Цифровая 3D-модель для диагностики и лечения легочных узлов
Summary
Целью данного исследования является разработка новой цифровой 3D-модели легочных узелков, которая служит коммуникационным мостом между врачами и пациентами, а также является передовым инструментом для предварительной диагностики и прогностической оценки.
Abstract
Трехмерная (3D) реконструкция легочных узелков с использованием медицинских изображений представила новые технические подходы к диагностике и лечению легочных узелков, и эти подходы постепенно признаются и принимаются врачами и пациентами. Тем не менее, построение относительно универсальной цифровой 3D-модели легочных узелков для диагностики и лечения является сложной задачей из-за различий в устройствах, времени съемки и типов узелков. Целью данного исследования является предложение новой цифровой 3D-модели легочных узелков, которая служит мостом между врачами и пациентами, а также является передовым инструментом для предварительной диагностики и прогностической оценки. Многие методы обнаружения и распознавания легочных узелков, основанные на искусственном интеллекте, используют методы глубокого обучения для определения рентгенологических особенностей легочных узелков, и эти методы могут обеспечить хорошую производительность области под кривой (AUC). Тем не менее, ложноположительные и ложноотрицательные результаты остаются проблемой для радиологов и клиницистов. Интерпретация и выражение признаков с точки зрения классификации и исследования легочных узлов по-прежнему неудовлетворительны. В данном исследовании предложен метод непрерывной 3D-реконструкции всего легкого в горизонтальном и корональном положениях путем объединения существующих технологий обработки медицинских изображений. По сравнению с другими применимыми методами, этот метод позволяет пользователям быстро обнаруживать легочные узелки и идентифицировать их основные свойства, а также наблюдать легочные узелки с разных точек зрения, тем самым обеспечивая более эффективный клинический инструмент для диагностики и лечения легочных узелков.
Introduction
Общая частота легочных узелков варьируется, но, по общему мнению, около 30% взрослых имеют по крайней мере один легочный узел, видимый на рентгенограммахгрудной клетки 1. Частота легочных узелков выше в определенных группах населения, таких как заядлые курильщики и люди с раком легких или другими заболеваниями легких в анамнезе. Важно отметить, что не все легочные узелки являются злокачественными, но для исключения злокачественного новообразования2 необходима тщательная оценка. Раннее выявление и диагностика рака легких имеют решающее значение для повышения выживаемости, и регулярный скрининг с помощью низкодозной компьютерной томографии (LDCT) рекомендуется для лиц с высоким риском. Многие методы обнаружения и распознавания легочных узелков, основанные на искусственном интеллекте 3,4,5,6,7, используют методы глубокого обучения для фиксации рентгенологических особенностей легочных узелков, и эти методы могут обеспечить хорошую площадь под кривой (AUC). Тем не менее, ложноположительные и ложноотрицательные результаты остаются проблемой для радиологов и клиницистов. Интерпретация и выражение признаков с точки зрения классификации и исследования легочных узлов по-прежнему неудовлетворительны. В то же время 3D-реконструкция легочных узелков на основе LDCT привлекает все большее внимание в качестве цифровой модели для различных типов узелков.
3D-реконструкция легочных узелков — это процесс, который генерирует 3D-представление небольшого нароста или комка в легком. Этот процесс обычно включает в себя применение методов анализа медицинских изображений, которые используют как медицинский опыт, так и подходы к анализу данных. Полученная цифровая 3D-модель предлагает более подробное и точное изображение узелка, что позволяет улучшить визуализацию и анализ его размера, формы и пространственных отношений с окружающими тканямилегких 8,9,10,11,12. Такая информация может помочь в диагностике и мониторинге легочных узелков, особенно с подозрением на рак. Облегчая более точный анализ, 3D-реконструкция легочных узелков может повысить точность диагностики и обоснование решений о лечении.
Проекция максимальной интенсивности (MIP) является популярным методом в области 3D-реконструкции легочных узелков и используется для создания 2D-проекции 3D-изображения 8,9,10,11,12 Это особенно полезно при визуализации объемных данных, извлеченных из файлов цифровых изображений и коммуникаций в медицине (DICOM), отсканированных с помощью КТ. Метод MIP работает путем выбора вокселей (наименьших единиц объемных данных 3D) с наибольшей интенсивностью вдоль направления просмотра и проецирования их на 2D-плоскость. В результате получается 2D-изображение, которое подчеркивает структуры с наибольшей интенсивностью и подавляет структуры с более низкой интенсивностью, что облегчает идентификацию и анализ соответствующих особенностей 9,10,11,12. Тем не менее, MIP не лишен ограничений. Например, процесс проецирования может привести к потере информации, и результирующее 2D-изображение может неточно представлять 3D-структуру базового объекта. Тем не менее, MIP остается ценным инструментом для медицинской визуализации и визуализации, и его использование продолжает развиваться с развитием технологий и вычислительных мощностей11.
В этом исследовании разработана последовательная модель MIP для визуализации легочных узелков, которая проста в использовании, удобна для радиологов, врачей и пациентов и позволяет идентифицировать и оценивать свойства легочных узелков. Основные преимущества этого подхода к обработке включают следующие аспекты: (1) устранение ложноположительных и ложноотрицательных результатов, возникающих в результате распознавания образов, что позволяет сосредоточиться на оказании помощи врачам в получении более полной информации о расположении, форме и 3D-размере легочных узелков, а также об их связи с окружающей сосудистой сетью; (2) предоставление врачам-специалистам возможности получить профессиональные знания о характеристиках легочных узелков даже без помощи радиологов; и (3) повышение эффективности коммуникации между врачами и пациентами и оценка прогноза.
Protocol
Representative Results
Discussion
Различные устройства LDCT имеют существенные различия в последовательностях выводимых изображений DICOM, особенно с точки зрения управления файловой системой. Поэтому для восстановления ключевой цифровой 3D-модели легочного узла на более поздних стадиях протокола особенно важен этап пре…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Эта публикация была поддержана Пятой национальной программой клинических исследований талантов традиционной китайской медицины, организованной Национальным управлением традиционной китайской медицины (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).
