Summary
Syftet med denna studie är att utveckla en ny digital 3D-modell av lungknutor som fungerar som en kommunikationsbrygga mellan läkare och patienter och är också ett banbrytande verktyg för fördiagnos och prognostisk utvärdering.
Abstract
Den tredimensionella (3D) rekonstruktionen av lungknutor med hjälp av medicinska bilder har introducerat nya tekniska metoder för att diagnostisera och behandla lungknutor, och dessa tillvägagångssätt erkänns och antas gradvis av läkare och patienter. Ändå är det utmanande att konstruera en relativt universell 3D-digital modell av lungnoduler för diagnos och behandling på grund av enhetsskillnader, fotograferingstider och knöltyper. Syftet med denna studie är att föreslå en ny digital 3D-modell av lungknutor som fungerar som en bro mellan läkare och patienter och är också ett banbrytande verktyg för fördiagnos och prognostisk utvärdering. Många AI-drivna metoder för detektering och igenkänning av lungnoduler använder djupinlärningstekniker för att fånga de radiologiska egenskaperna hos lungknutor, och dessa metoder kan uppnå en bra AUC-prestanda (Area Under-the-Curve). Falska positiva och falska negativa är dock fortfarande en utmaning för radiologer och kliniker. Tolkningen och uttrycket av funktioner ur perspektivet av pulmonell nodulklassificering och undersökning är fortfarande otillfredsställande. I denna studie föreslås en metod för kontinuerlig 3D-rekonstruktion av hela lungan i horisontella och koronala positioner genom att kombinera befintliga medicinska bildbehandlingstekniker. Jämfört med andra tillämpliga metoder tillåter denna metod användare att snabbt lokalisera lungnoduler och identifiera deras grundläggande egenskaper samtidigt som de observerar lungnoduler från flera perspektiv, vilket ger ett effektivare kliniskt verktyg för att diagnostisera och behandla lungknutor.
Introduction
Den globala förekomsten av lungknutor varierar, men det uppskattas generellt att cirka 30% av vuxna har minst en lungknöl synlig på bröströntgenbilder1. Förekomsten av lungknutor är högre i specifika populationer, såsom tunga rökare och de med en historia av lungcancer eller andra lungsjukdomar. Det är viktigt att notera att inte alla lungnoduler är maligna, men en grundlig utvärdering är nödvändig för att utesluta malignitet2. Tidig upptäckt och diagnos av lungcancer är avgörande för att förbättra överlevnaden, och regelbunden screening med lågdos datortomografi (LDCT) rekommenderas för högriskindivider. Många AI-drivna metoder för detektering och igenkänning av lungknutor 3,4,5,6,7 använder djupinlärningstekniker för att fånga de radiologiska egenskaperna hos lungknutor, och dessa metoder kan uppnå bra AUC-prestanda (area under the curve). Falska positiva och falska negativa är dock fortfarande en utmaning för radiologer och kliniker. Tolkningen och uttrycket av funktioner ur perspektivet av pulmonell nodulklassificering och undersökning är fortfarande otillfredsställande. Samtidigt har 3D-rekonstruktionen av lungknutor baserade på LDCT fått allt större uppmärksamhet som digital modell för olika typer av knölar.
3D-rekonstruktionen av lungknutor är en process som genererar en 3D-representation av en liten tillväxt eller klump i lungan. Denna process involverar vanligtvis tillämpning av medicinska bildanalystekniker som utnyttjar både medicinsk expertis och dataintelligensmetoder. Den resulterande digitala 3D-modellen erbjuder en mer detaljerad och exakt bild av knölen, vilket möjliggör förbättrad visualisering och analys av dess storlek, form och rumsliga förhållande till de omgivande lungvävnaderna 8,9,10,11,12. Sådan information kan hjälpa till vid diagnos och övervakning av lungknutor, särskilt de som misstänks vara cancerösa. Genom att underlätta mer exakt analys har 3D-rekonstruktionen av lungknutor potential att förbättra diagnosens noggrannhet och informera behandlingsbeslut.
Maximal intensitetsprojektion (MIP) är en populär teknik inom 3D-rekonstruktion av lungknutor och används för att skapa en 2D-projektion av en 3D-bild 8,9,10,11,12 Det är särskilt användbart vid visualisering av volymetriska data extraherade från digital bildbehandling och kommunikation i medicin (DICOM) filer skannade av CT. MIP-tekniken fungerar genom att välja voxlar (de minsta enheterna av 3D-volymdata) med högsta intensitet längs visningsriktningen och projicera dem på ett 2D-plan. Detta resulterar i en 2D-bild som betonar strukturerna med högsta intensitet och undertrycker de med lägre intensitet, vilket gör det lättare att identifiera och analysera relevanta funktioner 9,10,11,12. MIP är dock inte utan begränsningar. Projektionsprocessen kan till exempel leda till förlust av information, och den resulterande 2D-bilden kanske inte korrekt representerar det underliggande objektets 3D-struktur. MIP är dock fortfarande ett värdefullt verktyg för medicinsk bildbehandling och visualisering, och dess användning fortsätter att utvecklas med framsteg inom teknik och datorkraft11.
I denna studie utvecklas en successiv MIP-modell för att visualisera lungknutor som är lätt att använda, användarvänlig för radiologer, läkare och patienter, och möjliggör identifiering och uppskattning av egenskaperna hos lungknutor. De främsta fördelarna med denna bearbetningsmetod inkluderar följande aspekter: (1) eliminera falska positiva och falska negativa som härrör från mönsterigenkänning, vilket möjliggör fokus på att hjälpa läkare att få mer omfattande information om placering, form och 3D-storlek av lungknutor, liksom deras förhållande till den omgivande vaskulaturen; 2) göra det möjligt för specialistläkare att uppnå yrkeskunskap om lungknutornas egenskaper även utan hjälp av radiologer, och (3) förbättra både kommunikationseffektiviteten mellan läkare och patienter och prognosutvärdering.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Under dataförbehandlingsfasen måste de ursprungliga DICOM-data sorteras och fångas upp för att säkerställa kompatibilitet med olika enheter och konsekventa resultat. Tillräcklig justerbar kapacitet måste reserveras för intensiv bearbetning, och ett kontinuerligt 3D-perspektiv är viktigt för observation. I detta protokoll ges en metodisk beskrivning av forskningsmetoden, som beskriver ett fall med en 84-årig kvinnlig patient som presenterar lungknutor. Denna patient gav informerat samtycke för sin diagnos via digital modellering och godkände användningen av hennes data för vetenskapliga forskningsändamål. Modellrekonstruktionsfunktionen härleds från programvaruverktyget PulmonaryNodule (se materialtabellen för detaljer). Etiskt godkännande erhölls från etikkommittén vid Dongzhimen Hospital, ansluten till Beijing University of Chinese Medicine (DZMEC-KY-2019.90).
1. Insamling och förberedelse av data
- LDCT-data för detektion av lungknutor
OBS: Skillnaderna i parametervärdena beror inte på vilken forskningsmetod som används.- Inhämta patientens samtycke för förvärv av DICOM-data. Överför alla data till den angivna arbetskatalogen.
- Identifiera datakatalogen med det högsta antalet skanningslager och den tunnaste lagertjockleken för att optimera noggrannheten baserat på filinformationen. I allmänhet gäller att ju fler DICOM-skanningsfiler en patient har, desto tunnare blir skanningsskiktets tjocklek.
- Genom att implementera Dicominfo-funktionen och använda DICOM-filerna som funktionsparametrar hämtar du segmenttjockleken och pixelavståndsparametrarna i MATLAB-miljön. Dessa parametrar är viktiga för att ställa in 3D-volymens visningshastighet. För exempeldata som användes i denna studie var segmenttjockleken 1 mm, pixelavståndet var 0,5 mm och totalt 200 lager skannades.
- Korrigera sorteringen av skannade data
OBS: Sekvensen för varje bild ska sorteras för volymkonstruktion.- Läs platsdata för varje bild med hjälp av funktionen Dicominfo. Hämta platsen genom att ange information. SliceLocation till MATLAB-arbetsytan.
- Implementera funktionen SliceLocation för att lagra platsmatrisen för en variabel och skapa ett diagram av den (bild 1).
- Genom att använda knappen Datatips längst upp till höger i det grafiska användargränssnittet lägger du till ett datatips i diagrammet på den punkt som representerar det maximala platsvärdet för den normala sekvensen (den översta platsen för patientavbildningen; Figur 1).
- Sortera alla bilder och extrahera bilderna från 1 till det maximala platsvärdet genom att implementera funktionen VolumeResort.
- Lagra volymerna för de giltiga bilderna med det sorterade indexet, vilket kommer att vara användbart för att spåra tillbaka till de viktiga knölarna.
- Inspektion av bröstkorgsvolymen
OBS: Att ha en väldefinierad datalagringsstruktur gör uppföljningsarbetet bekvämare.- Implementera funktionen VolumeInspect för att visa tre vyer av den konstruerade volymen. Dra hårkorsskärningspunkten uppåt och nedåt i koronalaxeln för att snabbt bläddra bland alla bilder i den horisontella axeln (figur 2).
- Flytta hårkorset till den horisontella axeln för att bläddra bland alla bilder i koronalaxeln. Hårkorset är i samma rumsliga koordinater i 3D-volymen; Om du flyttar den på en axel ändras därför platsen för bilderna i de andra två axlarna.
- För funktionen VolumeInspect använder du standardintensitetsfönstret för lungan i det grafiska användargränssnittet. Justera den faktiska filterprestandan genom att hålla vänster musknapp och dra i axeln.
2. Digital modell för horisontell 3D-rekonstruktion
OBS: Den 3Dlung_Horizon delprocessen utför en grundlig undersökning av lungknutor ur ett horisontellt perspektiv.
- Implementera Build_3Dlung_Horizon-funktionen på MATLAB-arbetsplatsen för att rekonstruera den digitala 3D-modellen av lungknutorna under lungans filterfönster och öppna sedan GUI för att kontrollera den horisontella 3D-modellen (figur 3).
- Till skillnad från i steg 1.3.2 är GUI i figur 3 en kontinuerlig 3D-lungstruktur där olika typer av lungknutor och deras relativa rumsliga relationer med lungvävnaden kan ses tydligt. När du drar rullningsfältet på GUI med musen kan den kontinuerliga 3D-lungstrukturen observeras.
- Det övre högra hörnet av det grafiska användargränssnittet i figur 3 innehåller ikoner för att zooma in, zooma ut, återgå till den globala vyn och markera koordinaterna för den valda pixeln. Använd zoomfunktionen för att observera de lokala egenskaperna hos lesionerna och mata ut relevanta 3D-strukturella utgångsbilder. Använd knappen Markera pixelkoordinater för att beräkna avståndet mellan två punkter för att mäta storleken på knölarna.
- Standardfärgstapeln är jetfärgkartan, vilket innebär att blått till rött representerar värden från låg till hög. Högerklicka på Färgfält i popup-menyn för att välja den vanliga grå färgkartan och återställa hela GUI.
- Om filterfönstret inte är nöjd, använd vänster musknapp för att dra upp och ner i mitten av figuren för att justera fönsternivån. Dra åt vänster och höger för att justera fönsterbredden, och motsvarande exakta filtreringsområde visas på färgfältet.
3. Konstruera en digital 3D-modell för någon specifik nodul
OBS: Segmentnumret är en parameter för funktionen 3D_Nodules, som rekonstruerar en digital 3D-modell som kan ses från alla perspektiv.
- För att bestämma segmentnumret, som i figur 3, kolla längst upp till höger i rullningslisten; I figur 3 är segmentnumret 70. Använd funktionen Build_3D_Nodules med två parametrar, inklusive segmentnumret och bröstvolymen som skapades i steg 1.3, för att rekonstruera en digital 3D-modell för specifika knölar. Det här är en användardefinierad modell eftersom indatasegmentnumret är variabelt och beror på användaren.
- Om Build_3D_Nodules-funktionen utförs korrekt kan användaren kontrollera lungnodulen som finns i ett visst skivnummer från olika perspektiv i popup-GUI (figur 4). Gör så här genom att utföra följande åtgärder:
- Håll ned vänster musknapp, som i mitten av figur 4, och dra den i valfri riktning för att ändra perspektivet på lungknutorna. Det bör noteras att observationsvinkeln bör ta hänsyn till de anatomiska övervägandena och försöka visa både de medicinska egenskaperna hos lungknutorna och förhållandet mellan knölarna och de omgivande vävnaderna.
- Använd zoom- och flyttikonerna i det övre högra hörnet, som i figur 3. Dessutom, genom att rulla den mellersta musknappen, kan användaren kontinuerligt zooma in eller zooma ut ur modellens vy.
- GUI i figur 4 visar modellens koordinatindikering i det nedre vänstra hörnet, där den positiva riktningen på z-axeln är skanningsriktningen i horisontellt läge. Implementera skärmdumpverktyget som tillhandahålls av operativsystemet för att spara den nödvändiga 3D-projektionen av knölarna.
4. Digital modell av en koronal 3D-rekonstruktion
OBS: Den Build_3Dlung_Coronal delprocessen utförs för att utvärdera lungknutor ur ett alternativt koronalt perspektiv, vilket hjälper kliniker och patienter att utveckla en mer exakt och inkluderande förståelse för nodulernas placering och attribut.
- Implementera Build_3Dlung_Coronal-funktionen på MATLAB-arbetsplatsen för att rekonstruera den digitala 3D-modellen av lungknutor under lungans filterfönster och öppna sedan GUI, som förberetts av funktionen, för att kontrollera koronal 3D-modellen (figur 5).
- GUI i figur 5 visar en kontinuerlig koronal 3D-lungstruktur där olika typer av lungknutor och deras relativa rumsliga relationer med lungvävnaden kan ses tydligt. Dra rullningslisten på GUI med musen för att observera den kontinuerliga koronala 3D-lungstrukturen.
- Det övre högra hörnet av GUI, som visas i figur 5, innehåller också ikoner för att zooma in, zooma ut, återgå till den globala vyn och markera koordinaterna för den valda pixeln. Använd dessa funktioner för att observera de lokala egenskaperna hos lesionerna och för att generera relevanta 3D-strukturella bilder. Markera pixelkoordinaterna för att beräkna avståndet mellan två punkter, som ofta används för att mäta storleken på knölarna.
- Standardfärgremsan är jetfärgkartan, där färgerna från blått till rött representerar värden från låg till hög. Högerklicka på färgremsan i popupmenyn för att välja den vanliga grå färgkartan och återställa hela GUI.
- Om filterfönstret inte är lämpligt, använd vänster musknapp för att dra upp och ner i mitten av figuren för att justera fönsternivån; Dra åt vänster och höger för att justera fönsterbredden, och motsvarande exakta filtreringsområde visas på färgfältet.
5. Utgång 3D-video för dominerande lungknutor
OBS: Att konvertera den optimala digitala 3D-modellen av en lungknöl till en dynamisk 3D-video gör det möjligt för läkare och patienter att bättre förstå tillståndet och göra korrekta bedömningar, vilket är särskilt viktigt för att formulera effektiva behandlingsplaner.
- I arbetsytan förbereder du den nödvändiga digitala 3D-modellen och visualiserar de relativa rumsliga relationerna mellan lungknutorna och lungvävnaden som ska visas från olika vinklar (figur 3 och figur 4).
- I denna studie användes Adobe Captivate 2019 för att registrera alla GUI-interaktionsprocesser. För att börja, öppna programvaran och skapa ett nytt skärminspelningsprojekt. Stäng av kameran och rutan för inspelningsområde för röd skärm dyker upp för inspelning endast av skärmoperationen. I denna studie inkluderades version 5.1 GUI i rutan. Klicka på inspelningsknappen för att använda GUI och generera en digital videofil av skärminspelningen.
- Efter inspelning av den dynamiska visningen av lungknutorna, återgå till programvarans driftsmiljö genom att klicka på ikonen i aktivitetsfältet.
- Genom att använda videopubliceringsfunktionen sparar du den inspelade dynamiska videon av den digitala 3D-modellen av lungknutorna. Klicka på Arkiv > Distribuera och konfigurera fillagringssökvägen. Namnge filen och spara önskad digital videofil.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
För att göra metoden tillämplig på ett större antal enheter måste staplingsordningen för varje genomsökning omorganiseras baserat på de interna koordinaterna för DICOM-filsystemet (bild 1) för att generera rätt 3D-volym (bild 2). Baserat på exakta volymdata använde vi algoritmisk kontinuerlig rekonstruktion av patientens lung horisontella och koronala MIP (figur 4 och figur 5) för exakt diagnos och behandling av patientens lungknutor.
DICOM-data från olika enheter sorteras vanligtvis inte i rätt ordning från låg till hög längs den anatomiska positionen hos patienten. För modellrekonstruktion måste dock varje bild sorteras i en låg till hög framåtriktad ordning. Figur 1 visar inte bara den typiska fördelningen av DICOM-sekvenspositioner utan även för GUI-interaktion som är nödvändig för att bestämma positionsgränserna för bildsekvensen. Detta steg är en viktig del av dataförberedelsen i modellrekonstruktionsprocessen.
Figur 2 representerar i huvudsak de tre vyerna av 3D-volymen för hela lungan i axiella, koronala och sagittala plan. Om föregående databeredning och volymberäkning är korrekta, kan lungbilderna i varje vy visas, som i figur 2. Detta GUI möjliggör också filtrering på fönsternivå genom att dra musen för att visa bilderna på olika fönsternivåer. Den underliggande volymen, som visas i figur 2, fungerar som databas för rekonstruktion av 3D-modeller.
Figur 3 visar de kontinuerliga 3D-rekonstruktionsresultaten i axiell vy. I detta GUI kan läkaren observera patientens lungstruktur kontinuerligt längs axiell vy, snabbt lokalisera lungknutor och observera förhållandet mellan knölarna och den omgivande lungvävnaden. Som visas i figur 3 kan operationer som lokal förstoring av nodulvyer, återställning av fönsternivån och markering av pixelpositioner också utföras. Färgremsan visar färger som motsvarar de olika intensitetsvärdena i bilden.
GUI som visas i figur 4 ger läkare möjlighet att observera de intresserade lungknutorna från vilket perspektiv som helst.
Figur 5 visar de kontinuerliga 3D-rekonstruktionsresultaten i koronalvyn. I detta GUI kan läkaren observera patientens lungstruktur kontinuerligt längs koronalvyn, snabbt lokalisera lungnoduler och observera förhållandet mellan knölarna och den omgivande lungvävnaden. Som visas i figur 5 kan operationer som lokal förstoring av nodulvyer, återställning av fönsternivån och markering av pixelpositioner också utföras. Färgremsan visar färger som motsvarar de olika intensitetsvärdena i bilden.
Figur 1: Bildplatsdiagrammet enligt filnamnssekvensen. Figuren visar den typiska fördelningen av DICOM-sekvenspositioner och anger den GUI-interaktion som krävs för att bestämma bildsekvensens positionsgränser. Klicka här för att se en större version av denna figur.
Figur 2: GUI för tre vyer av lung 3D-volymen. Figuren representerar de tre vyerna av 3D-volymen för hela lungan i axiella, koronala och sagittala plan. Om föregående databeredning och volymberäkning är korrekta kan lungbilder i varje vy visas. Klicka här för att se en större version av denna figur.
Figur 3: GUI för att kontrollera lungknutorna från en horisontell vy. Figuren visar de kontinuerliga 3D-rekonstruktionsresultaten i axiell vy. Läkaren kan observera patientens lungstruktur kontinuerligt längs den axiella vyn, lokalisera lungknutor och observera förhållandet mellan knölarna och den omgivande lungvävnaden. Färgerna i färgremsan motsvarar olika intensitetsvärden i bilden. Klicka här för att se en större version av denna figur.
Figur 4: Kontrollera den digitala 3D-modellen av en specifik lungknuta. GUI tillåter användaren att observera lungknutorna av intresse från vilket perspektiv som helst. Klicka här för att se en större version av denna figur.
Figur 5: GUI för att kontrollera lungknutorna från en koronal vy. Figuren visar de kontinuerliga 3D-rekonstruktionsresultaten i koronalvyn. I detta GUI kan läkaren observera patientens lungstruktur kontinuerligt längs koronalvyn, snabbt lokalisera lungnoduler och observera förhållandet mellan knölarna och den omgivande lungvävnaden. Färgerna i färgremsan motsvarar olika intensitetsvärden i bilden. Klicka här för att se en större version av denna figur.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Olika LDCT-enheter har betydande skillnader i DICOM-bildsekvenserna som de matar ut, särskilt när det gäller filsystemhantering. För att rekonstruera den digitala 3D-modellen av en lungknöl i de senare stadierna av protokollet är därför dataförbehandlingssteget särskilt viktigt. I dataförberedelse- och förbehandlingssteget (steg 1.2.2) kan sekvensen z-axelkoordinaten sorteras korrekt med hjälp av sekvensen som visas i figur 1, som också kan användas för att korrekt ordna rätt bildordning som krävs för modellering och generera rätt 3D-volym för det efterföljande modelleringsarbetet. 3D-rekonstruktionerna (steg 2.1 och steg 4.1) i de horisontella och koronala axlarna ger läkare och patienter dubbelkontroller av lungknutor från de två vanligaste perspektiven. Att upptäcka knölar och presentera deras rumsliga egenskaper och relationer med lungvävnaden, särskilt med lungartärerna, och använda mjukvaruverktyg är avgörande för sjukdomsdiagnos och behandlingsplan formulering. När det gäller kommunikation mellan läkare och patient är en bra dynamisk 3D-video (steg 5.2) ett utmärkt kommunikationsverktyg som hjälper patienter att förstå sitt eget tillstånd och prognos.
När man diskuterar de kliniska och forskningsscenarierna i denna studie är en viktig fråga som måste behandlas hur man ger en tydlig och omfattande förståelse av lungnoduler under behandling till både specialiserade läkare och patienter. Vanligtvis tar patienter undersökningsresultat från olika enheter och historiska perioder till sina läkare, och i avsaknad av stöd från en radiolog måste läkare göra exakta bedömningar om storleken, platsen och egenskaperna hos patientens lungnoduler för att tillhandahålla lämpliga behandlingsplaner. Patienter, å andra sidan, måste effektivt förstå och spåra utvecklingsstatus och behandlingseffekter av sina egna lungknutor. Därför, oavsett om fallet kräver förståelse av CT-data från olika enheter och tider, överbryggar klyftan mellan radiologer och specialiserade läkare eller hjälper till med bättre kommunikation mellan läkare och patient, ger denna studie en idealisk lösning och tekniska medel för att hantera dessa scenarier.
Även om nuvarande verktyg har visat enastående prestanda inom 3D-modellering och funktionsvisualisering av lungknutor, finns det fortfarande utrymme för utveckling och förbättring. För det första kan ett GUI med ömsesidig indexering mellan 2D-tri-vyer och 3D-modeller utvecklas för att underlätta korsvalidering av de två perspektiven. För det andra är kontinuerliga 3D-modeller från godtyckliga betraktningsvinklar också värda vidareutveckling. För det tredje är integrering av långsiktig spårning och hantering av patientbehandlingsplaner och prognoser också en viktig riktning för evolutionen, eftersom detta skulle vara användbart för en komplett medicinsk bildlösning inom lungknutor.
På grund av kravet på maskininlärning för att producera ett stort antal konsekventa medicinska bildsekvensprover av olika typer av lungknutor13 och den betydande omfattningen av AI-beräkningskraft är det ännu inte möjligt att känna igen och automatiskt klassificera lungnoduler baserat på 3D-volymfunktioner14,15. Detta är en forskningsinriktning som kommer att fortsätta att fokuseras på i de senare stadierna av detta arbete.
Betydelsen av denna studie ligger i att tillhandahålla en kontinuerlig digital 3D-modell för diagnos och behandling av lungknutor. Läkare och patienter kan bättre förstå tillståndet och göra mer rationella bedömningar genom att observera egenskaperna hos knölar från olika perspektiv i 3D-rymden, vilket också är av viktigt referensvärde för prognosutvärderingen av knölarna. På grundval av befintligt arbete kan djup maskininlärning introduceras för att klassificera lungknutor ur ett mer flerdimensionellt perspektiv. Genom användning av kliniska behandlingsfall kunde effekten av läkemedel och andra behandlingar spåras med hjälp av denna metod för att ge en alltmer exakt kvantitativ grund för prognosutvärderingen av lungknutor.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Programvaruverktyget för rekonstruktion av lungnodulmodell, PulmonaryNodule, är kommersiell programvara från Beijing Intelligent Entropy Science & Technology Co Ltd. De immateriella rättigheterna för detta programverktyg tillhör företaget. Författarna har inga intressekonflikter att avslöja.
Acknowledgments
Denna publikation stöddes av Fifth National Traditional Chinese Medicine Clinical Excellent Talents Research Program organiserat 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).
