Summary
Bu çalışma, erken multipl pulmoner nodülleri olan hastalarda tüm akciğer için üç boyutlu (3D) bir rekonstrüksiyon yöntemi sunmaktadır. Nodül dağılımının ve akciğer dokusu ile etkileşiminin kapsamlı bir görselleştirmesini sunarak, bu hastalar için tanı ve prognozun değerlendirilmesini basitleştirir.
Abstract
Erken multipl pulmoner nodülleri olan hastalar için, tanısal bir bakış açısıyla, bu nodüllerin tüm akciğer boyunca uzaysal dağılımını, boyutunu, yerini ve çevresindeki akciğer dokusu ile ilişkisini belirlemek esastır. Bu, birincil lezyonu tanımlamak ve doktorlar için daha bilimsel temelli tedavi planları geliştirmek için çok önemlidir. Bununla birlikte, makine görüşüne dayalı örüntü tanıma yöntemleri, yanlış pozitiflere ve yanlış negatiflere karşı hassastır ve bu nedenle bu konudaki klinik talepleri tam olarak karşılayamaz. Maksimum yoğunluk projeksiyonuna (MIP) dayalı görselleştirme yöntemleri, lokal ve bireysel pulmoner nodülleri daha iyi gösterebilir, ancak çoklu pulmoner nodüllerin dağılımı ve uzamsal özelliklerinin makroskopik ve bütünsel bir tanımından yoksundur.
Bu nedenle, bu çalışma tüm akciğer 3D rekonstrüksiyon yöntemini önermektedir. Tüm akciğerin arka planına karşı tıbbi görüntü işleme teknolojisini kullanarak akciğerin 3D konturunu çıkarır ve akciğer, pulmoner arter ve çoklu pulmoner nodüllerin 3D uzayda 3D rekonstrüksiyonunu gerçekleştirir. Bu yöntem, tüm akciğer boyunca çoklu nodüllerin uzamsal dağılımını ve radyolojik özelliklerini kapsamlı bir şekilde tasvir edebilir ve çoklu pulmoner nodüllerin tanı ve prognozunu değerlendirmek için basit ve kullanışlı bir araç sağlar.
Introduction
Akciğerde küçük, yuvarlak büyümeler olan erken multipl pulmoner nodüller iyi huylu veya kötü huylu olabilir 1,2,3. Soliter pulmoner nodüllerin tanı ve tedavisi daha kolay olmasına rağmen, erken multipl pulmoner nodülleri olan hastalar önemli tanı ve tedavi zorluklarıyla karşı karşıyadır. Etkili tedavi planları geliştirmek için, bu nodüllerin tüm akciğer boyunca mekansal dağılımını, boyutunu, yerini ve çevresindeki akciğer dokusu ile ilişkisini doğru bir şekilde tanımlamak esastır 4,5. Geleneksel tanı yöntemlerinin erken multipl pulmoner nodülleri doğru bir şekilde tanımlamada sınırlamaları vardır.
Tıbbi görüntü işleme teknolojisi ve makine öğrenimi algoritmalarındaki son gelişmeler, erken pulmoner nodül tespiti ve teşhisinin doğruluğunu ve verimliliğini artırma potansiyeline sahiptir. Makine görüşüne dayalı örüntü tanıma yöntemleri ve maksimum yoğunluk projeksiyonuna (MIP) dayalı görselleştirme yöntemleri gibi çeşitli yaklaşımlar önerilmiştir6,7,8,9,10. Bununla birlikte, bu yöntemler yanlış pozitifler, yanlış negatifler 11,12,13,14,15 ve erken multipl pulmoner nodüllerin dağılımı ve uzamsal özelliklerinin makroskopik ve bütünsel tanımlarının olmaması gibi sınırlamalardan muzdariptir.
Bu sınırlamaları ele almak için, bu çalışma, akciğerin 3D konturunu tüm göğüs taramasının arka planına karşı çıkarmak için tıbbi görüntü işleme teknolojisini kullanan bir tüm akciğer 3D rekonstrüksiyon yöntemi önermektedir. Yöntem daha sonra akciğer, pulmoner arter ve erken multipl pulmoner nodüllerin 3D alanda 3D rekonstrüksiyonunu gerçekleştirir. Bu yaklaşım, tüm akciğerdeki erken multipl nodüllerin uzamsal dağılımının ve radyolojik özelliklerinin daha kapsamlı ve doğru bir temsilini sağlar.
Önerilen yöntem birkaç temel adımı içerir. İlk olarak, tıbbi görüntüler 3D görüntü işleme yazılımına aktarılır ve eşik tabanlı bir segmentasyon tekniği kullanılarak akciğer bölgesi çıkarılır. Akabinde çıkarılan akciğer bölgesi, çevresindeki göğüs duvarından ve göğüs omurlarının kemiksi yapılarından ayrılır. Erken multipl pulmoner nodüller ve çevredeki kan damarları ile ilişkileri daha sonra maksimum yoğunluk projeksiyonu (MIP) algoritmaları kullanılarak 3B uzayda yeniden yapılandırılır. Son olarak, daha fazla analiz için akciğer, pulmoner arter ve nodüllerin yeniden yapılandırılmış 3D modeli görüntülenir.
Bu yöntemin mevcut yöntemlere göre çeşitli avantajları vardır. 2D görüntülere dayanan geleneksel yöntemlerin aksine, bu yöntem erken multipl pulmoner nodüllerin daha doğru ve kapsamlı bir temsilini sağlamak için 3D hacmi kullanır. Yöntem ayrıca, örüntü tanıma yöntemleri ve MIP görselleştirme yöntemleriyle ilişkili yanlış pozitiflerin ve yanlış negatiflerin sınırlamalarının üstesinden gelir. Ayrıca, bu yöntem, etkili tedavi planları geliştirmek için gerekli olan erken multipl pulmoner nodüllerin dağılımının ve mekansal özelliklerinin makroskopik ve bütünsel bir tanımını sağlar.
Önerilen yöntemin erken multipl pulmoner nodüllerin tanı ve tedavisinde çeşitli potansiyel uygulamaları vardır. Erken multipl nodüllerin mekansal dağılımının ve radyolojik özelliklerinin doğru tanımlanması, akciğer kanserinin erken tanı ve tedavisine yardımcı olabilir. Ayrıca yöntem, hastalığın ilerlemesini izlemek ve tedavi planlarının etkinliğini değerlendirmek için kullanılabilir.
Makine görüşüne dayalı örüntü tanıma yöntemleri6,7,8, pulmoner nodüllerin tanımlanmasında umut vaat etmektedir, ancak yanlış pozitifler ve yanlış negatifler gibi sınırlamalardan muzdariptir. Öte yandan, MIP görselleştirme yöntemleri, tek tek nodüllerin daha doğru bir temsilini sağlar, ancak erken multipl nodüllerin dağılımı ve uzamsal özelliklerinin makroskopik ve bütünsel bir tanımından yoksundur. Önerilen tüm akciğer 3D rekonstrüksiyon yöntemi bu sınırlamaların üstesinden gelir ve erken multipl pulmoner nodüllerin daha doğru ve kapsamlı bir temsilini sağlar.
İzovoksel dönüşümü16,17, farklı voksel boyutlarına sahip 3B görüntüleri, tek tip voksel boyutlarına sahip 3B görüntülere dönüştürme işlemini ifade eder. Tıbbi görüntü işleme alanında, 3B hacimler genellikle çeşitli boyutlardaki voksellerden oluşur ve bu da hesaplama ve görselleştirme sorunlarına yol açabilir. İzovoksel dönüşümünün amacı, orijinal 3B ciltteki vokselleri yeniden örnekleyerek ve enterpolasyon yaparak bu sorunları ele almak ve tutarlı voksel boyutlarına sahip yeni bir 3B görüntü elde etmektir. Bu teknik, görüntü kaydı, segmentasyon ve görselleştirme dahil olmak üzere çeşitli tıbbi bağlamlarda uygulamalar bulur. Bu nedenle, bu çalışma, akciğerin 3D konturunu tüm göğüs taramasının arka planına karşı çıkarmak için tıbbi görüntü işleme teknolojisini kullanan bir tüm akciğer 3D rekonstrüksiyon yöntemi önerdi. Yöntem, tüm akciğer boyunca erken multipl nodüllerin uzamsal dağılımının ve radyolojik özelliklerinin daha doğru ve kapsamlı bir temsilini sağlar. Bu çalışma, erken multipl pulmoner nodüllü hastalar için daha doğru ve etkili tanı ve tedavi stratejilerinin geliştirilmesine katkıda bulunmaktadır.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Bu çalışma için Pekin Çin Tıbbı Üniversitesi'ne bağlı Dongzhimen Hastanesi Etik Kurulu'ndan etik izin alınmıştır (DZMEC-KY-2019.90). Bu özel durumda, multipl pulmoner nodülü olan 65 yaşında bir kadın hastayı içeren bir vakayı özetleyen araştırma yaklaşımının metodik bir açıklaması sağlanmıştır. Bu hasta, dijital modelleme yoluyla teşhisi için bilgilendirilmiş onam verdi ve verilerinin bilimsel araştırma amacıyla kullanılmasına izin verdi. Model yeniden yapılandırma işlevi, ticari olarak temin edilebilen bir yazılım aracından türetilmiştir (bkz.
1. Veri hazırlama ve izovoksel dönüşümü
- DICOM (Digital Imaging and Communications in Medicine) veri hazırlama ve veri özellikleri
NOT: Parametrelerdeki değişiklik, araştırma metodolojisinden nispeten etkilenmez.- Hastanın DICOM verilerini tanımlı bir çalışma dizinine kopyalayın.
- Dosya tarayıcısını kullanarak, analiz için en fazla sayıda tarama katmanına sahip görüntü dizisini belirlemek için her dosya dizinini inceleyin.
- DICOM dosyalarını giriş parametreleri olarak sağlayarak MATLAB içindeki Dicominfo işlevini kullanın. Bu, dilim kalınlığı ve piksel aralığı gibi temel parametreleri doğrudan MATLAB ortamında çıkarmanıza olanak tanır.
NOT: Bu parametreler, 3D cilt için görüntüleme hızının yapılandırılmasında büyük önem taşır. Bu çalışmada kullanılan veri setinde dilim kalınlığı 1 mm, piksel aralığı 0,7188 mm'ye eşit olarak ölçülmüş ve toplam 387 katman taranmıştır.
- Taranan verilerin doğru sıralanması
NOT: Her görüntünün sırası, hacim oluşturma için sıralanmalıdır.- Dicominfo işlevini kullanarak her görüntü için konum verilerini alın. Bilgilere başvurarak konum bilgilerine erişin. SliceLocation, MATLAB çalışma alanı içinde.
- SliceLocation işlevini kullanarak konum verilerini bir değişkene kaydedin ve bunun için bir çizim oluşturun (Şekil 1).
- GUI'nin sağ üst köşesinde bulunan Veri İpuçları düğmesini kullanarak bir veri noktası ekleyerek grafiği geliştirin. Bu veri noktası, hastanın görüntülemesinde en üstteki konuma karşılık gelen normal dizinin maksimum konumunu işaretlemelidir (Şekil 1).
- Tüm görüntüleri sıralayarak düzenleyin ve ardından ilk konumdan maksimum konuma kadar değişen görüntüleri çıkarın. VolumeResort işlevini çağırarak bunu başarın.
- 512 piksele 512 piksele 340 katmandan oluşan birim verilerini, sıralanmış dizinleriyle birlikte geçerli görüntülerden koruyun. Bu bilgiler, özellikle önemli nodüllerin tanımlanması bağlamında, gelecekte başvurmak üzere değerli olacaktır.
- İzovoksel dönüşümü
NOT: 3D İzovoksel dönüşümü, sonraki işlemlerin tüm boyutlarda aynı ekran ölçeğini korumasına izin verir.- Matlab'daki boyut işlevini kullanarak 512 piksel x 512 piksel x 340 katman olan bir 3B cildin üç boyutlu ölçeğini inceleyin.
- Slice_View komut işlevini kullanarak 3D hacmi (Şekil 2) görüntülemek için, 60 ila 340 arasındaki akciğerleri içeren dizi tarama aralığını kaydedin. Ardından, tüm akciğerin tüm verilerini içeren bir 3D hacim elde etmek için V1=V0(:,:,60:340) komutunu kullanın. V1'in boyutu 512 piksel x 512 piksel x 281 katmandır.
- Görüntü dizisinin 1 mm olan dilim kalınlığını ve piksel aralığının 0,7188 olan dilim kalınlığını elde etmek için MATLAB komut işlevi dicominfo'yu kullanın. İzovoksel dönüşümü için z ekseni sayısını şu komutla hesaplayın: yuvarlak (281 x 1/0.7188). İzovoksel dönüşümü için katman sayısı 391 olmalıdır.
- V1'de izovoksel dönüşümü gerçekleştirmek için imresize3 Matlab komut işlevini kullanın. V2=imresize3(V1, [512, 512, 391]) komutunu kullanarak komut dosyasını çalıştırın. Ardından, izovoksel dönüştürülmüş 3D Hacmi görüntülemek için 3D_Slice_View işlevini kullanın (Şekil 3).
2. Bilgisayarlı Tomografi (BT) ekipmanının neden olduğu gürültü girişiminin giderilmesi
NOT: Şekil 2'de, BT ekipmanının hasta koltuğunu temsil eden yüksek yoğunluklu sinyal görülebilir ve bu da görüntü segmentasyonunu engelleyebilir. Bu paraziti ortadan kaldırmak için uzamsal bir filtre tasarımı gereklidir.
- Etkileşimli arabirime sürekli veri noktaları eklemek için Şekil 2'deki Veri İpuçları düğmesini kullanın. Bu, hasta koltuğunu etkili bir şekilde hariç tutarak bu noktaları birleştiren bir çizgi oluşturulmasına izin verecektir. Ardından, Veri İpuçları'na sağ tıklayın ve uzamsal filtreleme için referans sınırını MATLAB çalışma alanına aktarmak için İmleç Verilerini Çalışma Alanına Aktar'ı seçin (Şekil 3). Bu durumda sınır saçılma matrisi 'CI' olarak adlandırılır.
- Çalışma alanından 'CI' giriş parametresini kullanarak V2'ye uzamsal filtreleme uygulamak için Noise_Clean işlevini çağırın. Bu işlem, CT ekipmanından parazit sinyalini kaldıran bir 3D hacim verecektir. Son olarak, Şekil 4'te gösterildiği gibi ortaya çıkan hacmi görselleştirmek için Slice_View komutu işlevini kullanın.
3. Akciğer konturunun çıkarılması
- Şekil 4'te görüntülenen GUI içinde şablon görevi görecek bir dilim seçerek başlayın. Örneğin, görüntü segmentasyon tasarımı için 232. görüntüyü seçin ve I=V2(:,:,232) komutunu kullanarak bunu bir 'I' değişkenine atayın. Ardından, Şekil 5'te gösterildiği gibi imageSegmenter(I) komutunu yürüterek MATLAB Image Segmenter GUI'sini açın.
- Şekil 5 , bir dizi görüntü segmentasyon aracını göstermektedir. Başlamak için, üstteki araç çubuğundan Otomatik Kümeleme aracını seçin ve farenin sol tuşuna tıklayarak komutu yürütün. Görüntü otomatik olarak iki sınıfa ayrılacaktır. Adım 2.2'de gerçekleştirilen gürültü giderme işlemi göz önüne alındığında, bu aşamada görüntü segmentasyonu nispeten basit hale gelir.
- Ardından, görüntüyü siyah beyaz ikili olarak görüntülemek için sağ üst köşedeki İkiliyi Göster düğmesine tıklayın. Bu noktada akciğer bölgesi siyah görünecektir. Akciğer bölgesini beyaz yapmak için üst araç çubuğundan Maskeyi Ters Çevir düğmesini seçin ve farenin sol tuşuna tıklayarak komutu uygulayın.
- Akciğer bölgesi dışındaki beyaz rengi ortadan kaldırmak için, üst araç çubuğundaki Sınırları Temizle düğmesini seçin ve farenin sol tuşu ile tıklayarak çalıştırın. Bu adımdan sonra sadece beyaz renkli akciğer bölgesi kalacaktır. Bununla birlikte, bu noktada akciğer bölgesinde kalan siyah gölgelerin doldurulması gerekir. Bunu başarmak için, araç çubuğundaki Delikleri Doldur düğmesini seçin ve düğmeye tıkladıktan sonraki sonuç Şekil 6'da gösterilir.
- Akciğer görüntü segmentasyonunda yer alan tüm adımlar, sol alt köşedeki Şekil 6'nın GUI'sinde sunulmaktadır. Sağ üst köşedeki Dışa Aktar düğmesine tıklayarak, bu otomatik adımları toplu işleme akciğer bölgesi segmentasyonu için bir işlev olarak kaydedin. Açılır Komut Dosyası Düzenleyicisi'nde, işlevi geçerli çalışma dizinine kaydetmek için Kaydet düğmesine tıklayın.
4.3D Çoklu pulmoner nodülleri olan tüm akciğer için rekonstrüksiyon
NOT: Her görüntünün akciğer segmentasyon görüntüsünün nokta çarpımını orijinal görüntü ile almak, hacim üzerinde 3B uzamsal filtreleme yapmak, akciğerlerin dışındaki parazit sinyallerini etkili bir şekilde filtrelemek ve akciğerlerin 3B yapısını elde etmekle eşdeğerdir.
- MATLAB çalışma alanı içinde 3Dlung_Volume işlevini başlatın.
NOT: Bu işlev, adım 3.5'teki çıktıyı kullanarak her görüntüde görüntü segmentasyonu gerçekleştirir. Daha sonra, yalnızca akciğer dokusunu içeren yeni bir 3D hacim oluşturmak için ikili akciğer maskesi ile orijinal görüntü arasında bir nokta çarpım işlemi yürütür. İşlev tamamlandıktan sonra görünen GUI'de (Şekil 7), tüm 3D akciğer hacminde Maksimum Yoğunluk Projeksiyonu (MIP) işlemleri görselleştirilebilir ve gerçekleştirilebilir. - GUI içinde, sağ üst köşedeki ilk açılır menüyü bulun. MIP Projection'ı seçin ve ardından aşağıdaki Built-in Colormaps (Yerleşik Renk Haritaları) seçeneklerinden jet renk haritasını seçin. Ardından, dördüncü görünümün (3D Hacim Görünümü) sağ üst köşesinde bulunan açılır menüde Ekranı Kapla'yı seçin. Bu eylem, herhangi bir açıdan gözlemlenebilen, hareket ettirilebilen ve gerektiğinde manipüle edilebilen bütün bir akciğer 3D hacmi (Şekil 8) verecektir.
NOT: Şekil 8'de gösterilen insan-bilgisayar etkileşimi bölümünde, farenin sol düğmesini basılı tutup hareket ettirerek görüş açısı serbestçe ayarlanabilir. Farenin orta düğmesini kaydırmak, yakınlaştırmaya veya uzaklaştırmaya izin verir. - Gelişmiş kontrast ve renk geliştirme işlemleri için GUI'nin sağ tarafındaki kontrol panelini kullanın.
5. Baskın pulmoner nodüllerin muayenesine odaklanın
NOT: 3 boyutlu uzayda (Şekil 8), çoklu pulmoner nodüller arasındaki baskın lezyon alanı belirgin bir şekilde görünür hale gelir. Bu nodüllerin sayısı, büyüklüğü ve konsantrasyonu, baskın lezyonun kritik özellikleridir ve hastalık değerlendirmesine ilişkin değerli bilgiler sunar.
- Bir kez daha, Slice_View fonksiyonunu çağırın, ancak bu sefer adım 4.2'de elde edilen tüm akciğerin 3D hacmini girin. Ortaya çıkan GUI içinde (Şekil 9), 48 ila 70 taramaları kapsayan baskın akciğer nodüllerinin bulunduğu bölgeye gitmek için alt kaydırma çubuğunu kullanın.
- Tüm akciğerin 3D hacminden 48 ila 70. bölümleri kapsayan İlgi Bölgesinin (ROI) 3D rekonstrüksiyonunu yapmak için 3Dlung_Horizon fonksiyonunu çağırarak devam edin. Bu eylem, Şekil 10'da gösterildiği gibi pulmoner nodülleri görselleştirmek için uyarlanmış bir GUI arabirimi oluşturacaktır. Bu GUI'de, lezyonun ayrıntılı özellikleri çeşitli açılardan keşfedilebilir.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Veri ön işleme aşamasında, 3D rekonstrüksiyon sırasında her katman için doğru tarama sırasını sağlamak için DICOM veri sıralaması ilk adım olmalıdır (Şekil 1). Ardından, 3D hacmin doğru en boy oranını sağlamak için izotropik dönüşüm gerçekleştirilir (Şekil 2). Daha sonra, BT ekipmanının hasta koltuğundan gelen parazit sinyallerini ortadan kaldırmak için orijinal 3D hacme (Şekil 3) uzamsal filtreleme uygulanır (Şekil 4). Tüm akciğerin 3 boyutlu konturunu elde etmek için, ikili bir akciğer görüntüsü oluşturmak için her taramada (Şekil 5) görüntü segmentasyonu gerçekleştirilir (Şekil 6). Akciğerin 3 boyutlu konturuna dayanarak, tüm akciğer 3 boyutlu hacmi yeniden yapılandırılır (Şekil 7) ve 3 boyutlu olarak görselleştirilir (Şekil 8). Baskın lezyon alanı için (Şekil 9), lezyonun ayrıntılı özelliklerini dikkatlice tanımlamak için ayrı bir 3D görselleştirme (Şekil 10) yapılabilir.
İzovoksel dönüşümü, sonraki işlemler sırasında tüm boyutlarda aynı ölçeğin korunmasını sağlar. Şekil 2 , izovoksel dönüşümünden sonraki dilim görünümünü gösterir. Bu grafik kullanıcı arayüzünde (GUI), ham 3D hacim verilerinin tamamı görüntülenebilir.
Şekil 3 ve Şekil 4, CT ekipmanından yatak sinyali parazitini gidermek için kullanılan uzamsal filtreleme işlemini göstermektedir. Bu olmadan, gürültülü sinyallere sahip görüntüler, sonraki adımlarda akciğer yapılarının segmentasyonunu tamamlayamaz.
Şekil 5 ve Şekil 6, akciğer yapılarının müteakip 3D rekonstrüksiyonu için temel koşulları sağlayan, akciğer konturlarını otomatik olarak çıkarabilen akciğer kontur ekstraksiyon işlevini göstermektedir.
Şekil 7 ve Şekil 8, akciğer dokularının ve çoklu akciğer nodüllerinin uzamsal dağılımını ortaya koyarak tüm akciğerin 3 boyutlu rekonstrüksiyonunu göstermektedir. Akciğerlerin dışındaki dokulardan gelen sinyal girişimini ortadan kaldırarak, çoklu pulmoner nodüllerin uzamsal konumu, boyutu ve konsantrasyonu doğru bir şekilde gösterilebilir.
Şekil 9 ve Şekil 10, ilgilenilen baskın akciğer nodüllerinin 3D görselleştirmesini göstermektedir. Akciğerlerin dışından gelen sinyal parazitinin dışlanması nedeniyle, görüntülerin kontrastı iyileştirilir. 3 boyutlu yapıyı herhangi bir açıdan gözlemleme yeteneği, doktorların baskın pulmoner nodüllerin lezyon özellikleri hakkında daha doğru yargılarda bulunmalarını sağlar.
Şekil 1: Görüntülerin konum grafiği. Grafik, görüntülerin konumunu dosya adı sıralarına göre görüntüler. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 2: 3D hacim dilim görünümü için GUI. İzovoksel dönüşümünden sonra 3B cildin dilimlerini görüntülemek için Grafik Kullanıcı Arabirimi (GUI). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 3: Referans sınır dağılım matrisi. Uzamsal filtreleme için referans sınır dağılımını temsil eden matris. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 4: Uzamsal filtrelemeden sonra 3B hacim dilimi görünümü. Uzamsal filtreleme uygulandıktan sonra 3B ciltten dilimlerin görünümü. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 5: Görüntü segmenter GUI'si. Görüntü Segmenter aracının Grafik Kullanıcı Arabirimi (GUI). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 6: Akciğer bölgesi gölge dolgusunun sonucu. "Delikleri Doldur" butonu kullanılarak akciğer bölgesindeki siyah gölgeler doldurulduktan sonra ortaya çıkan görüntü. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 7: Çoklu pulmoner nodüller ile 3D akciğer rekonstrüksiyonu. Erken multipl pulmoner nodülleri gösteren tüm akciğerin 3D rekonstrüksiyonu. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 8: 3D akciğer hacmi görüntüleme için etkileşimli GUI. Tüm 3D akciğer hacmini görüntülemek ve manipüle etmek için Etkileşimli Grafik Kullanıcı Arayüzü (GUI). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 9: Baskın pulmoner nodül alanında gezinmek için kesit görünümü. Tüm 3D akciğer hacmi içinde baskın pulmoner nodüller içeren bölgede gezinmek için dilim görünümü. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 10: Baskın pulmoner nodülün 3 boyutlu görselleştirilmesi. Akciğer hacmi içindeki baskın pulmoner nodülün üç boyutlu görüntülenmesi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Bu araştırma, tam bir göğüs taraması bağlamında akciğerin 3D şeklini tanımlamak için gelişmiş tıbbi görüntü işleme tekniklerini kullanarak, tüm akciğerin tam bir üç boyutlu (3D) rekonstrüksiyonunu oluşturmak için benzersiz bir yaklaşım sunmaktadır. Bu teknik, tüm akciğerdeki erken multipl nodüllerin uzamsal düzenlemesinin ve radyolojik özelliklerinin daha kesin ve kapsamlı bir tasvirini sunar. Bu çalışma, erken multipl pulmoner nodülleri olan bireyler için tanı ve tedavi stratejilerinin doğruluğunu ve etkinliğini artırmaya değerli bir katkı sağlamaktadır.
Kritik adımlar
Bu çalışmada, protokolün başarısı için gerekli olan birkaç kritik adım tanımlanmıştır: (1) Akciğer taramasının doğru bir 3D hacmini oluşturmak için DICOM tarama dizisi koordinatlarının sıralanması ve düzenlenmesi (adım 1.2.2); (2) Sonraki 3B rekonstrüksiyon için çok önemli olan 3B hacmin doğru en boy oranını sağlamak için izotropik dönüşüm (adım 1.3.4); (3) Baskın pulmoner nodül alanının tanımlanmasını sağlayan erken çoklu pulmoner nodül modeli kullanılarak tüm akciğerin rekonstrüksiyonu (adım 4.1); (4) Baskın lezyonu içeren lokal alanın ayrıntılı görselleştirilmesi ve incelenmesi (adım 5.2).
Değişiklikler ve sorun giderme
Akciğer dokusu yapılarının segmentasyonu, tarama dizisindeki gri tonlamalı eşik ofsetinden etkilenebilir ve bu da bazı taramalarda potansiyel olarak yanlış görüntü segmentasyonuna neden olabilir. Yanlış segmentasyon durumlarında, hassas akciğer dokusu konturları elde etmek için ayrı bir filtre (3. adımı tekrarlayan) tasarlanabilir. İzovoksel dönüşümünde en yüksek hassasiyetikorumak 16,17, verilerin doğru kullanımını sağlamak için çok önemlidir. Bu adımların gelecekte daha akıllı ve otomatik hale gelmesi bekleniyor. Büyük ölçekli tıbbi görüntüleme modellerinin gelişmesiyle birlikte, bilgisayarla görme yoluyla hassas kontur tanımlaması da gelecekteki gelişim için önemli bir yöndür11.
Sınırlama
Akciğer kontur ekstraksiyonunun basitleştirilmiş uygulaması, akciğerin 3D konturunun sınırında hatalara yol açabilir ve potansiyel olarak akciğerin kenarına yakın küçük nodüllerin görselleştirilmesini etkileyebilir. Bununla birlikte, çoklu pulmoner nodül vakalarında baskın lezyon alanı görselleştirilirken bu sınırlamanın etkisi minimaldir.
Mevcut yöntemlere göre önemi
Bilgisayarla görme yaklaşımlarıyla karşılaştırıldığında, bu yöntem, yanlış pozitifler ve yanlış negatifler sorunlarından kaçınırken, çoklu pulmoner nodüller ve akciğer dokusu arasındaki ilişkiler de dahil olmak üzere akciğer dokusu yapısının kapsamlı bir temsilini sunar. Ek olarak, diğer doku yapılarından gelen sinyal parazitini etkili bir şekilde filtreleyerek, gelişmiş kontrast ve netlik ile daha kesin ve doğru teşhislere yol açar.
Gelecekteki uygulamalar
Bu 3D görselleştirme yöntemi, doktor-hasta iletişimini kolaylaştırmak, kesin tanı koymak, veriye dayalı kanıta dayalı sınıflandırmayı desteklemek, tedavi planlamasına yardımcı olmak ve prognozu değerlendirmek gibi çeşitli klinik uygulamalar için önemli bir potansiyele sahiptir. Ameliyat öncesi planlamaya yardımcı olabilir, çoklu akciğer nodüllerinin cerrahi olarak çıkarılması için intraoperatif navigasyon sağlayabilir ve tedavi etkinliğini değerlendirmek için zaman içinde nodül boyutu ve şeklindeki değişiklikleri izleyebilir. Genel olarak, çoklu pulmoner nodüllerin tanı ve tedavisinde klinik karar vermeyi geliştirme kapasitesine sahiptir.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Yazarların ifşa edecek herhangi bir çıkar çatışması yoktur. Bu çalışmanın Malzeme Tablosunda listelenen pulmoner nodül modeli rekonstrüksiyonu için yazılım aracı, Beijing Intelligent Entropy Science & Technology Co Ltd.'nin ticari bir yazılımıdır. Bu yazılım aracının fikri mülkiyet hakları şirkete aittir.
Acknowledgments
Bu yayın, Ulusal Geleneksel Çin Tıbbı İdaresi tarafından düzenlenen beşinci ulusal geleneksel Çin tıbbı klinik mükemmel yetenekler araştırma programı tarafından desteklenmiştir. Resmi ağ bağlantısı 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).
