Summary
이 연구의 목적은 의사와 환자 간의 의사 소통 다리 역할을 하고 사전 진단 및 예후 평가를 위한 최첨단 도구이기도 한 폐 결절의 새로운 3D 디지털 모델을 개발하는 것입니다.
Abstract
의료 영상을 이용한 폐 결절의 3차원(3D) 재구성은 폐 결절의 진단 및 치료를 위한 새로운 기술적 접근법을 도입했으며, 이러한 접근법은 의사와 환자에 의해 점진적으로 인정되고 채택되고 있습니다. 그럼에도 불구하고 진단 및 치료를 위한 폐 결절의 비교적 보편적인 3D 디지털 모델을 구축하는 것은 장치 차이, 촬영 시간 및 결절 유형으로 인해 어렵습니다. 이 연구의 목적은 의사와 환자 사이의 다리 역할을 하고 사전 진단 및 예후 평가를 위한 최첨단 도구이기도 한 폐결절의 새로운 3D 디지털 모델을 제안하는 것입니다. 많은 AI 기반 폐 결절 감지 및 인식 방법은 딥 러닝 기술을 사용하여 폐 결절의 방사선학적 특징을 캡처하며 이러한 방법은 우수한 AUC(Area under-the-curve) 성능을 달성할 수 있습니다. 그러나 위양성 및 위음성은 방사선 전문의와 임상의에게 여전히 어려운 과제입니다. 폐 결절 분류 및 검사의 관점에서 특징의 해석과 표현은 여전히 불만족 스럽다. 본 연구에서는 기존의 의료영상 처리 기술을 접목하여 수평 및 관상 위치에서 폐 전체를 연속적으로 3D 재구성하는 방법을 제안하였다. 다른 적용 가능한 방법과 비교하여 이 방법을 사용하면 폐 결절을 신속하게 찾고 기본 특성을 식별하는 동시에 여러 관점에서 폐 결절을 관찰할 수 있으므로 폐 결절의 진단 및 치료를 위한 보다 효과적인 임상 도구를 제공할 수 있습니다.
Introduction
폐 결절의 전 세계 발생률은 다양하지만, 일반적으로 성인의 약 30%가 흉부 방사선 사진에서 하나 이상의 폐 결절을 볼 수 있는 것으로 추정된다1. 폐 결절의 발병률은 흡연이 심한 사람과 폐암 또는 기타 폐 질환의 병력이 있는 사람과 같은 특정 집단에서 더 높습니다. 모든 폐 결절이 악성인 것은 아니지만, 악성 종양을 배제하기 위해서는 철저한 평가가 필요하다는 점에 유의해야 한다2. 폐암의 조기 발견 및 진단은 생존율을 높이는 데 매우 중요하며 고위험군에게는 저선량 컴퓨터 단층 촬영(LDCT)을 통한 정기적인 검진이 권장됩니다. 많은 AI 기반 폐 결절 검출 및 인식 방법(3,4,5,6,7)은 딥 러닝 기술을 사용하여 폐 결절의 방사선학적 특징을 캡처하며, 이러한 방법은 AUC(Good Area Under the Curve) 성능을 달성할 수 있습니다. 그러나 위양성 및 위음성은 방사선 전문의와 임상의에게 여전히 어려운 과제입니다. 폐 결절 분류 및 검사의 관점에서 특징의 해석과 표현은 여전히 불만족 스럽다. 동시에 LDCT를 기반으로 한 폐 결절의 3D 재구성은 다양한 유형의 결절에 대한 디지털 모델로 주목을 받고 있습니다.
폐 결절의 3D 재건은 폐의 작은 성장 또는 덩어리를 3D로 표현하는 과정입니다. 이 프로세스에는 일반적으로 의료 전문 지식과 데이터 인텔리전스 접근 방식을 모두 활용하는 의료 영상 분석 기술의 적용이 포함됩니다. 결과적인 3D 디지털 모델은 결절의 보다 상세하고 정확한 묘사를 제공하여 결절의 크기, 모양 및 주변 폐 조직과의 공간적 관계의 개선된 시각화 및 분석을 가능하게 합니다(8,9,10,11,12). 이러한 정보는 폐 결절, 특히 암이 의심되는 폐 결절의 진단 및 모니터링에 도움이 될 수 있습니다. 보다 정확한 분석을 용이하게 함으로써 폐 결절의 3D 재건은 진단의 정확성을 높이고 치료 결정에 정보를 제공할 수 있는 잠재력을 가지고 있습니다.
최대 강도 투영(MIP)은 폐 결절의 3D 재구성 분야에서 널리 사용되는 기술이며 3D 이미지(8,9,10,11,12)의 2D 투영을 생성하는 데 사용되며 CT에 의해 스캔된 디지털 이미징 및 DICOM(Communications in Medicine) 파일로부터 추출된 체적 데이터의 시각화에 특히 유용합니다. MIP 기술은 시청 방향을 따라 강도가 가장 높은 복셀(3D 볼륨 데이터의 가장 작은 단위)을 선택하고 2D 평면에 투영하는 방식으로 작동합니다. 그 결과 강도가 가장 높은 구조를 강조하고 강도가 낮은 구조를 억제하는 2D 이미지가 생성되어 관련 특징(9,10,11,12)을 보다 쉽게 식별하고 분석할 수 있습니다. 그러나 MIP에 제한이 없는 것은 아닙니다. 예를 들어, 프로젝션 프로세스는 정보 손실을 초래할 수 있으며, 결과 2D 이미지는 기본 객체의 3D 구조를 정확하게 나타내지 않을 수 있습니다. 그럼에도 불구하고 MIP는 의료 영상 및 시각화를 위한 귀중한 도구로 남아 있으며, MIP의 사용은 기술 및 컴퓨팅 파워의 발전과 함께 계속 발전하고 있습니다11.
본 연구에서는 방사선 전문의, 의사, 환자 모두에게 사용하기 쉽고 사용자 친화적이며 폐 결절의 특성을 식별하고 추정할 수 있는 폐 결절을 시각화하는 연속적인 MIP 모델을 개발합니다. 이 처리 접근법의 주요 이점은 다음과 같은 측면을 포함한다 : (1) 패턴 인식에서 발생하는 위양성 및 위음성을 제거하여 의사가 폐 결절의 위치, 모양 및 3D 크기뿐만 아니라 주변 혈관 구조와의 관계에 대한보다 포괄적 인 정보를 얻도록 돕는 데 중점을 둘 수 있습니다. (2) 전문 의사가 방사선 전문의의 도움 없이도 폐 결절의 특성에 대한 전문 지식을 얻을 수 있도록 합니다. (3) 의사와 환자 간의 의사 소통 효율성과 예후 평가를 모두 향상시킵니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
알림: 데이터 전처리 단계에서 원본 DICOM 데이터를 정렬하고 가로채서 다양한 장치와의 호환성과 일관된 결과를 보장해야 합니다. 강도 처리를 위해 적절한 조정 가능한 용량을 예약해야 하며 관찰을 위해서는 지속적인 3D 원근감이 필수적입니다. 이 프로토콜에서는 폐 결절을 나타내는 84세 여성 환자와 관련된 사례를 자세히 설명하는 연구 접근 방식에 대한 체계적인 설명이 제공됩니다. 이 환자는 디지털 모델링을 통해 진단에 대한 정보에 입각한 동의를 제공하고 과학적 연구 목적으로 데이터 활용을 승인했습니다. 모델 재구성 기능은 PulmonaryNodule 소프트웨어 도구에서 파생됩니다(자세한 내용은 재료 표 참조). 윤리적 승인은 베이징 중의과대학 산하 동지먼병원 윤리위원회(DZMEC-KY-2019.90)에서 받았습니다.
1. 데이터 수집 및 준비
- 폐 결절 검출을 위한 LDCT 데이터
참고: 매개변수 값에 표시되는 차이는 사용된 연구 방법에 따라 달라지지 않습니다.- DICOM 데이터 수집에 대한 환자 동의를 얻습니다. 모든 데이터를 지정된 작업 디렉토리로 전송합니다.
- 스캐닝 레이어 수가 가장 많고 레이어 두께가 가장 얇은 데이터 디렉토리를 식별하여 파일 정보를 기반으로 정확도를 최적화합니다. 일반적으로 환자가 가지고 있는 DICOM 스캔 파일이 많을수록 스캔 레이어 두께가 얇아집니다.
- Dicominfo 함수를 구현하고 DICOM 파일을 함수 파라미터로 사용하여 MATLAB 환경에서 슬라이스 두께 파라미터와 픽셀 간격 파라미터를 구합니다. 이러한 매개변수는 3D 볼륨 표시 속도를 설정하는 데 필수적입니다. 본 연구에 활용된 예시 데이터의 경우, 슬라이스 두께는 1mm, 픽셀 간격은 0.5mm, 총 200개의 레이어가 스캔되었다.
- 스캔한 데이터의 정렬 수정
참고: 볼륨 구성을 위해 모든 이미지의 시퀀스를 정렬해야 합니다.- Dicominfo 함수를 사용하여 모든 이미지의 위치 데이터를 읽습니다. 정보를 입력하여 위치를 가져옵니다 . SliceLocation 을 MATLAB 작업 공간으로 복사합니다.
- SliceLocation 함수를 구현하여 변수에 대한 위치 배열을 저장하고 이 배열의 플롯을 만듭니다(그림 1).
- GUI의 오른쪽 상단에 있는 데이터 팁 버튼을 사용하여 정상 시퀀스의 최대 위치 값을 나타내는 지점의 플롯에 데이터 팁을 추가합니다(환자 이미징의 상단 위치; 그림 1).
- 모든 이미지를 정렬하고 VolumeResort 함수를 구현하여 1부터 최대 위치 값까지 이미지를 추출합니다.
- 정렬된 인덱스와 함께 유효한 이미지의 볼륨을 저장하면 중요한 결절을 추적하는 데 유용합니다.
- 흉부 용적 검사
참고: 잘 정의된 데이터 저장 구조를 사용하면 후속 작업이 더 편리해집니다.- VolumeInspect 함수를 구현하여 생성된 볼륨의 세 가지 보기를 표시합니다. 관상 축에서 십자선 교차점을 위아래로 끌어 가로 축의 모든 이미지를 빠르게 탐색합니다(그림 2).
- 십자선을 가로축으로 이동하여 관상 축의 모든 이미지를 탐색합니다. 십자선은 3D 볼륨에서 동일한 공간 좌표에 있습니다. 따라서 한 축에서 이동하면 다른 두 축에서 이미지의 위치가 변경됩니다.
- VolumeInspect 함수의 경우 GUI에서 폐에 대한 기본 강도 창을 사용합니다. 마우스 왼쪽 버튼을 누른 채 축을 끌어 실제 필터 성능을 조정합니다.
2. 수평 3D 재구성을 위한 디지털 모델
참고: 3Dlung_Horizon 하위 프로세스는 수평적 관점에서 폐 결절에 대한 철저한 검사를 수행합니다.
- MATLAB 작업 공간에서 Build_3Dlung_Horizon 함수를 구현하여 폐의 필터 창 아래에서 폐 결절의 3D 디지털 모델을 재구성한 다음 GUI를 열어 수평 3D 모델을 확인합니다(그림 3).
- 1.3.2단계와 달리 그림 3 의 GUI는 다양한 유형의 폐 결절과 폐 조직과의 상대적인 공간적 관계를 명확하게 볼 수 있는 연속적인 3D 폐 구조입니다. 마우스로 GUI의 스크롤 막대를 드래그하면 연속적인 3D 폐 구조를 관찰할 수 있습니다.
- 그림 3에서 GUI의 오른쪽 위 모서리에는 확대, 축소, 전역 보기로 돌아가기, 선택한 픽셀의 좌표 표시를 위한 아이콘이 있습니다. 줌 기능을 사용하여 병변의 국부적 특징을 관찰하고 관련 3D 구조 출력 사진을 출력합니다. 결절의 크기를 측정하기 위해 Mark pixel coordinates 버튼을 사용하여 두 점 사이의 거리를 계산합니다.
- 디폴트 색상 막대는 jet 컬러맵으로, 파란색에서 빨간색은 낮음에서 높음까지의 값을 나타냅니다. 팝업 메뉴에서 색상 막대 를 마우스 오른쪽 버튼으로 클릭하여 공통 회색 컬러맵을 선택하고 전체 GUI를 재설정합니다.
- 필터 창이 만족스럽지 않으면 마우스 왼쪽 버튼을 사용하여 그림 가운데를 위아래로 드래그하여 창 수준을 조정합니다. 왼쪽과 오른쪽으로 드래그하여 창 너비를 조정하면 해당 정확한 필터링 범위가 색상 막대에 표시됩니다.
3. 특정 결절에 대한 3D 디지털 모델 구성
참고: 슬라이스 번호는 모든 관점에서 볼 수 있는 3D 디지털 모델을 재구성하는 함수 3D_Nodules의 매개변수입니다.
- 그림 3과 같이 슬라이스 번호를 확인하려면 스크롤 막대의 오른쪽 상단을 확인합니다. 그림 3에서 슬라이스 번호는 70입니다. 1.3단계에서 생성된 슬라이스 번호와 흉부 용적을 포함한 두 개의 파라미터와 함께 Build_3D_Nodules 함수를 사용하여 특정 결절에 대한 3D 디지털 모델을 재구성합니다. 이 모델은 사용자 정의 모델로, 입력 슬라이스 번호는 가변적이며 사용자에 따라 달라집니다.
- Build_3D_Nodules 기능이 올바르게 실행되면 사용자는 팝업 GUI에서 다양한 관점에서 특정 슬라이스 번호에 위치한 폐 결절을 확인할 수 있습니다(그림 4). 이렇게 하려면 다음 작업을 수행합니다.
- 그림 4의 중앙에서와 같이 마우스 왼쪽 버튼을 누른 상태에서 아무 방향으로나 드래그하여 폐 결절의 관점을 변경합니다. 관찰 각도는 해부학 적 고려 사항을 고려해야하며 폐 결절의 의학적 특성과 결절과 주변 조직 사이의 관계를 모두 보여 주어야합니다.
- 그림 3과 같이 오른쪽 위 모서리에 있는 확대/축소 및 이동 아이콘을 사용합니다. 또한 마우스 가운데 버튼을 롤링하여 사용자가 모델 뷰를 계속 확대 또는 축소할 수 있습니다.
- 그림 4의 GUI는 왼쪽 아래 모서리에 있는 모델의 좌표 표시를 보여주며, 여기서 z축의 양의 방향은 수평 위치의 스캔 방향입니다. 운영 체제에서 제공하는 스크린샷 도구를 구현하여 결절의 필요한 3D 투영을 저장합니다.
4. 관상 3D 재구성의 디지털 모델
참고: Build_3Dlung_Coronal 하위 프로세스는 대체 관상 관점에서 폐 결절을 평가하기 위해 실행되므로 임상의와 환자가 결절의 위치와 속성에 대한 보다 정확하고 포괄적인 이해를 개발하는 데 도움이 됩니다.
- MATLAB 작업 공간에서 Build_3Dlung_Coronal 기능을 구현하여 폐의 필터 창 아래에서 폐 결절의 3D 디지털 모델을 재구성한 다음 함수에 의해 준비된 대로 GUI를 열어 관상 3D 모델을 확인합니다(그림 5).
- 그림 5의 GUI는 다양한 유형의 폐 결절과 폐 조직과의 상대적인 공간적 관계를 명확하게 볼 수 있는 연속적인 관상 3D 폐 구조를 보여줍니다. 마우스로 GUI의 스크롤 막대를 드래그하여 연속적인 관상 3D 폐 구조를 관찰합니다.
- 그림 5와 같이 GUI의 오른쪽 위 모서리에는 확대, 축소, 전역 보기로 돌아가기, 선택한 픽셀의 좌표 표시를 위한 아이콘도 있습니다. 이 기능을 사용하여 병변의 국부적 특징을 관찰하고 관련 3D 구조 사진을 생성할 수 있습니다. 결절의 크기를 측정하는 데 자주 사용되는 두 점 사이의 거리를 계산하기 위해 픽셀 좌표를 표시하십시오.
- 디폴트 색상 막대는 제트 컬러맵으로, 파란색에서 빨간색까지의 색은 낮음에서 높음까지의 값을 나타냅니다. 팝업 메뉴에서 색상 막대를 마우스 오른쪽 버튼으로 클릭하여 공통 회색 컬러맵을 선택하고 전체 GUI를 재설정합니다.
- 필터 창이 적절하지 않은 경우 마우스 왼쪽 버튼을 사용하여 그림 중앙에서 위아래로 드래그하여 창 수준을 조정합니다. 왼쪽과 오른쪽으로 드래그하여 창 너비를 조정하면 해당 정확한 필터링 범위가 색상 막대에 표시됩니다.
5. 우성 폐 결절에 대한 3D 비디오 출력
참고: 폐 결절의 최적 3D 디지털 모델을 동적 3D 비디오로 변환하면 의사와 환자가 상태를 더 잘 이해하고 정확한 판단을 내릴 수 있으며, 이는 효과적인 치료 계획을 수립하는 데 특히 중요합니다.
- 작업 공간에서 필요한 3D 디지털 모델을 준비하고 폐 결절과 폐 조직 간의 상대적인 공간 관계를 다양한 각도에서 표시하도록 미리 시각화합니다(그림 3 및 그림 4).
- 이 연구에서는 Adobe Captivate 2019를 사용하여 모든 GUI 상호 작용 프로세스를 기록했습니다. 시작하려면 소프트웨어를 열고 새 화면 녹화 프로젝트를 만듭니다. 카메라를 끄면 화면 조작만 녹화할 수 있는 빨간색 화면 녹화 범위 상자가 나타납니다. 이 연구에서는 버전 5.1 GUI가 상자에 포함되었습니다. 녹화 버튼을 클릭하여 GUI를 조작하고 화면 녹화의 디지털 비디오 파일을 생성합니다.
- 폐 결절의 동적 표시를 기록한 후 작업 표시 줄의 아이콘을 클릭하여 소프트웨어의 작동 환경으로 돌아갑니다.
- 비디오 게시 기능을 사용하여 폐 결절의 3D 디지털 모델의 녹화된 동적 비디오를 저장합니다. File > Distribute(파일 배포 )를 클릭하고 파일 저장 경로를 구성합니다. 파일 이름을 지정하고 원하는 디지털 비디오 파일을 저장합니다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
이 방법을 더 넓은 범위의 장치에 적용하려면 DICOM 파일 시스템의 내부 좌표(그림 1)를 기반으로 각 스캔의 스태킹 순서를 재구성하여 올바른 3D 볼륨을 생성해야 합니다(그림 2). 정확한 부피 데이터를 기반으로 환자의 폐 결절의 정확한 진단 및 치료를 위해 환자의 폐 수평 및 관상 MIP(그림 4 및 그림 5)의 알고리즘 연속 재구성을 활용했습니다.
다른 장치의 DICOM 데이터는 일반적으로 환자의 해부학적 위치를 따라 낮음에서 높음으로 올바른 순서로 정렬되지 않습니다. 그러나 모델 재구성의 경우 각 이미지를 낮은 정방향에서 높은 순방향 순서로 정렬해야 합니다. 그림 1 은 DICOM 시퀀스 위치의 일반적인 분포뿐만 아니라 이미지 시퀀스의 위치 경계를 결정하는 데 필요한 GUI 상호 작용에 대한 분포를 보여줍니다. 이 단계는 모델 재구성 프로세스에서 데이터 준비의 중요한 부분입니다.
그림 2 는 기본적으로 축면, 관상면, 시상면에 있는 전체 폐의 3D 부피에 대한 세 가지 보기를 나타냅니다. 이전 데이터 준비 및 용적 계산이 정확하면 그림 2와 같이 각 보기의 폐 이미지를 볼 수 있습니다. 또한 이 GUI를 사용하면 마우스를 드래그하여 다른 창 수준에서 이미지를 볼 수 있습니다. 그림 2에서 볼 수 있듯이 기본 볼륨은 3D 모델 재구성을 위한 데이터 기반 역할을 합니다.
그림 3 은 축도에서 연속 3D 재구성 결과를 보여줍니다. 이 GUI에서 의사는 축 뷰를 따라 환자의 폐 구조를 연속적으로 관찰하고, 폐 결절을 신속하게 찾아내고, 결절과 주변 폐 조직 사이의 관계를 관찰할 수 있습니다. 그림 3에서 볼 수 있듯이 결절 뷰의 로컬 배율, 창 레벨의 복구 및 픽셀 위치 표시와 같은 작업도 수행할 수 있습니다. 색상 막대는 이미지의 다양한 강도 값에 해당하는 색상을 표시합니다.
그림 4에 표시된 GUI는 의사에게 모든 관점에서 관심 있는 폐 결절을 관찰할 수 있는 기능을 제공합니다.
도 5 는 관상보기에서의 연속적인 3D 재구성 결과를 나타낸 것이다. 이 GUI에서, 의사는 관상 보기를 따라 환자의 폐 구조를 연속적으로 관찰하고, 폐 결절을 신속하게 찾아내고, 결절과 주변 폐 조직 사이의 관계를 관찰할 수 있다. 도 5에 도시된 바와 같이, 결절 뷰들의 국부적 확대, 윈도우 레벨의 회복, 및 픽셀 위치들의 마킹과 같은 동작들이 또한 수행될 수 있다. 색상 막대는 이미지의 다양한 강도 값에 해당하는 색상을 표시합니다.
그림 1: 파일 이름 순서에 따른 이미지 위치 플롯. 이 그림은 DICOM 시퀀스 위치의 일반적인 분포를 보여주고 이미지 시퀀스의 위치 경계를 결정하는 데 필요한 GUI 상호 작용을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 2: 폐 3D 부피의 세 가지 보기의 GUI. 이 그림은 축면, 관상면, 시상면에 있는 전체 폐의 3D 부피에 대한 세 가지 보기를 나타냅니다. 이전 데이터 준비 및 용적 계산이 정확하면 각 보기의 폐 이미지를 볼 수 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 3: 수평 보기에서 폐 결절을 확인하기 위한 GUI. 그림은 축 뷰에서 연속 3D 재구성 결과를 보여줍니다. 의사는 축 방향 보기를 따라 환자의 폐 구조를 지속적으로 관찰하고, 폐 결절을 찾고, 결절과 주변 폐 조직 사이의 관계를 관찰할 수 있습니다. 색상 막대의 색상은 이미지의 다른 강도 값에 해당합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4: 특정 폐 결절의 3D 디지털 모델 확인. GUI를 통해 사용자는 모든 관점에서 관심 있는 폐 결절을 관찰할 수 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 5: 관상 보기에서 폐 결절을 확인하기 위한 GUI. 그림은 관상 보기에서 연속 3D 재구성 결과를 보여줍니다. 이 GUI에서, 의사는 관상 보기를 따라 환자의 폐 구조를 연속적으로 관찰하고, 폐 결절을 신속하게 찾아내고, 결절과 주변 폐 조직 사이의 관계를 관찰할 수 있다. 색상 막대의 색상은 이미지의 다른 강도 값에 해당합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
서로 다른 LDCT 디바이스는 특히 파일 시스템 관리 측면에서 출력하는 DICOM 이미지 시퀀스에 상당한 차이가 있습니다. 따라서, 프로토콜의 후기 단계에서 폐 결절의 주요 3D 디지털 모델을 재구성하기 위해서는 데이터 전처리 단계가 특히 중요합니다. 데이터 준비 및 전처리 단계(단계 1.2.2)에서 그림 1에 표시된 시퀀스를 사용하여 시퀀스 z축 좌표를 올바르게 정렬할 수 있으며, 모델링에 필요한 올바른 이미지 순서를 적절하게 정렬하고 후속 모델링 작업을 위한 올바른 3D 볼륨을 생성하는 데에도 사용할 수 있습니다. 수평 및 관상 축의 3D 재구성(2.1단계 및 4.1단계)은 의사와 환자에게 가장 일반적으로 사용되는 두 가지 관점에서 폐 결절에 대한 이중 검사를 제공합니다. 결절을 감지하고 공간적 특성과 폐 조직, 특히 폐동맥과의 관계를 제시하고 소프트웨어 도구를 사용하는 것은 질병 진단 및 치료 계획 수립에 매우 중요합니다. 의사-환자 의사 소통 측면에서 좋은 3D 동적 비디오(5.2단계)는 환자가 자신의 상태와 예후를 이해할 수 있도록 지원하는 훌륭한 의사 소통 도구입니다.
이 연구의 임상 및 연구 시나리오를 논의할 때 해결해야 할 중요한 문제는 전문 의사와 환자 모두에게 치료 중인 폐 결절에 대한 명확하고 포괄적인 이해를 제공하는 방법입니다. 일반적으로 환자는 다양한 기기와 과거 기간의 검사 결과를 의사에게 가져오며, 방사선 전문의의 지원이 없는 경우 의사는 적절한 치료 계획을 제공하기 위해 환자의 폐 결절의 크기, 위치 및 특성에 대해 정확한 판단을 내려야 합니다. 반면에 환자는 자신의 폐 결절의 발달 상태와 치료 효과를 효과적으로 이해하고 추적해야 합니다. 따라서 사례에 따라 다양한 장치와 시간의 CT 데이터를 이해해야 하는지, 방사선 전문의와 전문 의사 간의 격차를 해소해야 하는지, 의사-환자 의사 소통을 더 잘 지원해야 하는지 여부에 관계없이 이 연구는 이러한 시나리오를 해결하기 위한 이상적인 솔루션과 기술적 수단을 제공합니다.
현재 도구는 폐 결절의 3D 모델링 및 기능 시각화에서 뛰어난 성능을 보여 주었지만 여전히 진화와 개선의 여지가 있습니다. 첫째, 2D 트라이 뷰와 3D 모델 간의 상호 인덱싱이 있는 GUI를 개발하여 두 관점의 교차 검증을 용이하게 할 수 있습니다. 둘째, 임의의 시야각에서 연속적인 3D 모델도 추가 개발이 필요합니다. 셋째, 환자 치료 계획과 예후의 장기 추적 및 관리를 통합하는 것도 폐 결절 분야의 완전한 의료 영상 솔루션에 유용하기 때문에 진화의 중요한 방향입니다.
상이한 유형의 폐 결절(13)의 다수의 일관된 의료 영상 시퀀스 샘플을 생성하기 위한 기계 학습의 요구와 상당한 규모의 AI 컴퓨팅 파워로 인해, 3D 볼륨 특징(14, 15)에 기초하여 폐 결절을 인식하고 자동으로 분류하는 것은 아직 불가능하다. 이것은 이 작업의 후반 단계에서 계속 초점을 맞출 연구 방향입니다.
이 연구의 의의는 폐결절의 진단 및 치료를 위한 지속적인 3D 디지털 모델을 제공하는 데 있습니다. 의사와 환자는 3D 공간에서 다양한 관점에서 결절의 특징을 관찰함으로써 상태를 더 잘 이해하고 보다 합리적인 판단을 내릴 수 있으며, 이는 결절의 예후 평가에 중요한 기준이 되기도 합니다. 기존 작업을 기반으로 심층 기계 학습을 도입하여 보다 다차원적인 관점에서 폐 결절을 분류할 수 있습니다. 임상 치료 사례의 사용을 통해 이 방법을 사용하여 약물 및 기타 치료의 효능을 추적하여 폐 결절의 예후 평가를 위한 보다 정확한 정량적 기반을 제공할 수 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
폐 결절 모델 재구성을 위한 소프트웨어 도구인 PulmonaryNodule은 Beijing Intelligent Entropy Science & Technology Co Ltd.의 상용 소프트웨어입니다. 이 소프트웨어 도구의 지적 재산권은 회사에 있습니다. 저자는 공개할 이해 상충이 없습니다.
Acknowledgments
이 간행물은 http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html(National Administration of Traditional Chinese Medicine)에서 주관하는 제5회 전국 한의학 임상 우수 인재 연구 프로그램의 지원을 받았습니다.
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).
