Summary
Målet med denne studien er å utvikle en ny 3D digital modell av lungeknuter som fungerer som en kommunikasjonsbro mellom leger og pasienter, og er også et banebrytende verktøy for prediagnose og prognostisk evaluering.
Abstract
Den tredimensjonale (3D) rekonstruksjonen av lungeknuter ved hjelp av medisinske bilder har introdusert nye tekniske tilnærminger for diagnostisering og behandling av lungeknuter, og disse tilnærmingene blir gradvis anerkjent og vedtatt av leger og pasienter. Ikke desto mindre er det utfordrende å konstruere en relativt universell 3D digital modell av lungeknuter for diagnose og behandling på grunn av enhetsforskjeller, opptakstider og knutetyper. Målet med denne studien er å foreslå en ny 3D digital modell av lungeknuter som fungerer som en bro mellom leger og pasienter, og er også et banebrytende verktøy for prediagnose og prognostisk evaluering. Mange AI-drevne lungeknutedeteksjons- og gjenkjenningsmetoder bruker dype læringsteknikker for å fange opp de radiologiske egenskapene til lungeknuter, og disse metodene kan oppnå en god ytelse under kurven (AUC). Imidlertid forblir falske positive og falske negativer en utfordring for radiologer og klinikere. Tolkningen og uttrykket av trekk fra perspektivet til pulmonal knute klassifisering og undersøkelse er fortsatt utilfredsstillende. I denne studien foreslås en metode for kontinuerlig 3D-rekonstruksjon av hele lungen i horisontale og koronale posisjoner ved å kombinere eksisterende medisinsk bildebehandlingsteknologi. Sammenlignet med andre anvendelige metoder, tillater denne metoden brukere å raskt lokalisere lungeknuter og identifisere deres grunnleggende egenskaper samtidig som de observerer lungeknuter fra flere perspektiver, og gir dermed et mer effektivt klinisk verktøy for diagnostisering og behandling av lungeknuter.
Introduction
Den globale forekomsten av lungeknuter er variabel, men man regner generelt med at ca. 30 % av voksne har minst én lungeknute synlig på røntgenbilder av thorax1. Forekomsten av lungeknuter er høyere i spesifikke populasjoner, for eksempel storrøykere og de med en historie med lungekreft eller andre lungesykdommer. Det er viktig å merke seg at ikke alle lungeknuter er ondartede, men en grundig utredning er nødvendig for å utelukke malignitet2. Tidlig påvisning og diagnostisering av lungekreft er avgjørende for å forbedre overlevelsesraten, og regelmessig screening med lavdose computertomografi (LDCT) anbefales for høyrisikopersoner. Mange AI-drevne lungeknutedeteksjons- og gjenkjenningsmetoder 3,4,5,6,7 bruker dype læringsteknikker for å fange de radiologiske egenskapene til lungeknuter, og disse metodene kan oppnå god areal under kurven (AUC) ytelse. Imidlertid forblir falske positive og falske negativer en utfordring for radiologer og klinikere. Tolkningen og uttrykket av trekk fra perspektivet til pulmonal knute klassifisering og undersøkelse er fortsatt utilfredsstillende. Samtidig har 3D-rekonstruksjon av lungeknuter basert på LDCT fått økende oppmerksomhet som digital modell for ulike typer knuter.
3D-rekonstruksjonen av lungeknuter er en prosess som genererer en 3D-representasjon av en liten vekst eller klump i lungen. Denne prosessen innebærer vanligvis anvendelse av medisinske bildeanalyseteknikker som utnytter både medisinsk ekspertise og dataintelligenstilnærminger. Den resulterende digitale 3D-modellen gir en mer detaljert og nøyaktig skildring av knuten, noe som muliggjør forbedret visualisering og analyse av størrelse, form og romlig forhold til det omkringliggende lungevevet 8,9,10,11,12. Slik informasjon kan hjelpe til med diagnostisering og overvåking av lungeknuter, spesielt de som mistenkes for å være kreft. Ved å legge til rette for mer presis analyse har 3D-rekonstruksjon av lungeknuter potensial til å forbedre nøyaktigheten av diagnosen og informere behandlingsbeslutninger.
Maksimal intensitetsprojeksjon (MIP) er en populær teknikk innen 3D-rekonstruksjon av lungeknuter og brukes til å lage en 2D-projeksjon av et 3D-bilde 8,9,10,11,12 Det er spesielt nyttig i visualisering av volumetriske data hentet fra digital bildebehandling og kommunikasjon i medisin (DICOM) filer skannet av CT. MIP-teknikken fungerer ved å velge voxels (de minste enhetene av 3D-volumdata) med høyeste intensitet langs visningsretningen og projisere dem på et 2D-plan. Dette resulterer i et 2D-bilde som fremhever strukturene med høyest intensitet og undertrykker de med lavere intensitet, noe som gjør det lettere å identifisere og analysere relevante funksjoner 9,10,11,12. MIP er imidlertid ikke uten begrensninger. Projeksjonsprosessen kan for eksempel føre til tap av informasjon, og det resulterende 2D-bildet representerer kanskje ikke nøyaktig 3D-strukturen til det underliggende objektet. Likevel er MIP fortsatt et verdifullt verktøy for medisinsk bildebehandling og visualisering, og bruken fortsetter å utvikle seg med fremskritt innen teknologi og datakraft11.
I denne studien utvikles en suksessiv MIP-modell for å visualisere lungeknuter som er enkel å bruke, brukervennlig for radiologer, leger og pasienter, og tillater identifisering og estimering av egenskapene til lungeknuter. De primære fordelene ved denne behandlingsmetoden inkluderer følgende aspekter: (1) eliminere falske positiver og falske negativer som følge av mønstergjenkjenning, noe som gjør det mulig å fokusere på å hjelpe leger til å få mer omfattende informasjon om plasseringen, formen og 3D-størrelsen på lungeknuter, samt deres forhold til den omkringliggende vaskulaturen; (2) gjøre det mulig for spesialistleger å oppnå faglig kunnskap om egenskapene til lungeknuter selv uten hjelp fra radiologer; og (3) øke både kommunikasjonseffektiviteten mellom leger og pasienter og prognoseevaluering.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
MERK: Under databehandlingsfasen må de originale DICOM-dataene sorteres og fanges opp for å sikre kompatibilitet med forskjellige enheter og konsistente resultater. Tilstrekkelig justerbar kapasitet må reserveres for intensitetsbehandling, og et kontinuerlig 3D-perspektiv er avgjørende for observasjon. I denne protokollen gis en metodisk beskrivelse av forskningstilnærmingen, som beskriver et tilfelle som involverer en 84 år gammel kvinnelig pasient som presenterer lungeknuter. Denne pasienten ga informert samtykke til diagnosen via digital modellering og autoriserte bruken av dataene hennes til vitenskapelige forskningsformål. Modellrekonstruksjonsfunksjonen er hentet fra programvareverktøyet PulmonaryNodule (se materialfortegnelsen for detaljer). Etisk klarering ble innhentet fra The Ethics Committee of Dongzhimen Hospital, tilknyttet Beijing University of Chinese Medicine (DZMEC-KY-2019.90).
1. Datainnsamling og klargjøring
- LDCT-data for påvisning av lungeknuter
MERK: Forskjellene sett i parameterverdiene er ikke avhengig av forskningsmetoden som brukes.- Innhent pasientsamtykke for innsamling av DICOM-data. Overfør alle data til den angitte arbeidskatalogen.
- Identifiser datakatalogen med det høyeste antallet skannelag og den tynneste lagtykkelsen for å optimalisere nøyaktigheten basert på filinformasjonen. Generelt, jo flere DICOM-skannefiler en pasient har, jo tynnere er skannelagtykkelsen.
- Ved å implementere Dicominfo-funksjonen og bruke DICOM-filene som funksjonsparametere, får du stykketykkelsen og parameterne for bildepunktavstand i MATLAB-miljøet. Disse parametrene er avgjørende for å stille inn visningshastigheten for 3D-volumet. For eksempeldataene som ble brukt i denne studien, var stykketykkelsen 1 mm, pikselavstanden var 0,5 mm, og totalt 200 lag ble skannet.
- Korrigere sorteringen av de skannede dataene
MERK: Sekvensen til hvert bilde skal sorteres for volumkonstruksjon.- Les posisjonsdataene for hvert bilde ved hjelp av funksjonen Dicominfo. Få tak i plasseringen ved å legge inn info. SliceLocation inn i MATLAB-arbeidsområdet.
- Implementer SliceLocation-funksjonen til å lagre lokasjonsmatrisen for en variabel, og lage et plott av den (figur 1).
- Ved å bruke Datatips-knappen øverst til høyre i GUI-en, legger du til et datatips i plottet på punktet som representerer den maksimale plasseringsverdien for normalsekvensen (den øverste plasseringen for pasientavbildningen; Figur 1).
- Sorter alle bildene, og trekk ut bildene fra 1 til maksimal plasseringsverdi ved å implementere funksjonen VolumeResort.
- Lagre volumene til de gyldige bildene med den sorterte indeksen, noe som vil være nyttig for å spore tilbake til de viktige knutene.
- Inspeksjon av thoraxvolumet
MERK: Å ha en veldefinert datalagringsstruktur gjør oppfølgingsarbeidet mer praktisk.- Implementer VolumeInspect-funksjonen for å vise tre visninger av det konstruerte volumet. Dra trådkorsskjæringspunktet opp og ned i koronalaksen for raskt å bla gjennom alle bildene i den vannrette aksen (figur 2).
- Flytt trådkorset til den vannrette aksen for å bla gjennom alle bildene i koronalaksen. Trådkorset er i de samme romlige koordinatene i 3D-volumet; Derfor, hvis du flytter den på en akse, endres plasseringen av bildene i de to andre aksene.
- For VolumeInspect-funksjonen , bruk standard intensitetsvindu for lungen i GUI. Juster den faktiske filterytelsen ved å holde venstre museknapp og dra i aksen.
2. Digital modell for horisontal 3D-rekonstruksjon
MERK: Den 3Dlung_Horizon delprosessen utfører en grundig undersøkelse av lungeknuter fra et horisontalt perspektiv.
- Implementer Build_3Dlung_Horizon-funksjonen på MATLAB-arbeidsplassen for å rekonstruere den digitale 3D-modellen av lungeknutene under lungevinduet, og åpne deretter GUI-en for å sjekke den horisontale 3D-modellen (figur 3).
- I motsetning til i trinn 1.3.2 er GUI i figur 3 en kontinuerlig 3D-lungestruktur der ulike typer lungeknuter og deres relative romlige forhold til lungevevet kan ses tydelig. Når du drar rullefeltet på GUI med musen, kan den kontinuerlige 3D-lungestrukturen observeres.
- Øvre høyre hjørne av GUI-en i figur 3 inneholder ikoner for å zoome inn, zoome ut, gå tilbake til den globale visningen og markere koordinatene til det valgte bildepunktet. Bruk zoomfunksjonen til å observere de lokale egenskapene til lesjonene og sende ut relevante 3D-strukturelle utgangsbilder. Bruk knappen Merk bildepunktkoordinater til å beregne avstanden mellom to punkter for å måle størrelsen på knutene.
- Standard fargelinje er jetfargekartet, som betyr at blått til rødt representerer verdier fra lav til høy. Høyreklikk Color Bar i hurtigmenyen for å velge den vanlige grå fargekartet og tilbakestille hele GUI.
- Hvis filtervinduet ikke er fornøyd, bruk venstre museknapp til å dra opp og ned midt på figuren for å justere vindusnivået. Dra til venstre og høyre for å justere vindusbredden, og det tilsvarende nøyaktige filtreringsområdet vises på fargelinjen.
3. Konstruere en 3D digital modell for en bestemt knute
MERK: Stykketallet er en parameter for funksjonen 3D_Nodules, som rekonstruerer en digital 3D-modell som kan ses fra alle perspektiver.
- For å bestemme stykkenummeret, som i figur 3, sjekk øverst til høyre på rullefeltet; i figur 3 er stykketallet 70. Bruk funksjonen Build_3D_Nodules med to parametere, inkludert stykkenummeret og thoraxvolumet opprettet i trinn 1.3, for å rekonstruere en digital 3D-modell for spesifikke knuter. Dette er en brukerdefinert modell, siden stykkenummeret for inndata er variabelt og avhenger av brukeren.
- Hvis den Build_3D_Nodules funksjonen utføres riktig, kan brukeren sjekke lungeknuten som ligger i et bestemt stykkenummer fra forskjellige perspektiver i popup-GUIen (figur 4). For å gjøre dette, utfør følgende handlinger:
- Trykk og hold venstre museknapp, som i midten av figur 4, og dra den i hvilken som helst retning for å endre perspektivet til lungeknutene. Det skal bemerkes at observasjonsvinkelen skal ta hensyn til de anatomiske hensynene og forsøke å vise både de medisinske egenskapene til lungeknutene og forholdet mellom knutene og det omkringliggende vevet.
- Bruk zoom- og flytteikonene øverst til høyre, som vist i figur 3. I tillegg, ved å rulle den midterste museknappen, kan brukeren kontinuerlig zoome inn eller zoome ut av visningen av modellen.
- GUI-en i figur 4 viser koordinatindikasjonen til modellen i nedre venstre hjørne, der den positive retningen på z-aksen er skanneretningen i horisontal posisjon. Implementer skjermbildeverktøyet fra operativsystemet for å lagre den nødvendige 3D-projeksjonen av knutene.
4. Digital modell av en koronal 3D-rekonstruksjon
MERK: Den Build_3Dlung_Coronal delprosessen utføres for å evaluere lungeknuter fra et alternativt koronalt perspektiv, og hjelper dermed klinikere og pasienter med å utvikle en mer presis og inkluderende forståelse av plasseringen og egenskapene til knutene.
- Implementer Build_3Dlung_Coronal-funksjonen på MATLAB-arbeidsplassen for å rekonstruere den digitale 3D-modellen av lungeknuter under lungevinduet, og åpne deretter GUI-en, som forberedt av funksjonen, for å sjekke koronal 3D-modellen (figur 5).
- GUI i figur 5 viser en kontinuerlig koronal 3D-lungestruktur der ulike typer lungeknuter og deres relative romlige forhold til lungevevet kan ses tydelig. Dra rullefeltet på GUI med musen for å observere den kontinuerlige koronale 3D-lungestrukturen.
- Øverst til høyre i GUI-en, som vist i figur 5, inneholder også ikoner for å zoome inn, zoome ut, gå tilbake til den globale visningen og markere koordinatene til det valgte bildepunktet. Bruk disse funksjonene til å observere de lokale egenskapene til lesjonene og for å generere relevante 3D-strukturelle bilder. Merk pikselkoordinatene for å beregne avstanden mellom to punkter, som ofte brukes til å måle størrelsen på knutene.
- Standard fargelinje er jetfargekartet, der fargene fra blått til rødt representerer verdier fra lav til høy. Høyreklikk fargelinjen på hurtigmenyen for å velge den vanlige grå fargekartet og tilbakestille hele GUI-en.
- Hvis filtervinduet ikke passer, bruk venstre museknapp til å dra opp og ned midt på figuren for å justere vindusnivået. Dra til venstre og høyre for å justere vindusbredden, og det tilsvarende nøyaktige filtreringsområdet vises på fargelinjen.
5. Utgang 3D-video for dominerende lungeknuter
MERK: Konvertering av den optimale digitale 3D-modellen av en lungeknute til en dynamisk 3D-video gjør det mulig for leger og pasienter å bedre forstå tilstanden og gjøre nøyaktige vurderinger, noe som er spesielt viktig for å formulere effektive behandlingsplaner.
- Forbered den nødvendige digitale 3D-modellen i arbeidsområdet og forhåndsvisualiser de relative romlige forholdene mellom lungeknutene og lungevevet som skal vises fra forskjellige vinkler (figur 3 og figur 4).
- I denne studien ble Adobe Captivate 2019 brukt til å registrere alle GUI-samhandlingsprosessene. For å begynne, åpne programvaren og lag et nytt skjermopptaksprosjekt. Slå av kameraet, og boksen for rødt skjermopptaksområde dukker opp for bare å ta opp skjermoperasjonen. I denne studien ble versjon 5.1 GUI inkludert i boksen. Klikk på opptaksknappen for å betjene GUI-en, og generere en digital videofil av skjermopptaket.
- Etter å ha registrert den dynamiske visningen av lungeknutene, gå tilbake til driftsmiljøet til programvaren ved å klikke på ikonet på oppgavelinjen.
- Ved å bruke videopubliseringsfunksjonen lagrer du den innspilte dynamiske videoen av den digitale 3D-modellen av lungeknutene. Klikk på Fil > Distribuer og konfigurer fillagringsbanen. Navngi filen, og lagre ønsket digital videofil.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
For å gjøre metoden anvendelig på et bredere spekter av enheter, må stablingsrekkefølgen for hver skanning omorganiseres basert på de interne koordinatene til DICOM-filsystemet (figur 1) for å generere riktig 3D-volum (figur 2). Basert på nøyaktige volumdata benyttet vi algoritmisk kontinuerlig rekonstruksjon av pasientens horisontale lunge- og koronale MIP (figur 4 og figur 5) for presis diagnostikk og behandling av pasientens lungeknuter.
DICOM-data fra forskjellige enheter sorteres vanligvis ikke i riktig rekkefølge fra lav til høy langs pasientens anatomiske posisjon. For modellrekonstruksjon må imidlertid hvert bilde sorteres i lav til høy rekkefølge fremover. Figur 1 viser ikke bare den typiske fordelingen av DICOM-sekvensposisjoner, men også for GUI-interaksjon som er nødvendig for å bestemme posisjonsgrensene for bildesekvensen. Dette trinnet er en viktig del av dataforberedelsen i modellrekonstruksjonsprosessen.
Figur 2 representerer i hovedsak de tre visningene av 3D-volumet av hele lungen i aksiale, koronale og sagittale plan. Hvis tidligere dataforberedelse og volumberegning er korrekte, kan lungebildene i hver visning vises, som i figur 2. Dette grafiske brukergrensesnittet tillater også filtrering på vindusnivå ved å dra musen for å vise bildene på forskjellige vindusnivåer. Det underliggende volumet, som vist i figur 2, tjener som datagrunnlag for 3D-modellrekonstruksjon.
Figur 3 viser de kontinuerlige 3D-rekonstruksjonsresultatene i aksialvisningen. I denne GUI kan legen observere pasientens lungestruktur kontinuerlig langs aksialvisningen, raskt lokalisere lungeknuter og observere forholdet mellom knutene og det omkringliggende lungevevvet. Som vist i figur 3 kan operasjoner som lokal forstørrelse av knutevisninger, gjenoppretting av vindusnivået og merking av pikselposisjoner også utføres. Fargelinjen viser farger som tilsvarer de ulike intensitetsverdiene i bildet.
GUI-en vist i figur 4 gir leger muligheten til å observere de interesserte lungeknutene fra ethvert perspektiv.
Figur 5 viser de kontinuerlige 3D-rekonstruksjonsresultatene i koronalvisningen. I dette GUI-et kan legen observere pasientens lungestruktur kontinuerlig langs koronalvisningen, raskt lokalisere lungeknuter og observere forholdet mellom knutene og det omkringliggende lungevevvet. Som vist i figur 5 kan operasjoner som lokal forstørrelse av knutevisninger, gjenoppretting av vindusnivået og merking av pikselposisjoner også utføres. Fargelinjen viser farger som tilsvarer de ulike intensitetsverdiene i bildet.
Figur 1: Plottet for bildeplasseringen i henhold til filnavnsekvensen. Figuren viser den typiske fordelingen av DICOM-sekvensposisjoner og indikerer GUI-interaksjonen som er nødvendig for å bestemme posisjonsgrensene for bildesekvensen. Klikk her for å se en større versjon av denne figuren.
Figur 2: GUI av tre visninger av pulmonalt 3D-volum. Figuren representerer de tre visningene av 3D-volumet av hele lungen i aksiale, koronale og sagittale plan. Hvis tidligere dataforberedelse og volumberegning er riktig, kan lungebilder i hver visning vises. Klikk her for å se en større versjon av denne figuren.
Figur 3: GUI for kontroll av lungeknuter fra horisontal visning. Figuren viser de kontinuerlige 3D-rekonstruksjonsresultatene i aksialvisningen. Legen kan observere pasientens lungestruktur kontinuerlig langs aksialvisningen, lokalisere lungeknuter og observere forholdet mellom knutene og det omkringliggende lungevevvet. Fargene på fargelinjen tilsvarer ulike intensitetsverdier i bildet. Klikk her for å se en større versjon av denne figuren.
Figur 4: Kontrollere den digitale 3D-modellen av en spesifikk lungeknute. GUI lar brukeren observere lungeknutene av interesse fra ethvert perspektiv. Klikk her for å se en større versjon av denne figuren.
Figur 5: GUI for kontroll av lungeknuter fra koronalvisning. Figuren viser de kontinuerlige 3D-rekonstruksjonsresultatene i koronavisningen. I dette GUI-et kan legen observere pasientens lungestruktur kontinuerlig langs koronalvisningen, raskt lokalisere lungeknuter og observere forholdet mellom knutene og det omkringliggende lungevevvet. Fargene på fargelinjen tilsvarer ulike intensitetsverdier i bildet. Klikk her for å se en større versjon av denne figuren.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Ulike LDCT-enheter har betydelige forskjeller i DICOM-bildesekvensene de sender ut, spesielt når det gjelder filsystemadministrasjon. Derfor, for å rekonstruere den viktigste 3D digitale modellen av en lungeknute i de senere stadiene av protokollen, er databehandlingstrinnet spesielt viktig. I dataforberedelses- og forbehandlingsfasen (trinn 1.2.2) kan sekvens z-aksekoordinaten sorteres riktig ved hjelp av sekvensen vist i figur 1, som også kan brukes til å ordne riktig bilderekkefølge som kreves for modellering og generere riktig 3D-volum for det påfølgende modelleringsarbeidet. 3D-rekonstruksjonene (trinn 2.1 og trinn 4.1) i horisontal og koronal akse gir leger og pasienter dobbeltsjekk av lungeknuter fra de to mest brukte perspektivene. Å oppdage knuter og presentere deres romlige egenskaper og forhold til lungevevvet, spesielt med lungearteriene, og bruke programvareverktøy er avgjørende for sykdomsdiagnose og behandlingsplanformulering. Når det gjelder lege-pasient-kommunikasjon, er en god 3D-dynamisk video (trinn 5.2) et utmerket kommunikasjonsverktøy som støtter pasienter til å forstå sin egen tilstand og prognose.
Når man diskuterer de kliniske og forskningsscenariene i denne studien, er et viktig spørsmål som må tas opp, hvordan man kan gi en klar og omfattende forståelse av lungeknuter under behandling til både spesialiserte leger og pasienter. Vanligvis bringer pasienter undersøkelsesresultater fra forskjellige enheter og historiske perioder til sine leger, og i mangel av støtte fra en radiolog, må leger gjøre nøyaktige vurderinger om størrelsen, plasseringen og egenskapene til pasientens lungeknuter for å gi passende behandlingsplaner. Pasienter, derimot, må effektivt forstå og spore utviklingsstatus og behandlingseffekter av sine egne lungeknuter. Derfor, enten saken krever forståelse av CT-data fra forskjellige enheter og tider, bygge bro over gapet mellom radiologer og spesialiserte leger, eller bistå bedre lege-pasientkommunikasjon, gir denne studien en ideell løsning og tekniske midler for å takle disse scenariene.
Selv om dagens verktøy har vist fremragende ytelse i 3D-modellering og funksjonsvisualisering av lungeknuter, er det fortsatt rom for utvikling og forbedring. For det første kan det utvikles et GUI med gjensidig indeksering mellom 2D-tri-visninger og 3D-modeller for å lette kryssvalidering av de to perspektivene. For det andre er kontinuerlige 3D-modeller fra vilkårlige synsvinkler også verdt å videreutvikle. For det tredje er integrering av langsiktig sporing og styring av pasientbehandlingsplaner og prognoser også en viktig retning for evolusjon, da dette vil være nyttig for en komplett medisinsk bildeløsning innen lungeknuter.
På grunn av kravet om maskinlæring for å produsere et stort antall konsistente medisinske bildesekvensprøver av forskjellige typer lungeknuter13 og den betydelige skalaen av AI-datakraft, er det ennå ikke mulig å gjenkjenne og automatisk klassifisere lungeknuter basert på 3D-volumfunksjoner14,15. Dette er en forskningsretning som det fortsatt vil bli fokusert på i de senere stadiene av dette arbeidet.
Betydningen av denne studien ligger i å gi en kontinuerlig 3D digital modell for diagnostisering og behandling av lungeknuter. Leger og pasienter kan bedre forstå tilstanden og gjøre mer rasjonelle vurderinger ved å observere egenskapene til knuter fra ulike perspektiver i 3D-rom, noe som også er av viktig referanseverdi for prognoseevalueringen av knutene. På grunnlag av eksisterende arbeid kan dyp maskinlæring innføres for å klassifisere lungeknuter fra et mer flerdimensjonalt perspektiv. Gjennom bruk av kliniske behandlingstilfeller kunne effekten av legemidler og andre behandlinger spores ved hjelp av denne metoden for å gi et stadig mer nøyaktig kvantitativt grunnlag for prognoseevaluering av lungeknuter.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Programvareverktøyet for rekonstruksjon av lungeknutemodeller, PulmonaryNodule, er kommersiell programvare fra Beijing Intelligent Entropy Science & Technology Co Ltd. De immaterielle rettighetene til dette programvareverktøyet tilhører selskapet. Forfatterne har ingen interessekonflikter å opplyse.
Acknowledgments
Denne publikasjonen ble støttet av Fifth National Traditional Chinese Medicine Clinical Excellent Talents Research Program organisert av 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).
