Summary
이 연구는 초기 다발성 폐결절 환자의 폐 전체에 대한 3차원(3D) 재구성 방법을 소개합니다. 결절 분포 및 폐 조직과의 상호 작용에 대한 포괄적인 시각화를 제공하여 이러한 환자의 진단 및 예후 평가를 단순화합니다.
Abstract
초기 다발성 폐결절 환자의 경우 진단적 관점에서 폐 전체에 걸쳐 이러한 결절의 공간적 분포, 크기, 위치 및 주변 폐 조직과의 관계를 결정하는 것이 필수적입니다. 이는 원발성 병변을 식별하고 의사를 위해 보다 과학적으로 근거가 있는 치료 계획을 개발하는 데 매우 중요합니다. 그러나 머신 비전을 기반으로 하는 패턴 인식 방법은 위양성 및 위음성에 취약하므로 이와 관련하여 임상적 요구를 완전히 충족할 수 없습니다. MIP(Maximum Intensity Projection)를 기반으로 하는 시각화 방법은 국소 및 개별 폐 결절을 더 잘 설명할 수 있지만 여러 폐 결절의 분포 및 공간적 특징에 대한 거시적이고 전체적인 설명이 부족합니다.
따라서 본 연구는 폐 전체 3D 재구성 방법을 제안한다. 폐 전체를 배경으로 의료 영상 처리 기술을 이용하여 폐의 3D 윤곽을 추출하고, 폐, 폐동맥, 다발성 폐결절을 3D 공간에서 3D 재구성합니다. 이 방법은 폐 전체에 걸쳐 여러 결절의 공간적 분포와 방사선학적 특징을 종합적으로 묘사할 수 있어 다발성 폐결절의 진단 및 예후를 평가하는 간단하고 편리한 수단을 제공합니다.
Introduction
폐에 작고 둥글게 자라는 초기 다발성 폐결절은 양성 또는 악성일 수 있다 1,2,3. 단독 폐결절은 진단과 치료가 더 쉽지만, 초기 다발성 폐결절 환자는 진단과 치료에 상당한 어려움이 있습니다. 효과적인 치료 계획을 세우기 위해서는 폐 전체에 걸쳐 이러한 결절의 공간적 분포, 크기, 위치 및 주변 폐 조직과의 관계를 정확하게 식별하는 것이 필수적이다 4,5. 기존의 진단 방법은 초기 다발성 폐결절을 정확하게 식별하는 데 한계가 있습니다.
최근 의료 영상 처리 기술과 머신 러닝 알고리즘의 발전은 조기 폐 결절 발견 및 진단의 정확성과 효율성을 향상시킬 수 있는 잠재력을 가지고 있습니다. 머신 비전을 기반으로 하는 패턴 인식 방법 및 MIP(Maximum Intensity Projection)6,7,8,9,10을 기반으로 하는 시각화 방법과 같은 다양한 접근 방식이 제안되었습니다. 그러나 이러한 방법은 위양성, 위음성11,12,13,14,15 및 초기 다발성 폐결절의 분포 및 공간적 특징에 대한 거시적이고 전체적인 설명의 부족과 같은 한계가 있습니다.
이러한 한계를 해결하기 위해 본 연구는 의료 영상 처리 기술을 활용하여 전체 흉부 스캔을 배경으로 폐의 3D 윤곽을 추출하는 전체 폐 3D 재구성 방법을 제안합니다. 그런 다음 이 방법은 3D 공간에서 폐, 폐동맥 및 초기 다발성 폐 결절의 3D 재구성을 수행합니다. 이 접근법을 사용하면 폐 전체에 걸쳐 초기 다발성 결절의 공간적 분포와 방사선학적 특징을 보다 포괄적이고 정확하게 표현할 수 있습니다.
제안된 방법에는 몇 가지 주요 단계가 포함됩니다. 먼저 의료 이미지를 3D 이미지 처리 소프트웨어로 가져오고 임계값 기반 분할 기술을 사용하여 폐 영역을 추출합니다. 그 후, 적출된 폐 부위는 주변 흉벽 및 흉추의 뼈 구조와 분리됩니다. 그런 다음 MIP(Maximum Intensity Projection) 알고리즘을 사용하여 초기 다발성 폐 결절과 주변 혈관과의 관계를 3D 공간에서 재구성합니다. 마지막으로 추가 분석을 위해 폐, 폐동맥 및 결절의 재구성된 3D 모델이 표시됩니다.
이 방법은 기존 방법에 비해 몇 가지 장점이 있습니다. 2D 이미지에 의존하는 기존 방법과 달리 이 방법은 3D 부피를 활용하여 초기 다발성 폐 결절을 보다 정확하고 포괄적으로 표현합니다. 이 방법은 또한 패턴 인식 방법 및 MIP 시각화 방법과 관련된 거짓 양성 및 거짓 음성의 한계를 극복합니다. 또한, 이 방법은 효과적인 치료 계획을 개발하는 데 필수적인 초기 다발성 폐결절의 분포 및 공간적 특징에 대한 거시적이고 전체적인 설명을 제공합니다.
제안된 방법은 초기 다발성 폐결절의 진단 및 치료에 몇 가지 잠재적인 응용 분야가 있습니다. 초기 다발성 결절의 공간적 분포와 방사선학적 특징을 정확하게 식별하면 폐암의 조기 진단과 치료에 도움이 될 수 있습니다. 또한 이 방법은 질병의 진행을 모니터링하고 치료 계획의 효과를 평가하는 데 사용할 수 있습니다.
머신 비전을 기반으로 하는 패턴 인식 방법 6,7,8은 폐 결절을 식별하는 데 가능성을 보였지만 위양성 및 위음성과 같은 한계가 있습니다. 반면에 MIP 시각화 방법은 개별 결절을 보다 정확하게 표현할 수 있지만 초기 다발성 결절의 분포 및 공간적 특징에 대한 거시적이고 전체적인 설명이 부족합니다. 제안된 전체 폐 3D 재건 방법은 이러한 한계를 극복하고 초기 다발성 폐 결절에 대한 보다 정확하고 포괄적인 표현을 제공합니다.
이소복셀 변환(Isovoxel transformation)16,17은 서로 다른 복셀 크기를 갖는 3D 이미지를 균일한 복셀 크기를 갖는 3D 이미지로 변환하는 과정을 말한다. 의료 영상 처리 분야에서 3D 볼륨은 종종 다양한 크기의 복셀로 구성되며, 이로 인해 계산 및 시각화 문제가 발생할 수 있습니다. isovoxel 변환의 목적은 원래 3D 볼륨에서 복셀을 리샘플링하고 보간하여 이러한 문제를 해결하여 일관된 복셀 크기를 가진 새로운 3D 이미지를 만드는 것입니다. 이 기술은 이미지 정합, 분할 및 시각화를 포함한 다양한 의료 컨텍스트에서 응용 프로그램을 찾습니다. 따라서 본 연구는 의료 영상 처리 기술을 활용하여 전체 흉부 스캔을 배경으로 폐의 3D 윤곽을 추출하는 전체 폐 3D 재구성 방법을 제안했습니다. 이 방법은 전체 폐에 걸친 초기 다발성 결절의 공간적 분포 및 방사선학적 특징에 대한 보다 정확하고 포괄적인 표현을 제공합니다. 이 연구는 초기 다발성 폐결절 환자를 위한 보다 정확하고 효과적인 진단 및 치료 전략 개발에 기여합니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
본 연구의 경우 베이징 중의과대학 부속 둥즈먼 병원 윤리위원회(DZMEC-KY-2019.90)로부터 윤리 허가를 받았습니다. 이 특정 사례에서는 다발성 폐 결절이 있는 65세 여성 환자와 관련된 사례를 간략하게 설명하는 연구 접근 방식에 대한 체계적인 설명이 제공됩니다. 이 환자는 디지털 모델링을 통해 진단에 대한 정보에 입각한 동의를 제공하고 과학 연구 목적으로 데이터를 사용하는 것을 승인했습니다. 모델 재구성 기능은 상업적으로 이용 가능한 소프트웨어 도구에서 파생됩니다( 재료 표 참조).
1. 데이터 준비 및 isovoxel 변환
- DICOM(Digital Imaging and Communications in Medicine) 데이터 준비 및 데이터 속성
참고: 매개변수의 변동은 연구 방법론의 영향을 상대적으로 받지 않습니다.- 환자의 DICOM 데이터를 정의된 작업 디렉터리에 복사합니다.
- 파일 브라우저를 사용하여 각 파일 디렉토리를 검사하여 분석을 위한 스캔 레이어 수가 가장 많은 이미지 시퀀스를 식별합니다.
- DICOM 파일을 입력 파라미터로 제공하여 MATLAB 내에서 Dicominfo 함수를 사용합니다. 이렇게 하면 슬라이스 두께 및 픽셀 간격과 같은 필수 파라미터를 MATLAB 환경 내에서 직접 추출할 수 있습니다.
참고: 이러한 매개변수는 3D 볼륨의 표시 속도를 구성하는 데 매우 중요합니다. 본 연구에서 활용된 데이터 세트의 경우 슬라이스 두께는 1mm, 픽셀 간격은 0.7188mm로 측정되었으며 총 387개의 레이어가 스캔되었습니다.
- 스캔한 데이터의 올바른 정렬
참고: 모든 이미지의 순서는 볼륨 구성을 위해 정렬되어야 합니다.- Dicominfo 함수를 사용하여 각 영상의 위치 데이터를 가져옵니다. 정보를 참조하여 위치 정보에 액세스합니다. SliceLocation을 MATLAB 작업 공간 내에 저장합니다.
- SliceLocation 함수를 사용하여 위치 데이터를 변수에 저장하고 이에 대한 플롯을 생성합니다(그림 1).
- GUI의 오른쪽 상단에 있는 Data Tips 버튼을 사용하여 데이터 점을 추가하여 플롯을 향상시킵니다. 이 데이터 포인트는 정상 시퀀스의 최대 위치를 표시해야 하며, 이는 환자 영상의 최상위 위치에 해당합니다(그림 1).
- 모든 이미지를 정렬하여 구성한 다음 첫 번째 위치에서 최대 위치까지의 이미지를 추출합니다. VolumeResort 함수를 호출하여 이 작업을 수행합니다.
- 512 x 512 x 340 레이어로 구성된 볼륨 데이터를 정렬된 인덱스와 함께 유효한 이미지로부터 보호합니다. 이 정보는 특히 중요한 결절을 식별하는 맥락에서 향후 참조에 유용합니다.
- 이소복셀 변환
참고: 3D Isovoxel 변환을 통해 후속 처리에서 모든 차원에서 동일한 디스플레이 배율을 유지할 수 있습니다.- Matlab의 size 함수를 사용하여 512픽셀 x 512픽셀 x 340개 레이어인 3차원 볼륨의 3차원 스케일을 검토합니다.
- Slice_View 명령 기능을 사용하여 3D 볼륨(그림 2)을 보려면 폐를 포함하는 시퀀스 스캔 범위를 60에서 340까지 기록합니다. 그런 다음 V1=V0(:,:,60:340) 명령을 사용하여 전체 폐의 모든 데이터를 포함하는 3D 볼륨을 얻습니다. V1의 크기는 512 픽셀 x 512 픽셀 x 281 레이어입니다.
- MATLAB 명령 함수 dicominfo 를 사용하여 영상 시퀀스의 슬라이스 두께(1mm)와 픽셀 간격(0.7188)을 구합니다. round (281 x 1/0.7188) 명령을 사용하여 isovoxel 변환의 z축 수를 계산합니다. isovoxel 변환을 위한 레이어 수는 391개여야 합니다.
- Matlab 명령 함수 imresize3 을 사용하여 V1에서 isovoxel 변환을 수행합니다. V2=imresize3(V1, [512, 512, 391]) 명령을 사용하여 스크립트를 실행합니다. 그런 다음 3D_Slice_View 함수를 사용하여 isovoxel 변환된 3D 볼륨을 확인합니다(그림 3).
2. 컴퓨터 단층 촬영(CT) 장비로 인한 노이즈 간섭 제거
참고: 그림 2에서는 CT 장비의 환자 침상을 나타내는 고강도 신호가 표시되어 있어 이미지 분할을 방해할 수 있습니다. 이러한 간섭을 제거하려면 공간 필터 설계가 필요합니다.
- 그림 2의 Data Tips 단추를 활용하여 대화형 인터페이스 내에 연속형 데이터 요소를 추가할 수 있습니다. 이렇게 하면 이러한 지점을 연결하는 선을 만들어 환자 침상을 효과적으로 제외할 수 있습니다. 다음으로, 데이터팁을 마우스 오른쪽 버튼으로 클릭하고 커서 데이터를 작업 공간으로 내보내기를 선택하여 공간 필터링을 위한 참조 경계를 MATLAB 작업 공간으로 내보냅니다(그림 3). 이 경우 경계 산점도 행렬의 이름은 'CI'입니다.
- Noise_Clean 함수를 불러와 V2에 공간 필터링을 적용하고, 작업 공간의 입력 파라미터 'CI'를 사용합니다. 이 작업은 CT 장비에서 간섭 신호를 제거하는 3D 볼륨을 생성합니다. 마지막으로 그림 4와 같이 Slice_View 명령 함수를 사용하여 결과 볼륨을 시각화합니다.
3. 폐 윤곽 추출
- 먼저 그림 4에 표시된 GUI 내에서 템플릿으로 사용할 슬라이스를 선택합니다. 예를 들어, 영상 분할 설계를 위해 232번째 영상을 선택하고 명령 I=V2(:,:,232)를 사용하여 변수 'I'에 할당합니다. 그런 다음 그림 5와 같이 imageSegmenter(I) 명령을 실행하여 MATLAB Image Segmenter GUI를 엽니다.
- 그림 5 는 다양한 이미지 분할 도구를 보여줍니다. 시작하려면 상단의 도구 모음에서 자동 클러스터 도구를 선택하고 마우스 왼쪽 버튼을 클릭하여 명령을 실행합니다. 이미지는 자동으로 두 개의 클래스로 나뉩니다. 2.2단계에서 수행된 노이즈 제거 프로세스를 감안할 때 이 단계에서의 이미지 분할은 비교적 간단해집니다.
- 그런 다음 오른쪽 상단 모서리에 있는 바이너리 표시 버튼을 클릭하여 이미지를 흑백 바이너리 로 표시합니다. 이 시점에서 폐 부위는 검은색으로 보입니다. 폐 영역을 흰색으로 만들려면 상단 도구 모음에서 마스크 반전 버튼을 선택하고 마우스 왼쪽 버튼을 클릭하여 명령을 실행합니다.
- 폐 영역 외부의 흰색을 제거하려면 상단 도구 모음에서 테두리 지우기 버튼을 선택하고 마우스 왼쪽 버튼으로 클릭하여 실행합니다. 이 단계가 끝나면 흰색의 폐 영역만 남게 됩니다. 그러나 이 시점에서 폐 부위에 남아 있는 검은 그림자는 채워야 합니다. 이렇게 하려면 도구 모음에서 구멍 채우기 단추를 선택하면 단추를 클릭한 후의 결과가 그림 6에 나와 있습니다.
- 폐 이미지 분할과 관련된 모든 단계는 왼쪽 하단 모서리에 있는 그림 6 의 GUI에 나와 있습니다. 오른쪽 상단 모서리에 있는 내보내기 버튼을 클릭하여 이러한 자동화된 단계를 폐 영역 분할을 일괄 처리하기 위한 함수로 저장합니다. 팝업 스크립트 편집기에서 저장 버튼을 클릭하여 현재 작업 디렉토리에 함수를 저장합니다.
다발성 폐 결절이 있는 전체 폐에 대한 4.3D 재구성
참고: 각 이미지의 폐 분할 이미지의 내적을 원본 이미지와 함께 취하는 것은 볼륨에 대해 3D 공간 필터링을 수행하여 폐 외부의 간섭 신호를 효과적으로 필터링하고 폐의 3D 구조를 얻는 것과 같습니다.
- MATLAB 작업 공간 내에서 3Dlung_Volume 함수를 시작합니다.
참고: 이 기능은 3.5단계의 출력을 사용하여 각 이미지에 대해 이미지 분할을 수행합니다. 그런 다음 이진 폐 마스크와 원본 이미지 사이에 내적 작업을 실행하여 폐 조직만 포함하는 새로운 3D 볼륨을 생성합니다. 기능이 완료된 후 나타나는 GUI(그림 7)에서 전체 3D 폐 용적에 대한 MIP(Maximum Intensity Projection) 작업을 시각화하고 수행할 수 있습니다. - GUI 내에서 오른쪽 상단 모서리에 있는 첫 번째 드롭다운 메뉴를 찾습니다. MIP 프로젝션 을 선택한 다음, 아래의 내장 컬러맵 옵션에서 제트 컬러맵 을 선택합니다. 그런 다음 네 번째 뷰(3D 볼륨 뷰)의 오른쪽 상단에 있는 드롭다운 메뉴에서 최대화를 선택합니다. 이 작업은 모든 각도에서 관찰하고, 이동하고, 필요에 따라 조작할 수 있는 전체 폐 3D 부피(그림 8)를 생성합니다.
참고: 그림 8에 나와 있는 인간-컴퓨터 상호 작용 섹션에서는 마우스 왼쪽 버튼을 누른 상태에서 이동하여 시야각을 자유롭게 조정할 수 있습니다. 마우스 가운데 버튼을 스크롤하면 확대 또는 축소할 수 있습니다. - 고급 대비 및 색상 향상 작업을 위해 GUI 오른쪽에 있는 제어판을 활용하십시오.
5. 우성 폐결절 검사에 집중
참고: 3D 공간(그림 8)에서는 여러 폐 결절 중 우세한 병변 영역이 뚜렷하게 보입니다. 이러한 결절의 수, 크기 및 농도는 우성 병변의 중요한 특징이며 질병 평가에 대한 귀중한 통찰력을 제공합니다.
- 다시 한 번 Slice_View 함수를 호출하되 이번에는 4.2단계에서 얻은 전체 폐의 3D 부피를 입력합니다. 결과 GUI(그림 9)에서 아래쪽 스크롤 막대를 사용하여 스캔 48에서 70에 걸쳐 우성 폐 결절이 위치한 영역으로 이동합니다.
- 3Dlung_Horizon 함수를 호출하여 전체 폐의 3D 체적에서 섹션 48에서 70을 포함하는 관심 영역(ROI)의 3D 재구성을 수행합니다. 이 작업은 그림 10과 같이 폐 결절을 시각화하기 위해 맞춤화된 GUI 인터페이스를 생성합니다. 이 GUI 내에서 다양한 각도에서 병변의 자세한 기능을 탐색할 수 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
데이터 전처리 단계에서 DICOM 데이터 정렬은 3D 재구성 중에 각 레이어에 대한 올바른 스캔 시퀀스를 보장하기 위한 첫 번째 단계(그림 1)여야 합니다. 다음으로, 3D 볼륨의 올바른 종횡비를 보장하기 위해 등방성 변환이 수행됩니다(그림 2). 그런 다음 CT 장비의 환자 침상에서 나오는 간섭 신호를 제거하기 위해 원본 3D 볼륨(그림 3)에 공간 필터링을 적용합니다(그림 4). 전체 폐의 3D 윤곽을 얻기 위해 각 스캔에서 이미지 분할을 수행하여(그림 5) 이진 폐 이미지를 생성합니다(그림 6). 폐의 3D 윤곽을 기반으로 전체 폐 3D 용적이 재구성되고(그림 7) 3D로 시각화됩니다(그림 8). 우세 병변 부위(그림 9)의 경우 별도의 3D 시각화(그림 10)를 수행하여 병변의 세부 특징을 주의 깊게 식별할 수 있습니다.
Isovoxel 변환은 후속 처리 중에 모든 차원에서 동일한 스케일이 유지되도록 합니다. 그림 2 는 isovoxel 변환 후의 슬라이스 보기를 보여줍니다. 이 그래픽 사용자 인터페이스(GUI)에서 전체 원시 3D 볼륨 데이터를 볼 수 있습니다.
그림 3과 그림 4는 CT 장비에서 베드 신호 간섭을 제거하는 데 사용되는 공간 필터링 프로세스를 보여줍니다. 이것이 없으면 잡음이 있는 신호가 있는 이미지는 후속 단계에서 폐 구조의 분할을 완료할 수 없습니다.
그림 5와 그림 6은 폐 윤곽을 자동으로 추출할 수 있는 폐 윤곽 추출 기능을 보여주며, 폐 구조의 후속 3D 재구성을 위한 기본 조건을 제공합니다.
그림 7과 그림 8은 전체 폐의 3D 재구성을 보여주며, 폐 조직과 여러 폐 결절의 공간적 분포를 보여줍니다. 폐 외부 조직의 신호 간섭을 제거함으로써 다발성 폐 결절의 공간적 위치, 크기 및 농도를 정확하게 묘사할 수 있습니다.
그림 9와 그림 10은 관심 있는 우성 폐 결절의 3D 시각화를 보여줍니다. 폐 외부로부터의 신호 간섭을 배제하기 때문에 이미지의 대비가 향상됩니다. 모든 각도에서 3D 구조를 관찰할 수 있는 기능을 통해 의사는 우성 폐 결절의 병변 특징에 대해 보다 정확한 판단을 내릴 수 있습니다.
그림 1: 이미지의 위치 플롯. 플롯은 파일 이름 시퀀스에 따라 영상의 위치를 표시합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 2: 3D 볼륨 슬라이스 보기를 위한 GUI. Isovoxel 변환 후 3D 볼륨의 슬라이스를 보기 위한 그래픽 사용자 인터페이스(GUI). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 3: 참조 경계 산점도 행렬. 공간 필터링을 위한 참조 경계 산포를 나타내는 행렬입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4: 공간 필터링 후의 3D 볼륨 슬라이스 보기. 공간 필터링을 적용한 후의 3D 볼륨에서 슬라이스를 봅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 5: 이미지 분할기 GUI. 이미지 분할기 툴의 그래픽 사용자 인터페이스(GUI). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 6: 폐 영역 그림자 채우기 결과. "구멍 채우기" 버튼을 사용하여 폐 부위의 검은색 그림자를 채운 후의 결과 이미지입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 7: 다발성 폐 결절이 있는 3D 폐 재건. 초기 다발성 폐 결절을 보여주는 전체 폐의 3D 재구성. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 8: 3D 폐 용적 보기를 위한 대화형 GUI. 전체 3D 폐 용적을 보고 조작하기 위한 대화형 그래픽 사용자 인터페이스(GUI). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 9: 우성 폐 결절 영역을 탐색하기 위한 슬라이스 보기. 전체 3D 폐 용적 내에서 우성 폐 결절이 있는 영역을 탐색하기 위한 슬라이스 보기. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 10: 우성 폐결절의 3D 시각화. 폐 용적 내 우성 폐 결절의 3차원 시각화. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
이 연구는 전체 흉부 스캔의 맥락에서 폐의 3D 모양을 묘사하기 위해 고급 의료 이미지 처리 기술을 사용하여 전체 폐의 완전한 3차원(3D) 재구성을 만드는 고유한 접근 방식을 소개합니다. 이 기술은 폐 전체에 걸친 초기 다발성 결절의 공간적 배열과 방사선학적 특성을 보다 정확하고 철저하게 묘사합니다. 이 연구는 초기 다발성 폐결절 환자를 위한 진단 및 치료 전략의 정확성과 효능을 높이는 데 귀중한 기여를 합니다.
중요 단계
이 연구에서 프로토콜의 성공에 필수적인 몇 가지 중요한 단계가 확인되었습니다: (1) 폐 스캔의 정확한 3D 부피를 생성하기 위해 DICOM 스캔 시퀀스 좌표를 정렬하고 배열합니다(단계 1.2.2). (2) 후속 3D 재구성에 중요한 3D 체적의 정확한 종횡비를 보장하기 위한 등방성 변환(1.3.4단계); (3) 초기 다발성 폐결절 모델을 사용하여 전체 폐를 재건하여 우세한 폐결절 영역을 식별할 수 있습니다(단계 4.1). (4) 우세 병변이 있는 국소 부위의 상세한 시각화 및 검사(5.2단계).
수정 및 문제 해결
폐 조직 구조의 분할은 스캐닝 시퀀스의 그레이스케일 임계값 오프셋에 의해 영향을 받을 수 있으며, 일부 스캔에서 부정확한 이미지 분할을 초래할 수 있습니다. 분할이 부정확한 경우 별도의 필터(3단계 반복)를 설계하여 정확한 폐 조직 윤곽을 얻을 수 있습니다. isovoxel 변환16,17에서 최고의 정밀도를 유지하는 것은 데이터의 정확한 활용을 보장하는 데 매우 중요합니다. 이러한 단계는 앞으로 더욱 지능화되고 자동화될 것으로 예상됩니다. 대규모 의료 영상 모델의 발전과 함께 컴퓨터 비전을 통한 정확한 윤곽 식별도 향후 발전의 중요한 방향이 되고 있다11.
제한
폐 윤곽 추출을 단순화하면 폐의 3D 윤곽 경계에 오류가 발생하여 폐 가장자리 근처의 작은 결절의 시각화에 영향을 미칠 수 있습니다. 그러나 이러한 제한의 영향은 다발성 폐결절의 경우 우세 병변 영역을 시각화할 때 미미합니다.
기존 방법에 대한 중요성
컴퓨터 비전 접근법과 비교했을 때, 이 방법은 여러 폐 결절과 폐 조직 간의 관계를 포함하여 폐 조직 구조를 포괄적으로 표현하는 동시에 위양성 및 위음성의 문제를 방지합니다. 또한 다른 조직 구조의 신호 간섭을 효과적으로 걸러내어 향상된 대비와 선명도로 보다 정밀하고 정확한 진단을 내릴 수 있습니다.
향후 적용 분야
이 3D 시각화 방법은 의사-환자 커뮤니케이션 촉진, 정확한 진단 가능, 데이터 기반 증거 기반 분류 지원, 치료 계획 지원, 예후 평가와 같은 다양한 임상 응용 분야에 상당한 잠재력을 가지고 있습니다. 수술 전 계획을 돕고, 다발성 폐 결절의 외과적 제거를 위한 수술 중 탐색을 제공하고, 시간 경과에 따른 결절 크기 및 모양의 변화를 모니터링하여 치료 효과를 평가할 수 있습니다. 전반적으로, 다발성 폐결절의 진단 및 치료에서 임상적 의사 결정을 향상시킬 수 있는 능력이 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개할 이해 상충이 없습니다. 이 연구의 자료표 에 나열된 폐 결절 모델 재구성을 위한 소프트웨어 도구는 Beijing Intelligent Entropy Science & Technology Co Ltd.의 상용 소프트웨어입니다. 이 소프트웨어 도구의 지적 재산권은 회사에 있습니다.
Acknowledgments
이 간행물은 중국 국립한의학총국이 주관하는 제5회 전국 한의학 임상우수인재 연구 프로그램의 지원을 받았다. 공식 네트워크 링크는 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. Radiology. 284 (1), 228-243 (2017).
- Yankelevitz, D. F., Yip, R., Henschke, C. I. Impact of duration of diagnostic workup on prognosis for early lung cancer. Journal of Thoracic Oncology. 18 (4), 527-537 (2023).
- Zhao, W., et al. PUNDIT: Pulmonary nodule detection with image category transformation. Medical Physics. 50, 2914-2927 (2023).
- 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).
- Gruden, J. F., et al. 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., et al. 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., et al. 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).
- 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., et al. 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., et al. 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).
- 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).
- Yabuuchi, H., et al. Clinical application of radiation dose reduction for head and neck CT. European Journal of Radiology. 107, 209-215 (2018).
- Rana, B., et al. Regions-of-interest based automated diagnosis of Parkinson's disease using T1-weighted MRI. Expert Systems with Applications. 42 (9), 4506-4516 (2015).
