Summary
Lo scopo di questo protocollo è quello di fornire un modo efficiente in termini di tempo per segmentare i volumi di interesse sulle scansioni CT ad alta risoluzione da utilizzare per ulteriori analisi radiomiche.
Abstract
La segmentazione è un compito complesso, affrontato da radiologi e ricercatori mentre la radiomica e l'apprendimento automatico crescono di potenziale. Il processo può essere automatico, semiautomatico o manuale, il primo spesso non è sufficientemente preciso o facilmente riproducibile e l'ultimo richiede eccessivamente tempo quando coinvolge grandi distretti con acquisizioni ad alta risoluzione.
Una TAC ad alta risoluzione del torace è composta da centinaia di immagini, il che rende l'approccio manuale eccessivamente dispendioso in termini di tempo. Inoltre, le alterazioni parenchimali richiedono una valutazione esperta da discernere dall'aspetto normale; pertanto, un approccio semiautomatico al processo di segmentazione è, per quanto ne so, il più adatto quando si segmentano le polmonite, specialmente quando le loro caratteristiche sono ancora sconosciute.
Per gli studi condotti nel nostro istituto sull'imaging del COVID-19, abbiamo adottato 3D Slicer, un software freeware prodotto dall'Università di Harvard, e combinato la soglia con gli strumenti a pennello per ottenere una segmentazione rapida e precisa del polmone aerato, delle opacità del vetro macinato e dei consolidamenti. Quando si affrontano casi complessi, questo metodo richiede ancora una notevole quantità di tempo per adeguate regolazioni manuali, ma fornisce una media estremamente efficiente per definire segmenti da utilizzare per ulteriori analisi, come il calcolo della percentuale del parenchima polmonare interessato o l'analisi della trama delle aree di vetro macinato.
Introduction
Nell'anno in corso, il mondo sta affrontando un'emergenza sanitaria, la pandemia causata dal nuovo Coronavirus, Sars-CoV2. Anche se, fino ad oggi, molti aspetti riguardanti la fisiopatologia dell'infezione da COVID-19 non sono ancora chiari, condivide diverse caratteristiche con i suoi "antenati" SARS1 e MERS. In particolare, è stato dimostrato che le proteine del picco di virione interagiscono con l'enzima di conversione dell'angiotensina di tipo 2, un recettore ben rappresentato sulle cellule endoteliali alveolari, ma onnipresente nell'organismo umano, avendo così la potenzialità di dare sintomi sistemici1.
Per la diagnosi, lo standard attuale è la reazione a catena in tempo reale transcriptasi-polimerasi inversa (rt-PCR), un test eseguito su tamponi faringei. Sebbene l'imaging radiologico non sia ufficialmente riconosciuto nel percorso diagnostico per l'individuazione della malattia, la tomografia computerizzata ad alta risoluzione (HRCT) si è rivelata un valido aiuto alla gestione clinica ed epidemiologica dei pazienti colpiti, a causa della sensibilità relativamente bassa della rt-PCR, dell'attuale scarsità di laboratori specializzati e dei reagenti necessari e dell'elevata dipendenza dell'operatore.
La Radiological Society of North America (RSNA) ha rilasciato una dichiarazione di consenso, approvata dalla società di radiologia toracica e dall'American College of Radiology (ACR), che classifica l'aspetto CT del COVID19 in quattro categorie al fine di standardizzare la segnalazione, dividendo i modelli di polmonite interstiziale in "tipici", "atipici", "indeterminati" e "negativi"2.
Il modello "tipico" è caratterizzato dalla presenza di opacità di vetro macinato a forma rotonda (GGO), di solito con una posizione sub-pleuriche sui segmenti basali dorsali. Il GGO può essere associato a aree di "Pavimentazione pazza" di setti ispessiti o altri segni di organizzazione della polmonite. Il modello "indeterminato" è caratterizzato dall'assenza dei risultati del modello "tipico", con aree GGO diffuse con distribuzione perihilar, con o senza aree consolidanti. Il modello "atipico" è caratterizzato dall'assenza dei segni "tipici" o "indeterminati", e dalla presenza di consolidamenti lobar, "albero in gemma", ispessimento liscio del setto ed effusione pleurica; in questa presentazione nessun GGO è rilevabile. Il modello "negativo" è caratterizzato dall'assenza dei suddetti risultati patologici.
Secondo la letteratura, alcuni pazienti possono presentare un alto sospetto clinico di COVID-19 supportato da criteri epidemiologici e risultati di imaging con rt-PCR3,4 negativo. D'altra parte, è stato riferito che i pazienti con un rt-PCR positivo e risultati clinici suggestivi, non presentano risultati patologici su HRCT5.
Al giorno d'oggi, è di fondamentale interesse per la comunità scientifica applicare tecniche di analisi delle immagini quando studia quantitativamente le caratteristiche di questa malattia. Un recente studio ha applicato la tecnica di segmentazione automatizzata del parenchima polmonare per identificare la percentuale di polmone aerato nei pazienti affetti da COVID-19, correlando questo valore con la prognosi e dimostrando che i pazienti con un coinvolgimento polmonare più grave presentavano un rischio maggiore di essere ammessi nell'Unità di Terapia Intensiva (TERAPIA INTENSIVA) e di avereesiti peggiori 6.
La segmentazione è il contouring delle regioni di interesse (ROM) all'interno di un volume acquisito attraverso una tecnica di imaging, come HRCT. Questa attività può essere svolta con tre metodi: manuale, semiautomatico e automatico. La segmentazione manuale, grazie all'esperienza di un radiologo qualificato, consiste nell'etichettatura dei voxel appartenenti all'area patologica. I principali svantaggi di questo metodo sono la grande quantità di tempo richiesta e il fatto che dipende dall'operatore.
I metodi semiautomatici consentono di accelerare la segmentazione in quanto l'operatore può modificare una maschera di segmentazione ottenuta attraverso i metodi classici di elaborazione delle immagini (ad esempio, soglia sull'intensità dei pixel, clustering, ecc.). Tuttavia, queste tecniche non sono facili da implementare nella pratica clinica in quanto richiedono un ampio intervento manuale nei casi più complicati18.
I metodi di segmentazione automatica, attualmente di uso limitato, utilizzano l'intelligenza artificiale per ottenere LE. In particolare, un recente studio mira a utilizzare la segmentazione automatica nella quantificazione delle aree di vetro macinato nei pazienti affetti da polmonite interstiziale COVID-1919. La definizione di un protocollo di segmentazione per le aree patologiche sulle immagini HRCT è il vero primo passo verso la successiva analisi radiomica, al fine di identificare caratteristiche che potrebbero aiutare a comprendere ulteriormente la fisiopatologia della malattia e servire come fattore prognostico accurato che potenzialmente influenza il trattamento.
Questo documento offre una guida per ottenere segmenti accurati ed efficienti che rappresentano i risultati patologici della polmonite da COVID-19 utilizzando "3D Slicer"7,8,9,10.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Questo protocollo segue le linee guida del comitato etico istituzionale per la ricerca umana.
1. Download delle immagini DICOM
- Scarica le immagini DICOM e trasferiscile nella workstation dedicata alla segmentazione, con il software 3D installato. Se hai intenzione di lavorare su un personal computer, anonimizza i dati DICOM.
2. Importazione dello studio HRCT sul software 3D Slicer
- Nella schermata di apertura del software (corrispondente alla sezione Welcome to Slicer del menu a discesa) selezionare Carica dati DICOM. In alternativa, selezionare l'icona DCM nell'angolo superiore sinistro della barra degli strumenti.
- Nell'angolo superiore sinistro del pannello Browser DICOM selezionare Importa, quindi selezionare la posizione dello studio HRCT. Selezionare la cartella con le immagini DCM, quindi selezionare Importa.
- Ora che lo studio HRCT è stato importato correttamente, fare clic sul pulsante Carica.
3. Creazione dei segmenti
- Create segmenti nella sezione Segmentazioni del menu a discesa o direttamente nella sottosezione Editor segmenti disponibile nella sezione Segmentazione del menu a discesa o di nuovo come icona dedicata sulla barra degli strumenti.
- Nel menu a discesa accanto a Volume master selezionare lo studio HRCT.
- Selezionare Aggiungi e creare tre nuovi segmenti, che verranno denominati automaticamente segmenti 1, 2 e 3. Fare doppio clic su ciascuno di essi e rinominarli rispettivamente "tlv" (Total Lung Parenchyma), "ggo" (Opacità di vetro macinato) e "contro" (Consolidamenti). Se nello studio HRCT coesistono ulteriori risultati patologici, come l'effusione pleurica, il cancro ai polmoni, le aree fibrotiche e così via, creare segmenti aggiuntivi. Lo stesso vale per gli artefatti.
4. Definizione del segmento TLP
NOTA: Una definizione accurata del segmento TLP è fondamentale, in quanto verrà utilizzata per mascherare l'HRCT durante la definizione dei segmenti GGO e CD.
- Come primo passo, nella sezione Editor segmenti, dopo aver selezionato il segmento TLP, scegliete lo strumento Soglia.
- Impostare una soglia abbastanza grande da includere sia il parenchima polmonare sano che le opacità del vetro macinato. Utilizzando i valori riportati nella letteratura scientifica con i necessari adeguamenti per conformarsi alla definizione da manuale di GGO, abbiamo scoperto che fissare la soglia tra -1000 HU e -250 HU funzionabene 6,14,15,16,17. Selezionare Quindi Applica.
- Il segmento così definito includerà sia l'aria all'interno dei polmoni che l'aria al di fuori del torace (cioè l'aria esterna al paziente). Per isolare il parenchima polmonare, utilizzare lo strumento Isole, disponibile nell'Editor segmenti, e scegliere Mantieni isola selezionata. Clicca a sinistra all'interno del torace in modo che tutto ciò che è fuori dal torace venga escluso dal segmento.
- Includere quindi qualsiasi area di consolidamento all'interno del segmento TLP. I consolidamenti di solito hanno valori di attenuazione (Hounsfield Units: HU) simili a quelli dei tessuti molli che costituiscono la parete toracica e il mediastino. Questo è il motivo per cui lo strumento Threshold non può essere utilizzato per questo scopo e i consolidamenti dovranno essere aggiunti manualmente, utilizzando gli strumenti Forbici e Vernice presenti nell'editor dei segmenti.
- Utilizzare lo strumento Forbici per aggiungere porzioni di parenchima polmonare al segmento. Selezionate l'operazione Riempimento interno (Fill Inside), quindi Forma libera (Free Form) come forma e Simmetrico (Symmetric) come taglio della fetta. Scegliere uno spessore adeguato alle dimensioni del consolidamento (ad esempio, da 3 a 20 mm); e poi, iniziare ad aggiungere progressivamente piccole porzioni di TLP, fino a quando il consolidamento non è stato completamente incluso.
- Lo strumento Paint è più facile e talvolta più veloce da usare, ma potrebbe essere meno preciso, a seconda dell'area da includere. Quando l'opzione Pennello sfera è attiva, questo strumento può aggiungere porzioni 3D di parenchima polmonare al segmento. Le dimensioni del pennello possono essere facilmente modificate.
- Durante l'aggiunta dei consolidamenti al segmento TLP, non includere porzioni di parete toracica o mediastino. Questo potrebbe rivelarsi difficile come nei pazienti affetti da consolidamenti COVID19 adiacenti alla parete toracica posteriore sono abbastanza comuni. Utilizzate lo strumento Cancella (Erase) per correggere la segmentazione oppure selezionate Annulla (Undo) per ignorare l'ultima azione.
- In questa fase, utilizzare ancora una volta l'algoritmo di smussatura per eliminare piccole imperfezioni che potrebbero essersi verificate durante la parte manuale della segmentazione. Ora la definizione del segmento TLP è conclusa.
5. Definizione del segmento GGO
- Per definire il segmento GGO, utilizzate lo strumento soglia.
- Selezionare il segmento GGO.
- Impostare la soglia tra -750 HU e -150 HU.
- Prima di selezionare Applica, passare alla sezione Mascheramento sottostante e selezionare TLP nel menu a discesa Area modificabile. Nel menu a discesa Sovrascrivi altro segmento selezionare Nessuno. Questo è estremamente importante in quanto, se saltato, una volta definito il segmento GGO, anche il segmento TLP sarebbe stato modificato. Questo deve essere evitato, poiché il segmento TLP è la maschera su cui sono definiti tutti gli altri segmenti.
- Selezionare Applica.
- A questo punto sarà probabilmente necessario utilizzare ancora una volta l'algoritmo di levigatura, al fine di escludere dal segmento tutti i piccoli vasi e gli elementi interstiziali fisiologici che hanno una densità simile a quella del vetro macinato. Inizia con una dimensione del kernel di 3 mm e, se necessario, aumentalo progressivamente, fino a un massimo di 6-7 mm. Si noti che l'aumento troppo delle dimensioni del kernel potrebbe determinare la perdita di piccole aree di vetro macinato, che sarebbero lasciate al di fuori del segmento GGO. Per questo motivo, l'algoritmo di levigatura deve essere utilizzato con la dovuta cautela.
- Anche in questo caso, applicare le correzioni necessarie con lo strumento Vernice , Forbici e Cancella. Durante questa fase ricorda di mantenere la maschera TLP attiva in ogni momento per evitare di includere porzioni di parete toracica adiacenti alle aree "vetro macinato" all'interno del segmento. Questo perché, se erroneamente segmentati, sarebbero automaticamente esclusi.
- Quando si ottiene questo segmento, prestare molta attenzione alla possibile presenza di artefatti generati da movimenti di focolare e diaframma (questo accade se il paziente non è in grado di trattenere il respiro durante l'esame). Se presenti e precedentemente inclusi nel segmento TLP, eliminate questi artefatti dal segmento "vetro macinato", ad esempio attraverso lo strumento Isole con l'opzione Rimuovi isola selezionata o utilizzando gli strumenti Forbici e Cancella. A seconda dell'obiettivo dello studio, gli artefatti potrebbero essere segmentati separatamente, utilizzando un segmento dedicato o inclusi nel segmento TLP ed esclusi da altri segmenti. Ora il segmento GGO è stato definito.
6. Definizione del segmento CD
- Per definire il segmento CD, procedere allo stesso modo in cui definire il segmento GGO.
- Selezionare il segmento CD. Assicurarsi di utilizzare il mascheramento TLP sempre attivo.
- Impostare una soglia adeguata. Per i consolidamenti l'intervallo varia, approssimativamente, da -150 HU a 100 HU.
- Applicare l'algoritmo di smussatura che varia le dimensioni del kernel in base alle esigenze.
- Utilizzare una combinazione degli strumenti Forbici,Cancella, Vernice e Isole al fine di mantenere all'interno del segmento solo i veri consolidamenti, esclusi grandi vasi, effusioni pleuriche,manufatti, bande disventilatorie e altre lesioni non legate al COVID.
- Se necessario, è possibile applicare una levigatura finale.
7. Salvataggio dei segmenti
- Salvare i segmenti come file ".nrrd" o convertirli in mappe etichette binarie dal modulo "Data".
8. Estrazione di volumi dai segmenti definiti.
- Dal modulo Statistiche segmento ottenere una tabella con dettagli sul volume e sulle superfici dei segmenti.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Il metodo proposto è stato perfezionato attraverso studi ed errori, testandolo su 117 pazienti affetti da polmonite da COVID-19 con un test rt-PCR positivo.
Dopo una breve curva di apprendimento, il tempo necessario per ottenere i segmenti può variare da 5 a 15 minuti, a seconda del modello di presentazione.
Come mostrato nella figura 1, il metodo produce segmenti precisi: questo può essere osservato notando l'esatta corrispondenza con l'HRCT. Il rendering 3D aiuta a valutare la corrispondenza e rivedere rapidamente i risultati della segmentazione. È possibile ottenere unavalutazione quantitativa della quantità di parenchima polmonare interessato, per replicare i risultati riportati da Colombi etal.
Figura 1: Volume dei risultati rappresentativi e analisi delle superfici. Lo screenshot dell'interfaccia 3D Slicer rappresenta i risultati ottenuti dal modulo "Segment Statistics", che può essere utilizzato per valutare quantitativamente il volume del parenchima polmonare interessato. Clicca qui per visualizzare una versione più grande di questa figura.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
La segmentazione rappresenta un passo fondamentale per l'esecuzione di moderni studi di radiologia quantitativa ed è necessaria per applicare tecniche di radiomica o analisi delle trame. I risultati patologici nei polmoni rappresentano uno dei più difficili da segmentare, per la mancanza di confini anatomici definiti e una piccola differenza nel valore di attenuazione rispetto alle aree sane.
Le immagini sorgente devono presentare un minimo di artefatti, se possibile, specialmente sulle aree patologiche, e questo a volte è difficile da ottenere quando si studia una malattia che compromette l'trattenere il respiro; pertanto, i ricercatori possono prendere in considerazione l'esclusione degli HRCT compromessi o la definizione di un segmento dedicato agli artefatti da eliminare da ulteriori analisi.
È possibile installare un'estensione a 3D Slicer, chiamata "chest imaging platform"11, che consente operazioni più veloci e automatizzate sui segmenti polmonari, con particolare interesse sul polmone aerato. Si è deciso di non adottare questo metodo, poiché richiede un ampio intervento manuale quando GGO e consolidamenti hanno una distribuzione sub pleurica, come nel caso della patologia esplorata in questo documento.
È stato segnalato un metodo di segmentazione automatica per le malattie polmonari interstiziali12; anche così, questo metodo richiedeva di avere una conoscenza precedente delle caratteristiche delle aree interessate. La tecnica proposta in questo studio rappresenta un approccio facile da imparare e riproducibile alla segmentazione dei risultati patologici del polmone, le cui caratteristiche estratte potrebbero fornire mezzi futuri per segmentare automaticamente le malattie polmonari interstiziali virali e rappresentare fattori prognostici accurati.
Il metodo di segmentazione proposto presenta alcune limitazioni.
Prima di tutto, scaricare le immagini DICOM dalle workstation è un processo che potrebbe richiedere una quantità variabile di tempo, quindi farlo per un gran numero di pazienti potrebbe essere un lavoro problematico. Qualsiasi potenziale applicazione di questo metodo di segmentazione alla pratica clinica deve considerare questo problema critico, fino al momento in cui i plug-in di segmentazione diventano ampiamente disponibili sulle piattaforme PACS.
In secondo luogo, la segmentazione delle aree patologiche correlate al COVID-19 potrebbe essere complicata nei pazienti con malattia polmonare cronica concomitante (ad esempio, cancro ai polmoni, fibrosi polmonare, ecc.) i cui risultati radiologici consistono in aree con le stesse densità di quelle tipiche dei modelli COVID-19. La stessa preoccupazione dovrebbe essere presa in considerazione nelle tac con artefatti respiratori. Questi artefatti sono abbastanza comuni nei pazienti con infezione da COVID-19, essendo comunemente correlati alla dispnea e all'insufficienza respiratoria, specialmente nei pazienti di vecchia / mezza età.
Inoltre, i pazienti con una grave polmonite interstiziale (caratterizzata da molti consolidamenti polmonari e opacità pa pavimentazione pazzesche) richiedono una segmentazione manuale più estesa e, di conseguenza, una grande quantità di tempo. In generale, maggiore è la gravità della polmonite interstiziale, più estesa è la segmentazione manuale richiesta, più lungo è il tempo di segmentazione.
Tuttavia, il grado di precisione offerto da tecniche di valutazione avanzate come quelle proposte da Lanza e Colombi potrebbe aggiungere informazioni limitate su pazienti con condizioni polmonari già gravi rispetto alle valutazioni cliniche e radiologiche standard20.
Infine, va notato che qualsiasi radiologo che non abbia esperienza con il filtro dei dati 3D ha bisogno di un tempo di allenamento adeguato, in quanto non è un software intuitivo e richiede un po 'di tempo per essere padroneggiato anche nelle sue funzioni basilari.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Nessuno degli autori ha conflitti di interessi.
Acknowledgments
Questo lavoro è stato sostenuto dal finanziamento del Dipartimento di Radiologia dell'Università di 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).
