Un modèle numérique 3D pour le diagnostic et le traitement des nodules pulmonaires
Summary
L’objectif de cette étude est de développer un nouveau modèle numérique 3D des nodules pulmonaires qui sert de pont de communication entre les médecins et les patients et constitue également un outil de pointe pour le prédiagnostic et l’évaluation pronostique.
Abstract
La reconstruction tridimensionnelle (3D) des nodules pulmonaires à l’aide d’images médicales a introduit de nouvelles approches techniques pour le diagnostic et le traitement des nodules pulmonaires, et ces approches sont progressivement reconnues et adoptées par les médecins et les patients. Néanmoins, la construction d’un modèle numérique 3D relativement universel des nodules pulmonaires pour le diagnostic et le traitement est difficile en raison des différences entre dispositifs, des temps de prise de vue et des types de nodules. L’objectif de cette étude est de proposer un nouveau modèle numérique 3D des nodules pulmonaires qui sert de pont entre les médecins et les patients et constitue également un outil de pointe pour le prédiagnostic et l’évaluation pronostique. De nombreuses méthodes de détection et de reconnaissance des nodules pulmonaires pilotées par l’IA utilisent des techniques d’apprentissage profond pour capturer les caractéristiques radiologiques des nodules pulmonaires, et ces méthodes peuvent atteindre une bonne performance sous la courbe (ASC). Cependant, les faux positifs et les faux négatifs demeurent un défi pour les radiologistes et les cliniciens. L’interprétation et l’expression des caractéristiques du point de vue de la classification et de l’examen des nodules pulmonaires ne sont toujours pas satisfaisantes. Dans cette étude, une méthode de reconstruction 3D continue de l’ensemble du poumon en position horizontale et coronale est proposée en combinant les technologies de traitement d’images médicales existantes. Par rapport à d’autres méthodes applicables, cette méthode permet aux utilisateurs de localiser rapidement les nodules pulmonaires et d’identifier leurs propriétés fondamentales tout en observant les nodules pulmonaires sous de multiples perspectives, fournissant ainsi un outil clinique plus efficace pour diagnostiquer et traiter les nodules pulmonaires.
Introduction
L’incidence globale des nodules pulmonaires est variable, mais on estime généralement qu’environ 30% des adultes ont au moins un nodule pulmonaire visible sur les radiographies pulmonaires1. L’incidence des nodules pulmonaires est plus élevée dans des populations spécifiques, telles que les gros fumeurs et ceux ayant des antécédents de cancer du poumon ou d’autres maladies pulmonaires. Il est important de noter que tous les nodules pulmonaires ne sont pas malins, mais une évaluation approfondie est nécessaire pour exclure la malignité2. La détection et le diagnostic précoces du cancer du poumon sont cruciaux pour améliorer les taux de survie, et un dépistage régulier par tomodensitométrie à faible dose (TDMD) est recommandé pour les personnes à haut risque. De nombreuses méthodes de détection et de reconnaissance des nodules pulmonairespilotées par l’IA 3,4,5,6,7 utilisent des techniques d’apprentissage profond pour capturer les caractéristiques radiologiques des nodules pulmonaires, et ces méthodes peuvent atteindre de bonnes performances d’aire sous la courbe (ASC). Cependant, les faux positifs et les faux négatifs demeurent un défi pour les radiologistes et les cliniciens. L’interprétation et l’expression des caractéristiques du point de vue de la classification et de l’examen des nodules pulmonaires ne sont toujours pas satisfaisantes. Dans le même temps, la reconstruction 3D de nodules pulmonaires à partir du TDM LDM a suscité une attention croissante en tant que modèle numérique pour divers types de nodules.
La reconstruction 3D des nodules pulmonaires est un processus qui génère une représentation 3D d’une petite croissance ou d’une bosse dans le poumon. Ce processus implique généralement l’application de techniques d’analyse d’images médicales qui tirent parti à la fois de l’expertise médicale et des approches d’intelligence des données. Le modèle numérique 3D qui en résulte offre une représentation plus détaillée et plus précise du nodule, permettant une visualisation et une analyse améliorées de sa taille, de sa forme et de sa relation spatiale avec les tissus pulmonaires environnants 8,9,10,11,12. Ces informations peuvent aider au diagnostic et à la surveillance des nodules pulmonaires, en particulier ceux soupçonnés d’être cancéreux. En facilitant une analyse plus précise, la reconstruction 3D des nodules pulmonaires a le potentiel d’améliorer la précision du diagnostic et d’éclairer les décisions de traitement.
La projection d’intensité maximale (MIP) est une technique populaire dans le domaine de la reconstruction 3D des nodules pulmonaires et est utilisée pour créer une projection 2D d’une image 3D 8,9,10,11,12 Elle est particulièrement utile dans la visualisation de données volumétriques extraites de fichiers DICOM (Digital Imaging and Communications in Medicine) scannés par CT. La technique MIP fonctionne en sélectionnant les voxels (les plus petites unités de données de volume 3D) avec l’intensité la plus élevée le long de la direction de visualisation et en les projetant sur un plan 2D. Il en résulte une image 2D qui met l’accent sur les structures ayant la plus grande intensité et supprime celles ayant une intensité plus faible, ce qui facilite l’identification et l’analyse des caractéristiques pertinentes 9,10,11,12. Cependant, MIP n’est pas sans limites. Par exemple, le processus de projection peut entraîner une perte d’informations et l’image 2D résultante peut ne pas représenter avec précision la structure 3D de l’objet sous-jacent. Néanmoins, la MIP reste un outil précieux pour l’imagerie médicale et la visualisation, et son utilisation continue d’évoluer avec les progrès de la technologie et de la puissance de calcul11.
Dans cette étude, un modèle MIP successif pour visualiser les nodules pulmonaires est développé qui est facile à utiliser, convivial pour les radiologues, les médecins et les patients, et permet l’identification et l’estimation des propriétés des nodules pulmonaires. Les principaux avantages de cette approche de traitement comprennent les aspects suivants : (1) éliminer les faux positifs et les faux négatifs résultant de la reconnaissance des formes, ce qui permet d’aider les médecins à obtenir des informations plus complètes sur l’emplacement, la forme et la taille 3D des nodules pulmonaires, ainsi que leur relation avec le système vasculaire environnant; 2° permettre aux médecins spécialistes d’acquérir une connaissance professionnelle des caractéristiques des nodules pulmonaires même sans l’aide de radiologues; et (3) améliorer à la fois l’efficacité de la communication entre les médecins et les patients et l’évaluation du pronostic.
Protocol
Representative Results
Discussion
Différents périphériques LDCT présentent des différences significatives dans les séquences d’images DICOM qu’ils produisent, en particulier en termes de gestion du système de fichiers. Par conséquent, pour reconstruire le modèle numérique 3D clé d’un nodule pulmonaire dans les dernières étapes du protocole, l’étape de prétraitement des données est particulièrement importante. Dans l’étape de préparation et de prétraitement des données (étape 1.2.2), les coordonnées de l’axe z de la séq…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Cette publication a été soutenue par le cinquième programme national de recherche sur les excellents talents cliniques en médecine traditionnelle chinoise organisé par l’Administration nationale de la médecine traditionnelle chinoise (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).
