 3D-bildbehandlingsprogrammet och lungregionen extraheras med hjälp av en tröskelbaserad segmenteringsteknik. Därefter separeras den extraherade lungregionen från den omgivande bröstväggen och bröstkotornas benstrukturer. De tidiga multipla lungknutorna och deras förhållande till omgivande blodkärl rekonstrueras sedan i 3D-rymden med hjälp av MIP-algoritmer (maximum intensity projection). Slutligen visas den rekonstruerade 3D-modellen av lungan, lungartären och knölarna för vidare analys.
Denna metod har flera fördelar jämfört med befintliga metoder. Till skillnad från traditionella metoder som förlitar sig på 2D-bilder, använder denna metod 3D-volym för att ge en mer exakt och omfattande representation av tidiga multipla lungknutor. Metoden övervinner också begränsningarna med falska positiva och falska negativa resultat som är associerade med mönsterigenkänningsmetoder och MIP-visualiseringsmetoder. Dessutom ger denna metod en makroskopisk och holistisk beskrivning av fördelningen och de rumsliga egenskaperna hos tidiga multipla lungknutor, vilket är viktigt för att utveckla effektiva behandlingsplaner.
Den föreslagna metoden har flera potentiella tillämpningar vid diagnos och behandling av tidiga multipla lungknutor. Den exakta identifieringen av den rumsliga fördelningen och radiologiska egenskaper hos tidiga multipla knölar kan hjälpa till vid tidig diagnos och behandling av lungcancer. Dessutom kan metoden användas för att övervaka sjukdomsförloppet och utvärdera behandlingsplanernas effektivitet.
Mönsterigenkänningsmetoder 6,7,8 baserade på maskinseende har visat sig lovande när det gäller att identifiera lungknutor, men lider av begränsningar som falskt positiva och falskt negativa. MIP-visualiseringsmetoder, å andra sidan, ger en mer exakt representation av enskilda noduler, men saknar en makroskopisk och holistisk beskrivning av fördelningen och rumsliga egenskaper hos tidiga multipla noduler. Den föreslagna 3D-rekonstruktionsmetoden för hela lungorna övervinner dessa begränsningar och ger en mer exakt och omfattande representation av tidiga multipla lungknutor.
Isovoxel transformation16,17 hänvisar till processen att konvertera 3D-bilder med olika voxelstorlekar till 3D-bilder med enhetliga voxelstorlekar. Inom området medicinsk bildbehandling består 3D-volymer ofta av voxlar med varierande storlekar, vilket kan leda till beräknings- och visualiseringsproblem. Syftet med isovoxeltransformation är att ta itu med dessa problem genom att omsampla och interpolera voxlarna i den ursprungliga 3D-volymen, vilket resulterar i en ny 3D-bild med konsekventa voxelstorlekar. Denna teknik finner tillämpningar i olika medicinska sammanhang, inklusive bildregistrering, segmentering och visualisering. Således föreslog denna studie en 3D-rekonstruktionsmetod för hela lungorna som använder medicinsk bildbehandlingsteknik för att extrahera lungans 3D-kontur mot bakgrunden av hela bröstskanningen. Metoden ger en mer exakt och omfattande representation av den rumsliga fördelningen och radiologiska egenskaper hos tidiga multipla noduler i hela lungan. Denna studie bidrar till utvecklingen av mer exakta och effektiva diagnostiska och behandlingsstrategier för patienter med tidiga multipla lungknutor.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
För den aktuella studien erhölls etiskt godkännande från den etiska kommittén vid Dongzhimen Hospital, som är knuten till Beijing University of Chinese Medicine (DZMEC-KY-2019.90). I detta specifika fall ges en metodisk beskrivning av forskningsansatsen, som beskriver ett fall som involverar en 65-årig kvinnlig patient med flera lungknutor. Denna patient gav informerat samtycke till sin diagnos genom digital modellering och godkände användningen av hennes data för vetenskapliga forskningsändamål. Funktionen för modellrekonstruktion är härledd från ett kommersiellt tillgängligt mjukvaruverktyg (se Materialförteckning).
1. Förberedelse av data och omvandling av isovaxel
- DICOM (Digital Imaging and Communications in Medicine) dataförberedelse och dataegenskaper
OBS: Variationen i parametrar förblir relativt opåverkad av forskningsmetodiken.- Kopiera patientens DICOM-data till en definierad arbetskatalog.
- Undersök varje filkatalog med hjälp av filläsaren för att identifiera den bildsekvens som har det högsta antalet skanningslager för analys.
- Använd Dicominfo-funktionen i MATLAB genom att tillhandahålla DICOM-filer som indataparametrar. Detta gör att du kan extrahera viktiga parametrar, såsom skivtjocklek och pixelavstånd, direkt i MATLAB-miljön.
OBS: Dessa parametrar har stor betydelse för att konfigurera visningshastigheten för 3D-volymen. När det gäller datauppsättningen som användes i denna studie mätte skivtjockleken 1 mm, pixelavståndet motsvarade 0,7188 mm och totalt 387 lager skannades.
- Korrekt sortering av skannade data
OBS: Sekvensen för varje bild bör sorteras för volymkonstruktion.- Hämta platsdata för varje bild med hjälp av Dicominfo-funktionen . Få tillgång till platsinformationen genom att hänvisa till information. SliceLocation i MATLAB-arbetsytan.
- Spara platsdata i en variabel med hjälp av funktionen SliceLocation och generera ett diagram för den (figur 1).
- Förbättra diagrammet genom att lägga till en datapunkt till det med hjälp av knappen Datatips i det övre högra hörnet av GUI. Denna datapunkt bör markera den maximala platsen för den normala sekvensen, vilket motsvarar den översta platsen i patientens avbildning (figur 1).
- Organisera alla bilder genom att sortera dem och extrahera sedan bilderna från den första platsen till den maximala platsen. Uppnå detta genom att anropa VolumeResort-funktionen .
- Skydda volymdata, som består av 512 x 512 x 340 lager, från giltiga bilder tillsammans med deras sorterade index. Denna information kommer att vara värdefull för framtida referens, särskilt i samband med identifiering av viktiga knölar.
- Isovoxel omvandling
OBS: 3D Isovoxel-transformation gör det möjligt för efterföljande bearbetning att bibehålla samma visningsskala i alla dimensioner.- Undersök den tredimensionella skalan för en 3D-volym, som är 512 pixlar x 512 pixlar x 340 lager, med hjälp av storleksfunktionen i Matlab.
- För att visa 3D-volymen (Figur 2) med hjälp av Slice_View-kommandofunktionen , registrera sekvensskanningsområdet som innehåller lungorna från 60 till 340. Använd sedan helt enkelt kommandot V1=V0(:,:,60:340) för att få en 3D-volym som innehåller all data om hela lungan. Storleken på V1 är 512 pixlar x 512 pixlar x 281 lager.
- Använd MATLAB-kommandofunktionen dicominfo för att få skivtjockleken på bildsekvensen, som är 1 mm, och pixelavståndet är 0,7188. Beräkna antalet z-axlar för isovoxeltransformationen med kommandot: round (281 x 1/0.7188). Antalet lager för isovoxeltransformationen bör vara 391.
- Använd Matlab-kommandofunktionen imresize3 för att utföra isovoxel-transformation på V1. Kör skriptet med kommandot V2=imresize3(V1, [512, 512, 391]). Använd sedan funktionen 3D_Slice_View för att visa den isovoxeltransformerade 3D-volymen (figur 3).
2. Avlägsnande av bullerstörningar orsakade av datortomografiutrustning (CT)
OBS: I figur 2 är den högintensiva signalen som representerar CT-utrustningens patientbrits synlig, vilket kan störa bildsegmenteringen. För att eliminera denna störning krävs en rumslig filterdesign.
- Använd knappen Datatips i figur 2 för att lägga till kontinuerliga datapunkter i det interaktiva gränssnittet. Detta gör det möjligt att skapa en linje som förbinder dessa punkter, vilket effektivt utesluter patientbritsen. Högerklicka sedan på datatipsen och välj Exportera markördata till arbetsytan för att exportera referensgränsen för rumslig filtrering till MATLAB-arbetsytan (bild 3). Gränsspridningsmatrisen heter i det här fallet "CI".
- Anropa funktionen Noise_Clean för att tillämpa rumslig filtrering på V2 med hjälp av indataparametern "CI" från arbetsytan. Denna operation kommer att ge en 3D-volym som tar bort störningssignalen från CT-utrustningen. Använd slutligen kommandofunktionen Slice_View för att visualisera den resulterande volymen, vilket visas i figur 4.
3. Extraktion av lungkontur
- Börja med att välja ett segment som ska fungera som mall i det grafiska användargränssnittet som visas i figur 4. Välj till exempel den 232:a bilden för bildsegmenteringsdesignen och tilldela den till en variabel 'I' med kommandot I=V2(:,:,232). Öppna sedan MATLAB Image Segmenter GUI genom att köra kommandot imageSegmenter(I), som visas i figur 5.
- Bild 5 visar en rad verktyg för bildsegmentering. För att börja, välj verktyget Auto Cluster från verktygsfältet högst upp och kör kommandot genom att klicka med vänster musknapp. Bilden delas automatiskt in i två klasser. Med tanke på denoising-processen som utfördes i steg 2.2 blir bildsegmenteringen i detta skede relativt okomplicerad.
- Klicka sedan på knappen Visa binär i det övre högra hörnet för att visa bilden i svartvitt binärt. Vid denna tidpunkt kommer lungregionen att se svart ut. För att göra lungområdet vitt, välj knappen Invertera mask i det övre verktygsfältet och utför kommandot genom att klicka med vänster musknapp.
- För att ta bort den vita färgen utanför lungområdet, välj knappen Rensa kanter i det övre verktygsfältet och utför den genom att klicka med vänster musknapp. Efter detta steg kommer endast det vitfärgade lungområdet att finnas kvar. Eventuella svarta skuggor som finns kvar i lungområdet vid denna tidpunkt måste dock fyllas. För att uppnå detta, välj knappen Fyll hål i verktygsfältet, och resultatet efter att ha klickat på knappen visas i figur 6.
- Alla steg som är involverade i lungbildssegmentering presenteras i GUI i figur 6 i det nedre vänstra hörnet. Genom att klicka på knappen Exportera i det övre högra hörnet sparar du dessa automatiserade steg som en funktion för batchbearbetning av lungregionsegmentering. I popup-fönstret Skriptredigerare klickar du på knappen Spara för att spara funktionen i den aktuella arbetskatalogen.
4.3D rekonstruktion för hela lungan med flera lungknölar
OBS: Att ta punktprodukten av lungsegmenteringsbilden av varje bild med originalbilden motsvarar att utföra 3D-rumslig filtrering på volymen, effektivt filtrera bort störningssignaler utanför lungorna och erhålla lungornas 3D-struktur.
- Initiera 3Dlung_Volume-funktionen på MATLAB-arbetsytan.
OBS: Denna funktion utför bildsegmentering på varje bild med hjälp av utdata från steg 3.5. Den utför sedan en punktproduktoperation mellan den binära lungmasken och den ursprungliga bilden för att generera en ny 3D-volym som uteslutande innehåller lungvävnad. I GUI (Figur 7) som visas efter att funktionen är klar kan man visualisera och utföra MIP-operationer (Maximum Intensity Projection) på hela 3D-lungvolymen. - I GUI hittar du den första rullgardinsmenyn i det övre högra hörnet. Välj MIP-projektion och välj sedan jetfärgkartan bland alternativen för inbyggda färgkartor nedan. I rullgardinsmenyn i det övre högra hörnet av den fjärde vyn (3D-volymvy) väljer du sedan Maximera. Denna åtgärd kommer att ge en 3D-volym för hela lungan (figur 8) som kan observeras från vilken vinkel som helst, flyttas och manipuleras efter behov.
OBS: I avsnittet människa-datorinteraktion som illustreras i figur 8 kan man justera betraktningsvinkeln fritt genom att hålla ner vänster musknapp och flytta den. Genom att rulla den mellersta musknappen kan man zooma in eller ut. - För avancerade kontrast- och färgförbättringsoperationer, använd kontrollpanelen på höger sida av GUI.
5. Fokusera på undersökning av dominanta lungknutor
OBS: I 3D-rymden (figur 8) blir det dominerande lesionsområdet bland flera lungknutor tydligt synligt. Antalet, storleken och koncentrationen av dessa knölar är kritiska egenskaper hos den dominanta lesionen, vilket ger värdefulla insikter i sjukdomsbedömningen.
- Anropa Slice_View-funktionen igen, men den här gången matar du in hela lungans 3D-volym som erhölls i steg 4.2. I det resulterande grafiska användargränssnittet (figur 9) använder du den nedre rullningslisten för att navigera till den region där de dominanta lungknutorna är belägna, som sträcker sig över skanningarna 48 till 70.
- Fortsätt genom att anropa 3Dlung_Horizon-funktionen för att utföra 3D-rekonstruktion av intresseområdet (ROI) som omfattar sektionerna 48 till 70 från hela lungans 3D-volym. Denna åtgärd genererar ett GUI-gränssnitt som är skräddarsytt för visualisering av lungknutor, vilket illustreras i figur 10. Inom detta GUI kan man utforska lesionens detaljerade funktioner från olika vinklar.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
I förbehandlingsfasen för data bör DICOM-datasortering vara det första steget (figur 1) för att säkerställa korrekt skanningssekvens för varje lager under 3D-rekonstruktion. Därefter utförs isotrop transformation för att säkerställa rätt bildförhållande för 3D-volymen (figur 2). Därefter tillämpas rumslig filtrering på den ursprungliga 3D-volymen (figur 3) för att eliminera störningssignaler från CT-utrustningens patientbritsar (figur 4). För att få 3D-konturen av hela lungan utförs bildsegmentering på varje skanning (figur 5) för att skapa en binär lungbild (figur 6). Baserat på lungans 3D-kontur rekonstrueras hela lungans 3D-volym (Figur 7) och visualiseras i 3D (Figur 8). För det dominanta lesionsområdet (figur 9) kan en separat 3D-visualisering (figur 10) utföras för att noggrant identifiera lesionens detaljerade egenskaper.
Isovoxel-transformation säkerställer att samma skala bibehålls i alla dimensioner under efterföljande bearbetning. Bild 2 visar sektorvyn efter isovoxel-transformering. I detta grafiska användargränssnitt (GUI) kan man se hela råa 3D-volymdata.
Figur 3 och figur 4 visar den rumsliga filtreringsprocess som används för att avlägsna bäddsignalstörningar från CT-utrustningen. Utan detta kan bilder med brussignaler inte slutföra segmenteringen av lungstrukturerna i efterföljande steg.
Figur 5 och figur 6 illustrerar lungkonturextraktionsfunktionen, som automatiskt kan extrahera lungkonturer, vilket ger de grundläggande förutsättningarna för efterföljande 3D-rekonstruktion av lungstrukturer.
Figur 7 och figur 8 visar 3D-rekonstruktionen av hela lungan och avslöjar den rumsliga fördelningen av lungvävnader och multipla lungknutor. Genom att eliminera signalstörningar från vävnader utanför lungorna kan den rumsliga platsen, storleken och koncentrationen av flera lungknutor avbildas exakt.
Figur 9 och figur 10 visar 3D-visualiseringen av de dominanta lungknutorna av intresse. På grund av uteslutningen av signalstörningar från utsidan av lungorna förbättras kontrasten i bilderna. Förmågan att observera 3D-strukturen från vilken vinkel som helst gör det möjligt för läkare att göra mer exakta bedömningar av lesionsegenskaperna hos de dominerande lungknutorna.
Figur 1: Platsdiagram för bilder. Diagrammet visar platsen för bilder baserat på deras filnamnssekvens. Klicka här för att se en större version av denna figur.
Bild 2: GUI för 3D-volymsegmentvy. Grafiskt användargränssnitt (GUI) för visning av delar av 3D-volymen efter Isovoxel-transformation. Klicka här för att se en större version av denna figur.
Figur 3: Referensmatris för gränsspridning. Matrisen som representerar referensgränsspridning för rumslig filtrering. Klicka här för att se en större version av denna figur.
Bild 4: Vy över 3D-volymsegment efter rumslig filtrering. Vy över sektorer från 3D-volymen när du har använt rumslig filtrering. Klicka här för att se en större version av denna figur.
Bild 5: Grafiskt användargränssnitt för bildsegmentering. Grafiskt användargränssnitt (GUI) för verktyget Bildsegmentering. Klicka här för att se en större version av denna figur.
Figur 6: Resultat av skuggfyllning i lungområdet. Den resulterande bilden efter att ha fyllt svarta skuggor i lungområdet med knappen "Fyll hål". Klicka här för att se en större version av denna figur.
Figur 7: 3D-lungrekonstruktion med multipla lungknutor. 3D-rekonstruktion av hela lungan som visar tidiga multipla lungknutor. Klicka här för att se en större version av denna figur.
Figur 8: Interaktivt grafiskt användargränssnitt för visning av lungvolym i 3D. Interaktivt grafiskt användargränssnitt (GUI) för visning och manipulering av hela 3D-lungvolymen. Klicka här för att se en större version av denna figur.
Figur 9: Segmentvy för navigering i området med dominanta lungknutor. Segmentvy för att navigera i regionen som innehåller dominanta lungknutor inom hela 3D-lungvolymen. Klicka här för att se en större version av denna figur.
Figur 10: 3D-visualisering av dominant lungknuta. Tredimensionell visualisering av den dominanta lungknölen i lungvolymen. Klicka här för att se en större version av denna figur.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Denna forskning introducerar ett unikt tillvägagångssätt för att skapa en komplett tredimensionell (3D) rekonstruktion av hela lungan, med hjälp av avancerade medicinska bildbehandlingstekniker för att avgränsa lungans 3D-form mitt i samband med en fullständig bröstskanning. Denna teknik ger en mer exakt och grundlig skildring av det rumsliga arrangemanget och de radiologiska egenskaperna hos tidiga multipla knölar över hela lungan. Denna studie ger ett värdefullt bidrag till att förbättra noggrannheten och effektiviteten av diagnostik- och behandlingsstrategier för individer med tidiga multipla lungknutor.
Kritiska steg
I denna studie identifierades flera kritiska steg som avgörande för protokollets framgång: (1) Sortering och arrangemang av DICOM-skanningssekvenskoordinater för att generera en exakt 3D-volym av lungskanningen (steg 1.2.2); (2) Isotrop transformation för att säkerställa korrekt bildförhållande för 3D-volymen, vilket är avgörande för efterföljande 3D-rekonstruktion (steg 1.3.4); (3) Rekonstruktion av hela lungan med hjälp av en tidig modell med multipla lungknutor, vilket möjliggör identifiering av det dominerande lungknutsområdet (steg 4.1); (4) Detaljerad visualisering och undersökning av det lokala området som innehåller den dominanta lesionen (steg 5.2).
Modifieringar och felsökning
Segmenteringen av lungvävnadsstrukturer kan påverkas av gråskaletröskelförskjutningen i skanningssekvensen, vilket kan resultera i felaktig bildsegmentering i vissa skanningar. Vid felaktig segmentering kan ett separat filter (upprepa steg 3) utformas för att få exakta lungvävnadskonturer. Att upprätthålla högsta precision i isovoxeltransformation16,17 är avgörande för att säkerställa korrekt användning av data. Dessa steg förväntas bli mer intelligenta och automatiserade i framtiden. Med utvecklingen av storskaliga medicinska bildmodeller är exakt konturidentifiering genom datorseende också en viktig riktning för framtida utveckling11.
Begränsningar
Förenklad implementering av lungkonturextraktion kan leda till fel vid gränsen för lungans 3D-kontur, vilket kan påverka visualiseringen av små knölar nära lungans kant. Effekten av denna begränsning är dock minimal när man visualiserar det dominanta lesionsområdet i fall av multipla lungknutor.
Betydelse i förhållande till befintliga metoder
Jämfört med datorseende erbjuder denna metod en omfattande representation av lungvävnadsstrukturen, inklusive relationerna mellan flera lungknutor och lungvävnad, samtidigt som man undviker problemen med falska positiva och falska negativa. Dessutom filtrerar den effektivt bort signalstörningar från andra vävnadsstrukturer, vilket leder till mer exakta och exakta diagnoser med förbättrad kontrast och klarhet.
Framtida användningsområden
Denna 3D-visualiseringsmetod har stor potential för olika kliniska tillämpningar, såsom att underlätta kommunikation mellan läkare och patient, möjliggöra exakt diagnos, stödja datadriven evidensbaserad klassificering, hjälpa till med behandlingsplanering och utvärdera prognoser. Det kan hjälpa till med preoperativ planering, tillhandahålla intraoperativ navigering för kirurgiskt avlägsnande av flera lungknölar och övervaka förändringar i knölstorlek och form över tid för att bedöma behandlingens effektivitet. Sammantaget har den kapacitet att förbättra det kliniska beslutsfattandet vid diagnos och behandling av flera lungknutor.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna har inga intressekonflikter att redovisa. Mjukvaruverktyget för rekonstruktion av lungknutor, som listas i materialtabellen för denna studie, är en kommersiell programvara från Beijing Intelligent Entropy Science & Technology Co Ltd. De immateriella rättigheterna för detta programvaruverktyg tillhör företaget.
Acknowledgments
Denna publikation stöddes av det femte nationella forskningsprogrammet för klinisk framstående kinesisk medicin som organiseras av National Administration of Traditional Chinese Medicine. Den officiella nätverkslänken är 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).
