Summary
O objetivo deste protocolo é fornecer uma maneira eficiente de segmentar volumes de interesse em tomografias computadorizadas de alta resolução para uso para análises mais radiomicas.
Abstract
A segmentação é uma tarefa complexa, enfrentada por radiologistas e pesquisadores à medida que a radiomicidade e o aprendizado de máquina crescem em potencialidade. O processo pode ser automático, semiautomático ou manual, o primeiro muitas vezes não sendo suficientemente preciso ou facilmente reproduzível, sendo o último excessivamente demorado quando envolve grandes distritos com aquisições de alta resolução.
Uma tomografia de alta resolução do baú é composta de centenas de imagens, e isso torna a abordagem manual excessivamente demorada. Além disso, as alterações parenchímicas requerem uma avaliação pericial a ser discernida a partir do aparecimento normal; assim, uma abordagem semiautomática para o processo de segmentação é, pelo que sabemos, a mais adequada ao segmentar pneumonias, especialmente quando suas características ainda são desconhecidas.
Para os estudos realizados em nosso instituto sobre a imagem do COVID-19, adotamos o 3D Slicer, um software de freeware produzido pela Universidade de Harvard, e combinamos o limiar com os instrumentos de pincel para alcançar a segmentação rápida e precisa de opacities aeradas, opacities de vidro moído e consolidações. Diante de casos complexos, este método ainda requer um tempo considerável para ajustes manuais adequados, mas fornece uma média extremamente eficiente para definir segmentos a serem utilizados para análise suplementar, como o cálculo do percentual do parenchyma pulmonar afetado ou análise de textura das áreas de vidro moído.
Introduction
No ano atual, o mundo enfrenta uma emergência de saúde, a pandemia causada pelo novo Coronavirus, Sars-CoV2. Mesmo que, até hoje, muitos aspectos relativos à fisiopatologia da infecção pelo COVID-19 ainda não estejam claros, compartilha várias características com seus "ancestrais" SARS1 e MERS. Em particular, foi comprovado que as proteínas de pico de virion interagem com a Enzima Conversante de Angiotensina Tipo-2, um receptor bem representado nas células endoteliais alveolares, mas onipresente no organismo humano, tendo assim a potencialidade de dar sintomas sistêmicos1.
Para o diagnóstico, o padrão atual é a reação em cadeia transcriptase-polimerase reversa em tempo real (rt-PCR), um teste realizado em cotonetes faringeais. Embora a imagem radiológica não seja oficialmente reconhecida no caminho diagnóstico para a detecção da doença, a tomografia computadorizada de alta resolução (HRCT) mostrou-se um valioso auxílio ao manejo clínico e epidemiológico dos pacientes afetados, devido à sensibilidade relativamente baixa do rt-PCR, à atual escassez de laboratórios especializados e aos reagentes necessários, e à alta dependência do operador.
A Sociedade Radiológica da América do Norte (RSNA) divulgou uma declaração de consenso, endossada pela sociedade de Radiologia Torácica e pelo American College of Radiology (ACR), que classifica a aparência ct do COVID19 em quatro categorias, a fim de padronizar o relatório, dividindo os padrões intersticiais de pneumonia em "típicos", "atípicos", "indeterminados" e "negativos"2.
O padrão "típico" é caracterizado pela presença de Opacções de Vidro Moído em forma redonda (GGO), geralmente com uma localização sub-pleural nos segmentos basais dorsais. A GGO pode ser associada a áreas de "Pavimentação Louca" de septa espessa, ou outros sinais de organização de pneumonia. O padrão "indeterminado" caracteriza-se pela ausência dos achados de padrão "típicos", com áreas difusas de GGO com distribuição perihilar, com ou sem áreas consolidativas. O padrão "atípico" é caracterizado pela ausência dos sinais "típicos" ou "indeterminados", e pela presença de consolidações de lobar, "árvore no broto", espessamento suave do septo e derrame pleural; nesta apresentação nenhum GGO é detectável. O padrão "negativo" caracteriza-se pela ausência dos achados patológicos acima mencionados.
De acordo com a literatura, alguns pacientes podem apresentar alto suspeita clínico de COVID-19 amparado por critérios epidemiológicos e achados de imagem com rt-PCR negativo3,4. Por outro lado, tem sido relatado que pacientes com rt-PCR positivo e achados clínicos sugestivos, não apresentam achados patológicos no HRCT5.
Hoje em dia, é de fundamental interesse da comunidade científica aplicar técnicas de análise de imagem ao estudar quantitativamente as características dessa doença. Estudo recente aplicou técnica de segmentação automatizada do parenchyma pulmonar para identificar o percentual de pulmão aerado em pacientes acometidos pelo COVID-19, correlacionando esse valor com o prognóstico, e demonstrando que pacientes com envolvimento pulmonar mais grave apresentavam maior risco de serem internados na Unidade de Terapia Intensiva (UTI), e com piores desfechos6.
A segmentação é o contorno de regiões de interesse (ROIs) dentro de um volume adquirido através de uma técnica de imagem, como o HRCT. Esta atividade pode ser realizada através de três métodos: manual, semiautomático e automático. A segmentação manual, graças à experiência de um radiologista treinado, consiste em rotular voxels pertencentes à área patológica. As principais desvantagens deste método são a grande quantidade de tempo necessário e o fato de ser dependente do operador.
Métodos semiautomâneos permitem acelerar a segmentação, pois o operador pode modificar uma máscara de segmentação obtida através dos métodos clássicos de processamento de imagem (por exemplo, limiar na intensidade do pixel, clustering, etc.). No entanto, essas técnicas não são fáceis de implementar na prática clínica, pois requerem ampla intervenção manual nos casos mais complicados18.
Os métodos automáticos de segmentação, atualmente de uso limitado, empregam inteligência artificial para obter ROIs. Em particular, um estudo recente visa utilizar a segmentação automática na quantificação de áreas de vidro moído em pacientes que sofrem de pneumonia intersticia19 COVID-19. A definição de um protocolo de segmentação para as áreas patológicas nas imagens do HRCT é o verdadeiro primeiro passo para a análise radiomática subsequente, a fim de identificar características que possam ajudar a entender melhor a fisiopatologia da doença, e servir como um fator prognóstico preciso potencialmente influenciando o tratamento.
Este artigo oferece um guia para obter segmentos precisos e eficientes representando os achados patológicos da pneumonia COVID-19 utilizando "3D Slicer"7,8,9,10.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Este protocolo segue as diretrizes do comitê institucional de ética em pesquisa humana.
1. Baixar as imagens do DICOM
- Baixe as imagens DICOM e transfira-as na estação de trabalho dedicada à segmentação, com o software 3D instalado. Se planeja trabalhar em um computador pessoal, anonimize os dados do DICOM.
2. Importar o estudo HRCT sobre o software 3D Slicer
- Na tela de abertura do software (correspondente à seção Bem-vindo ao Cortador no menu suspenso) selecione Carregar dados DICOM. Alternativamente, selecione o ícone DCM no canto superior esquerdo da barra de ferramentas.
- No canto superior esquerdo do painel DICOM Browser selecione Importação,selecione a localização do estudo HRCT. Selecione a pasta com as imagens do DCM e, em seguida, selecione Importar.
- Agora que o estudo HRCT foi importado com sucesso, clique no botão Carregar.
3. Criação dos Segmentos
- Crie segmentos na seção Segmentações do menu suspenso ou diretamente na subseção Editor do segmento encontrado na seção Segmentação do menu suspenso ou novamente como um ícone dedicado na barra de ferramentas.
- No menu suspenso ao lado do Volume Mestre, selecione o estudo HRCT.
- Selecione Adicionar e criar três novos segmentos, que serão automaticamente nomeados Segmento 1, 2 e 3. Clique duas vezes em cada um e renomeie-os respectivamente "tlv" (Total Lung Parenchyma), "ggo" (Ground Glass Opacities) e "cons" (Consolidações). Se no estudo do HRCT coexistirem achados patológicos adicionais, como derrame pleural, câncer de pulmão, áreas fibrosas e assim por diante, criem segmentos adicionais. O mesmo se aplica aos artefatos.
4. Definição do segmento TLP
NOTA: Uma definição precisa do segmento TLP é fundamental, pois será usada para mascarar o HRCT durante a definição dos segmentos GGO e CDs.
- Como primeiro passo, na seção Editor de Segmentos, após a seleção do segmento TLP, escolha o instrumento Limiar.
- Estabeleça um limiar grande o suficiente para incluir tanto o parenchyma pulmonar saudável quanto as opacities de vidro moído. Utilizando os valores relatados na literatura científica com os ajustes necessários para cumprir a definição do livro didático de GGO, verificou-se que a fixação do limiar entre -1000 HU e -250 HU funciona bem6,14,15,16,17. Em seguida, selecione Aplicar.
- O segmento tão definido incluirá tanto o ar dentro dos pulmões quanto o ar fora do peito (ou seja, o ar fora do paciente). Para isolar o parenchyma pulmonar, utilize a ferramenta Ilhas, encontrada no Editor de Segmentos,e escolha Manter a ilha selecionada. Clique esquerdo dentro do peito para que qualquer coisa fora do peito seja excluída do segmento.
- Em seguida, inclua qualquer área de consolidação dentro do segmento TLP. As consolidações geralmente têm valores de atenuação (Unidades Hounsfield: HU) semelhantes aos dos tecidos moles que constituem a parede torácica e o mediastino. Esta é a razão pela qual o instrumento Threshold não pode ser usado para este fim e as consolidações precisarão ser adicionadas manualmente, usando as ferramentas Tesoura e Pintura encontradas no editor do segmento.
- Use a ferramenta Tesoura para adicionar porções de parenchyma pulmonar ao segmento. Escolha a operação Fill Inside, selecione Formulário Livre como a forma e Simétrica como o corte de fatia. Escolha uma espessura adequada ao tamanho da consolidação (por exemplo, de 3 a 20 mm); e, em seguida, comece a adicionar progressivamente pequenas porções de TLP, até que a consolidação tenha sido completamente incluída.
- A ferramenta Paint é mais fácil e às vezes mais rápida de usar, mas pode ser menos precisa, dependendo da área a incluir. Quando a opção Sphere Brush estiver ativa, esta ferramenta pode adicionar porções 3D de parenchyma pulmonar ao segmento. O tamanho do pincel pode ser facilmente modificado.
- Ao adicionar as consolidações ao segmento TLP, não inclua partes de parede torácica ou mediastino. Isso pode ser difícil, pois em pacientes afetados pelas consolidações COVID19 adjacentes à parede torácica posterior são bastante comuns. Use a ferramenta Apagar para corrigir a segmentação ou selecione Desfazer para descartar a última ação.
- Nesta fase, use o algoritmo de suavização mais uma vez para excluir pequenas imperfeições que poderiam ter ocorrido durante a parte manual da segmentação. Agora, a definição do segmento TLP está concluída.
5. Definição do segmento GGO
- Para definir o segmento GGO, use a ferramenta limiar.
- Selecione o segmento GGO.
- Defina o limiar entre -750 HU e -150 HU.
- Antes de selecionar Aplicar,vá para a seção Mascaramento logo abaixo e selecione TLP no menu suspenso área editada. No menu suspenso do Outro Segmento, selecione Nenhum. Isso é extremamente importante, pois, se ignorado, uma vez definido o segmento GGO, também o segmento TLP seria modificado. Isso deve ser evitado, pois o segmento TLP é a máscara na qual todos os outros segmentos são definidos.
- Agora selecione Aplicar.
- Neste ponto provavelmente será necessário usar o algoritmo de alisamento mais uma vez, a fim de excluir todos os pequenos vasos e os elementos fisiológicos intersticiais que têm uma densidade semelhante à do vidro moído do segmento. Comece com um tamanho de Kernel de 3 mm e, se necessário, aumente-o progressivamente, para um máximo de 6-7 mm. Observe que aumentar demais o tamanho do Kernel pode determinar a perda de pequenas áreas de vidro moído, que seriam deixadas fora do segmento GGO. Por causa disso, o algoritmo de suavização deve ser usado com a devida cautela.
- Neste caso também, aplique correções necessárias com a ferramenta Tinta, Tesoura e Apagamento. Durante esta fase lembre-se de manter a máscara TLP ativa o tempo todo para evitar incluir partes da parede torácica adjacentes às áreas de "vidro moído" dentro do segmento. Isso porque, se erroneamente segmentados, eles seriam automaticamente excluídos.
- Ao obter este segmento, preste muita atenção à possível presença de artefatos gerados pelos movimentos de lareira e diafragma (isso acontece se o paciente não conseguir segurar a respiração durante o exame). Se estiver presente e previamente incluído no segmento TLP, elimine esses artefatos do segmento "vidro moído", por exemplo, através da ferramenta Ilhas com a opção Remover a Ilha Selecionada ou usando as ferramentas Tesoura e Apagamento. Dependendo do objetivo do estudo, os artefatos podem ser segmentados separadamente, utilizando um segmento dedicado ou incluído no segmento TLP e excluídos de outros segmentos. Agora, o segmento GGO foi definido.
6. Definição do segmento de CDs
- Para definir o segmento de CDs, proceda da mesma forma que definir o segmento GGO.
- Selecione o segmento CDs. Certifique-se de trabalhar com o mascaramento TLP sempre ativo.
- Estabeleça um limiar adequado. Para consolidações, a faixa varia, aproximadamente, de -150 HU a 100 HU.
- Aplique o algoritmo de alisamento variando o tamanho do Kernel conforme necessário.
- Use uma combinação das ferramentas Tesoura, Apaga, Tinta e Ilhas, a fim de manter dentro do segmento apenas as consolidações reais, excluindo grandes vasos, derrames pleurais, artefatos, bandas desventilatórias e outras lesões não relacionadas ao COVID.
- Se necessário, aplique uma suavização final pode ser aplicada.
7. Salvando os segmentos
- Salve segmentos como um arquivo ".nrrd" ou converta-se em mapas de rótulos binários do módulo "Data".
8. Extração de volumes dos segmentos definidos.
- A partir do módulo Estatísticas do Segmento, obtenha uma tabela com detalhes sobre volume e superfícies dos segmentos.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
O método proposto foi refinado através de tentativas e erros, testando-o em 117 pacientes afetados por pneumonia COVID-19 com um teste de rt-PCR positivo.
Após uma pequena curva de aprendizado, o tempo necessário para obter os segmentos pode variar de 5 a 15 minutos, dependendo do padrão de apresentação.
Como mostrado na Figura 1,o método produz segmentos precisos: isso pode ser observado notando a correspondência exata com o HRCT. A renderização 3D ajuda a avaliar a correspondência e revisar rapidamente os resultados de segmentação. Uma avaliação quantitativa da quantidade de parenchyma pulmonar afetada pode ser obtida, para replicar os resultados relatados de Colombi et al.6 e Lanza et al.13.
Figura 1: Volume de resultados representativo e análise de superfície. A captura de tela da interface 3D Slicer representa os resultados obtidos do módulo "Estatísticas do Segmento", que podem ser usados para avaliar quantitativamente o volume do parenchyma pulmonar afetado. Clique aqui para ver uma versão maior desta figura.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
A segmentação representa um passo fundamental para a realização de estudos modernos de radiologia quantitativa, e é necessário aplicar técnicas de radiomics ou análise de textura. Os achados patológicos nos pulmões representam um dos mais desafiadores para o segmento, pela falta de fronteiras anatômicas definidas e uma pequena diferença no valor da atenuação quando comparadas às áreas saudáveis.
As imagens de origem devem apresentar um mínimo de artefatos, se possível, especialmente nas áreas patológicas, e isso às vezes é difícil de alcançar ao estudar uma doença que compromete a respiração; portanto, os pesquisadores podem considerar a exclusão de HRCTs comprometidos ou a definição de um segmento dedicado a artefatos a serem eliminados de análises posteriores.
É possível instalar uma extensão para o 3D Slicer, chamada de "plataforma de imagem torácica"11,que permite operações mais rápidas e automatizadas em segmentos pulmonares, com especial interesse em pulmão aerado. Decidiu-se não adotar esse método, pois requer ampla intervenção manual quando a GGO e as consolidações possuem uma distribuição sub-pleural, que é o caso da patologia explorada neste artigo.
Um método de segmentação automática para doenças pulmonares intersticiais foi relatado12; mesmo assim, esse método exigia ter conhecimento prévio das características das áreas afetadas. A técnica proposta neste estudo representa uma abordagem fácil de aprender e reprodutível para a segmentação de achados patológicos do pulmão, características extraídas das quais poderiam fornecer meios futuros de segmentar automaticamente doenças pulmonares intersticiais virais, e representar fatores prognósticos precisos.
O método de segmentação proposto tem algumas limitações.
Em primeiro lugar, baixar as imagens DICOM das estações de trabalho é um processo que pode exigir uma quantidade variável de tempo, assim fazê-lo para um grande número de pacientes pode ser um trabalho problemático. Qualquer possível aplicação desse método de segmentação à prática clínica deve considerar essa questão crítica, até o momento em que os plugins de segmentação se tornam amplamente disponíveis nas plataformas PACS.
Em segundo lugar, a segmentação das áreas patológicas relacionadas ao COVID-19 pode ser complicada em pacientes com doença pulmonar crônica simultânea (por exemplo, câncer de pulmão, fibrose pulmonar, etc.) cujos achados radiológicos consistem em áreas com as mesmas densidades daqueles típicos dos padrões COVID-19. A mesma preocupação deve ser considerada em tomografias com artefatos respiratórios. Esses artefatos são bastante comuns em pacientes com infecção por COVID-19, sendo comumente relacionados à dispneia e insuficiência respiratória, especialmente em pacientes de idade/meia-idade.
Além disso, pacientes com pneumonia intersticiacional grave (caracterizada por muitas consolidações pulmonares e opacidades de pavimentação loucas) requerem uma segmentação manual mais extensa e, consequentemente, uma vasta quantidade de tempo. Em geral, quanto maior a gravidade da pneumonia intersticia, mais extensa a segmentação manual necessária, maior o tempo de segmentação.
No entanto, o grau de precisão oferecido por técnicas avançadas de avaliação, como as propostas por Lanza e Colombi, poderia adicionar informações limitadas sobre pacientes com condições pulmonares já graves em comparação com as avaliações clínicas e radiológicas padrão20.
Por fim, deve-se notar que qualquer radiologista que não tenha experiência com cortador 3D precisa de um tempo de treinamento adequado, pois não é um software intuitivo e requer algum tempo para ser dominado mesmo em suas funções basilares.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Nenhum dos autores tem conflitos de interesses.
Acknowledgments
Este trabalho foi apoiado por financiamento do Departamento de Radiologia da Universidade de Bolonha.
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).
