نموذج رقمي 3D لتشخيص وعلاج العقيدات الرئوية
Summary
الهدف من هذه الدراسة هو تطوير نموذج رقمي 3D جديد للعقيدات الرئوية التي تعمل كجسر اتصال بين الأطباء والمرضى وهي أيضا أداة متطورة للتشخيص المسبق والتقييم النذير.
Abstract
أدخلت إعادة بناء العقيدات الرئوية ثلاثية الأبعاد (3D) باستخدام الصور الطبية مناهج تقنية جديدة لتشخيص وعلاج العقيدات الرئوية ، ويتم الاعتراف بهذه الأساليب تدريجيا واعتمادها من قبل الأطباء والمرضى. ومع ذلك ، فإن بناء نموذج رقمي 3D عالمي نسبيا للعقيدات الرئوية للتشخيص والعلاج يمثل تحديا بسبب اختلافات الجهاز وأوقات التصوير وأنواع العقيدات. الهدف من هذه الدراسة هو اقتراح نموذج رقمي 3D جديد للعقيدات الرئوية التي تعمل كجسر بين الأطباء والمرضى وهي أيضا أداة متطورة للتشخيص المسبق والتقييم النذير. تستخدم العديد من طرق الكشف عن العقيدات الرئوية التي تعتمد على الذكاء الاصطناعي تقنيات التعلم العميق لالتقاط السمات الإشعاعية للعقيدات الرئوية ، ويمكن لهذه الطرق تحقيق أداء جيد تحت المنحنى (AUC). ومع ذلك ، لا تزال الإيجابيات الكاذبة والسلبيات الكاذبة تمثل تحديا لأخصائيي الأشعة والأطباء. ولا يزال تفسير السمات والتعبير عنها من منظور تصنيف العقيدات الرئوية وفحصها غير مرضيين. في هذه الدراسة ، تم اقتراح طريقة لإعادة بناء 3D المستمر للرئة بأكملها في المواقف الأفقية والإكليلية من خلال الجمع بين تقنيات معالجة الصور الطبية الحالية. وبالمقارنة مع الطرق الأخرى القابلة للتطبيق، تسمح هذه الطريقة للمستخدمين بتحديد موقع العقيدات الرئوية بسرعة وتحديد خصائصها الأساسية مع مراقبة العقيدات الرئوية من وجهات نظر متعددة، وبالتالي توفير أداة سريرية أكثر فعالية لتشخيص العقيدات الرئوية وعلاجها.
Introduction
إن معدل الإصابة العالمي بالعقيدات الرئوية متغير ، ولكن يقدر عموما أن حوالي 30٪ من البالغين لديهم عقيدة رئوية واحدة على الأقل مرئية في الصور الشعاعيةللصدر 1. معدل حدوث العقيدات الرئوية أعلى في مجموعات سكانية معينة ، مثل المدخنين الشرهين وأولئك الذين لديهم تاريخ من سرطان الرئة أو أمراض الرئة الأخرى. من المهم ملاحظة أنه ليست كل العقيدات الرئوية خبيثة ، ولكن من الضروري إجراء تقييم شامل لاستبعاد الورم الخبيث2. يعد الكشف المبكر عن سرطان الرئة وتشخيصه أمرا بالغ الأهمية لتحسين معدلات البقاء على قيد الحياة ، ويوصى بإجراء فحص منتظم باستخدام التصوير المقطعي المحوسب بجرعة منخفضة (LDCT) للأفراد المعرضين لمخاطر عالية. تستخدم العديد من طرق الكشف عن العقيدات الرئوية التي تعتمد على الذكاء الاصطناعيوالتعرف عليها 3،4،5،6،7 تقنيات التعلم العميق لالتقاط السمات الإشعاعية للعقيدات الرئوية ، ويمكن لهذه الطرق تحقيق منطقة جيدة تحت أداء المنحنى (AUC). ومع ذلك ، لا تزال الإيجابيات الكاذبة والسلبيات الكاذبة تمثل تحديا لأخصائيي الأشعة والأطباء. ولا يزال تفسير السمات والتعبير عنها من منظور تصنيف العقيدات الرئوية وفحصها غير مرضيين. في الوقت نفسه ، اكتسبت إعادة بناء 3D للعقيدات الرئوية على أساس LDCT اهتماما متزايدا كنموذج رقمي لأنواع مختلفة من العقيدات.
إعادة بناء 3D من العقيدات الرئوية هي عملية تولد تمثيل 3D لنمو صغير أو كتلة في الرئة. تتضمن هذه العملية عادة تطبيق تقنيات تحليل الصور الطبية التي تستفيد من كل من الخبرة الطبية ونهج ذكاء البيانات. يقدم النموذج الرقمي ثلاثي الأبعاد الناتج تصويرا أكثر تفصيلا ودقة للعقيدات ، مما يتيح تحسين التصور والتحليل لحجمها وشكلها وعلاقتها المكانية بأنسجة الرئة المحيطة8،9،10،11،12. يمكن أن تساعد هذه المعلومات في تشخيص ورصد العقيدات الرئوية ، وخاصة تلك التي يشتبه في أنها سرطانية. من خلال تسهيل تحليل أكثر دقة ، فإن إعادة بناء 3D للعقيدات الرئوية لديها القدرة على تعزيز دقة التشخيص وإبلاغ قرارات العلاج.
الإسقاط الأقصى للكثافة (MIP) هو تقنية شائعة في مجال إعادة بناء 3D للعقيدات الرئوية ويستخدم لإنشاء إسقاط 2D لصورة ثلاثية الأبعاد8،9،10،11،12 وهو مفيد بشكل خاص في تصور البيانات الحجمية المستخرجة من ملفات التصوير الرقمي والاتصالات في الطب (DICOM) الممسوحة ضوئيا بواسطة التصوير المقطعي المحوسب. تعمل تقنية MIP عن طريق اختيار voxels (أصغر وحدات بيانات حجم 3D) بأعلى كثافة على طول اتجاه العرض وإسقاطها على مستوى 2D. ينتج عن هذا صورة ثنائية الأبعاد تؤكد على الهياكل ذات الكثافة الأعلى وتقمع تلك ذات الكثافة المنخفضة ، مما يسهل تحديد وتحليل الميزات ذات الصلة9،10،11،12. ومع ذلك ، MIP لا يخلو من القيود. على سبيل المثال ، يمكن أن تؤدي عملية الإسقاط إلى فقدان المعلومات ، وقد لا تمثل صورة 2D الناتجة بدقة بنية 3D للكائن الأساسي. ومع ذلك ، لا يزال MIP أداة قيمة للتصوير الطبي والتصور ، ويستمر استخدامه في التطور مع التقدم في التكنولوجيا وقوة الحوسبة11.
في هذه الدراسة ، تم تطوير نموذج MIP متتالي لتصور العقيدات الرئوية وهو سهل الاستخدام وسهل الاستخدام لأخصائيي الأشعة والأطباء والمرضى ، ويسمح بتحديد وتقدير خصائص العقيدات الرئوية. تشمل المزايا الأساسية لنهج المعالجة هذا الجوانب التالية: (1) القضاء على الإيجابيات الكاذبة والسلبيات الكاذبة الناشئة عن التعرف على الأنماط ، مما يتيح التركيز على مساعدة الأطباء في الحصول على معلومات أكثر شمولا عن موقع وشكل وحجم 3D للعقيدات الرئوية ، وكذلك علاقتها بالأوعية الدموية المحيطة ؛ (2) تمكين الأطباء المتخصصين من اكتساب المعرفة المهنية بخصائص العقيدات الرئوية حتى بدون مساعدة أخصائيي الأشعة؛ و (3) تعزيز كفاءة التواصل بين الأطباء والمرضى وتقييم التشخيص.
Protocol
Representative Results
Discussion
تتميز أجهزة LDCT المختلفة باختلافات كبيرة في تسلسل صور DICOM التي تنتجها ، خاصة فيما يتعلق بإدارة نظام الملفات. لذلك ، لإعادة بناء النموذج الرقمي 3D الرئيسي للعقيدة الرئوية في المراحل اللاحقة من البروتوكول ، فإن خطوة المعالجة المسبقة للبيانات مهمة بشكل خاص. في مرحلة إعداد البيانات والمعالجة ا?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
تم دعم هذا المنشور من قبل البرنامج الوطني الخامس لأبحاث المواهب الممتازة في الطب الصيني التقليدي الذي نظمته الإدارة الوطنية للطب الصيني التقليدي (http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html).
Materials
| MATLAB | MathWorks | 2022B | Computing and visualization |
| Tools for Modeling | Intelligent Entropy |
PulmonaryNodule V1.0 | Beijing Intelligent Entropy Science & Technology Co Ltd. Modeling for CT/MRI fusion |
References
- Mazzone, P. J., Lam, L. Evaluating the patient with a pulmonary nodule: A review. JAMA. 327 (3), 264-273 (2022).
- MacMahon, H., et al. Guidelines for management of incidental pulmonary nodules detected on CT images: From the Fleischner Society 2017. Radiology. 284 (1), 228-243 (2017).
- Ather, S., Kadir, T., Gleeson, F. Artificial intelligence and radiomics in pulmonary nodule management: Current status and future applications. Clinical Radiology. 75 (1), 13-19 (2020).
- Bianconi, F., et al. Comparative evaluation of conventional and deep learning methods for semi-automated segmentation of pulmonary nodules on CT. Quantitative Imaging in Medicine and Surgery. 11 (7), 3286-3305 (2021).
- Christe, A., et al. Computer-aided diagnosis of pulmonary fibrosis using deep learning and CT images. Investigative Radiology. 54 (10), 627-632 (2019).
- Kim, Y., Park, J. Y., Hwang, E. J., Lee, S. M., Park, C. M. Applications of artificial intelligence in the thorax: A narrative review focusing on thoracic radiology. Journal of Thoracic Disease. 13 (12), 6943-6962 (2021).
- Schreuder, A., Scholten, E. T., van Ginneken, B., Jacobs, C. Artificial intelligence for detection and characterization of pulmonary nodules in lung cancer CT screening: Ready for practice. Translational Lung Cancer Research. 10 (5), 2378-2388 (2021).
- Gruden, J. F., Ouanounou, S., Tigges, S., Norris, S. D., Klausner, T. S. Incremental benefit of maximum-intensity-projection images on observer detection of small pulmonary nodules revealed by multidetector CT. American Journal of Roentgenology. 179 (1), 149-157 (2002).
- Guleryuz Kizil, P., Hekimoglu, K., Coskun, M., Akcay, S. Diagnostic importance of maximum intensity projection technique in the identification of small pulmonary nodules with computed tomography. Tuberk Toraks. 68 (1), 35-42 (2020).
- Valencia, R., et al. Value of axial and coronal maximum intensity projection (MIP) images in the detection of pulmonary nodules by multislice spiral CT: Comparison with axial 1-mm and 5-mm slices. European Radiology. 16, 325-332 (2006).
- Jabeen, N., Qureshi, R., Sattar, A., Baloch, M. Diagnostic accuracy of maximum intensity projection in diagnosis of malignant pulmonary nodules. Cureus. 11 (11), e6120 (2019).
- Naeem, M., et al. Comparison of maximum intensity projection and volume rendering in detecting pulmonary nodules on multidetector computed tomography. Cureus. 13 (3), e14025 (2021).
- Armato, S. G., et al. The lung image database consortium (LIDC) and image database resource initiative (IDRI): A completed reference database of lung nodules on CT scans. Medical Physics. 38 (2), 915-931 (2011).
- Xie, Y., et al. Knowledge-based collaborative deep learning for benign-malignant lung nodule classification on chest CT. IEEE Transactions on Medical Imaging. 38 (4), 991-1004 (2018).
- Zheng, S., et al. Automatic pulmonary nodule detection in CT scans using convolutional neural networks based on maximum intensity projection. IEEE Transactions on Medical Imaging. 39 (3), 797-805 (2019).
