Summary
Formålet med denne undersøgelse er at udvikle en ny 3D digital model af lungeknuder, der fungerer som en kommunikationsbro mellem læger og patienter og også er et banebrydende værktøj til prædiagnose og prognostisk evaluering.
Abstract
Den tredimensionelle (3D) rekonstruktion af lungeknuder ved hjælp af medicinske billeder har introduceret nye tekniske tilgange til diagnosticering og behandling af lungeknuder, og disse tilgange anerkendes og vedtages gradvist af læger og patienter. Ikke desto mindre er konstruktion af en relativt universel 3D digital model af lungeknuder til diagnose og behandling udfordrende på grund af enhedsforskelle, optagetider og knudetyper. Formålet med denne undersøgelse er at foreslå en ny 3D digital model af lungeknuder, der fungerer som en bro mellem læger og patienter og også er et banebrydende værktøj til prædiagnose og prognostisk evaluering. Mange AI-drevne lungeknudedetekterings- og genkendelsesmetoder anvender deep learning-teknikker til at fange de radiologiske egenskaber ved lungeknuder, og disse metoder kan opnå en god AUC-ydeevne (Area Under-the-Curve). Imidlertid forbliver falske positive og falske negativer en udfordring for radiologer og klinikere. Fortolkningen og udtrykket af træk ud fra lungeknudeklassificering og undersøgelse er stadig utilfredsstillende. I denne undersøgelse foreslås en metode til kontinuerlig 3D-rekonstruktion af hele lungen i vandrette og koronale positioner ved at kombinere eksisterende medicinske billedbehandlingsteknologier. Sammenlignet med andre anvendelige metoder giver denne metode brugerne mulighed for hurtigt at lokalisere lungeknuder og identificere deres grundlæggende egenskaber, samtidig med at de observerer lungeknuder fra flere perspektiver, hvilket giver et mere effektivt klinisk værktøj til diagnosticering og behandling af lungeknuder.
Introduction
Den globale forekomst af lungeknuder er variabel, men det anslås generelt, at omkring 30% af voksne har mindst en lungeknude synlig på røntgenbillederaf brystet 1. Forekomsten af lungeknuder er højere i bestemte populationer, såsom storrygere og dem med en historie med lungekræft eller andre lungesygdomme. Det er vigtigt at bemærke, at ikke alle lungeknuder er ondartede, men en grundig evaluering er nødvendig for at udelukke malignitet2. Tidlig påvisning og diagnose af lungekræft er afgørende for at forbedre overlevelsesraten, og regelmæssig screening med lavdosis computertomografi (LDCT) anbefales til højrisikopersoner. Mange AI-drevne lungeknudedetekterings- og genkendelsesmetoder 3,4,5,6,7 anvender deep learning-teknikker til at fange de radiologiske egenskaber ved lungeknuder, og disse metoder kan opnå et godt område under kurven (AUC) ydeevne. Imidlertid forbliver falske positive og falske negativer en udfordring for radiologer og klinikere. Fortolkningen og udtrykket af træk ud fra lungeknudeklassificering og undersøgelse er stadig utilfredsstillende. Samtidig har 3D-rekonstruktionen af lungeknuder baseret på LDCT fået stigende opmærksomhed som digital model for forskellige typer knuder.
3D-rekonstruktionen af lungeknuder er en proces, der genererer en 3D-repræsentation af en lille vækst eller klump i lungen. Denne proces involverer typisk anvendelse af medicinske billedanalyseteknikker, der udnytter både medicinsk ekspertise og dataintelligensmetoder. Den resulterende digitale 3D-model giver en mere detaljeret og præcis skildring af knuden, hvilket muliggør forbedret visualisering og analyse af dens størrelse, form og rumlige forhold til det omgivende lungevæv 8,9,10,11,12. Sådanne oplysninger kan hjælpe med diagnosticering og overvågning af lungeknuder, især dem, der mistænkes for at være kræft. Ved at lette mere præcis analyse har 3D-rekonstruktion af lungeknuder potentialet til at forbedre nøjagtigheden af diagnosen og informere behandlingsbeslutninger.
Maksimal intensitetsprojektion (MIP) er en populær teknik inden for 3D-rekonstruktion af lungeknuder og bruges til at skabe en 2D-projektion af et 3D-billede 8,9,10,11,12 Det er især nyttigt til visualisering af volumetriske data ekstraheret fra digital billeddannelse og kommunikation i medicin (DICOM) filer scannet af CT. MIP-teknikken fungerer ved at vælge voxels (de mindste enheder af 3D-volumendata) med den højeste intensitet langs synsretningen og projicere dem på et 2D-plan. Dette resulterer i et 2D-billede, der understreger strukturerne med den højeste intensitet og undertrykker dem med lavere intensitet, hvilket gør det lettere at identificere og analysere relevante funktioner 9,10,11,12. PMU er dog ikke uden begrænsninger. Projiceringsprocessen kan f.eks. resultere i tab af oplysninger, og det resulterende 2D-billede repræsenterer muligvis ikke det underliggende objekts 3D-struktur nøjagtigt. Ikke desto mindre er MIP fortsat et værdifuldt værktøj til medicinsk billeddannelse og visualisering, og dets anvendelse fortsætter med at udvikle sig med fremskridt inden for teknologi og computerkraft11.
I denne undersøgelse udvikles en successiv MIP-model til visualisering af lungeknuder, der er nem at bruge, brugervenlig for radiologer, læger og patienter og muliggør identifikation og estimering af lungeknuders egenskaber. De primære fordele ved denne behandlingsmetode omfatter følgende aspekter: (1) eliminering af falske positive og falske negativer som følge af mønstergenkendelse, hvilket gør det muligt at fokusere på at hjælpe læger med at få mere omfattende information om placering, form og 3D-størrelse af lungeknuder samt deres forhold til den omgivende vaskulatur; 2) at gøre det muligt for speciallæger at opnå faglig viden om lungeknuders egenskaber, selv uden radiologers bistand og (3) forbedring af både kommunikationseffektivitet mellem læger og patienter og prognoseevaluering.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
BEMÆRK: Under dataforbehandlingsfasen skal de originale DICOM-data sorteres og opfanges for at sikre kompatibilitet med forskellige enheder og ensartede resultater. Tilstrækkelig justerbar kapacitet skal reserveres til intensitetsbehandling, og et kontinuerligt 3D-perspektiv er afgørende for observation. I denne protokol gives en metodisk beskrivelse af forskningstilgangen, der beskriver en sag, der involverer en 84-årig kvindelig patient, der præsenterer lungeknuder. Denne patient gav informeret samtykke til sin diagnose via digital modellering og godkendte brugen af hendes data til videnskabelige forskningsformål. Modelrekonstruktionsfunktionen er afledt af softwareværktøjet PulmonaryNodule (se materialetabellen for detaljer). Etisk godkendelse blev opnået fra Den etiske komité på Dongzhimen Hospital, tilknyttet Beijing University of Chinese Medicine (DZMEC-KY-2019.90).
1. Dataindsamling og -forberedelse
- LDCT-data til påvisning af lungeknuder
BEMÆRK: De forskelle, der ses i parameterværdierne, afhænger ikke af den anvendte forskningsmetode.- Indhent patientsamtykke til indsamling af DICOM-data. Overfør alle data til den udpegede arbejdsmappe.
- Identificer datamappen med det højeste antal scanningslag og den tyndeste lagtykkelse for at optimere nøjagtigheden baseret på filoplysningerne. Generelt gælder det, at jo flere DICOM-scanningsfiler en patient har, jo tyndere er scanningslagets tykkelse.
- Ved at implementere Dicominfo-funktionen og bruge DICOM-filerne som funktionsparametre kan du opnå parametrene for udsnitstykkelse og pixelafstand i MATLAB-miljøet. Disse parametre er afgørende for indstilling af 3D-lydstyrkens visningshastighed. For de eksempeldata, der blev brugt i denne undersøgelse, var skivetykkelsen 1 mm, pixelafstanden var 0,5 mm, og i alt 200 lag blev scannet.
- Korrigering af sorteringen af de scannede data
BEMÆRK: Sekvensen af hvert billede skal sorteres for volumenkonstruktion.- Læs placeringsdataene for hvert billede ved hjælp af funktionen Dicominfo. Få placeringen ved at indtaste oplysninger. UdsnitPlacering i MATLAB-arbejdsområdet.
- Implementer funktionen SliceLocation for at gemme placeringsarrayet for en variabel, og lav et plot af den (figur 1).
- Ved at bruge knappen Datatip øverst til højre i GUI'en skal du tilføje et datatip til plottet på det punkt, der repræsenterer den maksimale placeringsværdi for den normale sekvens (den øverste placering af patientbilleddannelsen; Figur 1).
- Sorter alle billederne, og udpak billederne fra 1 til den maksimale placeringsværdi ved at implementere funktionen VolumeResort.
- Gem mængderne af de gyldige billeder med det sorterede indeks, hvilket vil være nyttigt til sporing tilbage til de vigtige knuder.
- Inspektion af thoraxvolumen
BEMÆRK: At have en veldefineret datalagringsstruktur gør opfølgningsarbejdet mere praktisk.- Implementer funktionen VolumeInspect for at vise tre visninger af den konstruerede diskenhed. Træk trådkorsskæringspunktet op og ned i koronalaksen for hurtigt at gennemse alle billederne i den vandrette akse (figur 2).
- Flyt trådkorset til den vandrette akse for at gennemse alle billederne i koronalaksen. Trådkorset er i de samme rumlige koordinater i 3D-volumen; Hvis du flytter den på en akse, ændres placeringen af billederne i de to andre akser.
- For funktionen VolumeInspect skal du bruge standardintensitetsvinduet for lungen i GUI'en. Juster den faktiske filterydelse ved at holde venstre museknap nede og trække aksen ind.
2. Digital model til horisontal 3D-rekonstruktion
BEMÆRK: Den 3Dlung_Horizon delproces udfører en grundig undersøgelse af lungeknuder fra et horisontalt perspektiv.
- Implementer Build_3Dlung_Horizon-funktionen på MATLAB-arbejdspladsen for at rekonstruere den digitale 3D-model af lungeknuderne under lungefiltervinduet, og åbn derefter GUI'en for at kontrollere den vandrette 3D-model (figur 3).
- I modsætning til trin 1.3.2 er GUI i figur 3 en kontinuerlig 3D-lungestruktur, hvor forskellige typer lungeknuder og deres relative rumlige forhold til lungevævet kan ses tydeligt. Når du trækker rullebjælken på GUI'en med musen, kan den kontinuerlige 3D-lungestruktur observeres.
- Det øverste højre hjørne af GUI'en i figur 3 indeholder ikoner til at zoome ind, zoome ud, vende tilbage til den globale visning og markere koordinaterne for den valgte pixel. Brug zoomfunktionen til at observere læsionernes lokale egenskaber og udsende relevante 3D-strukturelle outputbilleder. Brug knappen Markér pixelkoordinater til at beregne afstanden mellem to punkter for at måle størrelsen på knuderne.
- Standardfarvelinjen er jetfarvekortet, hvilket betyder, at blå til rød repræsenterer værdier fra lav til høj. Højreklik på Color Bar i pop op-menuen for at vælge det almindelige grå farvekort og nulstille hele GUI'en.
- Hvis filtervinduet ikke er tilfreds, skal du bruge venstre museknap til at trække op og ned i midten af figuren for at justere vinduesniveauet. Træk til venstre og højre for at justere vinduesbredden, og det tilsvarende nøjagtige filtreringsområde vises på farvelinjen.
3. Konstruktion af en 3D digital model til enhver specifik knude
BEMÆRK: Udsnitstallet er en parameter for funktionen 3D_Nodules, som rekonstruerer en digital 3D-model, der kan ses fra alle perspektiver.
- For at bestemme skivenummeret, som i figur 3, skal du kontrollere øverst til højre på rullepanelet; i figur 3 er skivetallet 70. Brug funktionen Build_3D_Nodules med to parametre, herunder skivetallet og thoraxvolumenet, der blev oprettet i trin 1.3, til at rekonstruere en digital 3D-model for specifikke knuder. Dette er en brugerdefineret model, da inputudsnitsnummeret er variabelt og afhænger af brugeren.
- Hvis Build_3D_Nodules-funktionen udføres korrekt, kan brugeren kontrollere lungeknuden placeret i et bestemt skivenummer fra forskellige perspektiver i pop-up GUI (figur 4). For at gøre dette skal du udføre følgende handlinger:
- Tryk og hold venstre museknap nede, som i midten af figur 4, og træk den i en hvilken som helst retning for at ændre perspektivet på lungeknuderne. Det skal bemærkes, at observationsvinklen skal tage hensyn til de anatomiske overvejelser og forsøge at vise både lungeknudens medicinske egenskaber og forholdet mellem knuderne og det omgivende væv.
- Brug zoom- og flytikonerne i øverste højre hjørne, som gjort i figur 3. Derudover kan brugeren ved at rulle den midterste museknap kontinuerligt zoome ind eller ud af modelvisningen.
- GUI'en i figur 4 viser koordinatangivelsen af modellen i nederste venstre hjørne, hvor den positive retning på z-aksen er scanningsretningen i vandret position. Implementer skærmbilledeværktøjet, der leveres af operativsystemet, for at gemme den nødvendige 3D-projektion af knuderne.
4. Digital model af en koronal 3D-rekonstruktion
BEMÆRK: Den Build_3Dlung_Coronal delproces udføres for at evaluere lungeknuder fra et alternativt koronalt perspektiv og dermed hjælpe klinikere og patienter med at udvikle en mere præcis og inkluderende forståelse af knudernes placering og egenskaber.
- Implementer Build_3Dlung_Coronal-funktionen på MATLAB-arbejdspladsen for at rekonstruere den digitale 3D-model af lungeknuder under lungens filtervindue, og åbn derefter GUI'en, som forberedt af funktionen, for at kontrollere den koronale 3D-model (figur 5).
- GUI'en i figur 5 viser en kontinuerlig koronal 3D-lungestruktur, hvor forskellige typer lungeknuder og deres relative rumlige forhold til lungevævet kan ses tydeligt. Træk rullebjælken på GUI'en med musen for at observere den kontinuerlige koronale 3D-lungestruktur.
- Det øverste højre hjørne af GUI'en, som vist i figur 5, indeholder også ikoner til at zoome ind, zoome ud, vende tilbage til den globale visning og markere koordinaterne for den valgte pixel. Brug disse funktioner til at observere læsionernes lokale egenskaber og til at generere relevante 3D-strukturelle billeder. Marker pixelkoordinaterne for at beregne afstanden mellem to punkter, som ofte bruges til at måle størrelsen på knuderne.
- Standardfarvebjælken er jetfarvekortet, hvor farverne fra blå til rød repræsenterer værdier fra lav til høj. Højreklik på farvelinjen i pop op-menuen for at vælge det almindelige grå farvekort og nulstille hele GUI'en.
- Hvis filtervinduet ikke er passende, skal du bruge venstre museknap til at trække op og ned i midten af figuren for at justere vinduesniveauet; Træk til venstre og højre for at justere vinduesbredden, og det tilsvarende nøjagtige filtreringsområde vises på farvelinjen.
5. Output 3D-video til dominerende lungeknuder
BEMÆRK: Konvertering af den optimale 3D digitale model af en lungeknude til en dynamisk 3D-video gør det muligt for læger og patienter bedre at forstå tilstanden og foretage nøjagtige vurderinger, hvilket er særligt kritisk for at formulere effektive behandlingsplaner.
- I arbejdsområdet skal du forberede den nødvendige digitale 3D-model og forudvisualisere de relative rumlige forhold mellem lungeknuderne og lungevævet, der skal vises fra forskellige vinkler (figur 3 og figur 4).
- I denne undersøgelse blev Adobe Captivate 2019 brugt til at registrere alle GUI-interaktionsprocesser. For at begynde skal du åbne softwaren og oprette et nyt skærmoptagelsesprojekt. Sluk kameraet, og den røde skærmoptagelsesområde boks vises kun til optagelse af skærmoperationen. I denne undersøgelse blev version 5.1 GUI inkluderet i kassen. Klik på optageknappen for at betjene GUI'en og generere en digital videofil af skærmoptagelsen.
- Når du har optaget den dynamiske visning af lungeknuderne, skal du vende tilbage til softwarens driftsmiljø ved at klikke på ikonet i proceslinjen.
- Ved at bruge videopubliceringsfunktionen skal du gemme den optagede dynamiske video af den digitale 3D-model af lungeknuderne. Klik på Filer > Distribuer og konfigurer fillagringsstien. Navngiv filen, og gem den ønskede digitale videofil.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
For at gøre metoden anvendelig på et bredere udvalg af enheder skal stablingsrækkefølgen for hver scanning omorganiseres baseret på DICOM-filsystemets interne koordinater (figur 1) for at generere den korrekte 3D-diskenhed (figur 2). Baseret på de nøjagtige volumendata brugte vi algoritmisk kontinuerlig rekonstruktion af patientens lungevandrette og koronale MIP'er (figur 4 og figur 5) til præcis diagnose og behandling af patientens lungeknuder.
DICOM-data fra forskellige enheder sorteres normalt ikke i den rigtige rækkefølge fra lav til høj langs patientens anatomiske position. Ved modelrekonstruktion skal hvert billede dog sorteres i lav til høj fremadrettet rækkefølge. Figur 1 viser ikke kun den typiske fordeling af DICOM-sekvenspositioner, men også for GUI-interaktion, der er nødvendig for at bestemme billedsekvensens positionsgrænser. Dette trin er en vigtig del af dataforberedelsen i modelrekonstruktionsprocessen.
Figur 2 repræsenterer i det væsentlige de tre visninger af 3D-volumenet af hele lungen i de aksiale, koronale og sagittale planer. Hvis den tidligere dataforberedelse og volumenberegningen er korrekte, kan lungebillederne i hver visning ses, som i figur 2. Denne GUI giver også mulighed for filtrering på vinduesniveau ved at trække musen for at se billederne på forskellige vinduesniveauer. Den underliggende volumen, som vist i figur 2, tjener som datagrundlag for 3D-modelrekonstruktion.
Figur 3 viser de kontinuerlige 3D-rekonstruktionsresultater i den aksiale visning. I denne GUI kan lægen observere patientens lungestruktur kontinuerligt langs den aksiale visning, hurtigt lokalisere lungeknuder og observere forholdet mellem knuderne og det omgivende lungevæv. Som vist i figur 3 kan der også udføres operationer som lokal forstørrelse af knudevisninger, gendannelse af vinduesniveauet og markering af pixelpositioner. Farvebjælken viser farver, der svarer til de forskellige intensitetsværdier i billedet.
GUI vist i figur 4 giver læger mulighed for at observere de interesserede lungeknuder fra ethvert perspektiv.
Figur 5 viser de kontinuerlige 3D-rekonstruktionsresultater i koronalvisningen. I denne GUI kan lægen observere patientens lungestruktur kontinuerligt langs koronalvisningen, hurtigt lokalisere lungeknuder og observere forholdet mellem knuderne og det omgivende lungevæv. Som vist i figur 5 kan operationer såsom lokal forstørrelse af knudevisninger, gendannelse af vinduesniveauet og markering af pixelpositioner også udføres. Farvebjælken viser farver, der svarer til de forskellige intensitetsværdier i billedet.
Figur 1: Billedets placeringsplot i henhold til filnavnsekvensen. Figuren viser den typiske fordeling af DICOM-sekvenspositioner og angiver den GUI-interaktion, der er nødvendig for at bestemme billedsekvensens positionsgrænser. Klik her for at se en større version af denne figur.
Figur 2: GUI af tre visninger af pulmonal 3D-volumen. Figuren repræsenterer de tre visninger af 3D-volumenet af hele lungen i de aksiale, koronale og sagittale planer. Hvis den tidligere dataforberedelse og volumenberegningen er korrekte, kan lungebilleder i hver visning ses. Klik her for at se en større version af denne figur.
Figur 3: GUI'en til kontrol af lungeknuderne fra vandret visning. Figuren viser de kontinuerlige 3D-rekonstruktionsresultater i den aksiale visning. Lægen kan observere patientens lungestruktur kontinuerligt langs den aksiale visning, lokalisere lungeknuder og observere forholdet mellem knuderne og det omgivende lungevæv. Farverne i farvelinjen svarer til forskellige intensitetsværdier i billedet. Klik her for at se en større version af denne figur.
Figur 4: Kontrol af den digitale 3D-model af en bestemt lungeknude. GUI'en giver brugeren mulighed for at observere lungeknuderne af interesse fra ethvert perspektiv. Klik her for at se en større version af denne figur.
Figur 5: GUI'en til kontrol af lungeknuderne fra koronal visning. Figuren viser de kontinuerlige 3D-rekonstruktionsresultater i koronalvisningen. I denne GUI kan lægen observere patientens lungestruktur kontinuerligt langs koronalvisningen, hurtigt lokalisere lungeknuder og observere forholdet mellem knuderne og det omgivende lungevæv. Farverne i farvelinjen svarer til forskellige intensitetsværdier i billedet. Klik her for at se en større version af denne figur.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Forskellige LDCT-enheder har betydelige forskelle i de DICOM-billedsekvenser, de udsender, især med hensyn til filsystemstyring. For at rekonstruere den centrale 3D digitale model af en lungeknude i de senere stadier af protokollen er dataforbehandlingstrinnet derfor særligt vigtigt. I dataforberedelses- og forbehandlingsfasen (trin 1.2.2) kan sekvensen z-aksekoordinaten sorteres korrekt ved hjælp af sekvensen vist i figur 1, som også kan bruges til korrekt at arrangere den korrekte billedrækkefølge, der kræves til modellering og generere det korrekte 3D-volumen til det efterfølgende modelleringsarbejde. 3D-rekonstruktionerne (trin 2.1 og trin 4.1) i de vandrette og koronale akser giver læger og patienter dobbeltkontrol af lungeknuder fra de to mest anvendte perspektiver. Detektering af knuder og præsentation af deres rumlige egenskaber og forhold til lungevævet, især med lungearterierne, og brug af softwareværktøjer er afgørende for sygdomsdiagnose og formulering af behandlingsplan. Med hensyn til læge-patient-kommunikation er en god dynamisk 3D-video (trin 5.2) et fremragende kommunikationsværktøj, der understøtter patienter til at forstå deres egen tilstand og prognose.
Når man diskuterer de kliniske og forskningsmæssige scenarier i denne undersøgelse, er et vigtigt spørgsmål, der skal løses, hvordan man giver en klar og omfattende forståelse af lungeknuder under behandling til både specialiserede læger og patienter. Typisk bringer patienter undersøgelsesresultater fra forskellige enheder og historiske perioder til deres læger, og i mangel af støtte fra en radiolog skal læger foretage nøjagtige vurderinger af størrelsen, placeringen og egenskaberne ved patientens lungeknuder for at give passende behandlingsplaner. Patienter skal derimod effektivt forstå og spore udviklingsstatus og behandlingseffekter af deres egne lungeknuder. Derfor, uanset om sagen kræver forståelse af CT-data fra forskellige enheder og tidspunkter, brobygning mellem radiologer og specialiserede læger eller hjælp til bedre kommunikation mellem læge og patient, giver denne undersøgelse en ideel løsning og tekniske midler til at tackle disse scenarier.
Selvom nuværende værktøjer har vist fremragende ydeevne inden for 3D-modellering og funktionsvisualisering af lungeknuder, er der stadig plads til udvikling og forbedring. For det første kunne der udvikles en GUI med gensidig indeksering mellem 2D-tri-views og 3D-modeller for at lette krydsvalidering af de to perspektiver. For det andet er kontinuerlige 3D-modeller fra vilkårlige synsvinkler også værd at videreudvikle. For det tredje er integration af langsigtet sporing og styring af patientbehandlingsplaner og prognoser også en vigtig retning for evolutionen, da dette ville være nyttigt for en komplet medicinsk billeddannelsesløsning inden for lungeknuder.
På grund af kravet om maskinlæring til at producere et stort antal konsistente medicinske billedsekvensprøver af forskellige typer lungeknuder13 og den betydelige skala af AI-computerkraft er det endnu ikke muligt at genkende og automatisk klassificere lungeknuder baseret på 3D-volumenfunktioner14,15. Dette er en forskningsretning, der fortsat vil blive fokuseret på i de senere faser af dette arbejde.
Betydningen af denne undersøgelse ligger i at tilvejebringe en kontinuerlig 3D digital model til diagnosticering og behandling af lungeknuder. Læger og patienter kan bedre forstå tilstanden og foretage mere rationelle vurderinger ved at observere funktionerne i knuder fra forskellige perspektiver i 3D-rummet, hvilket også er af vigtig referenceværdi for prognoseevalueringen af knuderne. På baggrund af eksisterende arbejde kunne dyb maskinlæring introduceres for at klassificere lungeknuder fra et mere flerdimensionelt perspektiv. Gennem brug af kliniske behandlingssager kunne effekten af lægemidler og andre behandlinger spores ved hjælp af denne metode for at give et stadig mere nøjagtigt kvantitativt grundlag for prognoseevalueringen af lungeknuder.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Softwareværktøjet til rekonstruktion af lungeknudemodeller, PulmonaryNodule, er kommerciel software fra Beijing Intelligent Entropy Science & Technology Co Ltd. De intellektuelle ejendomsrettigheder til dette softwareværktøj tilhører virksomheden. Forfatterne har ingen interessekonflikter at oplyse.
Acknowledgments
Denne publikation blev støttet af det femte National Traditional Chinese Medicine Clinical Excellent Talents Research Program arrangeret af National Administration of Traditional Chinese Medicine (http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html).
Materials
| Name | Company | Catalog Number | Comments |
| 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).
