Summary

Modelo Digital 3D para Diagnóstico e Tratamento de Nódulos Pulmonares

Published: May 19, 2023
doi:

Summary

O objetivo deste estudo é desenvolver um novo modelo digital 3D de nódulos pulmonares que sirva como ponte de comunicação entre médicos e pacientes e seja também uma ferramenta de ponta para avaliação pré-diagnóstica e prognóstica.

Abstract

A reconstrução tridimensional (3D) de nódulos pulmonares por meio de imagens médicas introduziu novas abordagens técnicas para o diagnóstico e tratamento de nódulos pulmonares, e essas abordagens estão sendo progressivamente reconhecidas e adotadas por médicos e pacientes. No entanto, a construção de um modelo digital 3D relativamente universal de nódulos pulmonares para diagnóstico e tratamento é um desafio devido às diferenças de dispositivos, tempos de disparo e tipos de nódulos. O objetivo deste estudo é propor um novo modelo digital 3D de nódulos pulmonares que sirva de ponte entre médicos e pacientes e seja também uma ferramenta de ponta para avaliação pré-diagnóstica e prognóstica. Muitos métodos de detecção e reconhecimento de nódulos pulmonares guiados por IA empregam técnicas de aprendizado profundo para capturar as características radiológicas dos nódulos pulmonares, e esses métodos podem alcançar um bom desempenho de área abaixo da curva (AUC). No entanto, falsos positivos e falsos negativos continuam sendo um desafio para radiologistas e clínicos. A interpretação e a expressão das características do ponto de vista da classificação e do exame dos nódulos pulmonares ainda são insatisfatórias. Neste estudo, um método de reconstrução contínua 3D de todo o pulmão em posições horizontal e coronal é proposto combinando as tecnologias de processamento de imagens médicas existentes. Comparado com outros métodos aplicáveis, este método permite localizar rapidamente os nódulos pulmonares e identificar suas propriedades fundamentais, ao mesmo tempo em que observa os nódulos pulmonares sob múltiplas perspectivas, fornecendo assim uma ferramenta clínica mais eficaz para o diagnóstico e tratamento de nódulos pulmonares.

Introduction

A incidência global de nódulos pulmonares é variável, mas geralmente estima-se que cerca de 30% dos adultos tenham pelo menos um nódulo pulmonar visível nas radiografias detórax1. A incidência de nódulos pulmonares é maior em populações específicas, como fumantes pesados e aqueles com história de câncer de pulmão ou outras doenças pulmonares. É importante ressaltar que nem todos os nódulos pulmonares são malignos, mas uma avaliação completa é necessária para descartarmalignidade2. A detecção e o diagnóstico precoces do câncer de pulmão são cruciais para melhorar as taxas de sobrevida, e o rastreamento regular com tomografia computadorizada de baixa dose (TCLD) é recomendado para indivíduos de alto risco. Muitos métodos de detecção e reconhecimento de nódulos pulmonares guiados por IA3,4,5,6,7 empregam técnicas de aprendizado profundo para capturar as características radiológicas dos nódulos pulmonares, e esses métodos podem alcançar um bom desempenho na área sob a curva (AUC). No entanto, falsos positivos e falsos negativos continuam sendo um desafio para radiologistas e clínicos. A interpretação e a expressão das características do ponto de vista da classificação e do exame dos nódulos pulmonares ainda são insatisfatórias. Ao mesmo tempo, a reconstrução 3D de nódulos pulmonares baseada na TCLD tem ganhado cada vez mais atenção como modelo digital para vários tipos de nódulos.

A reconstrução 3D de nódulos pulmonares é um processo que gera uma representação 3D de um pequeno crescimento ou caroço no pulmão. Esse processo normalmente envolve a aplicação de técnicas de análise de imagens médicas que aproveitam a perícia médica e as abordagens de inteligência de dados. O modelo digital 3D resultante oferece uma representação mais detalhada e precisa do nódulo, permitindo melhor visualização e análise de seu tamanho, forma e relação espacial com os tecidos pulmonarescircundantes 8,9,10,11,12. Essas informações podem auxiliar no diagnóstico e monitoramento de nódulos pulmonares, principalmente aqueles com suspeita de câncer. Ao facilitar análises mais precisas, a reconstrução 3D de nódulos pulmonares tem o potencial de aumentar a acurácia do diagnóstico e informar decisões terapêuticas.

A projeção de intensidade máxima (MIP) é uma técnica popular no campo da reconstrução 3D de nódulos pulmonares e é usada para criar uma projeção 2D de uma imagem 3D 8,9,10,11,12 É particularmente útil na visualização de dados volumétricos extraídos de arquivos de imagem digital e comunicações em medicina (DICOM) digitalizados por TC. A técnica MIP funciona selecionando os voxels (as menores unidades de dados de volume 3D) com a maior intensidade ao longo da direção de visualização e projetando-os em um plano 2D. Isso resulta em uma imagem 2D que enfatiza as estruturas de maior intensidade e suprime aquelas de menor intensidade, o que facilita a identificação e análise de características relevantes 9,10,11,12. No entanto, a PImáx não está isenta de limitações. Por exemplo, o processo de projeção pode resultar em uma perda de informações, e a imagem 2D resultante pode não representar com precisão a estrutura 3D do objeto subjacente. No entanto, a MIP continua sendo uma ferramenta valiosa para imagens médicas e visualização, e seu uso continua a evoluir com os avanços da tecnologia e do poder computacional11.

Neste estudo, desenvolve-se um modelo sucessivo de PImáx para visualização de nódulos pulmonares, de fácil utilização, fácil de usar para radiologistas, médicos e pacientes, e que permite identificar e estimar as propriedades dos nódulos pulmonares. As principais vantagens dessa abordagem de processamento incluem os seguintes aspectos: (1) eliminação de falsos positivos e falsos negativos decorrentes do reconhecimento de padrões, o que permite um foco no auxílio médico para obter informações mais abrangentes sobre a localização, forma e tamanho 3D dos nódulos pulmonares, bem como sua relação com a vasculatura circundante; (2) capacitar os médicos especialistas para o conhecimento profissional das características dos nódulos pulmonares, mesmo sem o auxílio de radiologistas; e (3) melhorar a eficiência da comunicação entre médicos e pacientes e a avaliação prognóstica.

Protocol

NOTA: Durante o estágio de pré-processamento de dados, os dados DICOM originais devem ser classificados e interceptados para garantir a compatibilidade com vários dispositivos e resultados consistentes. A capacidade ajustável adequada deve ser reservada para o processamento da intensidade, e uma perspectiva 3D contínua é essencial para a observação. Neste protocolo, uma descrição metódica da abordagem de pesquisa é fornecida, detalhando um caso envolvendo uma paciente de 84 anos com nódulos pulmonares. Esta …

Representative Results

Para tornar o método aplicável a uma gama maior de dispositivos, a ordem de empilhamento de cada varredura precisa ser reorganizada com base nas coordenadas internas do sistema de arquivos DICOM (Figura 1) para gerar o volume 3D correto (Figura 2). Com base nos dados precisos de volume, utilizamos a reconstrução contínua algorítmica das PIMs horizontais e coronais do pulmão (Figura 4 e Figura 5) …

Discussion

Diferentes dispositivos LDCT têm diferenças significativas nas sequências de imagens DICOM que produzem, especialmente em termos de gerenciamento do sistema de arquivos. Portanto, para reconstruir o modelo digital 3D chave de um nódulo pulmonar nos estágios mais avançados do protocolo, a etapa de pré-processamento de dados é particularmente importante. Na etapa de preparação e pré-processamento dos dados (etapa 1.2.2), a coordenada do eixo z da sequência pode ser classificada corretamente usando a sequência …

Disclosures

The authors have nothing to disclose.

Acknowledgements

Esta publicação foi apoiada pelo Quinto Programa Nacional de Pesquisa de Talentos Excelentes Clínicos de Medicina Tradicional Chinesa, organizado pela Administração Nacional de Medicina Tradicional Chinesa (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

  1. Mazzone, P. J., Lam, L. Evaluating the patient with a pulmonary nodule: A review. JAMA. 327 (3), 264-273 (2022).
  2. 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).
  3. 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).
  4. 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).
  5. Christe, A., et al. Computer-aided diagnosis of pulmonary fibrosis using deep learning and CT images. Investigative Radiology. 54 (10), 627-632 (2019).
  6. 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).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. 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).
  15. 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).

Play Video

Cite This Article
Xue, J., Xing, F., Liu, Y., Liang, T. A 3D Digital Model for the Diagnosis and Treatment of Pulmonary Nodules. J. Vis. Exp. (195), e65423, doi:10.3791/65423 (2023).

View Video