Summary
Ziel dieser Studie ist es, ein neuartiges digitales 3D-Modell von Lungenknoten zu entwickeln, das als Kommunikationsbrücke zwischen Ärzten und Patienten dient und auch ein hochmodernes Werkzeug für die Vordiagnose und prognostische Bewertung darstellt.
Abstract
Die dreidimensionale (3D) Rekonstruktion von Lungenknoten anhand medizinischer Bilder hat neue technische Ansätze für die Diagnose und Behandlung von Lungenknoten eingeführt, die zunehmend von Ärzten und Patienten anerkannt und übernommen werden. Nichtsdestotrotz ist die Konstruktion eines relativ universellen digitalen 3D-Modells von Lungenknoten für Diagnose und Behandlung aufgrund von Geräteunterschieden, Aufnahmezeiten und Knotentypen eine Herausforderung. Das Ziel dieser Studie ist es, ein neues digitales 3D-Modell von Lungenknoten vorzuschlagen, das als Brücke zwischen Ärzten und Patienten dient und auch ein hochmodernes Werkzeug für die Vordiagnose und prognostische Bewertung darstellt. Viele KI-gesteuerte Methoden zur Erkennung und Erkennung von Lungenknoten verwenden Deep-Learning-Techniken, um die radiologischen Merkmale von Lungenknoten zu erfassen, und diese Methoden können eine gute Leistung im Bereich unter der Kurve (AUC) erzielen. Falsch positive und falsch negative Ergebnisse bleiben jedoch eine Herausforderung für Radiologen und Kliniker. Die Interpretation und Ausprägung von Merkmalen aus Sicht der Pulmonalknotenklassifikation und -untersuchung ist nach wie vor unbefriedigend. In dieser Arbeit wird eine Methode zur kontinuierlichen 3D-Rekonstruktion der gesamten Lunge in horizontaler und koronaler Position durch die Kombination bestehender medizinischer Bildverarbeitungstechnologien vorgeschlagen. Im Vergleich zu anderen anwendbaren Methoden ermöglicht diese Methode den Anwendern, Lungenknoten schnell zu lokalisieren und ihre grundlegenden Eigenschaften zu identifizieren, während sie gleichzeitig Lungenknoten aus mehreren Perspektiven betrachten, wodurch ein effektiveres klinisches Werkzeug für die Diagnose und Behandlung von Lungenknoten bereitgestellt wird.
Introduction
Die weltweite Inzidenz von Lungenknoten ist unterschiedlich, aber es wird allgemein geschätzt, dass bei etwa 30 % der Erwachsenen mindestens ein Lungenknoten auf Röntgenbildern des Brustkorbs sichtbar ist1. Die Inzidenz von Lungenknoten ist in bestimmten Bevölkerungsgruppen höher, z. B. bei starken Rauchern und Personen mit einer Vorgeschichte von Lungenkrebs oder anderen Lungenerkrankungen. Es ist wichtig zu beachten, dass nicht alle Lungenknoten bösartig sind, aber eine gründliche Abklärung ist notwendig, um eine Malignität auszuschließen2. Die Früherkennung und Diagnose von Lungenkrebs ist entscheidend für die Verbesserung der Überlebensraten, und bei Hochrisikopersonen wird ein regelmäßiges Screening mit einer Niedrigdosis-Computertomographie (LDCT) empfohlen. Viele KI-gesteuerte Methoden zur Erkennung und Erkennung von Lungenknoten 3,4,5,6,7 verwenden Deep-Learning-Techniken, um die radiologischen Merkmale von Lungenknoten zu erfassen, und diese Methoden können eine gute Leistung im Bereich unter der Kurve (AUC) erzielen. Falsch positive und falsch negative Ergebnisse bleiben jedoch eine Herausforderung für Radiologen und Kliniker. Die Interpretation und Ausprägung von Merkmalen aus Sicht der Pulmonalknotenklassifikation und -untersuchung ist nach wie vor unbefriedigend. Gleichzeitig hat die 3D-Rekonstruktion von Lungenknoten auf Basis der LDCT als digitales Modell für verschiedene Knotentypen zunehmend an Bedeutung gewonnen.
Die 3D-Rekonstruktion von Lungenknoten ist ein Verfahren, das eine 3D-Darstellung einer kleinen Wucherung oder eines Knotens in der Lunge erzeugt. Dieser Prozess beinhaltet in der Regel die Anwendung medizinischer Bildanalysetechniken, die sowohl medizinisches Fachwissen als auch Data-Intelligence-Ansätze nutzen. Das resultierende digitale 3D-Modell bietet eine detailliertere und genauere Darstellung des Knotens und ermöglicht eine verbesserte Visualisierung und Analyse seiner Größe, Form und räumlichen Beziehung zum umgebenden Lungengewebe 8,9,10,11,12. Solche Informationen können bei der Diagnose und Überwachung von Lungenknoten helfen, insbesondere bei solchen, bei denen der Verdacht besteht, dass sie krebsartig sind. Durch die Erleichterung einer präziseren Analyse hat die 3D-Rekonstruktion von Lungenknoten das Potenzial, die Genauigkeit der Diagnose zu verbessern und Behandlungsentscheidungen zu treffen.
Die Maximalintensitätsprojektion (MIP) ist eine beliebte Technik im Bereich der 3D-Rekonstruktion von Lungenknoten und wird verwendet, um eine 2D-Projektion eines 3D-Bildes zu erstellen 8,9,10,11,12 Es ist besonders nützlich bei der Visualisierung von volumetrischen Daten, die aus DICOM-Dateien (Digital Imaging and Communications in Medicine) extrahiert wurden, die per CT gescannt wurden. Bei der MIP-Technik werden die Voxel (die kleinsten Einheiten von 3D-Volumendaten) mit der höchsten Intensität entlang der Blickrichtung ausgewählt und auf eine 2D-Ebene projiziert. Das Ergebnis ist ein 2D-Bild, das die Strukturen mit der höchsten Intensität hervorhebt und die Strukturen mit geringerer Intensität unterdrückt, was die Identifizierung und Analyse relevanter Merkmale erleichtert 9,10,11,12. MIP ist jedoch nicht ohne Einschränkungen. Beispielsweise kann der Projektionsprozess zu einem Informationsverlust führen, und das resultierende 2D-Bild stellt die 3D-Struktur des zugrunde liegenden Objekts möglicherweise nicht genau dar. Nichtsdestotrotz bleibt MIP ein wertvolles Werkzeug für die medizinische Bildgebung und Visualisierung, und seine Verwendung entwickelt sich mit den Fortschritten in Technologie und Rechenleistung weiter11.
In dieser Studie wird ein sukzessives MIP-Modell zur Visualisierung von Lungenknoten entwickelt, das einfach zu bedienen und benutzerfreundlich für Radiologen, Ärzte und Patienten ist und die Identifizierung und Abschätzung der Eigenschaften von Lungenknoten ermöglicht. Zu den Hauptvorteilen dieses Verarbeitungsansatzes gehören die folgenden Aspekte: (1) Eliminierung von falsch positiven und falsch negativen Ergebnissen, die durch die Mustererkennung entstehen, was es ermöglicht, Ärzte dabei zu unterstützen, umfassendere Informationen über die Lage, Form und 3D-Größe von Lungenknoten sowie deren Beziehung zu den umgebenden Gefäßen zu erhalten; (2) Fachärzte in die Lage zu versetzen, sich auch ohne Hilfe von Radiologen professionelle Kenntnisse über die Eigenschaften von Lungenknoten anzueignen; und (3) Verbesserung sowohl der Kommunikationseffizienz zwischen Ärzten und Patienten als auch der Bewertung der Prognose.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
HINWEIS: Während der Datenvorverarbeitung müssen die ursprünglichen DICOM-Daten sortiert und abgefangen werden, um die Kompatibilität mit verschiedenen Geräten und konsistente Ergebnisse zu gewährleisten. Für die Intensitätsverarbeitung muss eine ausreichende einstellbare Kapazität reserviert werden, und eine kontinuierliche 3D-Perspektive ist für die Beobachtung unerlässlich. In diesem Protokoll wird der Forschungsansatz methodisch beschrieben, wobei ein Fall einer 84-jährigen Patientin mit Lungenknoten beschrieben wird. Diese Patientin erteilte eine informierte Einwilligung für ihre Diagnose mittels digitaler Modellierung und genehmigte die Verwendung ihrer Daten für wissenschaftliche Forschungszwecke. Die Modellrekonstruktionsfunktion wird aus dem Softwaretool PulmonaryNodule abgeleitet (Details finden Sie in der Materialtabelle ). Die ethische Genehmigung wurde von der Ethikkommission des Dongzhimen-Krankenhauses eingeholt, das der Pekinger Universität für Chinesische Medizin angegliedert ist (DZMEC-KY-2019.90).
1. Datenerhebung und -aufbereitung
- LDCT-Daten zur Detektion von Lungenknoten
HINWEIS: Die Unterschiede in den Parameterwerten hängen nicht von der verwendeten Forschungsmethode ab.- Einholen Sie die Einwilligung des Patienten für die Erfassung von DICOM-Daten ein. Übertragen Sie alle Daten in das dafür vorgesehene Arbeitsverzeichnis.
- Identifizieren Sie das Datenverzeichnis mit der höchsten Anzahl von Scan-Layern und der dünnsten Schichtdicke, um die Genauigkeit basierend auf den Dateiinformationen zu optimieren. Im Allgemeinen gilt: Je mehr DICOM-Scandateien ein Patient hat, desto dünner ist die Dicke der Scanschicht.
- Durch die Implementierung der Dicominfo-Funktion und die Verwendung der DICOM-Dateien als Funktionsparameter erhalten Sie die Parameter für die Schichtdicke und den Pixelabstand in der MATLAB-Umgebung. Diese Parameter sind für die Einstellung der 3D-Volumenanzeigerate unerlässlich. Für die in dieser Studie verwendeten Beispieldaten betrug die Schichtdicke 1 mm, der Pixelabstand 0,5 mm und es wurden insgesamt 200 Schichten gescannt.
- Korrigieren der Sortierung der gescannten Daten
HINWEIS: Die Reihenfolge jedes Bildes sollte für die Volumenkonstruktion sortiert werden.- Lesen Sie die Standortdaten jedes Bildes mit der Funktion Dicominfo aus. Ermitteln Sie den Standort, indem Sie Informationen eingeben. SliceLocation in den MATLAB-Arbeitsbereich.
- Implementieren Sie die SliceLocation-Funktion, um das Location-Array für eine Variable zu speichern, und erstellen Sie daraus ein Diagramm (Abbildung 1).
- Fügen Sie mithilfe der Schaltfläche " Datentipps" oben rechts in der GUI dem Diagramm einen Datentipp an dem Punkt hinzu, der den maximalen Positionswert der normalen Sequenz darstellt (die obere Position der Patientenbildgebung; Abbildung 1).
- Sortieren Sie alle Bilder, und extrahieren Sie die Bilder ab 1 bis zum maximalen Positionswert, indem Sie die Funktion VolumeResort implementieren.
- Speichern Sie die Volumina der gültigen Bilder mit dem sortierten Index, der für die Rückverfolgung der wichtigen Knötchen nützlich ist.
- Inspektion des Brustvolumens
HINWEIS: Eine klar definierte Datenspeicherstruktur macht die Nachverfolgung bequemer.- Implementieren Sie die VolumeInspect-Funktion , um drei Ansichten des erstellten Volumens anzuzeigen. Ziehen Sie den Schnittpunkt des Fadenkreuzes in der koronalen Achse nach oben und unten, um schnell alle Bilder auf der horizontalen Achse zu durchsuchen (Abbildung 2).
- Verschieben Sie das Fadenkreuz auf die horizontale Achse, um alle Bilder in der koronalen Achse zu durchsuchen. Das Fadenkreuz befindet sich in den gleichen räumlichen Koordinaten im 3D-Volumen. Wenn Sie es also auf einer Achse verschieben, ändert sich die Position der Bilder in den anderen beiden Achsen.
- Verwenden Sie für die VolumeInspect-Funktion das Standard-Intensitätsfenster für die Lunge in der GUI. Passen Sie die tatsächliche Filterleistung an, indem Sie die linke Maustaste gedrückt halten und in der Achse ziehen.
2. Digitales Modell für die horizontale 3D-Rekonstruktion
HINWEIS: Der 3Dlung_Horizon Teilprozess führt eine gründliche Untersuchung der Lungenknoten aus einer horizontalen Perspektive durch.
- Implementieren Sie die Funktion Build_3Dlung_Horizon in MATLAB workplace, um das digitale 3D-Modell der Lungenknoten unter dem Filterfenster der Lunge zu rekonstruieren, und öffnen Sie dann die grafische Benutzeroberfläche, um das horizontale 3D-Modell zu überprüfen (Abbildung 3).
- Anders als in Schritt 1.3.2 ist die GUI in Abbildung 3 eine durchgehende 3D-Lungenstruktur, in der verschiedene Arten von Lungenknoten und ihre relativen räumlichen Beziehungen zum Lungengewebe deutlich zu erkennen sind. Wenn Sie den Scrollbalken auf der GUI mit der Maus ziehen, kann die kontinuierliche 3D-Lungenstruktur beobachtet werden.
- Die obere rechte Ecke der GUI in Abbildung 3 enthält Symbole zum Vergrößern und Verkleinern, zum Zurückkehren zur globalen Ansicht und zum Markieren der Koordinaten des ausgewählten Pixels. Verwenden Sie die Zoomfunktion, um die lokalen Merkmale der Läsionen zu beobachten und relevante 3D-Strukturausgabebilder auszugeben. Verwenden Sie die Schaltfläche Pixelkoordinaten markieren, um den Abstand zwischen zwei Punkten zu berechnen und die Größe der Knoten zu messen.
- Der Standardfarbbalken ist die Jet-Colormap, was bedeutet, dass Blau bis Rot Werte von niedrig bis hoch darstellt. Klicken Sie im Popup-Menü mit der rechten Maustaste auf Farbleiste, um die allgemeine graue Farbkarte auszuwählen und die gesamte GUI zurückzusetzen.
- Wenn das Filterfenster nicht zufrieden ist, ziehen Sie mit der linken Maustaste in der Mitte der Abbildung nach oben und unten, um die Fensterebene anzupassen. Ziehen Sie nach links und rechts, um die Fensterbreite anzupassen, und der entsprechende genaue Filterbereich wird in der Farbleiste angezeigt.
3. Konstruieren eines digitalen 3D-Modells für einen bestimmten Knoten
HINWEIS: Die Slice-Nummer ist ein Parameter der Funktion 3D_Nodules, die ein digitales 3D-Modell rekonstruiert, das aus jeder Perspektive betrachtet werden kann.
- Um die Slice-Nummer zu bestimmen, wie in Abbildung 3 dargestellt, überprüfen Sie oben rechts in der Bildlaufleiste. In Abbildung 3 ist die Slice-Nummer 70. Verwenden Sie die Funktion Build_3D_Nodules mit zwei Parametern, einschließlich der Schichtnummer und des in Schritt 1.3 erstellten Thoraxvolumens, um ein digitales 3D-Modell für bestimmte Knoten zu rekonstruieren. Hierbei handelt es sich um ein benutzerdefiniertes Modell, da die Anzahl der Eingabe-Slices variabel ist und vom Benutzer abhängt.
- Wenn die Build_3D_Nodules-Funktion korrekt ausgeführt wird, kann der Benutzer den Lungenknoten, der sich in einer bestimmten Schichtnummer befindet, aus verschiedenen Perspektiven in der Popup-GUI überprüfen (Abbildung 4). Führen Sie dazu die folgenden Aktionen aus:
- Halten Sie die linke Maustaste gedrückt, wie in der Mitte von Abbildung 4, und ziehen Sie sie in eine beliebige Richtung, um die Perspektive der Lungenknoten zu ändern. Es ist zu beachten, dass der Betrachtungswinkel die anatomischen Überlegungen berücksichtigen und versuchen sollte, sowohl die medizinischen Eigenschaften der Lungenknoten als auch die Beziehung zwischen den Knoten und dem umgebenden Gewebe zu zeigen.
- Verwenden Sie die Zoom- und Verschiebesymbole in der oberen rechten Ecke, wie in Abbildung 3 dargestellt. Darüber hinaus kann der Benutzer durch Drehen der mittleren Maustaste die Ansicht des Modells kontinuierlich vergrößern oder verkleinern.
- Die GUI in Abbildung 4 zeigt die Koordinatenanzeige des Modells in der unteren linken Ecke, wobei die positive Richtung auf der z-Achse die Scanrichtung in der horizontalen Position ist. Implementieren Sie das vom Betriebssystem bereitgestellte Screenshot-Tool, um die erforderliche 3D-Projektion der Knoten zu speichern.
4. Digitales Modell einer koronalen 3D-Rekonstruktion
HINWEIS: Der Build_3Dlung_Coronal Teilprozess wird ausgeführt, um Lungenknoten aus einer alternativen koronalen Perspektive zu bewerten und so Ärzten und Patienten dabei zu helfen, ein genaueres und umfassenderes Verständnis der Lage und der Eigenschaften der Knoten zu entwickeln.
- Implementieren Sie die Build_3Dlung_Coronal-Funktion am MATLAB-Arbeitsplatz, um das digitale 3D-Modell von Lungenknoten unter dem Filterfenster der Lunge zu rekonstruieren, und öffnen Sie dann die von der Funktion vorbereitete GUI, um das koronale 3D-Modell zu überprüfen (Abbildung 5).
- Die GUI in Abbildung 5 zeigt eine durchgehende koronale 3D-Lungenstruktur, in der verschiedene Arten von Lungenknoten und ihre relativen räumlichen Beziehungen zum Lungengewebe deutlich zu erkennen sind. Ziehen Sie die Bildlaufleiste auf der GUI mit der Maus, um die kontinuierliche koronale 3D-Lungenstruktur zu beobachten.
- Die obere rechte Ecke der grafischen Benutzeroberfläche, wie in Abbildung 5 dargestellt, enthält auch Symbole zum Vergrößern und Verkleinern, zum Zurückkehren zur globalen Ansicht und zum Markieren der Koordinaten des ausgewählten Pixels. Verwenden Sie diese Funktionen, um die lokalen Merkmale der Läsionen zu beobachten und relevante 3D-Strukturbilder zu erstellen. Markieren Sie die Pixelkoordinaten, um den Abstand zwischen zwei Punkten zu berechnen, der häufig verwendet wird, um die Größe der Knötchen zu messen.
- Die Standardfarbleiste ist die Jet-Colormap, in der die Farben von Blau bis Rot Werte von niedrig bis hoch darstellen. Klicken Sie mit der rechten Maustaste auf die Farbleiste im Popup-Menü, um die allgemeine graue Colormap auszuwählen und die gesamte GUI zurückzusetzen.
- Wenn das Filterfenster nicht geeignet ist, ziehen Sie mit der linken Maustaste in der Mitte der Abbildung nach oben und unten, um die Fensterebene anzupassen. Ziehen Sie nach links und rechts, um die Fensterbreite anzupassen, und der entsprechende genaue Filterbereich wird in der Farbleiste angezeigt.
5. Ausgabe von 3D-Videos für dominante Lungenknoten
HINWEIS: Die Umwandlung des optimalen digitalen 3D-Modells eines Lungenknotens in ein dynamisches 3D-Video ermöglicht es Ärzten und Patienten, die Erkrankung besser zu verstehen und genaue Urteile zu fällen, was besonders wichtig für die Formulierung effektiver Behandlungspläne ist.
- Bereiten Sie im Arbeitsbereich das erforderliche digitale 3D-Modell vor und visualisieren Sie die relativen räumlichen Beziehungen zwischen den Lungenknoten und dem Lungengewebe, die aus verschiedenen Blickwinkeln dargestellt werden sollen (Abbildung 3 und Abbildung 4).
- In dieser Studie wurde Adobe Captivate 2019 verwendet, um alle GUI-Interaktionsprozesse aufzuzeichnen. Öffnen Sie zunächst die Software und erstellen Sie ein neues Bildschirmaufzeichnungsprojekt. Schalten Sie die Kamera aus, und das rote Feld für den Bildschirmaufnahmebereich wird angezeigt, in dem nur der Bildschirmbetrieb aufgezeichnet werden kann. In dieser Studie war die GUI der Version 5.1 in der Box enthalten. Klicken Sie auf die Aufnahmeschaltfläche, um die GUI zu bedienen, und generieren Sie eine digitale Videodatei der Bildschirmaufnahme.
- Nachdem Sie die dynamische Anzeige der Lungenknoten aufgezeichnet haben, kehren Sie mit einem Klick auf das Symbol in der Taskleiste in die Betriebsumgebung der Software zurück.
- Mit der Video-Publishing-Funktion können Sie das aufgezeichnete dynamische Video des digitalen 3D-Modells der Lungenknoten speichern. Klicken Sie auf Datei > Verteilen und konfigurieren Sie den Dateispeicherpfad. Benennen Sie die Datei und speichern Sie die gewünschte digitale Videodatei.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Um die Methode auf eine größere Anzahl von Geräten anwendbar zu machen, muss die Stapelreihenfolge jedes Scans basierend auf den internen Koordinaten des DICOM-Dateisystems (Abbildung 1) neu organisiert werden, um das richtige 3D-Volumen zu generieren (Abbildung 2). Basierend auf den genauen Volumendaten verwendeten wir eine algorithmische kontinuierliche Rekonstruktion der horizontalen und koronalen MIPs der Lunge des Patienten (Abbildung 4 und Abbildung 5) für die präzise Diagnose und Behandlung der Lungenknoten des Patienten.
DICOM-Daten von verschiedenen Geräten werden in der Regel nicht in der richtigen Reihenfolge von niedrig nach hoch entlang der anatomischen Position im Patienten sortiert. Für die Modellrekonstruktion muss jedoch jedes Bild in einer niedrigen bis hohen Vorwärtsreihenfolge sortiert werden. Abbildung 1 zeigt nicht nur die typische Verteilung der DICOM-Sequenzpositionen, sondern auch die GUI-Interaktion, die zur Bestimmung der Positionsgrenzen der Bildsequenz erforderlich ist. Dieser Schritt ist ein wichtiger Teil der Datenaufbereitung im Prozess der Modellrekonstruktion.
Abbildung 2 zeigt im Wesentlichen die drei Ansichten des 3D-Volumens der gesamten Lunge in der axialen, koronalen und sagittalen Ebene. Wenn die vorherige Datenaufbereitung und die Volumenberechnung korrekt sind, können die Lungenbilder in jeder Ansicht betrachtet werden, wie in Abbildung 2 dargestellt. Diese GUI ermöglicht auch das Filtern auf Fensterebene, indem Sie die Maus ziehen, um die Bilder auf verschiedenen Fensterebenen anzuzeigen. Das zugrunde liegende Volumen, wie in Abbildung 2 dargestellt, dient als Datengrundlage für die Rekonstruktion des 3D-Modells.
Abbildung 3 zeigt die Ergebnisse der kontinuierlichen 3D-Rekonstruktion in der axialen Ansicht. In dieser GUI kann der Arzt die Lungenstruktur des Patienten kontinuierlich entlang der axialen Ansicht beobachten, Lungenknoten schnell lokalisieren und die Beziehung zwischen den Knoten und dem umgebenden Lungengewebe beobachten. Wie in Abbildung 3 dargestellt, können auch Operationen wie die lokale Vergrößerung von Knollenansichten, die Wiederherstellung der Fensterebene und das Markieren von Pixelpositionen durchgeführt werden. Der Farbbalken zeigt Farben an, die den verschiedenen Intensitätswerten im Bild entsprechen.
Die in Abbildung 4 gezeigte GUI bietet Ärzten die Möglichkeit, die betroffenen Lungenknoten aus jeder Perspektive zu betrachten.
Abbildung 5 zeigt die Ergebnisse der kontinuierlichen 3D-Rekonstruktion in der koronalen Ansicht. In dieser GUI kann der Arzt die Lungenstruktur des Patienten kontinuierlich entlang der koronalen Ansicht beobachten, Lungenknoten schnell lokalisieren und die Beziehung zwischen den Knoten und dem umgebenden Lungengewebe beobachten. Wie in Abbildung 5 dargestellt, können auch Operationen wie die lokale Vergrößerung von Knollenansichten, die Wiederherstellung der Fensterebene und das Markieren von Pixelpositionen durchgeführt werden. Der Farbbalken zeigt Farben an, die den verschiedenen Intensitätswerten im Bild entsprechen.
Abbildung 1: Das Diagramm der Bildposition entsprechend der Dateinamensreihenfolge. Die Abbildung zeigt die typische Verteilung der DICOM-Sequenzpositionen und zeigt die GUI-Interaktion, die notwendig ist, um die Positionsgrenzen der Bildsequenz zu bestimmen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 2: Die grafische Benutzeroberfläche von drei Ansichten des pulmonalen 3D-Volumens. Die Abbildung stellt die drei Ansichten des 3D-Volumens der gesamten Lunge in der axialen, koronalen und sagittalen Ebene dar. Wenn die vorherige Datenaufbereitung und die Volumenberechnung korrekt sind, können Lungenbilder in jeder Ansicht angezeigt werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 3: Die GUI zur Überprüfung der Lungenknoten aus horizontaler Ansicht. Die Abbildung zeigt die Ergebnisse der kontinuierlichen 3D-Rekonstruktion in der axialen Ansicht. Der Arzt kann die Lungenstruktur des Patienten kontinuierlich entlang der axialen Ansicht beobachten, Lungenknoten lokalisieren und die Beziehung zwischen den Knoten und dem umgebenden Lungengewebe beobachten. Die Farben im Farbbalken entsprechen unterschiedlichen Intensitätswerten im Bild. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 4: Überprüfung des digitalen 3D-Modells eines bestimmten Lungenknotens. Die GUI ermöglicht es dem Benutzer, die interessierenden Lungenknoten aus jeder Perspektive zu betrachten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Abbildung 5: Die GUI zur Überprüfung der Lungenknoten aus koronaler Sicht. Die Abbildung zeigt die Ergebnisse der kontinuierlichen 3D-Rekonstruktion in der koronalen Ansicht. In dieser GUI kann der Arzt die Lungenstruktur des Patienten kontinuierlich entlang der koronalen Ansicht beobachten, Lungenknoten schnell lokalisieren und die Beziehung zwischen den Knoten und dem umgebenden Lungengewebe beobachten. Die Farben im Farbbalken entsprechen unterschiedlichen Intensitätswerten im Bild. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Verschiedene LDCT-Geräte unterscheiden sich erheblich in den DICOM-Bildsequenzen, die sie ausgeben, insbesondere in Bezug auf die Dateisystemverwaltung. Um das digitale 3D-Schlüsselmodell eines Lungenknotens in den späteren Phasen des Protokolls zu rekonstruieren, ist daher der Schritt der Datenvorverarbeitung besonders wichtig. In der Datenaufbereitungs- und Vorverarbeitungsphase (Schritt 1.2.2) kann die Koordinate der z-Achse der Sequenz anhand der in Abbildung 1 gezeigten Sequenz korrekt sortiert werden, die auch verwendet werden kann, um die für die Modellierung erforderliche richtige Bildreihenfolge richtig anzuordnen und das richtige 3D-Volumen für die nachfolgende Modellierungsarbeit zu generieren. Die 3D-Rekonstruktionen (Schritt 2.1 und Schritt 4.1) in der horizontalen und koronalen Achse ermöglichen Ärzten und Patienten eine doppelte Kontrolle der Lungenknoten aus den beiden am häufigsten verwendeten Perspektiven. Die Erkennung von Knoten und die Darstellung ihrer räumlichen Eigenschaften und Beziehungen zum Lungengewebe, insbesondere zu den Lungenarterien, sowie die Verwendung von Softwaretools sind entscheidend für die Diagnose von Krankheiten und die Erstellung von Behandlungsplänen. In Bezug auf die Arzt-Patienten-Kommunikation ist ein gutes dynamisches 3D-Video (Schritt 5.2) ein hervorragendes Kommunikationsinstrument, das Patienten dabei unterstützt, ihren eigenen Zustand und ihre Prognose zu verstehen.
Bei der Erörterung der klinischen und Forschungsszenarien dieser Studie ist eine wichtige Frage, die angesprochen werden muss, wie sowohl Fachärzten als auch Patienten ein klares und umfassendes Verständnis der behandelten Lungenknoten vermittelt werden kann. In der Regel bringen Patienten Untersuchungsergebnisse von verschiedenen Geräten und historischen Zeiträumen zu ihren Ärzten, und in Ermangelung der Unterstützung durch einen Radiologen müssen Ärzte genaue Urteile über die Größe, Lage und Eigenschaften der Lungenknoten des Patienten fällen, um geeignete Behandlungspläne zu erstellen. Patienten hingegen müssen den Entwicklungsstand und die Behandlungseffekte ihrer eigenen Lungenknoten effektiv verstehen und verfolgen. Unabhängig davon, ob es darum geht, CT-Daten von verschiedenen Geräten und Zeiten zu verstehen, die Kluft zwischen Radiologen und Fachärzten zu überbrücken oder eine bessere Kommunikation zwischen Arzt und Patient zu unterstützen, bietet diese Studie eine ideale Lösung und technische Mittel, um diese Szenarien anzugehen.
Obwohl die aktuellen Werkzeuge eine hervorragende Leistung bei der 3D-Modellierung und der Visualisierung von Lungenknoten gezeigt haben, gibt es noch Raum für Evolution und Verbesserung. Zunächst könnte eine GUI mit gegenseitiger Indizierung zwischen 2D-Tri-Views und 3D-Modellen entwickelt werden, um die Kreuzvalidierung der beiden Perspektiven zu erleichtern. Zweitens sind auch kontinuierliche 3D-Modelle aus beliebigen Blickwinkeln eine Weiterentwicklung wert. Drittens ist die Integration der langfristigen Nachverfolgung und Verwaltung von Patientenbehandlungsplänen und -prognosen ebenfalls eine wichtige Richtung für die Entwicklung, da dies für eine komplette medizinische Bildgebungslösung im Bereich der Lungenknoten nützlich wäre.
Aufgrund der Anforderung des maschinellen Lernens, eine große Anzahl konsistenter medizinischer Bildsequenzproben verschiedener Arten von Lungenknoten13 zu erzeugen, und des beträchtlichen Umfangs der KI-Rechenleistung ist es noch nicht möglich, Lungenknoten anhand von 3D-Volumenmerkmalen zu erkennen und automatisch zu klassifizieren14,15. Dies ist eine Forschungsrichtung, die auch in den späteren Phasen dieser Arbeit im Fokus stehen wird.
Die Bedeutung dieser Studie liegt in der Bereitstellung eines durchgängigen digitalen 3D-Modells für die Diagnose und Behandlung von Lungenknoten. Ärzte und Patienten können den Zustand besser verstehen und rationalere Urteile fällen, indem sie die Merkmale von Knoten aus verschiedenen Perspektiven im 3D-Raum betrachten, was auch für die Prognosebewertung der Knoten von wichtigem Referenzwert ist. Auf der Grundlage bestehender Arbeiten könnte tiefes maschinelles Lernen eingeführt werden, um Lungenknoten aus einer mehrdimensionalen Perspektive zu klassifizieren. Durch die Verwendung klinischer Behandlungsfälle konnte die Wirksamkeit von Medikamenten und anderen Behandlungen mit dieser Methode verfolgt werden, um eine immer genauere quantitative Grundlage für die Prognosebeurteilung von Lungenknoten zu schaffen.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Das Software-Tool zur Rekonstruktion von Lungenknotenmodellen, PulmonaryNodule, ist eine kommerzielle Software der Beijing Intelligent Entropy Science &; Technology Co Ltd. Die geistigen Eigentumsrechte an diesem Software-Tool liegen beim Unternehmen. Die Autoren haben keine Interessenkonflikte offenzulegen.
Acknowledgments
Diese Publikation wurde durch das Fünfte National Traditional Chinese Medicine Clinical Excellent Talents Research Program unterstützt, das von der National Administration of Traditional Chinese Medicine (http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html) organisiert wird.
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).
