Summary
El objetivo de este protocolo es proporcionar una manera eficiente de tiempo para segmentar volúmenes de interés en tomografías computarizadas de alta resolución para utilizarlos en análisis de radioémicas adicionales.
Abstract
La segmentación es una tarea compleja, a la que se enfrentan los radiólogos e investigadores a medida que la radiomómica y el aprendizaje automático crecen en potencialidad. El proceso puede ser automático, semiautomático o manual, el primero a menudo no es lo suficientemente preciso o fácil de reproducir, y el último consume demasiado tiempo cuando se trata de distritos grandes con adquisiciones de alta resolución.
Una TC de alta resolución del pecho se compone de cientos de imágenes, y esto hace que el enfoque manual sea excesivamente lento. Además, las alteraciones parénquimales requieren que una evaluación experta se discerna de la apariencia normal; por lo tanto, un enfoque semiautomático para el proceso de segmentación es, a nuestro leal saber y entender, el más adecuado a la hora de segmentar las neumonías, especialmente cuando sus características aún son desconocidas.
Para los estudios realizados en nuestro instituto sobre imágenes de COVID-19, adoptamos 3D Slicer, un software gratuito producido por la Universidad de Harvard, y combinamos el umbral con los instrumentos de pincel de pintura para lograr una segmentación rápida y precisa de pulmón aireado, opacidades de vidrio molido y consolidaciones. Cuando se enfrenta a casos complejos, este método todavía requiere una cantidad considerable de tiempo para ajustes manuales adecuados, pero proporciona un medio extremadamente eficiente para definir segmentos para utilizar para análisis adicionales, como el cálculo del porcentaje del parénquima pulmonar afectado o el análisis de textura de las áreas de vidrio de suelo.
Introduction
En el año en curso, el mundo se enfrenta a una emergencia sanitaria, la pandemia causada por el novel Coronavirus, Sars-CoV2. Aunque, hasta la fecha, muchos aspectos relativos a la fisiopatología de la infección COVID-19 aún no estén claros, comparte varias características con sus "antepasados" SARS1 y MERS. En particular, se ha demostrado que las proteínas de pico de virión interactúan con la enzima convertidora de angiotensina tipo 2, un receptor bien representado en las células endoteliales alveolares, pero ubicua en el organismo humano, teniendo así la potencialidad para dar síntomas sistémicos1.
Para el diagnóstico, el estándar actual es la reacción en cadena de transcriptasa-polimerasa inversa en tiempo real (rt-PCR), una prueba realizada con hisopos faríngeos. Aunque las imágenes radiológicas no se reconocen oficialmente en la vía diagnóstica para la detección de la enfermedad, la tomografía computarizada de alta resolución (HRCT) demostró ser una ayuda valiosa para el manejo clínico y epidemiológico de los pacientes afectados, debido a la sensibilidad relativamente baja del rt-PCR, la escasez actual de laboratorios especializados y de los reactivos necesarios, y la alta dependencia del operador.
La Sociedad Radiológica de América del Norte (RSNA) publicó una declaración de consenso, respaldada por la sociedad de Radiología Torácica y el Colegio Americano de Radiología (ACR), que clasifica la apariencia de CT de COVID19 en cuatro categorías con el fin de estandarizar los informes, dividiendo los patrones de neumonía intersticial en "típico", "atípico", "indeterminado" y "negativo"2.
El patrón "típico" se caracteriza por la presencia de opacidades de vidrio molido (GGO) de forma redonda, generalmente con una ubicación sub pleural en los segmentos basales dorsales. La GGO se puede asociar con áreas de "Pavimentación loca" de septa espesada u otros signos de organización de la neumonía. El patrón "indeterminado" se caracteriza por la ausencia de los hallazgos de patrones "típicos", con áreas difusas de GGO con una distribución perihilar, con o sin áreas de consolidación. El patrón "atípico" se caracteriza por la ausencia de los signos "típicos" o "indeterminados", y la presencia de consolidaciones lobar, "árbol en brote", engrosamiento suave del septa y derrame pleural; en esta presentación no se pueden detectar GGO. El patrón "negativo" se caracteriza por la ausencia de los hallazgos patológicos antes mencionados.
Según la literatura, algunos pacientes pueden presentar un alto sospechoso clínico de COVID-19 respaldado por criterios epidemiológicos y hallazgo de imágenes con rt-PCR negativo3,4. Por otro lado, se ha informado que los pacientes con un rt-PCR positivo y hallazgos clínicos sugerentes, no presentan hallazgos patológicos en HRCT5.
Hoy en día, es de gran interés para la comunidad científica aplicar técnicas de análisis de imágenes al estudiar cuantitativamente las características de esta enfermedad. Un estudio reciente ha aplicado la técnica de segmentación automatizada del parénquima pulmonar para identificar el porcentaje de pulmón aireado en pacientes afectados por COVID-19, correlacionando este valor con el pronóstico, y demostrando que los pacientes con una afectación pulmonar más grave presentaban más riesgo de ser admitidos en la Unidad de Cuidados Intensivos (UCI), y tener peores resultados6.
La segmentación es el contorno de las regiones de interés (ROI) dentro de un volumen adquirido a través de una técnica de imagen, como HRCT. Esta actividad puede llevarse a cabo a través de tres métodos: manual, semiautomático y automático. La segmentación manual, gracias a la experiencia de un radiólogo capacitado, consiste en el etiquetado de los voxeles pertenecientes al área patológica. Las principales desventajas de este método son la gran cantidad de tiempo requerido y el hecho de que depende del operador.
Los métodos semiautomáticos permiten acelerar la segmentación, ya que el operador puede modificar una máscara de segmentación obtenida a través de los métodos clásicos de procesamiento de imágenes (por ejemplo, umbral en la intensidad de píxeles, agrupación en clústeres, etc.). Sin embargo, estas técnicas no son fáciles de implementar en la práctica clínica, ya que requieren una intervención manual extensa en los casos más complicados18.
Los métodos de segmentación automática, actualmente de uso limitado, emplean inteligencia artificial para obtener ROI. En particular, un estudio reciente tiene como objetivo utilizar la segmentación automática en la cuantificación de las zonas de vidrio molido en pacientes que sufren de neumonía intersticial COVID-1919. La definición de un protocolo de segmentación para las áreas patológicas en las imágenes HRCT es el primer paso real hacia el posterior análisis radioémico, con el fin de identificar características que podrían ayudar a comprender mejor la fisiopatología de la enfermedad, y servir como un factor de pronóstico preciso que podría influir potencialmente en el tratamiento.
Este documento ofrece una guía para obtener segmentos precisos y eficientes que representan los hallazgos patológicos de la neumonía COVID-19 utilizando "3D Slicer"7,8,9,10.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Este protocolo sigue las directrices del comité institucional de ética de la investigación humana.
1. Descarga de las imágenes DICOM
- Descargue las imágenes DICOM y transfiéralas en la estación de trabajo dedicada a la segmentación, con el software 3D instalado. Si planea trabajar en un equipo personal, anonimice los datos DICOM.
2. Importación del estudio HRCT sobre el software 3D Slicer
- En la pantalla de apertura de software (correspondiente a la sección Bienvenido a la segmentación en el menú desplegable) seleccione Cargar datos DICOM. Como alternativa, seleccione el icono DCM en la esquina superior izquierda de la barra de herramientas.
- En la esquina superior izquierda del panel Navegador DICOM, seleccione Importary, a continuación, seleccione la ubicación del estudio HRCT. Seleccione la carpeta con las imágenes de DCM y, a continuación, seleccione Importar.
- Ahora que el estudio HRCT se ha importado correctamente, haga clic en el botón Cargar.
3. Creación de los segmentos
- Cree segmentos en la sección Segmentaciones del menú desplegable o directamente en la subsección Editor de segmentos que se encuentra en la sección Segmentación del menú desplegable, o de nuevo como un icono dedicado en la barra de herramientas.
- En el menú desplegable situado junto a Volumen maestro, seleccione el estudio HRCT.
- Seleccione Agregar y cree tres segmentos nuevos, que se denominarán automáticamente Segmento 1, 2 y 3. Haga doble clic en cada uno y cámbieles el nombre respectivamente "tlv" (Total Lung Parenchyma), "ggo" (Opacidades de vidrio de tierra) y "cons" (Consolidaciones). Si en el estudio HRCT coexisten hallazgos patológicos adicionales, como derrame pleural, cáncer de pulmón, áreas fibrosas, etc., cree segmentos adicionales. Lo mismo se aplica a los artefactos.
4. Definición del segmento TLP
NOTA: Una definición precisa del segmento TLP es fundamental, ya que se utilizará para enmascarar el HRCT durante la definición de los segmentos GGO y CDs.
- Como primer paso, en la sección Editor de segmentos, después de seleccionar el segmento TLP, elija el instrumento Umbral.
- Establezca un umbral lo suficientemente grande como para incluir tanto el parénquima pulmonar sano como las opacidades del vidrio molido. Utilizando los valores reportados en la literatura científica con los ajustes necesarios para cumplir con la definición de libro de texto de GGO, encontramos que establecer el umbral entre -1000 HU y -250 HU funciona bien6,14,15,16,17. A continuación, seleccione Aplicar.
- El segmento así definido incluirá tanto el aire dentro de los pulmones como el aire fuera del tórax (es decir, el aire fuera del paciente). Para aislar el parénquima pulmonar, utilice la herramienta Islas, que se encuentra en el Editor de segmentos,y elija Mantener isla seleccionada. Haga clic izquierdo dentro del pecho para que cualquier cosa fuera del pecho sea excluida del segmento.
- A continuación, incluya cualquier área de consolidación dentro del segmento TLP. Las consolidaciones suelen tener valores de atenuación (Unidades Descampfield: HU) similares a los de los tejidos blandos que constituyen la pared torácica y el mediastino. Esta es la razón por la que el instrumento Umbral no se puede utilizar para este propósito y las consolidaciones tendrán que agregarse manualmente, utilizando las herramientas Tijeras y Pintura que se encuentran en el editor de segmentos.
- Utilice la herramienta Tijeras para añadir porciones de parénquima pulmonar al segmento. Elija la operación Rellenar interior, seleccione Formulario libre como la forma y Simétrico como corte de corte. Elija un espesor adecuado al tamaño de la consolidación (por ejemplo, de 3 a 20 mm); y luego, comience a agregar progresivamente pequeñas porciones de TLP, hasta que la consolidación se haya incluido por completo.
- La herramienta Pintura es más fácil y a veces más rápida de usar, pero puede ser menos precisa, dependiendo del área a incluir. Cuando la opción Pincel de esfera está activa, esta herramienta puede agregar porciones 3D de parénquima pulmonar al segmento. El tamaño del pincel se puede modificar fácilmente.
- Al agregar las consolidaciones al segmento TLP, no incluya porciones de pared torácica o mediastino. Esto podría resultar difícil, ya que en pacientes afectados por COVID19 las consolidaciones adyacentes a la pared torácica posterior son bastante comunes. Utilice la herramienta Borrar para corregir la segmentación o seleccione Deshacer para descartar la última acción.
- En esta etapa, utilice el algoritmo de suavizado una vez más para eliminar las pequeñas imperfecciones que podrían haberse producido durante la parte manual de la segmentación. Ahora se concluye la definición del segmento TLP.
5. Definición del segmento GGO
- Para definir el segmento GGO, utilice la herramienta de umbral.
- Seleccione el segmento GGO.
- Establezca el umbral entre -750 HU y -150 HU.
- Antes de seleccionar Aplicar, vaya a la sección Enmascaramiento justo debajo y seleccione TLP en el menú desplegable Área editable. En el menú desplegable Sobrescribir otro segmento, seleccione Ninguno. Esto es extremadamente importante ya que, si se omite, una vez definido el segmento GGO, también se modificaría el segmento TLP. Esto debe evitarse, ya que el segmento TLP es la máscara en la que se definen todos los demás segmentos.
- Ahora seleccione Aplicar.
- En este punto probablemente será necesario utilizar el algoritmo de suavizado una vez más, con el fin de excluir todos los vasos pequeños y los elementos intersticiales fisiológicos que tienen una densidad similar a la del vidrio molido del segmento. Comience con un tamaño kernel de 3 mm y, si es necesario, aumente progresivamente, hasta un máximo de 6-7 mm. Tenga en cuenta que aumentar demasiado el tamaño del núcleo podría determinar la pérdida de pequeñas áreas de vidrio molido, que quedarían fuera del segmento GGO. Debido a esto, el algoritmo de suavizado debe utilizarse con la precaución adecuada.
- En este caso también, aplique las correcciones necesarias con la herramienta Pintar, Tijeras y Borrar. Durante esta fase recuerde mantener la máscara TLP activa en todo momento para evitar incluir porciones de la pared torácica adyacentes a las áreas de "vidrio molido" dentro del segmento. Esto se debe a que, si se segmentan erróneamente, se excluirían automáticamente.
- Al obtener este segmento, preste mucha atención a la posible presencia de artefactos generados por movimientos de chimenea y diafragma (esto sucede si el paciente no pudo contener la respiración durante el examen). Si está presente y se incluye anteriormente en el segmento TLP, elimine estos artefactos del segmento "vidrio de tierra", por ejemplo a través de la herramienta Islas con la opción Eliminar isla seleccionada o mediante las herramientas Tijeras y Borrar. Dependiendo del objetivo del estudio, los artefactos pueden segmentarse por separado, utilizando un segmento dedicado o incluidos en el segmento TLP y excluidos de otros segmentos. Ahora se ha definido el segmento GGO.
6. Definición del segmento de CDs
- Para definir el segmento de CD, proceda de la misma manera que para definir el segmento GGO.
- Seleccione el segmento CDs. Asegúrese de trabajar con el enmascaramiento TLP siempre activo.
- Establezca un umbral adecuado. Para consolidaciones, el rango varía, aproximadamente, de -150 UNIDAD de manipulación a 100 unidades de manipulación.
- Aplique el algoritmo de suavizado que varía el tamaño del núcleo según sea necesario.
- Utilice una combinación de las herramientas Tijeras, Borrar, Pintura e Islas para mantener dentro del segmento sólo las consolidaciones reales, excluyendo grandes vasos, derrames pleurales, artefactos, bandas disventilatorias y otras lesiones no relacionadas con COVID.
- Si es necesario, es posible que se aplique un suavizado final.
7. Guardar los segmentos
- Guarde segmentos como un archivo ".nrrd" o conviértalos en mapas de etiquetas binarias desde el módulo "Datos".
8. Extraer volúmenes de los segmentos definidos.
- En el módulo Estadísticas de segmentos, obtenga una tabla con detalles sobre el volumen y las superficies de los segmentos.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
El método propuesto se ha perfeccionado a través de ensayos y errores, probándolo en 117 pacientes afectados por neumonía COVID-19 con una prueba positiva de rt-PCR.
Después de una curva de aprendizaje corta, el tiempo necesario para obtener los segmentos puede variar de 5 a 15 minutos, dependiendo del patrón de presentación.
Como se muestra en la Figura 1,el método produce segmentos precisos: esto se puede observar notando la correspondencia exacta con el HRCT. El renderizado 3D ayuda a evaluar la correspondencia y a revisar rápidamente los resultados de la segmentación. Se puede obtener una evaluación cuantitativa de la cantidad de parénquima pulmonar afectado, para replicar los resultados reportados en Colombi et al.6 y Lanza et al.13.
Figura 1: Volumen de resultados representativos y análisis de superficie. La captura de pantalla de la interfaz 3D Slicer representa los resultados obtenidos del módulo "Estadísticas de segmentos", que se puede utilizar para evaluar cuantitativamente el volumen del parénquima pulmonar afectado. Haga clic aquí para ver una versión más grande de esta figura.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
La segmentación representa un paso fundamental para realizar estudios modernos de radiología cuantitativa, y es necesario aplicar técnicas de radiomómica o análisis de textura. Los hallazgos patológicos en los pulmones representan uno de los más difíciles de segmentar, ya que la falta de fronteras anatómicas definidas y una pequeña diferencia en el valor de la atenuación en comparación con las áreas sanas.
Las imágenes de origen deben presentar un mínimo de artefactos si es posible, especialmente en las áreas patológicas, y esto a veces es difícil de lograr al estudiar una enfermedad que compromete la retención de la respiración; por lo tanto, los investigadores pueden considerar la posibilidad de excluir los HRCT comprometidos o definir un segmento dedicado a los artefactos que se eliminarán de un análisis posterior.
Es posible instalar una extensión a 3D Slicer, llamada "plataforma de imágenes de pecho"11,que permite operaciones más rápidas y automatizadas en segmentos pulmonares, con especial interés en el pulmón aireado. Se decidió no adoptar este método, ya que requiere una amplia intervención manual cuando GGO y consolidaciones tienen una distribución sub pleural, que es el caso de la patología explorada en este documento.
Se ha notificado un método de segmentación automática para las enfermedades pulmonares intersticiales12; aun así, este método requería tener conocimiento previo de las características de las áreas afectadas. La técnica propuesta en este estudio representa un enfoque fácil de aprender y reproducible para la segmentación de hallazgos patológicos del pulmón, las características extraídas de las cuales podrían proporcionar medios futuros de segmentar automáticamente enfermedades pulmonares intersticiales virales, y representar factores de pronóstico precisos.
El método de segmentación propuesto tiene algunas limitaciones.
En primer lugar, descargar las imágenes DICOM de las estaciones de trabajo es un proceso que podría requerir una cantidad variable de tiempo, por lo que hacerlo para un gran número de pacientes podría ser un trabajo problemático. Cualquier aplicación potencial de este método de segmentación a la práctica clínica debe considerar este problema crítico, hasta el momento en que los plugins de segmentación estén ampliamente disponibles en las plataformas PACS.
En segundo lugar, la segmentación de las áreas patológicas relacionadas con COVID-19 podría ser complicada en pacientes con enfermedad pulmonar crónica concurrente (por ejemplo, cáncer de pulmón, fibrosis pulmonar, etc.) cuyos hallazgos radiológicos consisten en áreas con las mismas densidades de las típicas de los patrones COVID-19. La misma preocupación debe considerarse en las tomografías computarizadas con artefactos respiratorios. Estos artefactos son bastante comunes en pacientes con infección por COVID-19, y están comúnmente relacionados con la disnea y la insuficiencia respiratoria, especialmente en pacientes de edad avanzada/media.
Además, los pacientes con una neumonía intersticial grave (caracterizada por muchas consolidaciones pulmonares y opacidades de pavimentación locas) requieren una segmentación manual más extensa y, en consecuencia, una gran cantidad de tiempo. En general, cuanto mayor sea la gravedad de la neumonía intersticial, más extensa será la segmentación manual requerida, más largo será el tiempo de segmentación.
Sin embargo, el grado de precisión que ofrecen las técnicas de evaluación avanzadas como las propuestas por Lanza y Colombi podría añadir información limitada sobre pacientes con enfermedades pulmonares ya graves en comparación con las evaluaciones clínicas y radiológicas estándar20.
Por último, cabe señalar que cualquier radiólogo que no tenga experiencia con la cortadora 3D necesita un tiempo de entrenamiento adecuado, ya que no es un software intuitivo y requiere algún tiempo para ser dominado incluso en sus funciones basilar.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Ninguno de los autores tiene conflictos de intereses.
Acknowledgments
Este trabajo fue apoyado por la financiación del Departamento de Radiología de la Universidad de Bolonia.
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).
