Summary
Denne studien introduserer en tredimensjonal (3D) rekonstruksjonsmetode for hele lungen hos pasienter med tidlige multiple lungeknuter. Det gir en omfattende visualisering av knutefordeling og deres samspill med lungevev, noe som forenkler vurderingen av diagnose og prognose for disse pasientene.
Abstract
For pasienter med tidlig flere lungeknuter er det viktig, fra et diagnostisk perspektiv, å bestemme romlig fordeling, størrelse, plassering og forhold til omkringliggende lungevev av disse knutene gjennom hele lungen. Dette er avgjørende for å identifisere den primære lesjonen og utvikle mer vitenskapelig begrunnede behandlingsplaner for leger. Imidlertid er mønstergjenkjenningsmetoder basert på maskinsyn utsatt for falske positive og falske negativer, og kan derfor ikke fullt ut oppfylle kliniske krav i denne forbindelse. Visualiseringsmetoder basert på maksimal intensitetsprojeksjon (MIP) kan bedre illustrere lokale og individuelle lungeknuter, men mangler en makroskopisk og helhetlig beskrivelse av fordeling og romlige trekk ved flere lungeknuter.
Derfor foreslår denne studien en hel-lunge 3D-rekonstruksjonsmetode. Den trekker ut 3D-konturen til lungen ved hjelp av medisinsk bildebehandlingsteknologi mot bakgrunnen av hele lungen og utfører 3D-rekonstruksjon av lungen, lungearterien og flere lungeknuter i 3D-rom. Denne metoden kan omfattende skildre romlig fordeling og radiologiske trekk ved flere knuter gjennom hele lungen, noe som gir en enkel og praktisk måte å evaluere diagnosen og prognosen for flere lungeknuter.
Introduction
Tidlige multiple lungeknuter, som er små, runde utvekster på lungen, kan være godartede eller ondartede 1,2,3. Selv om solitære lungeknuter er lettere å diagnostisere og behandle, står pasienter med tidlig flere lungeknuter overfor betydelige diagnostiske og behandlingsutfordringer. For å utvikle effektive behandlingsplaner er det viktig å nøyaktig identifisere romlig fordeling, størrelse, plassering og forhold til omkringliggende lungevev av disse knutene gjennom hele lungen 4,5. Tradisjonelle diagnostiske metoder har begrensninger i nøyaktig identifisering av tidlige multiple lungeknuter.
Nylige fremskritt innen medisinsk bildebehandlingsteknologi og maskinlæringsalgoritmer har potensial til å forbedre nøyaktigheten og effektiviteten av tidlig lungeknutedeteksjon og diagnose. Ulike tilnærminger har blitt foreslått, for eksempel mønstergjenkjenningsmetoder basert på maskinsyn og visualiseringsmetoder basert på maksimal intensitetsprojeksjon (MIP) 6,7,8,9,10. Imidlertid lider disse metodene av begrensninger som falske positive, falske negativer 11,12,13,14,15, og mangel på makroskopiske og helhetlige beskrivelser av fordelingen og romlige trekk ved tidlige multiple lungeknuter.
For å løse disse begrensningene foreslår denne studien en hel-lunge 3D-rekonstruksjonsmetode som benytter medisinsk bildebehandlingsteknologi for å trekke ut 3D-konturen av lungen mot bakgrunnen av hele brystskanningen. Metoden utfører deretter 3D-rekonstruksjon av lunge, lungearterie og tidlige multiple lungeknuter i 3D-rom. Denne tilnærmingen muliggjør en mer omfattende og nøyaktig representasjon av romlig fordeling og radiologiske trekk ved tidlige multiple knuter gjennom hele lungen.
Den foreslåtte metoden innebærer flere viktige trinn. For det første importeres de medisinske bildene til 3D-bildebehandlingsprogramvaren, og lungeområdet ekstraheres ved hjelp av en terskelbasert segmenteringsteknikk. Deretter separeres den ekstraherte lungeregionen fra den omkringliggende brystveggen og de benete strukturer i thoraxvirvlene. De tidlige multiple lungeknutene og deres forhold til omkringliggende blodkar blir deretter rekonstruert i 3D-rom ved hjelp av MIP-algoritmer (maksimal intensitetsprojeksjon). Til slutt vises den rekonstruerte 3D-modellen av lungen, lungearterien og knutene for videre analyse.
Denne metoden har flere fordeler i forhold til eksisterende metoder. I motsetning til tradisjonelle metoder som er avhengige av 2D-bilder, bruker denne metoden 3D-volum for å gi en mer nøyaktig og omfattende representasjon av tidlige flere lungeknuter. Metoden overvinner også begrensningene til falske positiver og falske negativer knyttet til mønstergjenkjenningsmetoder og MIP-visualiseringsmetoder. Videre gir denne metoden en makroskopisk og helhetlig beskrivelse av fordelingen og romlige trekk ved tidlige multiple lungeknuter, noe som er avgjørende for å utvikle effektive behandlingsplaner.
Den foreslåtte metoden har flere potensielle anvendelser i diagnostisering og behandling av tidlige multiple lungeknuter. Den nøyaktige identifiseringen av romlig fordeling og radiologiske trekk ved tidlige flere knuter kan hjelpe til med tidlig diagnose og behandling av lungekreft. Videre kan metoden brukes til å overvåke sykdomsprogresjonen og evaluere effektiviteten av behandlingsplaner.
Mønstergjenkjenningsmetoder 6,7,8 basert på maskinsyn har vist løfte om å identifisere lungeknuter, men lider av begrensninger som falske positive og falske negativer. MIP-visualiseringsmetoder gir derimot en mer nøyaktig representasjon av individuelle knuter, men mangler en makroskopisk og helhetlig beskrivelse av fordelingen og romlige trekk ved tidlige multiple knuter. Den foreslåtte hel-lunge 3D-rekonstruksjonsmetoden overvinner disse begrensningene og gir en mer nøyaktig og omfattende representasjon av tidlige multiple lungeknuter.
Isovoxel transformasjon16,17 refererer til prosessen med å konvertere 3D-bilder med forskjellige voxelstørrelser til 3D-bilder med ensartede voxelstørrelser. Innen medisinsk bildebehandling består 3D-volumer ofte av voxels med varierende størrelser, noe som kan føre til beregnings- og visualiseringsproblemer. Hensikten med isovokkeltransformasjon er å løse disse problemene ved å resample og interpolere voxels i det opprinnelige 3D-volumet, noe som resulterer i et nytt 3D-bilde med konsistente voxelstørrelser. Denne teknikken finner applikasjoner i ulike medisinske sammenhenger, inkludert bilderegistrering, segmentering og visualisering. Dermed foreslo denne studien en hel-lunge 3D-rekonstruksjonsmetode som benytter medisinsk bildebehandlingsteknologi for å trekke ut 3D-konturen av lungen mot bakgrunnen av hele brystskanningen. Metoden gir en mer nøyaktig og omfattende fremstilling av romlig fordeling og radiologiske trekk ved tidlige multiple knuter gjennom hele lungen. Denne studien bidrar til utvikling av mer nøyaktige og effektive diagnostiske og behandlingsstrategier for pasienter med tidlig multiple lungeknuter.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
For denne studien ble etisk klarering innhentet fra The Ethics Committee of Dongzhimen Hospital, tilknyttet Beijing University of Chinese Medicine (DZMEC-KY-2019.90). I dette spesifikke tilfellet gis en metodisk beskrivelse av forskningstilnærmingen, som beskriver et tilfelle som involverer en 65 år gammel kvinnelig pasient med flere lungeknuter. Denne pasienten ga informert samtykke til diagnosen gjennom digital modellering og autoriserte bruken av dataene hennes til vitenskapelige forskningsformål. Modellrekonstruksjonsfunksjonen er hentet fra et kommersielt tilgjengelig programvareverktøy (se Materialfortegnelse).
1. Dataforberedelse og isovokkeltransformasjon
- DICOM (Digital Imaging and Communications in Medicine) dataforberedelse og dataegenskaper
MERK: Variasjonen i parametere forblir relativt upåvirket av forskningsmetodikken.- Kopier pasientens DICOM-data til en definert arbeidskatalog.
- Bruk filbehandleren til å undersøke hver filkatalog for å identifisere bildesekvensen med det høyeste antallet skannelag for analyse.
- Bruk Dicominfo-funksjonen i MATLAB ved å tilby DICOM-filer som inndataparametere. Dette gjør at du kan trekke ut viktige parametere, for eksempel stykketykkelse og pikselavstand, direkte i MATLAB-miljøet.
MERK: Disse parameterne er svært viktige når du konfigurerer visningshastigheten for 3D-volumet. Når det gjelder datasettet som ble brukt i denne studien, målte skivetykkelsen 1 mm, pikselavstanden tilsvarte 0,7188 mm, og totalt 387 lag ble skannet.
- Riktig sortering av skannede data
MERK: Sekvensen til hvert bilde skal sorteres for volumkonstruksjon.- Hent stedsdataene for hvert bilde ved hjelp av Dicominfo-funksjonen . Få tilgang til stedsinformasjonen ved å referere til informasjon. SliceLocation i MATLAB-arbeidsområdet.
- Lagre stedsdataene i en variabel ved hjelp av SliceLocation-funksjonen , og generer et plott for den (figur 1).
- Forbedre plottet ved å legge til et datapunkt i det ved hjelp av Datatips-knappen øverst til høyre i det grafiske brukergrensesnittet. Dette datapunktet skal markere maksimal plassering av normalsekvensen, som tilsvarer den øverste plasseringen i pasientens bildediagnostikk (figur 1).
- Organiser alle bildene ved å sortere dem og deretter trekke ut bildene fra det første stedet til den maksimale plasseringen. Oppnå dette ved å påkalle VolumeResort-funksjonen .
- Beskytt volumdataene, som består av 512 piksler med 512 piksler med 340 lag, fra gyldige bilder sammen med deres sorterte indeks. Denne informasjonen vil være verdifull for fremtidig referanse, spesielt i sammenheng med å identifisere viktige knuter.
- Isovoxel transformasjon
MERK: 3D Isovoxel transformasjon tillater etterfølgende behandling å opprettholde samme skjermskala i alle dimensjoner.- Undersøk den tredimensjonale skalaen til et 3D-volum, som er 512 piksler x 512 piksler x 340 lag, ved hjelp av størrelsesfunksjonen i Matlab.
- For å vise 3D-volumet (figur 2) ved hjelp av Slice_View-kommandofunksjonen , registrer sekvensskanneområdet som inneholder lungene fra 60 til 340. Deretter bruker du bare kommandoen V1=V0(:,:,60:340) for å få et 3D-volum som inneholder alle dataene i hele lungen. Størrelsen på V1 er 512 piksler x 512 piksler x 281 lag.
- Bruk MATLAB-kommandofunksjonen dicominfo for å få stykketykkelsen til bildesekvensen, som er 1 mm, og pikselavstanden er 0,7188. Beregn antall z-akser for isovoxel transformasjonen med kommandoen: rund (281 x 1/0.7188). Antall lag for isovokseltransformasjonen skal være 391.
- Bruk kommandofunksjonen Matlab imresize3 til å utføre isovokseltransformasjon på V1. Kjør skriptet ved hjelp av kommandoen V2=imresize3(V1, [512, 512, 391]). Bruk deretter 3D_Slice_View funksjonen til å vise det isovoksoltransformerte 3D-volumet (figur 3).
2. Fjerning av støyforstyrrelser forårsaket av CT-utstyr (Computed Tomography)
MERK: I figur 2 er høyintensitetssignalet som representerer CT-utstyrets pasientsofa synlig, noe som kan forstyrre bildesegmenteringen. For å eliminere denne forstyrrelsen er det nødvendig med et romlig filterdesign.
- Bruk Datatips-knappen i figur 2 til å legge til kontinuerlige datapunkter i det interaktive grensesnittet. Dette vil tillate en å lage en linje som forbinder disse punktene, effektivt unntatt pasientens sofa. Deretter høyreklikker du på datatipsene og velger Eksporter markørdata til arbeidsområde for å eksportere referansegrensen for romlig filtrering til MATLAB-arbeidsområdet (figur 3). Grensespredningsmatrisen i dette tilfellet heter 'CI'.
- Aktiver Noise_Clean-funksjonen for å bruke romlig filtrering på V2 ved hjelp av inngangsparameteren 'CI' fra arbeidsområdet. Denne operasjonen vil gi et 3D-volum som fjerner interferenssignalet fra CT-utstyret. Til slutt bruker du Slice_View-kommandofunksjonen til å visualisere det resulterende volumet, som vist i figur 4.
3. Ekstraksjon av lungekontur
- Begynn med å velge et stykke som skal fungere som en mal i GUI-en som vises i figur 4. Velg for eksempel det 232. bildet for bildesegmenteringsdesignet og tilordne det til en variabel 'I' ved å bruke kommandoen I = V2 (:,:, 232). Åpne deretter MATLAB Image Segmenter GUI ved å utføre kommandoen imageSegmenter(I), som vist i figur 5.
- Figur 5 viser en rekke verktøy for bildesegmentering. For å starte, velg Auto Cluster-verktøyet fra verktøylinjen øverst og utfør kommandoen ved å klikke på venstre museknapp. Bildet blir automatisk delt inn i to klasser. Gitt støyprosessen som ble utført i trinn 2.2, blir bildesegmenteringen på dette stadiet relativt grei.
- Deretter klikker du på Vis binær-knappen i øvre høyre hjørne for å vise bildet i svart-hvitt binært. På dette tidspunktet vil lungeområdet vises svart. For å gjøre lungeområdet hvitt, velg Inverter maske-knappen fra den øverste verktøylinjen og utfør kommandoen ved å klikke på venstre museknapp.
- For å eliminere den hvite fargen utenfor lungeområdet, velg Fjern grenser-knappen øverst på verktøylinjen og utfør den ved å klikke med venstre museknapp. Etter dette trinnet vil bare det hvite lungeområdet forbli. Imidlertid må eventuelle svarte skygger som er igjen i lungeområdet på dette tidspunktet fylles. For å oppnå dette, velg Fyll hull-knappen i verktøylinjen, og resultatet etter å ha klikket på knappen vises i figur 6.
- Alle trinnene som er involvert i lungebildesegmentering er presentert i GUI i figur 6 i nedre venstre hjørne. Ved å klikke på Eksporter-knappen øverst til høyre, lagrer du disse automatiserte trinnene som en funksjon for batchbehandling av lungeregionsegmentering. I popup-skriptredigering klikker du på Lagre-knappen for å lagre funksjonen i gjeldende arbeidskatalog.
4.3D rekonstruksjon for hele lungen med multiple lungeknuter
MERK: Å ta prikkproduktet av lungesegmenteringsbildet av hvert bilde med det opprinnelige bildet tilsvarer å utføre 3D-romlig filtrering på volumet, effektivt filtrere ut interferenssignaler utenfor lungene og oppnå 3D-strukturen i lungene.
- Start 3Dlung_Volume-funksjonen i MATLAB-arbeidsområdet.
MERK: Denne funksjonen utfører bildesegmentering på hvert bilde ved hjelp av utdataene fra trinn 3.5. Den utfører deretter en prikkproduktoperasjon mellom den binære lungemasken og det opprinnelige bildet for å generere et nytt 3D-volum som utelukkende inneholder lungevev. I GUI (figur 7) som vises etter at funksjonen er fullført, kan man visualisere og utføre MIP-operasjoner (Maximum Intensity Projection) på hele 3D-lungevolumet. - I GUI-en finner du den første rullegardinmenyen øverst til høyre. Velg MIP-projeksjon, og velg deretter jetfargekartet fra alternativene Innebygd fargekart nedenfor. Deretter velger du Maksimer i rullegardinmenyen øverst til høyre i den fjerde visningen (3D Volume View). Denne handlingen vil gi et helt lunge 3D-volum (figur 8) som kan observeres fra alle vinkler, flyttes og manipuleres etter behov.
MERK: I delen om menneskelig-datamaskin-interaksjon illustrert i figur 8, kan man justere synsvinkelen fritt ved å holde nede venstre museknapp og flytte den. Ved å rulle den midterste museknappen kan man zoome inn eller ut. - For avanserte operasjoner for kontrast og fargeforbedring, bruk kontrollpanelet på høyre side av GUI-en.
5. Fokus på undersøkelse av dominerende lungeknuter
MERK: I 3D-rom (figur 8) blir det dominerende lesjonsområdet blant flere lungeknuter tydelig synlig. Antallet, størrelsen og konsentrasjonen av disse knutene er kritiske trekk ved den dominerende lesjonen, og gir verdifull innsikt i sykdomsvurdering.
- Nok en gang påkaller du den Slice_View funksjonen, men denne gangen legger du inn hele lungens 3D-volum oppnådd i trinn 4.2. Innenfor det resulterende GUI-et (figur 9) bruker du det nederste rullefeltet til å navigere til området der de dominerende lungeknutene befinner seg, og spenner over skanning 48 til 70.
- Fortsett ved å kalle 3Dlung_Horizon funksjonen for å gjennomføre 3D-rekonstruksjon av interesseområdet (ROI) som omfatter seksjonene 48 til 70 fra hele lungens 3D-volum. Denne handlingen vil generere et GUI-grensesnitt skreddersydd for visualisering av lungeknuter, som illustrert i figur 10. Innenfor dette GUI-et kan man utforske lesjonens detaljerte funksjoner fra forskjellige vinkler.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
I dataforbehandlingsfasen bør DICOM-datasortering være det første trinnet (figur 1) for å sikre riktig skannesekvens for hvert lag under 3D-rekonstruksjon. Deretter utføres isotrop transformasjon for å sikre riktig størrelsesforhold mellom 3D-volumet (figur 2). Deretter brukes romlig filtrering på det opprinnelige 3D-volumet (figur 3) for å eliminere interferenssignaler fra pasientsofaen til CT-utstyret (figur 4). For å få 3D-konturen av hele lungen utføres bildesegmentering på hver skanning (figur 5) for å lage et binært lungebilde (figur 6). Basert på lungens 3D-kontur rekonstrueres hele lungens 3D-volum (figur 7) og visualiseres i 3D (figur 8). For det dominante lesjonsområdet (figur 9) kan en separat 3D-visualisering (figur 10) utføres for å nøye identifisere de detaljerte egenskapene til lesjonen.
Isovokseltransformasjon sikrer at samme skala opprettholdes i alle dimensjoner under etterfølgende behandling. Figur 2 viser stykkevisningen etter isovokseltransformasjon. I dette grafiske brukergrensesnittet (GUI) kan man se de komplette rå 3D-volumdataene.
Figur 3 og figur 4 viser den romlige filtreringsprosessen som brukes til å fjerne sengesignalinterferens fra CT-utstyret. Uten dette kan bilder med støyende signaler ikke fullføre segmenteringen av lungestrukturer i påfølgende trinn.
Figur 5 og figur 6 illustrerer lungekonturekstraksjonsfunksjonen, som automatisk kan trekke ut lungekonturer og gi grunnforutsetninger for senere 3D-rekonstruksjon av lungestrukturer.
Figur 7 og figur 8 viser 3D-rekonstruksjonen av hele lungen, som viser den romlige fordelingen av lungevev og multiple lungeknuter. Ved å eliminere signalforstyrrelser fra vev utenfor lungene, kan den romlige plasseringen, størrelsen og konsentrasjonen av flere lungeknuter avbildes nøyaktig.
Figur 9 og figur 10 viser 3D-visualiseringen av de dominante lungeknutene av interesse. På grunn av utelukkelse av signalforstyrrelser fra utsiden av lungene, forbedres kontrasten til bildene. Evnen til å observere 3D-strukturen fra alle vinkler gjør det mulig for leger å gjøre mer nøyaktige vurderinger om lesjonsfunksjonene til de dominerende lungeknutene.
Figur 1: Plott av bilder. Plottet viser plasseringen av bilder basert på filnavnsekvensen. Klikk her for å se en større versjon av denne figuren.
Figur 2: GUI for 3D-volum stykkevisning. Grafisk brukergrensesnitt (GUI) for visning av deler av 3D-volumet etter Isovoxel-transformasjon. Klikk her for å se en større versjon av denne figuren.
Figur 3: Referansegrensespredningsmatrise. Matrisen som representerer referansegrensespredning for romlig filtrering. Klikk her for å se en større versjon av denne figuren.
Figur 4: 3D-volumskivevisning etter romlig filtrering. Visning av stykker fra 3D-volumet etter bruk av romlig filtrering. Klikk her for å se en større versjon av denne figuren.
Figur 5: Bildesegmenterings-GUI. Grafisk brukergrensesnitt (GUI) for Image Segmenter-verktøyet. Klikk her for å se en større versjon av denne figuren.
Figur 6: Resultat av skyggefylling i lungeområdet. Det resulterende bildet etter å ha fylt svarte skygger i lungeområdet ved hjelp av "Fyll hull" -knappen. Klikk her for å se en større versjon av denne figuren.
Figur 7 3D-lungerekonstruksjon med multiple lungeknuter. 3D-rekonstruksjon av hele lungen viser tidlig multiple lungeknuter. Klikk her for å se en større versjon av denne figuren.
Figur 8: Interaktiv GUI for 3D-lungevolumvisning. Interaktivt grafisk brukergrensesnitt (GUI) for visning og manipulering av hele 3D-lungevolumet. Klikk her for å se en større versjon av denne figuren.
Figur 9: Snittvisning for navigering i dominant lungeknuteområde. Stykkevisning for navigering i regionen som inneholder dominerende lungeknuter innenfor hele 3D-lungevolumet. Klikk her for å se en større versjon av denne figuren.
Figur 10: 3D-visualisering av dominant lungeknute. Tredimensjonal visualisering av den dominerende lungeknuten i lungevolumet. Klikk her for å se en større versjon av denne figuren.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Denne forskningen introduserer en unik tilnærming for å skape en komplett tredimensjonal (3D) rekonstruksjon av hele lungen, ved hjelp av avanserte medisinske bildebehandlingsteknikker for å avgrense lungens 3D-form midt i konteksten av en full brystskanning. Denne teknikken gir en mer presis og grundig skildring av romlig arrangement og radiologiske egenskaper av tidlige multiple knuter over hele lungen. Denne studien gir et verdifullt bidrag til å øke nøyaktigheten og effekten av diagnostiske og behandlingsstrategier for personer med tidlig flere lungeknuter.
Kritiske skritt
I denne studien ble flere kritiske trinn identifisert som avgjørende for protokollens suksess: (1) Sortering og arrangering av DICOM-skanningssekvenskoordinater for å generere et nøyaktig 3D-volum av lungeskanningen (trinn 1.2.2); (2) Isotrop transformasjon for å sikre riktig størrelsesforhold mellom 3D-volumet, noe som er avgjørende for påfølgende 3D-rekonstruksjon (trinn 1.3.4); (3) Rekonstruksjon av hele lungen ved hjelp av en tidlig modell for flere lungeknuter, som gjør det mulig å identifisere det dominerende lungeknuteområdet (trinn 4.1); (4) Detaljert visualisering og undersøkelse av det lokale området som inneholder den dominerende lesjonen (trinn 5.2).
Endringer og feilsøking
Segmenteringen av lungevevstrukturer kan påvirkes av gråtonegrenseforskyvningen i skannesekvensen, noe som potensielt kan føre til unøyaktig bildesegmentering i noen skanninger. Ved unøyaktig segmentering kan et separat filter (gjentatt trinn 3) utformes for å oppnå presise lungevevskonturer. Å opprettholde den høyeste presisjonen i isovokseltransformasjon16,17 er avgjørende for å sikre nøyaktig utnyttelse av data. Disse trinnene forventes å bli mer intelligente og automatiserte i fremtiden. Med utviklingen av storskala medisinske bildemodeller er presis konturidentifikasjon gjennom datasyn også en viktig retning for fremtidig utvikling11.
Begrensninger
Forenklet implementering av lungekonturekstraksjon kan føre til feil ved grensen til lungens 3D-kontur, som potensielt påvirker visualiseringen av små knuter nær lungekanten. Virkningen av denne begrensningen er imidlertid minimal ved visualisering av det dominerende lesjonsområdet ved flere lungeknuter.
Betydning i forhold til eksisterende metoder
Sammenlignet med datasynsmetoder, gir denne metoden en omfattende representasjon av lungevevstruktur, inkludert forholdet mellom flere lungeknuter og lungevev, samtidig som man unngår problemene med falske positiver og falske negativer. I tillegg filtrerer den effektivt ut signalinterferens fra andre vevstrukturer, noe som fører til mer presise og nøyaktige diagnoser med forbedret kontrast og klarhet.
Fremtidige applikasjoner
Denne 3D-visualiseringsmetoden har betydelig potensial for ulike kliniske applikasjoner, for eksempel å legge til rette for lege-pasientkommunikasjon, muliggjøre presis diagnose, støtte datadrevet bevisbasert klassifisering, hjelpe til med behandlingsplanlegging og evaluere prognose. Det kan bistå i preoperativ planlegging, gi intraoperativ navigasjon for kirurgisk fjerning av flere lungeknuter, og overvåke endringer i knutestørrelse og form over tid for å vurdere behandlingseffektiviteten. Samlet sett har den kapasitet til å forbedre klinisk beslutningstaking i diagnostisering og behandling av flere lungeknuter.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har ingen interessekonflikter å opplyse. Programvareverktøyet for lungeknutemodellrekonstruksjon, oppført i materialfortegnelsen i denne studien, er en kommersiell programvare fra Beijing Intelligent Entropy Science & Technology Co Ltd. De immaterielle rettighetene til dette programvareverktøyet tilhører selskapet.
Acknowledgments
Denne publikasjonen ble støttet av den femte nasjonale tradisjonell kinesisk medisin klinisk gode talenter forskningsprogram organisert av National Administration of tradisjonell kinesisk medisin. Den offisielle nettverkskoblingen er 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).
