Summary
इस प्रोटोकॉल का उद्देश्य आगे रेडियोमिक्स विश्लेषण के लिए उपयोग करने के लिए उच्च-रिज़ॉल्यूशन सीटी स्कैन पर ब्याज की मात्रा को खंडित करने के लिए एक समय कुशल तरीका प्रदान करना है।
Abstract
विभाजन एक जटिल कार्य है, रेडियोमिक्स और मशीन लर्निंग के रूप में रेडियोलॉजिस्ट और शोधकर्ताओं द्वारा सामना करने की क्षमता में वृद्धि । प्रक्रिया या तो स्वचालित, अर्द्ध स्वचालित, या मैनुअल हो सकता है, पहले अक्सर पर्याप्त रूप से सटीक या आसानी से प्रजनन योग्य नहीं किया जा रहा है, और पिछले जरूरत से ज्यादा समय लेने वाली जब उच्च संकल्प अधिग्रहण के साथ बड़े जिलों को शामिल किया जा रहा है ।
छाती का एक उच्च-रिज़ॉल्यूशन सीटी सैकड़ों छवियों से बना है, और यह मैनुअल दृष्टिकोण को अत्यधिक समय लेने वाला बनाता है। इसके अलावा, पैरान्चिमल परिवर्तनों को सामान्य उपस्थिति से समझने के लिए एक विशेषज्ञ मूल्यांकन की आवश्यकता होती है; इस प्रकार, विभाजन प्रक्रिया के लिए एक अर्ध-स्वचालित दृष्टिकोण, हमारे ज्ञान का सबसे अच्छा है, निमोनिया को खंडित करते समय सबसे उपयुक्त है, खासकर जब उनकी विशेषताएं अभी भी अज्ञात हैं।
COVID-19 की इमेजिंग पर हमारे संस्थान में किए गए अध्ययनों के लिए, हमने हार्वर्ड विश्वविद्यालय द्वारा उत्पादित एक फ्रीवेयर सॉफ्टवेयर 3डी स्लाइसर को अपनाया, और वातित फेफड़ों, ग्राउंड ग्लास ऑपेसिटी और कंसोलिडेशन के तेज और सटीक विभाजन को प्राप्त करने के लिए पेंट ब्रश उपकरणों के साथ दहलीज को संयुक्त किया। जटिल मामलों का सामना करते समय, इस विधि को अभी भी उचित मैनुअल समायोजन के लिए काफी समय की आवश्यकता होती है, लेकिन आगे के विश्लेषण के लिए उपयोग करने के लिए खंडों को परिभाषित करने के लिए एक अत्यंत कुशल मतलब प्रदान करता है, जैसे प्रभावित फेफड़ों के परेंचिमा के प्रतिशत की गणना या जमीन ग्लास क्षेत्रों की बनावट विश्लेषण।
Introduction
चालू वर्ष में, दुनिया एक स्वास्थ्य आपातकाल का सामना कर रही है, उपन्यास कोरोनावायरस, सार्स-CoV2 की वजह से महामारी । यहां तक कि अगर, वर्तमान तारीख तक, COVID-19 संक्रमण के फिजियोपैथोलॉजी के बारे में कई पहलुओं अभी भी स्पष्ट नहीं हैं, यह अपने "पूर्वजों" SARS1 और मर्स के साथ कई विशेषताओं के शेयरों । विशेष रूप से, यह साबित हो गया है कि विरियंटिन स्पाइक प्रोटीन एंजाइम टाइप-2 को परिवर्तित करने वाले एंजियोटेंसिन के साथ बातचीत करते हैं, जो एक रिसेप्टर अच्छी तरह से अल्वोलार एंडोथेलियल कोशिकाओं पर प्रतिनिधित्व करता है, लेकिन मानव जीव में सर्वव्यापी है, इस प्रकार प्रणालीगत लक्षण देने की क्षमता है1।
निदान के लिए, वर्तमान मानक वास्तविक समय रिवर्स ट्रांसक्रिप्टेज-पॉलीमरेज चेन रिएक्शन (आरटी-पीसीआर) है, जो फरेंगल झाड़ू पर किया गया परीक्षण है। यद्यपि रेडियोलॉजिकल इमेजिंग आधिकारिक तौर पर रोग का पता लगाने के लिए नैदानिक पथ में मान्यता प्राप्त नहीं है, उच्च संकल्प गणना टोमोग्राफी (एचआरसीटी) प्रभावित रोगियों के नैदानिक और महामारी विज्ञान प्रबंधन के लिए एक मूल्यवान सहायता साबित हुई, आरटी-पीसीआर की अपेक्षाकृत कम संवेदनशीलता के कारण, विशेष प्रयोगशालाओं और आवश्यक अभिकर्मकों की वर्तमान कमी, और उच्च ऑपरेटर-निर्भरता।
रेडियोलॉजिकल सोसायटी ऑफ नॉर्थ अमेरिका (आरएसएनए) ने एक आम सहमति बयान जारी किया, जिसका समर्थन थोरेसिक रेडियोलॉजी सोसायटी और अमेरिकन कॉलेज ऑफ रेडियोलॉजी (एसीआर) द्वारा किया गया था, जो रिपोर्टिंग को मानकीकृत करने के लिए COVID19 की सीटी उपस्थिति को चार श्रेणियों में वर्गीकृत करता है, अंतर-विशिष्ट निमोनिया पैटर्न को "विशिष्ट", "असामान्य", "अवर्णित", और "नकारात्मक"2।
"विशिष्ट" पैटर्न को गोल आकार के ग्राउंड ग्लास ओपेसिटी (जीजीओ) की उपस्थिति की विशेषता है, आमतौर पर पृष्ठीय बेसल खंडों पर एक उप-pleural स्थान के साथ। जीजीओ को गाढ़ा सेप्टा, या निमोनिया के आयोजन के अन्य संकेतों के "पागल फ़र्श" क्षेत्रों से जोड़ा जा सकता है। "अनिर्धारित" पैटर्न को "विशिष्ट" पैटर्न निष्कर्षों की अनुपस्थिति की विशेषता है, जिसमें एक पेरिहिएलर वितरण के साथ या बिना समेकित क्षेत्रों के साथ फैलना जीजीओ क्षेत्र हैं। "असामान्य" पैटर्न को या तो "विशिष्ट" या "अनिर्धारित" संकेतों की अनुपस्थिति और लोबार समेकन, "कली में पेड़" की उपस्थिति, सेप्टा और प्ल्युरल एफफ्यूजन की चिकनी मोटाई की विशेषता है; इस प्रस्तुति में कोई जीजीओ पता लगाने योग्य नहीं हैं। "नकारात्मक" पैटर्न उपरोक्त रोग निष्कर्षों की अनुपस्थिति की विशेषता है।
साहित्य के अनुसार, कुछ रोगियों को COVID-19 के एक उच्च नैदानिक संदिग्ध के साथ मौजूद हो सकता है महामारी विज्ञान के मापदंड और नकारात्मक आरटी-पीसीआर3,4के साथ इमेजिंग खोज द्वारा समर्थित । दूसरी ओर, यह बताया गया है कि सकारात्मक आरटी-पीसीआर और विचारोत्तेजक नैदानिक निष्कर्षों वाले रोगी एचआरसीटी5पर पैथोलॉजिकल निष्कर्ष प्रस्तुत नहीं करते हैं ।
आजकल, इस बीमारी की विशेषताओं का मात्रात्मक अध्ययन करते समय छवि विश्लेषण तकनीकों को लागू करना वैज्ञानिक समुदाय के लिए सर्वोपरि रुचि है। हाल ही में एक अध्ययन ने COVID-19 से प्रभावित रोगियों में वातित फेफड़ों के प्रतिशत की पहचान करने के लिए फेफड़ों के परेंचिमा की स्वचालित विभाजन तकनीक लागू की है, जो पूर्वानुमान के साथ इस मूल्य को सहसंबद्ध करती है, और यह प्रदर्शित करती है कि फेफड़ों की अधिक गंभीर भागीदारी वाले रोगियों ने गहन देखभाल इकाई (आईसीयू) में भर्ती होने का अधिक जोखिम प्रस्तुत किया, और बदतर परिणाम6।
विभाजन एचआरसीटी जैसी इमेजिंग तकनीक के माध्यम से प्राप्त मात्रा के अंदर ब्याज के क्षेत्रों (आरओआई) का समोच्च है। मैनुअल, अर्ध-स्वचालित और स्वचालित: यह गतिविधि हालांकि तीन तरीकों को अंजाम दिया जा सकता है। मैन्युअल विभाजन, एक प्रशिक्षित रेडियोलॉजिस्ट के अनुभव के लिए धन्यवाद, पैथोलॉजिकल क्षेत्र से संबंधित वोक्सल लेबलिंग के होते हैं। इस विधि के मुख्य नुकसान बड़ी मात्रा में आवश्यक समय हैं और तथ्य यह है कि यह ऑपरेटर-निर्भर है।
अर्ध-स्वचालित तरीके विभाजन को गति देने की अनुमति देते हैं क्योंकि ऑपरेटर छवि प्रसंस्करण के क्लासिक तरीकों (उदाहरण के लिए, पिक्सेल तीव्रता, क्लस्टरिंग आदि पर सीमा) के माध्यम से प्राप्त एक विभाजन मुखौटा को संशोधित कर सकता है। हालांकि, इन तकनीकों को नैदानिक अभ्यास में लागू करना आसान नहीं है क्योंकि उन्हें सबसे जटिल मामलों में व्यापक मैन्युअल हस्तक्षेप की आवश्यकता होती है18।
वर्तमान में सीमित उपयोग के स्वचालित विभाजन विधियां, आरओआई प्राप्त करने के लिए कृत्रिम बुद्धि को नियोजित करती हैं। विशेष रूप से, हाल ही में किए गए एक अध्ययन का उद्देश्य COVID-19 मध्यवर्ती निमोनिया19से पीड़ित रोगियों में ग्राउंड ग्लास क्षेत्रों की मात्रा में स्वचालित विभाजन का उपयोग करना है । एचआरसीटी छवियों पर रोग क्षेत्रों के लिए एक विभाजन प्रोटोकॉल की परिभाषा बाद में रेडियोमिक्स विश्लेषण की ओर वास्तविक पहला कदम है, ताकि उन सुविधाओं की पहचान की जा सके जो बीमारी के फिजियोपैथोलॉजी को और अधिक समझने में मदद कर सकती हैं, और संभावित रूप से उपचार को प्रभावित करने वाले सटीक शकुन कारक के रूप में काम करती हैं।
यह पेपर "3डी स्लाइसर"7,8,9,10का उपयोग करके COVID-19 निमोनिया के रोग निष्कर्षों का प्रतिनिधित्व करने वाले सटीक और कुशल खंडों को प्राप्त करनेकेलिए एक गाइड प्रदान करता है।
Subscription Required. Please recommend JoVE to your librarian.
Protocol
यह प्रोटोकॉल संस्थागत मानव अनुसंधान आचार समिति के दिशा-निर्देशों का पालन करता है ।
1. DICOM छवियों को डाउनलोड करना
- DICOM छवियों को डाउनलोड करें और उन्हें विभाजन के लिए समर्पित वर्कस्टेशन में स्थानांतरित करें, 3डी सॉफ्टवेयर स्थापित करें। यदि एक निजी कंप्यूटर पर काम करने की योजना बना रहे हैं, तो DICOM डेटा को अनाम करें।
2. 3 डी स्लाइसर सॉफ्टवेयर पर एचआरसीटी अध्ययन का आयात करना
- सॉफ्टवेयर खोलने की स्क्रीन में (ड्रॉप-डाउन मेनू में वेलकम टू स्लाइसर सेक्शन के अनुरूप) लोड DICOM डेटाका चयन करें। वैकल्पिक रूप से, टूलबार के ऊपरी बाएं कोने में डीसीएम आइकन का चयन करें।
- DICOM ब्राउज़र पैनल के ऊपरी बाएं कोने में आयातका चयन करें, तो HRCT अध्ययन के स्थान का चयन करें । डीसीएम छवियों के साथ फ़ोल्डर का चयन करें, और फिर आयात का चयन करें।
- अब जब एचआरसीटी अध्ययन सफलतापूर्वक आयात किया गया है, तो लोड बटन पर क्लिक करें।
3. सेगमेंट बनाना
- ड्रॉप-डाउन मेनू के सेगमेंटेशन सेक्शन में या सीधे ड्रॉप-डाउन मेनू के सेगमेंटेशन सेक्शन में पाए जाने वाले सब-सेक्शन सेगमेंट एडिटर में या फिर टूलबार में एक समर्पित आइकन के रूप में सेगमेंट बनाएं।
- मास्टर वॉल्यूम के बगल में ड्रॉप-डाउन मेनू में, एचआरसीटी अध्ययन का चयन करें।
- जोड़ें चुनें और तीन नए सेगमेंट बनाएं, जो स्वचालित रूप से सेगमेंट 1, 2 और 3नाम होंगे। हर एक पर डबल क्लिक करें और उन्हें क्रमशः "tlv" (कुल फेफड़े Parenchyma), "ggo" (ग्राउंड ग्लास Opacities) और "विपक्ष" (समेकन) का नाम बदलें । यदि एचआरसीटी अध्ययन में अतिरिक्त रोग निष्कर्षों को एक साथ मौजूद है, जैसे कि प्ल्युरल एफफ्यूजन, फेफड़ों का कैंसर, फाइब्रोसिक क्षेत्र आदि, अतिरिक्त खंड बनाते हैं। यही बात कलाकृतियों पर भी लागू होती है ।
4. टीएलपी सेगमेंट की परिभाषा
नोट: टीएलपी सेगमेंट की एक सटीक परिभाषा मौलिक है, क्योंकि इसका उपयोग जीजीओ और सीडी सेगमेंट की परिभाषा के दौरान एचआरसीटी को मास्किंग करने के लिए किया जाएगा।
- पहले चरण के रूप में, सेगमेंट एडिटर सेक्शन में, टीएलपी सेगमेंट का चयन करने के बाद, थ्रेसहोल्ड इंस्ट्रूमेंट चुनें।
- स्वस्थ फेफड़ों के पैरेन्चिमा और ग्राउंड ग्लास ऑपेसिटी दोनों को शामिल करने के लिए काफी बड़ी सीमा निर्धारित करें। जीजीओ की पाठ्यपुस्तक परिभाषा का अनुपालन करने के लिए आवश्यक समायोजन के साथ वैज्ञानिक साहित्य में सूचित मूल्यों का उपयोग करते हुए, हमने पाया कि -1000 एचयू और -250 एचयू के बीच की सीमा स्थापित करना6,14,15,16, 17तककाम करता है । इसके बाद आवेदन का चयन करें।
- इस प्रकार परिभाषित खंड में फेफड़ों के अंदर हवा और छाती के बाहर की हवा (यानी, रोगी के बाहर की हवा) दोनों शामिल होंगे। फेफड़ों के परेंचिमा को अलग करने के लिए, सेगमेंट एडिटरमें पाए जाने वाले द्वीप उपकरण का उपयोग करें, और चयनित द्वीप चुनें। छाती के अंदर बाएं क्लिक करें ताकि छाती के बाहर की किसी भी चीज को सेगमेंट से बाहर रखा जा सके।
- इसके बाद, टीएलपी सेगमेंट के अंदर समेकन के किसी भी क्षेत्र को शामिल करें। समेकन में आमतौर पर क्षीणन मूल्य होते हैं (Hounsfield इकाइयां: हू) नरम ऊतकों के समान जो छाती की दीवार और मीडियास्टिनम का गठन करते हैं। यही कारण है कि इस उद्देश्य के लिए थ्रेसहोल्ड इंस्ट्रूमेंट का उपयोग नहीं किया जा सकता है और सेगमेंट एडिटर में पाए जाने वाले कैंची और पेंट टूल का उपयोग करके समेकन को मैन्युअल रूप से जोड़ने की आवश्यकता होगी।
- इस सेगमेंट में फेफड़ों के पैरान्चिमा के कुछ हिस्सों को जोड़ने के लिए कैंची टूल का उपयोग करें। फिल इनसाइड ऑपरेशन चुनें, स्लाइस कट के रूप में आकार और सममित के रूप में मुफ्त फॉर्म का चयन करें। समेकन के आकार के लिए उपयुक्त मोटाई चुनें (उदाहरण के लिए, 3 से 20 मिमी तक); और फिर, उत्तरोत्तर टीएलपी के छोटे हिस्सों को जोड़ना शुरू करें, जब तक कि समेकन को पूरी तरह से शामिल नहीं किया गया हो।
- पेंट उपकरण आसान है और कभी-कभी उपयोग करने के लिए तेज़ होता है, लेकिन शामिल करने वाले क्षेत्र के आधार पर कम सटीक हो सकता है। जब गोला ब्रश विकल्प सक्रिय होता है, तो यह उपकरण सेगमेंट में फेफड़ों के पैरान्चिमा के 3डी हिस्से जोड़ सकता है। ब्रश के आकार को आसानी से संशोधित किया जा सकता है।
- टीएलपी सेगमेंट में कंसॉलिडेशन जोड़ते समय, वक्ष दीवार या मध्यस्थता के कुछ हिस्से शामिल न करें। यह मुश्किल साबित हो सकता है के रूप में COVID19 पीछे छाती की दीवार से सटे समेकन से प्रभावित रोगियों में काफी आम हैं । विभाजन को सही करने के लिए मिटा उपकरण का उपयोग करें या अंतिम कार्रवाई को त्यागने के लिए पूर्ववत का चयन करें।
- इस स्तर पर, विभाजन के मैनुअल भाग के दौरान हुई छोटी खामियों को हटाने के लिए एक बार फिर चौरसाई एल्गोरिथ्म का उपयोग करें। अब टीएलपी सेगमेंट की परिभाषा समाप्त हो गई है ।
5. जीजीओ सेगमेंट की परिभाषा
- जीजीओ सेगमेंट को परिभाषित करने के लिए, थ्रेसहोल्ड टूल का उपयोग करें।
- जीजीओ सेगमेंट का चयन करें।
- -750 एचयू और -150 एचयू के बीच की सीमा निर्धारित करें।
- आवेदनका चयन करने से पहले, सही नीचे मास्किंग अनुभाग में जाएं और एडिटेबल एरिया ड्रॉप डाउन मेनू में टीएलपी का चयन करें। ओवरराइट अन्य सेगमेंट ड्रॉप-डाउन मेनू में, किसी काचयन नहीं करें। यह अत्यंत महत्वपूर्ण है, यदि छोड़ दिया जाता है, तो एक बार जीजीओ सेगमेंट को परिभाषित किया जाता है, तो टीएलपी सेगमेंट को भी संशोधित किया जाएगा। इससे बचा जाना चाहिए, क्योंकि टीएलपी सेगमेंट वह मुखौटा है जिस पर अन्य सभी सेगमेंट को परिभाषित किया गया है।
- अब आवेदनका चयन करें ।
- इस बिंदु पर सभी छोटे जहाजों और शारीरिक मध्यवर्ती तत्वों को बाहर करने के लिए एक बार फिर से चौरसाई एल्गोरिथ्म का उपयोग करना आवश्यक होगा, जिसमें सेगमेंट से ग्राउंड ग्लास के समान घनत्व है। 3 मिमी के गिरी आकार के साथ शुरू करें और, यदि आवश्यक हो, तो इसे उत्तरोत्तर बढ़ाकर अधिकतम 6-7 मिमी कर दें। ध्यान दें कि गिरी आकार को बढ़ाने से ग्राउंड ग्लास के छोटे क्षेत्रों के नुकसान का निर्धारण हो सकता है, जो जीजीओ सेगमेंट के बाहर छोड़ दिया जाएगा। इस वजह से, चौरसाई एल्गोरिथ्म का उपयोग उचित सावधानी के साथ किया जाना चाहिए।
- इस मामले में भी, पेंट, कैंची और मिटा उपकरण के साथ आवश्यक सुधार लागू करें। इस चरण के दौरान टीएलपी मास्क को हर समय सक्रिय रखना याद रखें ताकि सेगमेंट के अंदर "ग्राउंड ग्लास" क्षेत्रों से सटे छाती की दीवार के कुछ हिस्सों को शामिल किया जा सके। इसका कारण यह है कि, यदि गलती से खंडित हो जाता है, तो उन्हें स्वचालित रूप से बाहर रखा जाएगा।
- इस सेगमेंट को प्राप्त करते समय, चूल्हा और डायाफ्राम के आंदोलनों द्वारा उत्पन्न कलाकृतियों की संभावित उपस्थिति पर करीब से ध्यान दें (ऐसा तब होता है जब रोगी परीक्षा के दौरान अपनी सांस नहीं रोक सकता है)। यदि वर्तमान और पहले टीएलपी सेगमेंट में शामिल है, तो इन कलाकृतियों को "ग्राउंड ग्लास" सेगमेंट से हटा दें, उदाहरण के लिए द्वीप उपकरण के माध्यम से हटाएं चयनित द्वीप विकल्प के साथ या कैंची और मिटा उपकरणों का उपयोग करके। अध्ययन के लक्ष्य के आधार पर, कलाकृतियों को अलग से खंडित किया जा सकता है, एक समर्पित खंड का उपयोग करके या टीएलपी सेगमेंट में शामिल किया जा सकता है और अन्य क्षेत्रों से बाहर रखा जा सकता है। अब जीजीओ सेगमेंट को परिभाषित किया गया है।
6. सीडी सेगमेंट की परिभाषा
- सीडी सेगमेंट को परिभाषित करने के लिए, जीजीओ सेगमेंट को परिभाषित करने के लिए उसी तरह आगे बढ़ें।
- सीडी सेगमेंट का चयन करें। टीएलपी मास्किंग के साथ हमेशा सक्रिय काम करना सुनिश्चित करें।
- एक पर्याप्त सीमा निर्धारित करें। समेकन के लिए सीमा भिन्न होती है, मोटे तौर पर, -150 एचयू से 100 एचयू तक।
- जरूरत के अनुसार गिरी के आकार को अलग-अलग चौरसाई एल्गोरिथ्म लागू करें।
- बड़े जहाजों, प्ल्युरल एफफ्यूजन, कलाकृतियों, डिस्वेंटिलेटरी बैंड और अन्य गैर COVID से संबंधित घावों को छोड़कर, केवल वास्तविक समेकन, खंड के अंदर रखने के लिए उपकरण कैंची, मिटा, पेंट और द्वीपों के संयोजन का उपयोग करें।
- यदि आवश्यक हो, तो अंतिम चौरसाई लागू की जा सकती है।
7. सेगमेंट को बचाना
- सेगमेंट को ".nrrd" फ़ाइल के रूप में सहेजें, या "डेटा" मॉड्यूल से बाइनरी लेबल मानचित्रों में परिवर्तित करें।
8. परिभाषित खंडों से वॉल्यूम निकालते हैं।
- सेगमेंट स्टैटिस्टिक्स मॉड्यूल से, सेगमेंट की मात्रा और सतहों पर विवरण के साथ एक तालिका प्राप्त करें।
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
प्रस्तावित विधि को परीक्षणों और त्रुटियों के माध्यम से परिष्कृत किया गया है, यह एक सकारात्मक आरटी पीसीआर परीक्षण के साथ COVID-19 निमोनिया से प्रभावित ११७ रोगियों पर परीक्षण ।
एक छोटी सीखने की अवस्था के बाद, प्रस्तुति पैटर्न के आधार पर, सेगमेंट प्राप्त करने के लिए आवश्यक समय 5 से 15 मिनट तक भिन्न हो सकता है।
जैसा कि चित्र 1पर दिखाया गया है, विधि सटीक खंडों की पैदावार करती है: इसे एचआरसीटी के साथ सटीक पत्राचार देख कर देखा जा सकता है। 3डी प्रतिपादन पत्राचार का आकलन करने और विभाजन परिणामों की जल्दी से समीक्षा करने में मदद करता है। फेफड़ों के परेन्चिमा प्रभावित की मात्रा का मात्रात्मक आकलन प्राप्त किया जा सकता है, जो कोलोम्बी एट अल से रिपोर्ट किए गए परिणामों को दोहराने के लिए6 और लांज़ा एट अल13।
चित्रा 1: प्रतिनिधि परिणाम मात्रा और सतह विश्लेषण। 3डी स्लाइसर इंटरफ़ेस से स्क्रीनशॉट "सेगमेंट स्टैटिस्टिक्स" मॉड्यूल से प्राप्त परिणामों का प्रतिनिधित्व करता है, जिसका उपयोग प्रभावित फेफड़ों के परेंचिमा की मात्रा का मात्रात्मक मूल्यांकन करने के लिए किया जा सकता है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।
Subscription Required. Please recommend JoVE to your librarian.
Discussion
विभाजन आधुनिक मात्रात्मक रेडियोलॉजी अध्ययन करने के लिए एक मौलिक कदम का प्रतिनिधित्व करता है, और रेडियोमिक्स या बनावट विश्लेषण तकनीकों को लागू करने के लिए आवश्यक है। फेफड़ों में पैथोलॉजिकल निष्कर्ष परिभाषित शारीरिक सीमाओं की कमी और स्वस्थ क्षेत्रों की तुलना में क्षीणन मूल्य में एक छोटा सा अंतर के लिए, सेगमेंट के लिए सबसे चुनौतीपूर्ण में से एक का प्रतिनिधित्व करते हैं।
स्रोत छवियों को यदि संभव हो तो कम से कम कलाकृतियों के साथ पेश करना चाहिए, विशेष रूप से रोग क्षेत्रों पर, और सांस धारण करने से समझौता करने वाली बीमारी का अध्ययन करते समय इसे प्राप्त करना कभी-कभी मुश्किल होता है; इसलिए, शोधकर्ताओं ने समझौता HRCTs को छोड़कर या कलाकृतियों को समर्पित एक खंड को परिभाषित करने पर विचार कर सकते है आगे के विश्लेषण से समाप्त हो ।
3 डी स्लाइसर के लिए एक विस्तार स्थापित करना संभव है, जिसे "चेस्ट इमेजिंग प्लेटफॉर्म"11कहा जाता है, जो वातित फेफड़ों पर विशेष रुचि के साथ फेफड़ों के खंडों पर तेजी से, अधिक स्वचालित संचालन की अनुमति देता है। इस विधि को न अपनाने का निर्णय लिया गया था, क्योंकि इसके लिए व्यापक मैन्युअल हस्तक्षेप की आवश्यकता होती है जब जीजीओ और समेकन में उप-pleural वितरण होता है, जो इस पेपर में खोजी गई विकृति का मामला है।
फेफड़ों के रोगों के लिए एक स्वचालित विभाजन विधि की सूचना दी गई है12. फिर भी, इस विधि को प्रभावित क्षेत्रों की विशेषताओं के पिछले ज्ञान की आवश्यकता होती है। इस अध्ययन में प्रस्तावित तकनीक फेफड़ों के रोग निष्कर्षों के विभाजन के लिए सीखने के लिए एक आसान और प्रजनन योग्य दृष्टिकोण का प्रतिनिधित्व करती है, जिनसे निकाली गई विशेषताएं स्वचालित रूप से वायरल मध्यवर्ती फेफड़ों के रोगों को खंडित करने के भविष्य के साधन प्रदान कर सकती हैं, और सटीक शकुन कारकों का प्रतिनिधित्व करती हैं।
प्रस्तावित विभाजन विधि की कुछ सीमाएं हैं ।
सबसे पहले, वर्कस्टेशन से DICOM छवियों को डाउनलोड करना एक ऐसी प्रक्रिया है जिसे समय की एक चर राशि की आवश्यकता हो सकती है, इस प्रकार रोगियों की विशाल संख्या के लिए ऐसा करना एक परेशानी का काम हो सकता है। क्लिनिक अभ्यास के लिए इस विभाजन विधि के किसी भी संभावित आवेदन को इस महत्वपूर्ण मुद्दे पर विचार करना चाहिए, जब तक कि विभाजन प्लगइन्स पैक्स प्लेटफार्मों पर व्यापक रूप से उपलब्ध न हो जाएं।
दूसरे, COVID-19 संबंधित रोग क्षेत्रों का विभाजन समवर्ती पुरानी फेफड़ों की बीमारी (जैसे, फेफड़ों के कैंसर, फेफड़ों फाइब्रोसिस, आदि) के रोगियों में जटिल हो सकता है, जिनके रेडियोलॉजिकल निष्कर्षों में COVID-19 पैटर्न के विशिष्ट लोगों के समान घनत्व वाले क्षेत्र शामिल हैं। सीटी स्कैन में श्वसन कलाकृतियों के साथ इसी चिंता पर विचार किया जाना चाहिए। इन कलाकृतियों COVID-19 संक्रमण के साथ रोगियों में काफी आम हैं, आमतौर पर डिस्पनिया और श्वसन विफलता से संबंधित किया जा रहा है, विशेष रूप से पुराने/मध्यम आयु वर्ग के रोगियों में ।
इसके अलावा, एक गंभीर मध्यवर्ती निमोनिया वाले रोगियों (कई फेफड़ों के समेकन और पागल फ़र्श ओपेसिटी की विशेषता) को अधिक व्यापक मैनुअल विभाजन की आवश्यकता होती है और परिणामस्वरूप, समय की एक विशाल मात्रा होती है। सामान्य तौर पर, इंटरस्टिशियल निमोनिया की गंभीरता जितनी अधिक होगी, मैनुअल विभाजन की आवश्यकता उतनी ही व्यापक होगी, विभाजन का समय उतना ही लंबा होगा।
हालांकि, लांज़ा और कोलोम्बी द्वारा प्रस्तावित उन्नत मूल्यांकन तकनीकों द्वारा पेश की गई सटीकता की डिग्री मानक नैदानिक और रेडियोलॉजिकल मूल्यांकन20की तुलना में पहले से ही गंभीर फेफड़ों की स्थिति वाले रोगियों के बारे में सीमित जानकारी जोड़ सकती है।
अंत में, यह ध्यान दिया जाना चाहिए कि किसी भी रेडियोलॉजिस्ट जो 3 डी स्लाइसर के साथ कोई अनुभव नहीं है एक पर्याप्त प्रशिक्षण समय की जरूरत है, क्योंकि यह एक सहज सॉफ्टवेयर नहीं है और कुछ समय की आवश्यकता है यहां तक कि अपने बेसिलर कार्यों में महारत हासिल है ।
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
किसी भी लेखक के हितों के टकराव नहीं हैं ।
Acknowledgments
बोलोग्ना विश्वविद्यालय के रेडियोलॉजी विभाग से फंडिंग कर इस काम को सपोर्ट किया गया।
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).
