Summary
该协议的目的是提供一种时间有效的方法，用于对高分辨率 CT 扫描进行分段感兴趣的卷，以便用于进一步的放射分析。
Abstract
分割是一项复杂的任务，随着放射学和机器学习的潜力增长，放射学家和研究人员面临着这一任务。该过程可以是自动的、半自动的或手动的，第一个过程通常不够精确或易于重现，最后一个过程在涉及具有高分辨率收购的大型区域时过于耗时。
胸部的高分辨率 CT 由数百张图像组成，这使得手动方法过于耗时。此外，从正常外观中可以辨别出 parenchy 的改动;因此，半自动的分段过程方法，据我们所知，是最适合分割肺炎时，尤其是当其特征仍然未知时。
对于在COVID-19成像研究所进行的研究，我们采用了3D切片机，这是哈佛大学制作的一个自由软件，将阈值与喷漆仪器相结合，实现快速、精确的加率肺、地面玻璃不透明度和整合分割。当面对复杂情况时，此方法仍然需要相当长的时间进行适当的手动调整，但提供了一种极其有效的均值来定义用于进一步分析的段，例如计算受影响的肺帕伦奇玛百分比或地面玻璃区域的纹理分析。
Introduction
今年，世界正面临一场卫生紧急事件，这种大流行是由新型冠状病毒——Sars-CoV2引起的。即使迄今为止，有关COVID-19感染的生理病理学的许多方面仍然不清楚，它与它的"祖先"SARS1和MERS有一些共同的特点。特别是，已经证明，病毒尖峰蛋白与血管紧张素转化酶-2型相互作用，这种受体很好地表现在道利内皮细胞上，但在人体体细胞中无处不在，因此具有产生全身症状1的潜力。
对于诊断，当前标准是实时逆转录酶-聚合酶链反应（rt-PCR），这是对咽拭子进行的测试。虽然放射成像在疾病检测诊断路径中尚未得到正式承认，但由于rt-PCR的敏感性相对较低、目前缺乏专门实验室和必要的试剂以及高操作员依赖性，高分辨率计算机断层扫描（HRCT）证明对受影响患者的临床和流行病学管理是一种宝贵的帮助。
北美放射学会（RSNA）发表了一份共识声明，得到胸科放射学学会和美国放射学会（ACR）的赞同，将COVID19的CT外观分为四类，以标准化报告，将间层肺炎模式分为"典型"，"非典型"，"不确定"和"负面"2。
"典型"模式的特点是存在圆形地面玻璃不透明度 （GGO），通常具有在后底段上的子胸腔位置。GGO 可与加厚隔膜或其他组织肺炎迹象的"疯狂铺垫"区域相关。"不确定"模式的特点是缺乏"典型"模式的发现，具有近区分布的漫射GGO区域，有或没有合并区域。"非典型"模式的特点是要么没有"典型"或"不确定"的迹象，要么存在腰杆巩固，"树在芽"，平滑增厚的隔膜和胸膜积液;在此演示文稿中，无法检测到 GGO。"消极"模式的特点是没有上述病理发现。
根据文献，一些患者可能呈现一个高临床怀疑COVID-19支持流行病学标准和成像发现与负rt-PCR3，4。另一方面，据报道，有阳性rt-PCR和暗示性临床发现的患者，没有在HRCT5上出现病理发现。
在定量研究这种疾病的特点时，应用图像分析技术是科学界最关心的问题。最近的一项研究应用了肺分裂症的自动分段技术，以确定受COVID-19影响的患者的加率肺的百分比，将这一值与预后关联，并证明肺部介入程度更严重的患者在重症监护室（ICU）住院的风险增加，结果更差6。
分割是通过成像技术（如 HRCT）获得的卷内感兴趣区域 （ROIS） 的轮廓。此活动可以通过三种方法进行：手动、半自动和自动。手动分割，由于训练有素的放射科医生的经验，包括标签体素属于病理区域。此方法的主要缺点是需要大量时间，并且它依赖于运算符。
半自动方法允许加快分段速度，因为操作员可以修改通过经典图像处理方法（例如像素强度、聚类等的阈值）获得的分段蒙版。然而，这些技术不容易在临床实践中实施，因为它们需要广泛的人工干预在最复杂的案件18。
自动分割方法目前使用有限，采用人工智能获取 RO。特别是，最近的一项研究旨在使用自动分割在地面玻璃区定量的患者患有COVID-19间体肺炎19。HRCT图像上病理区域的分割协议的定义是朝着随后的放射学分析迈出的真正的第一步，以便确定有助于进一步了解该疾病的生理病理学的特征，并作为一个准确的预测因素，可能影响治疗。
本文提供了一个指南，以获得准确和高效的片段，代表COVID-19肺炎的病理发现使用"3D切片器"7，8，9，10。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
该协议遵循机构人类研究伦理委员会的准则。
1. 下载 DICOM 图像
- 下载 DICOM 映像，并在安装 3D 软件的工作站中传输它们。如果计划在个人计算机上工作，请匿名化 DICOM 数据。
2. 导入3D切片器软件的HRCT研究
- 在软件打开屏幕（对应于下 拉菜单中的" 欢迎使用切片器"部分）中，选择" 加载 DICOM 数据"。或者，选择工具栏左上角的 DCM 图标。
- 在 DICOM 浏览器面板的左上角选择"导入"，然后选择 HRCT 研究器的位置。选择具有 DCM 图像的文件夹，然后选择"导入"。
- 现在，HRCT 研究已成功导入，请单击"加载 " 按钮。
3. 创建段
- 在下拉菜单的"细分"部分或直接在下拉菜单的细分部分中的子部分"细分"部分创建段，或再次作为工具栏中的专用图标创建段。
- 在主卷旁边的下拉菜单 中，选择 HRCT 研究。
- 选择 " 添加并创建三个新段"，这些段将自动命名为 段 1、2 和 3。双击每个并重命名它们分别"tlv"（总肺帕伦奇玛）、"ggo"（地面玻璃不透明度）和"缺点"（合并）。如果在HRCT研究中其他病理发现并存，如胸膜积液、肺癌、纤维化区等，则产生额外的片段。这同样适用于工件。
4. TLP 段的定义
注：TLP 段的准确定义至关重要，因为它将用于在 GGO 和 CD 段定义期间屏蔽 HRCT。
- 作为第一步，在" 分段编辑器 "部分中，在选择 TLP 段后，选择阈 值 工具。
- 设置足够大的阈值，包括健康的肺帕伦奇玛和地面玻璃不透明度。利用科学文献中报告的值，对符合GGO的教科书定义进行了必要的调整，我们发现，在-1000 HU和-250 HU之间设置阈值效果良好，6、14、15、16、17。然后选择"应用"。
- 如此定义的部分将包括肺内的空气和胸外的空气（即患者外的空气）。为了分离肺帕伦奇玛，使用岛屿 工具， 在段 编辑器中找到，并选择保持 选定的岛屿。左键单击胸部内，以便胸部外任何东西将排除在片段之外。
- 接下来，包括 TLP 细分市场内的任何整合区域。合并通常具有衰减值（Hounsfield 单位： HU）类似于构成胸壁和介质的软组织。这就是阈值工具不能用于此目的的原因，并且需要使用分段编辑器中的剪刀和绘制工具手动添加合并。
- 使用 剪刀 工具将部分肺帕伦奇玛添加到段中。选择" 填充内部 "操作， 选择"自由 窗体"作为形状， 选择对称 作为切片剪切。选择适合合并尺寸的厚度（例如，从 3 mm 到 20 mm）;然后，开始逐步添加 TLP 的一小部分，直到合并被完全包括。
- "画图"工具更易于使用，有时速度更快，但可能不太精确，具体取决于要包含的区域。当 "球体画笔 "选项处于活动状态时，此工具可以向段中添加肺帕伦奇玛的 3D 部分。可以轻松修改画笔的大小。
- 将合并添加到 TLP 段时，不包括胸壁或介质部分。这可能被证明是困难的，因为在受COVID19合并的患者，毗邻后胸壁是相当常见的。使用" 擦除 "工具更正分段或选择" 撤消" 以放弃最后一个操作。
- 在此阶段，再次使用平滑算法删除在分段的手动部分过程中可能发生的小缺陷。现在，TLP 段定义已结束。
5. 全球GO部分的定义
- 要定义 GGO 段，请使用阈值工具。
- 选择 GGO 段。
- 设置 -750 HU 和 -150 HU 之间的阈值。
- 在选择 "应用"之前，请 转到下面的 "掩蔽"部分，并在 "可 编辑区域 "下拉菜单 中选择 TLP。在" 覆盖其他段"下 拉菜单中，选择"无 "。这一点非常重要，因为如果跳过，一旦定义了 GGO 段，也会修改 TLP 段。必须避免这种情况，因为 TLP 段是定义所有其他段的掩码。
- 现在选择"应用"。
- 此时，可能有必要再次使用平滑算法，以便排除所有小容器和生理间层元素，这些元素的密度与段中的地面玻璃相似。从 3 mm 的内核尺寸开始，如果需要，逐步增加，最多 6-7 mm。请注意，增加内核尺寸太多可能会决定地面玻璃小区域的损失，而地面玻璃的面积将留在 GGO 段之外。因此，应谨慎使用平滑算法。
- 在这种情况下，使用"绘制"、剪刀和擦除工具应用所需的校正。在此阶段，请记住保持 TLP 面罩一直处于活动状态，以避免在段内"地面玻璃"区域附近包括胸壁的一部分。这是因为，如果错误地分段，它们将自动被排除。
- 获得此段时，请密切注意由吸气和隔膜运动产生的伪影是否存在（如果患者在检查期间不能屏住呼吸，则会发生此情况）。如果存在且以前包含在 TLP 段中，请从"地面玻璃"段中消除这些伪影，例如通过"删除选定岛屿"选项的"孤岛"工具或使用"剪刀和擦除工具"。根据研究的目标，工件可以单独分割，使用专用段或包含在 TLP 段中，并排除在其他段之外。现在，GGO 段已定义。
6. CD 段的定义
- 要定义 CD 段，请按照定义 GGO 段的方式继续操作。
- 选择 CD 段。确保使用始终处于活动状态的 TLP 掩蔽。
- 设置足够的阈值。对于合并，范围大致从 -150 HU 到 100 HU。
- 应用平滑算法，根据需要更改内核大小。
- 使用工具剪刀，擦除，油漆和岛屿的组合，以保持在段内只有真正的巩固，不包括大型容器，胸膜积液，神器，不通风带和其他非COVID相关的病变。
- 如果需要，可能会应用最终平滑。
7. 保存段
- 将段保存为".nrrd"文件，或从"Data"模块转换为二进制标签映射。
8. 从定义的段中提取卷。
- 从" 段统计 "模块中，获取包含线段体积和曲面详细信息的表。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
通过试验和错误改进了该方法，对117名感染COVID-19肺炎的患者进行了检测，并进行了阳性的rt-PCR检测。
在较短的学习曲线之后，获取段所需的时间可能从 5 分钟到 15 分钟不等，具体取决于演示模式。
如图1 所示，该方法产生精确的段：这可以通过注意到与HRCT的精确对应来观察。3D 渲染有助于评估对应关系并快速查看分段结果。可以对受影响的肺帕伦奇玛的量进行定量评估，以复制从Colombi等人6和Lanza 等人13号报告的结果。
图1：代表性结果体积和表面分析。3D 切片器界面的屏幕截图表示从"段统计"模块获得的结果，该模块可用于定量评估受影响的肺帕伦奇的体积。请单击此处查看此图的较大版本。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
分割是进行现代定量放射学研究的基本步骤，是应用放射学或纹理分析技术所必需的。肺部的病理发现是最具挑战性的分段之一，因为与健康区域相比，缺乏明确的解剖边界，衰减值差异很小。
如果可能，源图像必须呈现最少的伪影，特别是在病理区域，有时在研究危害呼吸的疾病时很难做到;因此，研究人员可以考虑排除受损的 HRCT 或定义一个专门用于工件的部分，以从进一步分析中消除。
可以安装一个扩展到3D切片机，称为"胸部成像平台"11，它允许更快，更自动化的肺段手术，特别是对加加肺的兴趣。决定不采用这种方法，因为它需要大量的手动干预时，GGO和合并有一个下胸膜分布，这是本文探讨的病理学的情况。
已报告了一种间鼻肺疾病的自动分割方法;即便如此，这种方法还需要以前了解受影响区域的特征。本研究提出的技术代表了一种易于学习和可重复的方法，用于分割肺部的病理发现，从中提取的特征可以提供未来自动分段病毒间间肺病的方法，并代表准确的预后因素。
提出的分割方法有一些局限性。
首先，从工作站下载 DICOM 映像是一个可能需要可变时间的过程，因此对大量患者来说，这样做可能是一项麻烦的工作。这种分段方法在临床实践中的任何潜在应用都必须考虑这一关键问题，直到分段插件在 PACS 平台上广泛可用。
其次，COVID-19相关病理区域的分割可能复杂，在同时发生的慢性肺病患者（如肺癌、肺纤维化等）中，其放射发现包括与COVID-19模式典型密度相同的区域。在呼吸伪影的CT扫描中，也应考虑同样的问题。这些伪影在COVID-19感染患者中很常见，通常与呼吸困难和呼吸衰竭有关，特别是在老年/中年患者中。
此外，患有严重间腔性肺炎（以许多肺合并和疯狂的铺路不透明度为特征）的患者需要更广泛的手动分割，因此需要大量时间。一般来说，间肺炎的严重程度越高，所需的手动分段范围越广，分割时间越长。
然而，与标准的临床和放射评价相比，兰扎和科伦比等先进评价技术提供的精确度可以增加对已经严重肺部疾病的患者的有限信息。
最后，应该注意的是，任何没有 3D 切片机经验的放射科医生都需要足够的培训时间，因为它不是一个直观的软件，需要一些时间来掌握，甚至在其罗勒的功能。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
作者没有利益冲突。
Acknowledgments
这项工作得到了博洛尼亚大学放射学系的资助。
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).
