Summary
Het doel van dit protocol is om een tijdefficiënte manier te bieden om volumes van belang op ct-scans met hoge resolutie te segmenteren om te gebruiken voor verdere radiomiekanalyse.
Abstract
Segmentatie is een complexe taak, geconfronteerd door radiologen en onderzoekers als radiomiek en machine learning groeien in potentie. Het proces kan automatisch, semi-automatisch of handmatig zijn, de eerste is vaak niet nauwkeurig of gemakkelijk reproduceerbaar, en de laatste is buitensporig tijdrovend wanneer grote districten met hoge resolutie-acquisities worden betrokken.
Een hoge resolutie CT van de borst is samengesteld uit honderden beelden, en dit maakt de handmatige aanpak te tijdrovend. Bovendien vereisen de parenchymale wijzigingen een deskundige evaluatie die moet worden onderscheiden van het normale uiterlijk; zo is een semi-automatische benadering van het segmentatieproces, voor zover wij weten, het meest geschikt bij het segmenteren van longontstekingen, vooral wanneer hun kenmerken nog onbekend zijn.
Voor de studies uitgevoerd in ons instituut over de beeldvorming van COVID-19, hebben we 3D Slicer, een freeware software geproduceerd door de Harvard University, en combineerde de drempel met de verf penseel instrumenten om een snelle en nauwkeurige segmentatie van beeerde long, gemalen glas opacities, en consolidaties te bereiken. Bij complexe gevallen vergt deze methode nog steeds een aanzienlijke hoeveelheid tijd voor de juiste handmatige aanpassingen, maar biedt een uiterst efficiënt middel om segmenten te definiëren die moeten worden gebruikt voor verdere analyse, zoals de berekening van het percentage van de aangetaste longenchyma of textuuranalyse van de grondglasgebieden.
Introduction
In het huidige jaar, de wereld wordt geconfronteerd met een noodsituatie in de gezondheid, de pandemie veroorzaakt door de roman Coronavirus, Sars-CoV2. Zelfs als, tot op de huidige datum, veel aspecten met betrekking tot de fysiopathologie van de COVID-19 infectie zijn nog steeds onduidelijk, het deelt verschillende kenmerken met zijn "voorouders" SARS1 en MERS. In het bijzonder is bewezen dat de virion spike eiwitten interageren met de Angiotensine Converteren Enzym Type-2, een receptor goed vertegenwoordigd op de alveolaire endotheelcellen, maar alomtegenwoordig in het menselijk organisme, waardoor de potentie om systemische symptomen te geven1.
Voor de diagnose is de huidige standaard de real-time reverse transcriptase-polymerase kettingreactie (rt-PCR), een test uitgevoerd op faryngeale swabs. Hoewel radiologische beeldvorming niet officieel wordt erkend in het diagnostische pad voor de detectie van de ziekte, bleek hoge resolutie computertomografie (HRCT) een waardevol hulpmiddel te zijn voor het klinische en epidemiologische beheer van getroffen patiënten, vanwege de relatief lage gevoeligheid van de rt-PCR, de huidige schaarste van gespecialiseerde laboratoria en van de noodzakelijke reagentia, en de hoge operator-afhankelijkheid.
De Radiologische Society of North America (RSNA) gaf een consensus verklaring, onderschreven door de vereniging van Thoracische Radiologie en het American College of Radiology (ACR), dat classificeert de CT-verschijning van COVID19 in vier categorieën om de rapportage te standaardiseren, het verdelen van de interstitiële patronen in "typische", "atypische", "onbepaald", en "negatief"2.
Het "typische" patroon wordt gekenmerkt door de aanwezigheid van ronde grondglasopaciteiten (GGO), meestal met een subpleurale locatie op de dorsale basale segmenten. De GGO kan worden geassocieerd met "Crazy Bestrating" gebieden van verdikte septa, of andere tekenen van het organiseren van longontsteking. Het "onbepaalde" patroon wordt gekenmerkt door de afwezigheid van de "typische" patroonbevindingen, met diffuse GGO-gebieden met een perihilarverdeling, met of zonder consoliderende gebieden. Het "atypische" patroon wordt gekenmerkt door ofwel de afwezigheid van de "typische" of "onbepaalde" tekens, en de aanwezigheid van lobar consolidaties, "boom in de knop", gladde verdikking van de septa en pleurale effusie; in deze presentatie zijn geen GGO detecteerbaar. Het "negatieve" patroon wordt gekenmerkt door de afwezigheid van de eerder genoemde pathologische bevindingen.
Volgens de literatuur kunnen sommige patiënten een hoge klinische verdachte van COVID-19 vertonen, ondersteund door epidemiologische criteria en beeldvormingsbevinding met negatieve rt-PCR3,4. Aan de andere kant is gemeld dat patiënten met een positieve rt-PCR en suggestieve klinische bevindingen geen pathologische bevindingen presenteren over HRCT5.
Tegenwoordig is het van het grootste belang voor de wetenschappelijke gemeenschap om beeldanalysetechnieken toe te passen bij het kwantitatief bestuderen van de kenmerken van deze ziekte. Een recente studie heeft toegepast geautomatiseerde segmentatie techniek van de long parenchyma om het percentage van bereden long bij patiënten die getroffen zijn door COVID-19 te identificeren, correleren deze waarde met de prognose, en waaruit blijkt dat patiënten met een meer ernstige long betrokkenheid presenteerde meer risico op opname in de Intensive Care Unit (ICU), en met slechtere resultaten6.
De segmentatie is de contouring van regio's van belang (ROI's) binnen een volume verworven door middel van een beeldvormingstechniek, zoals HRCT. Deze activiteit kan worden uitgevoerd door drie methoden: handmatig, semi-automatisch en automatisch. Handmatige segmentatie bestaat, dankzij de ervaring van een getrainde radioloog, uit het etiketteren van voxels die tot het pathologische gebied behoren. De belangrijkste nadelen van deze methode zijn de grote hoeveelheid tijd die nodig is en het feit dat het afhankelijk is van de exploitant.
Semi-automatische methoden maken het mogelijk om de segmentatie te versnellen, omdat de operator een segmentatiemasker kan wijzigen dat is verkregen via de klassieke methoden van beeldverwerking (bijvoorbeeld drempelwaarde voor pixelintensiteit, clustering, enz.). Deze technieken zijn echter niet eenvoudig te implementeren in de klinische praktijk, omdat ze uitgebreide handmatige interventie vereisen in de meest gecompliceerde gevallen18.
Automatische segmentatiemethoden, die momenteel beperkt worden gebruikt, maken gebruik van kunstmatige intelligentie om ROI's te verkrijgen. In het bijzonder is een recente studie gericht op het gebruik van automatische segmentatie in de kwantificering van grondglasgebieden bij patiënten die lijden aan COVID-19 interstitiële pneumonie19. De definitie van een segmentatieprotocol voor de pathologische gebieden op de HRCT-beelden is de echte eerste stap in de richting van de daaropvolgende radiomiekanalyse, om kenmerken te identificeren die kunnen helpen om de fysiopathologie van de ziekte verder te begrijpen en te dienen als een nauwkeurige prognostische factor die de behandeling mogelijk beïnvloedt.
Dit document biedt een gids voor het verkrijgen van nauwkeurige en efficiënte segmenten die de pathologische bevindingen van COVID-19 longontsteking vertegenwoordigen met behulp van "3D Slicer"7,8,9,10.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Dit protocol volgt de richtlijnen van de institutionele commissie voor human research ethics.
1. Het downloaden van de DICOM-afbeeldingen
- Download de DICOM-afbeeldingen en breng ze over in het werkstation dat is gewijd aan de segmentatie, waarbij de 3D-software is geïnstalleerd. Als u van plan bent om op een personal computer te werken, anonimiseert u de DICOM-gegevens.
2. Het importeren van de HRCT-studie naar de 3D Slicer-software
- Selecteer in het scherm voor het openen van de software (overeenkomend met de sectie Welkom bij Slicer in het vervolgkeuzemenu) de optie DICOM-gegevens laden. U ook het DCM-pictogram in de linkerbovenhoek van de werkbalk selecteren.
- Selecteer in de linkerbovenhoek van het deelvenster DICOM-browser de optie Importerenen selecteer vervolgens de locatie van het HRCT-onderzoek. Selecteer de map met de DCM-afbeeldingen en selecteer Importeren.
- Nu het HRCT-onderzoek met succes is geïmporteerd, klikt u op de knop Laden.
3. Segmenten maken
- Maak segmenten in de sectie Segmentatie van het vervolgkeuzemenu of rechtstreeks in de segmenteditor van de subsectie in de sectie Segmentatie van het vervolgkeuzemenu, of opnieuw als een speciaal pictogram op de werkbalk.
- Selecteer in het vervolgkeuzemenu naast Master Volume de HRCT-studie.
- Selecteer Drie nieuwe segmenten toevoegen en maken, die automatisch segment 1, 2 en 3worden genoemd. Dubbelklik op elk en hernoem ze respectievelijk "tlv" (Total Lung Parenchyma), "ggo" (Ground Glass Opacities) en "cons" (Consolidaties). Als in de HRCT-studie aanvullende pathologische bevindingen naast elkaar bestaan, zoals pleurale effusie, longkanker, fibrotische gebieden enzovoort, maak dan extra segmenten. Hetzelfde geldt voor artefacten.
4. Definitie van het TLP-segment
OPMERKING: Een nauwkeurige definitie van het TLP-segment is van fundamenteel belang, omdat het zal worden gebruikt voor het maskeren van de HRCT tijdens de definitie van de GGO- en cd-segmenten.
- Als eerste stap kiest u in de sectie Segmenteditor, nadat u het TLP-segment hebt geselecteerd, het drempelinstrument.
- Stel een drempel groot genoeg om zowel de gezonde long parenchyma en de grond glas opaciteiten op te nemen. Aan de hand van de waarden die in de wetenschappelijke literatuur worden gerapporteerd met de nodige aanpassingen om te voldoen aan de definitie van GGO, vonden we dat het vaststellen van de drempel tussen -1000 HU en -250 HU goed werkt6,14,15,16,17. Selecteer vervolgens Toepassen.
- Het segment dat zo is gedefinieerd, omvat zowel de lucht in de longen als de lucht buiten de borst (d.w.z. de lucht buiten de patiënt). Om de longen te isoleren, gebruikt u het gereedschap Eilanden, gevonden in de segmenteditor,en kiest u Geselecteerd eiland behouden. Klik links in de borst, zodat alles buiten de borst zal worden uitgesloten van het segment.
- Voeg vervolgens elk consolidatiegebied binnen het TLP-segment toe. De consolidaties hebben meestal demping waarden (Hounsfield Units: HU) vergelijkbaar met die van zachte weefsels die de borstwand en het mediastinum vormen. Dit is de reden waarom het Threshold-instrument niet voor dit doel kan worden gebruikt en de consolidaties handmatig moeten worden toegevoegd, met behulp van de gereedschappen Scissors en Paint in de segmenteditor.
- Gebruik het gereedschap Schaar om delen van longhaakchyma aan het segment toe te voegen. Kies de bewerking Opvullen in de binnenkant en selecteer Vrij formulier als de vorm en Symmetrisch als de slice-cut. Kies een dikte die past bij de grootte van de consolidatie (bijvoorbeeld van 3 tot 20 mm); en dan, beginnen geleidelijk toe te voegen kleine delen van TLP, totdat de consolidatie volledig is opgenomen.
- Het gereedschap Paint is gemakkelijker en soms sneller te gebruiken, maar is mogelijk minder nauwkeurig, afhankelijk van het op te nemen gebied. Wanneer de optie Bolpenseel actief is, kan dit gereedschap 3D-delen van longhaposyma aan het segment toevoegen. De grootte van de borstel kan eenvoudig worden aangepast.
- Terwijl het toevoegen van de consolidaties aan het TLP-segment, neem dan geen delen van thoracale muur of mediastinum. Dit kan moeilijk blijken als bij patiënten die getroffen zijn door COVID19 consolidaties grenzend aan de achterste thoracale muur zijn heel gebruikelijk. Gebruik het gereedschap Wissen om de segmentatie te corrigeren of selecteer Ongedaan maken om de laatste actie te verwijderen.
- Gebruik in dit stadium het vloeiende algoritme nogmaals om kleine onvolkomenheden te verwijderen die zich tijdens het handmatige deel van de segmentatie hebben voorgedaan. Nu is de TLP-segmentdefinitie gesloten.
5. Definitie van het GGO-segment
- Als u het GGO-segment wilt definiëren, gebruikt u het hulpprogramma drempelwaarde.
- Selecteer het GGO-segment.
- Stel de drempel tussen -750 HU en -150 HU.
- Voordat u Toepassenselecteert, gaat u naar de sectie Maskeren direct onder en selecteert u TLP in het vervolgkeuzemenu Bewerkbaar gebied. Selecteer geenin het vervolgkeuzemenu Overschrijven voor ander segment. Dit is uiterst belangrijk als, indien overgeslagen, eenmaal gedefinieerd het GGO-segment, ook het TLP-segment zou worden gewijzigd. Dit moet worden vermeden, omdat het TLP-segment het masker is waarop alle andere segmenten zijn gedefinieerd.
- Selecteer nu Toepassen.
- Op dit punt zal het waarschijnlijk nodig zijn om het smoothing algoritme opnieuw te gebruiken, om alle kleine vaten en de fysiologische interstitiële elementen uit te sluiten die een dichtheid hebben die vergelijkbaar is met die van grondglas uit het segment. Begin met een kernelgrootte van 3 mm en verhoog deze indien nodig geleidelijk tot maximaal 6-7 mm. Houd er rekening mee dat het verhogen van de grootte van de kernel te veel kan het verlies van kleine gebieden van gemalen glas, die zou worden overgelaten buiten het GGO-segment te bepalen. Daarom moet het smoothing algoritme met de juiste voorzichtigheid worden gebruikt.
- Pas ook in dit geval de benodigde correcties toe met het gereedschap Verf, Schaar en Wissen. Tijdens deze fase vergeet niet om het TLP-masker te allen tijde actief te houden om te voorkomen dat delen van de borstwand grenzend aan de "grondglas" gebieden binnen het segment. Dit komt omdat, indien ten onrechte gesegmenteerd, ze automatisch zouden worden uitgesloten.
- Let bij het verkrijgen van dit segment goed op de mogelijke aanwezigheid van artefacten gegenereerd door bewegingen van haard en middenrif (dit gebeurt als de patiënt zijn adem niet kon inhouden tijdens het examen). Als deze aanwezig zijn en eerder zijn opgenomen in het TLP-segment, verwijdert u deze artefacten uit het segment "grondglas", bijvoorbeeld via het gereedschap Eilanden met de optie Geselecteerd eiland verwijderen of met de gereedschappen Schaar en wissen. Afhankelijk van het doel van de studie kunnen de artefacten afzonderlijk worden gesegmenteerd, met behulp van een specifiek segment of opgenomen in het TLP-segment en uitgesloten van andere segmenten. Nu is het GGO-segment gedefinieerd.
6. Definitie van het cd'ssegment
- Als u het cd-segment wilt definiëren, gaat u op dezelfde manier te werk als het GGO-segment definiëren.
- Selecteer het segment cd's. Zorg ervoor dat u werkt met de TLP maskeren altijd actief.
- Stel een adequate drempel in. Voor consolidaties varieert het bereik ruwweg van -150 HU tot 100 HU.
- Pas het vloeiende algoritme toe dat de grootte van de kernel varieert als dat nodig is.
- Gebruik een combinatie van de gereedschappen Scissors, Erase, Paint and Islands om binnen het segment alleen de echte consolidaties te houden, met uitzondering van grote vaten, pleurale effusies, artefacten, desventilatorische banden en andere niet-COVID-gerelateerde laesies.
- Indien nodig kan een definitieve vloeiending worden toegepast.
7. De segmenten opslaan
- Sla segmenten op als een ".nrrd"-bestand of converteer naar binaire labelkaarten vanuit de module Gegevens.
8. Het extraheren van de volumes uit de gedefinieerde segmenten.
- Verkrijg in de module Segmentstatistieken een tabel met details over het volume en de oppervlakken van de segmenten.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
De voorgestelde methode is verfijnd door middel van studies en fouten, testen op 117 patiënten getroffen door COVID-19 longontsteking met een positieve rt-PCR-test.
Na een korte leercurve kan de tijd die nodig is om de segmenten te verkrijgen variëren van 5 tot 15 minuten, afhankelijk van het presentatiepatroon.
Zoals aangegeven op figuur 1,levert de methode nauwkeurige segmenten op: dit kan worden waargenomen door de exacte correspondentie met het HRCT op te merken. De 3D-rendering helpt bij het beoordelen van de correspondentie en het snel bekijken van de segmentatieresultaten. Een kwantitatieve beoordeling van de hoeveelheid getroffen longenchyma kan worden verkregen om de gerapporteerde resultaten van Colombi et al.6 en Lanza et al.13te repliceren.
Figuur 1: Representatieve resultaten volume en oppervlakteanalyse. De screenshot van de 3D Slicer-interface vertegenwoordigt de resultaten verkregen uit de module "Segmentstatistieken", die kan worden gebruikt om het volume van de aangetaste longhaakchyma kwantitatief te evalueren. Klik hier om een grotere versie van dit cijfer te bekijken.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Segmentatie is een fundamentele stap voor het uitvoeren van moderne kwantitatieve radiologiestudies en is noodzakelijk om radiomiek of textuuranalysetechnieken toe te passen. Pathologische bevindingen in de longen vormen een van de meest uitdagende om te segmenteren, voor het ontbreken van gedefinieerde anatomische randen en een klein verschil in dempingswaarde in vergelijking met de gezonde gebieden.
De bronbeelden moeten indien mogelijk een minimum aan artefacten vertonen, vooral op de pathologische gebieden, en dit is soms moeilijk te bereiken bij het bestuderen van een ziekte die adembehouding in gevaar brengt; daarom kunnen onderzoekers overwegen om gecompromitteerde HRCT's uit te sluiten of een segment te definiëren dat gewijd is aan artefacten dat moet worden geëlimineerd uit verdere analyse.
Het is mogelijk om een uitbreiding te installeren op 3D Slicer, genaamd de "borst imaging platform"11, die het mogelijk maakt snellere, meer geautomatiseerde operaties op longsegmenten, met bijzondere belangstelling voor beeerde longen. Er werd besloten deze methode niet over te nemen, omdat het uitgebreide handmatige interventie vereist wanneer GGO en consolidaties een subpleurale verdeling hebben, wat het geval is van de pathologie die in dit document wordt onderzocht.
Een automatische segmentatiemethode voor interstitiële longziekten is gemeld12; toch, deze methode vereist met eerdere kennis van de kenmerken van de getroffen gebieden. De in deze studie voorgestelde techniek is een gemakkelijk te leren en reproduceerbare benadering van segmentatie van pathologische bevindingen van de long, waarvan de kenmerken kunnen worden ontleend die toekomstige middelen kunnen bieden om automatisch virale interstitiële longziekten te segmenteren en nauwkeurige prognostische factoren kunnen vertegenwoordigen.
De voorgestelde segmentatiemethode kent enkele beperkingen.
Allereerst is het downloaden van de DICOM-afbeeldingen van de werkstations een proces dat een variabele hoeveelheid tijd kan vergen, waardoor dit voor grote aantallen patiënten een lastig werk kan zijn. Elke mogelijke toepassing van deze segmentatiemethode op de kliniekpraktijk moet rekening houden met dit kritieke probleem, totdat segmentatieplug-ins op grote schaal beschikbaar worden op PACS-platforms.
Ten tweede kan de segmentatie van de COVID-19 gerelateerde pathologische gebieden ingewikkeld zijn bij patiënten met gelijktijdige chronische longziekte (bijvoorbeeld longkanker, longfibrose, enz.) waarvan de radiologische bevindingen bestaan in gebieden met dezelfde dichtheden van die welke typisch zijn voor COVID-19-patronen. Dezelfde zorg moet worden overwogen in CT-scans met respiratoire artefacten. Deze artefacten komen vrij vaak voor bij patiënten met COVID-19-infectie, die vaak gerelateerd zijn aan dyspneum en ademhalingsfalen, vooral bij oude /middelbare leeftijd patiënten.
Bovendien vereisen patiënten met een ernstige interstitiële pneumonie (gekenmerkt door vele longconsolidaties en gekke bestrating opacities) een uitgebreidere handmatige segmentatie en dus een enorme hoeveelheid tijd. In het algemeen, hoe hoger de ernst van de interstitiële pneumonie, hoe uitgebreider de handmatige segmentatie vereist, hoe langer de segmentatietijd.
De mate van precisie die wordt geboden door geavanceerde evaluatietechnieken zoals die van Lanza en Colombi kunnen echter beperkte informatie toevoegen over patiënten met reeds ernstige longaandoeningen in vergelijking met de standaard klinische en radiologische evaluaties20.
Tot slot moet worden opgemerkt dat elke radioloog die geen ervaring heeft met 3D-snijmachine een adequate trainingstijd nodig heeft, omdat het geen intuïtieve software is en enige tijd nodig heeft om zelfs in zijn basilaire functies onder de knie te worden.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Geen van de auteurs heeft belangenconflicten.
Acknowledgments
Dit werk werd ondersteund door financiering van het departement Radiologie van de Universiteit van Bologna.
Materials
| Name | Company | Catalog Number | Comments |
| CT Scanner | General Electrics Healthcare | 64-MDCT VCT lightSpeed | The CT scanner used for HRCT acquisitions |
| Desktop Computer | ThinkCentre | The computer used to download the DICOM files and run 3D Slicer |
References
- Zheng, Y., et al.
- Simpson, S., et al. Radiological Society of North America Expert Consensus Statement on Reporting Chest CT Findings Related to COVID-19. Endorsed by the Society of Thoracic Radiology, the American College of Radiology, and RSNA. Radiology: Cardiothoracic Imaging. 2, 2 (2020).
- Xie, X., et al. Chest CT for Typical 2019-nCoV Pneumonia: Relationship to Negative RT-PCR Testing. Radiology. , 200343 (2020).
- Huang, P., et al. Use of Chest CT in Combination with Negative RT-PCR Assay for the 2019 Novel Coronavirus but High Clinical Suspicion. Radiology. 295 (1), 22-23 (2020).
- Fang, Y., et al. Sensitivity of Chest CT for COVID-19: Comparison to RT-PCR. Radiology. , 200432 (2020).
- Colombi, D., et al. Well-aerated Lung on Admitting Chest CT to Predict Adverse Outcome in COVID-19 Pneumonia. Radiology. , 201433 (2020).
- 3D Slicer [software]. , Available from: https://www.slicer.org (2020).
- Kikinis, R., Pieper, S. D., Vosburgh, K. 3D Slicer: a platform for subject-specific image analysis, visualization, and clinical support. Intraoperative Imaging Image-Guided Therapy. Jolesz, F. A. 3 (19), 277-289 (2014).
- Kapur, T., et al. Increasing the impact of medical image computing using community-based open-access hackathons: The NA-MIC and 3D Slicer experience. Medical Image Analysis. 33, 176-180 (2016).
- Fedorov, A., et al. 3D Slicer as an Image Computing Platform for the Quantitative Imaging Network. Magnetic Resonance Imaging. 30 (9), 1323-1341 (2012).
- Chest Imaging Platform [software]. , Available from: https://chestimagingplatform.org (2020).
- Wang, J., Li, F., Li, Q. Automated segmentation of lungs with severe interstitial lung disease in CT. Medical Physics. 36 (10), 4592-4599 (2009).
- Lanza, E., et al. Quantitative chest CT analysis in COVID-19 to predict the need for oxygenation support and intubation. European Radiology. , (2020).
- Yao, G. Value of window technique in diagnosis of the ground glass opacities in patients with non-small cell pulmonary cancer. Oncology Letters. 12 (5), 3933-3935 (2016).
- Kauczor, H. U., et al. Automatic detection and quantification of ground-glass opacities on high-resolution CT using multiple neural networks: comparison with a density mask. American Journal of Roentgenology. 175 (5), 1329-1334 (2000).
- Funama, Y., et al. Detection of nodules showing ground-glass opacity in the lungs at low-dose multidetector computed tomography: phantom and clinical study. Journal of Computed Assisted Tomography. 33 (1), 49-53 (2009).
- Hansell, D. M., et al. Fleischner Society: glossary of terms for thoracic imaging. Radiology. 246, 697-722 (2008).
- Heye, T., et al. Reproducibility of Dynamic Part II. Comparison of Intra- and Interobserver Variability with Manual Region of Interest Placement versus semiautomatic lesion segmentation and histogram analysis. Radiology. 266, 812-821 (2013).
- Zhang, H. T., et al. Automated detection and quantification of COVID-19 pneumonia: CT imaging analysis by a deep learning-based software. Nuclear Medicine and Molecular Imaging. 14, 1-8 (2020).
- Alhazzani, W., et al. Surviving Sepsis Campaign: guidelines on the management of critically ill adults with Coronavirus Disease 2019(COVID-19). Intensive Care Medicine. 46 (5), 854-887 (2020).
