Summary
Este estudo introduz um método de reconstrução tridimensional (3D) para todo o pulmão em pacientes com nódulos pulmonares múltiplos precoces. Oferece uma visualização abrangente da distribuição dos nódulos e sua interação com o tecido pulmonar, simplificando a avaliação do diagnóstico e prognóstico desses pacientes.
Abstract
Para pacientes com nódulos pulmonares múltiplos precoces, é essencial, do ponto de vista diagnóstico, determinar a distribuição espacial, tamanho, localização e relação com o tecido pulmonar circundante desses nódulos em todo o pulmão. Isso é crucial para identificar a lesão primária e desenvolver planos de tratamento mais embasados cientificamente para os médicos. No entanto, métodos de reconhecimento de padrões baseados em visão mecânica são suscetíveis a falsos positivos e falsos negativos e, portanto, não podem atender plenamente às demandas clínicas a esse respeito. Métodos de visualização baseados em projeção de intensidade máxima (PImáx) podem ilustrar melhor nódulos pulmonares locais e individuais, mas carecem de uma descrição macroscópica e holística da distribuição e das características espaciais de múltiplos nódulos pulmonares.
Portanto, este estudo propõe um método de reconstrução 3D de pulmão inteiro. Ele extrai o contorno 3D do pulmão usando tecnologia de processamento de imagem médica contra o fundo de todo o pulmão e realiza a reconstrução 3D do pulmão, artéria pulmonar e múltiplos nódulos pulmonares no espaço 3D. Este método pode descrever de forma abrangente a distribuição espacial e as características radiológicas de múltiplos nódulos ao longo de todo o pulmão, fornecendo um meio simples e conveniente de avaliar o diagnóstico e o prognóstico de múltiplos nódulos pulmonares.
Introduction
Nódulos pulmonares múltiplos precoces, que são pequenos crescimentos arredondados no pulmão, podem ser benignos ou malignos 1,2,3. Embora os nódulos pulmonares solitários sejam mais fáceis de diagnosticar e tratar, os pacientes com nódulos pulmonares múltiplos precoces enfrentam desafios diagnósticos e terapêuticos significativos. Para desenvolver planos de tratamento eficazes, é essencial identificar com precisão a distribuição espacial, tamanho, localização e relação com o tecido pulmonar circundante desses nódulos ao longo de todo o pulmão 4,5. Os métodos diagnósticos tradicionais têm limitações na identificação precisa de múltiplos nódulos pulmonares precoces.
Avanços recentes na tecnologia de processamento de imagens médicas e algoritmos de aprendizado de máquina têm o potencial de melhorar a precisão e a eficiência da detecção e diagnóstico precoce de nódulos pulmonares. Várias abordagens têm sido propostas, como métodos de reconhecimento de padrões baseados em visão mecânica e métodos de visualização baseados em projeção de intensidade máxima (MIP)6,7,8,9,10. Entretanto, esses métodos sofrem de limitações como falsos positivos, falsos negativos11,12,13,14,15 e falta de descrições macroscópicas e holísticas da distribuição e características espaciais dos nódulos pulmonares múltiplos precoces.
Para abordar essas limitações, este estudo propõe um método de reconstrução 3D de pulmão inteiro que utiliza tecnologia de processamento de imagens médicas para extrair o contorno 3D do pulmão no contexto de todo o exame de tórax. O método então realiza a reconstrução 3D do pulmão, artéria pulmonar e nódulos pulmonares múltiplos precoces no espaço 3D. Esta abordagem permite uma representação mais abrangente e precisa da distribuição espacial e das características radiológicas dos nódulos múltiplos precoces ao longo de todo o pulmão.
O método proposto envolve várias etapas fundamentais. Primeiramente, as imagens médicas são importadas para o software de processamento de imagens 3D, e a região pulmonar é extraída usando uma técnica de segmentação baseada em limiares. Posteriormente, a região pulmonar extraída é separada da parede torácica circundante e das estruturas ósseas das vértebras torácicas. Os múltiplos nódulos pulmonares precoces e sua relação com os vasos sanguíneos circundantes são então reconstruídos no espaço 3D usando algoritmos de projeção de intensidade máxima (MIP). Finalmente, o modelo 3D reconstruído do pulmão, artéria pulmonar e nódulos é exibido para análise posterior.
Este método tem várias vantagens sobre os métodos existentes. Ao contrário dos métodos tradicionais que se baseiam em imagens 2D, este método utiliza o volume 3D para fornecer uma representação mais precisa e abrangente dos múltiplos nódulos pulmonares precoces. O método também supera as limitações de falsos positivos e falsos negativos associados a métodos de reconhecimento de padrões e métodos de visualização de PImáx. Além disso, este método fornece uma descrição macroscópica e holística da distribuição e das características espaciais dos múltiplos nódulos pulmonares precoces, o que é essencial para o desenvolvimento de planos de tratamento eficazes.
O método proposto tem várias aplicações potenciais no diagnóstico e tratamento de nódulos pulmonares múltiplos precoces. A identificação precisa da distribuição espacial e das características radiológicas dos nódulos múltiplos precoces pode auxiliar no diagnóstico e tratamento precoce do câncer de pulmão. Além disso, o método pode ser usado para monitorar a progressão da doença e avaliar a eficácia dos planos de tratamento.
Os métodos de reconhecimento de padrões 6,7,8 baseados em visão mecânica têm se mostrado promissores na identificação de nódulos pulmonares, mas sofrem de limitações como falsos positivos e falsos negativos. Os métodos de visualização da MIP, por outro lado, fornecem uma representação mais precisa dos nódulos individuais, mas carecem de uma descrição macroscópica e holística da distribuição e das características espaciais dos nódulos múltiplos iniciais. O método de reconstrução 3D de pulmão inteiro proposto supera essas limitações e fornece uma representação mais precisa e abrangente de nódulos pulmonares múltiplos precoces.
A transformação de Isovoxel16,17 refere-se ao processo de conversão de imagens 3D com diferentes tamanhos de voxels em imagens 3D com tamanhos de voxels uniformes. No campo do processamento de imagens médicas, os volumes 3D são frequentemente compostos de voxels com tamanhos variados, o que pode levar a problemas computacionais e de visualização. O objetivo da transformação de isovoxel é resolver essas questões reamostrando e interpolando os voxels no volume 3D original, resultando em uma nova imagem 3D com tamanhos de voxels consistentes. Essa técnica encontra aplicações em vários contextos médicos, incluindo registro, segmentação e visualização de imagens. Assim, este estudo propôs um método de reconstrução 3D de pulmão inteiro que utiliza tecnologia de processamento de imagens médicas para extrair o contorno 3D do pulmão no contexto de todo o exame de tórax. O método fornece uma representação mais precisa e abrangente da distribuição espacial e das características radiológicas dos nódulos múltiplos precoces ao longo de todo o pulmão. Este estudo contribui para o desenvolvimento de estratégias diagnósticas e terapêuticas mais precisas e eficazes para pacientes com nódulos pulmonares múltiplos precoces.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Para o presente estudo, a autorização ética foi obtida do Comitê de Ética do Hospital Dongzhimen, afiliado à Universidade de Medicina Chinesa de Pequim (DZMEC-KY-2019.90). Neste caso específico, uma descrição metódica da abordagem de pesquisa é apresentada, delineando um caso envolvendo uma paciente de 65 anos com múltiplos nódulos pulmonares. Esta paciente forneceu consentimento informado para seu diagnóstico por meio de modelagem digital e autorizou o uso de seus dados para fins de pesquisa científica. A função de reconstrução do modelo é derivada de uma ferramenta de software disponível comercialmente (consulte Tabela de Materiais).
1. Preparação de dados e transformação de isovoxel
- DICOM (Digital Imaging and Communications in Medicine) preparação de dados e propriedades de dados
NOTA: A variação nos parâmetros permanece relativamente pouco afetada pela metodologia da pesquisa.- Copie os dados DICOM do paciente para um diretório de trabalho definido.
- Usando o navegador de arquivos, examine cada diretório de arquivos para identificar a sequência de imagens com o maior número de camadas de varredura para análise.
- Utilize a função Dicominfo dentro do MATLAB fornecendo arquivos DICOM como parâmetros de entrada. Isso permitirá que você extraia parâmetros essenciais, como espessura de fatia e espaçamento de pixel, diretamente no ambiente MATLAB.
Observação : esses parâmetros têm importância significativa na configuração da taxa de exibição para o volume 3D. No caso do conjunto de dados utilizado neste estudo, a espessura de corte mediu 1 mm, o espaçamento entre pixels foi de 0,7188 mm e um total de 387 camadas foram digitalizadas.
- Classificação correta dos dados digitalizados
NOTA: A sequência de cada imagem deve ser classificada para construção de volume.- Recupere os dados de localização de cada imagem usando a função Dicominfo . Acesse as informações de localização referenciando informações. SliceLocation no espaço de trabalho MATLAB.
- Salve os dados de localização em uma variável usando a função SliceLocation e gere um gráfico para ela (Figura 1).
- Aprimore o gráfico adicionando um ponto de dados a ele usando o botão Dicas de Dados situado no canto superior direito da GUI. Esse dado deve marcar a localização máxima da sequência normal, que corresponde à localização mais alta na imagem do paciente (Figura 1).
- Organize todas as imagens classificando-as e, em seguida, extraia as imagens que vão desde o primeiro local até o local máximo. Para conseguir isso invocando a função VolumeResort .
- Proteja os dados de volume, que consistem em 512 pixels por 512 pixels por 340 camadas, das imagens válidas junto com seu índice classificado. Essas informações serão valiosas para referência futura, particularmente no contexto da identificação de nódulos importantes.
- Transformação de Isovoxel
NOTA: A transformação 3D do Isovoxel permite o processamento subsequente para manter a mesma escala de exibição em todas as dimensões.- Examine a escala tridimensional de um volume 3D, que é de 512 pixels x 512 pixels x 340 camadas, usando a função de tamanho no Matlab.
- Para visualizar o volume 3D (Figura 2) usando a função de comando Slice_View, registre a faixa de varredura de sequência contendo os pulmões de 60 a 340. Em seguida, basta usar o comando V1=V0(:,:,60:340) para obter um volume 3D contendo todos os dados de todo o pulmão. O tamanho da V1 é de 512 pixels x 512 pixels x 281 camadas.
- Utilize a função de comando MATLAB dicominfo para obter a espessura de fatia da sequência de imagens, que é de 1 mm, e o espaçamento de pixels é de 0,7188. Calcule o número de eixos z para a transformação isovoxel com o comando: round (281 x 1/0,7188). O número de camadas para a transformação do isovoxel deve ser 391.
- Use a função de comando Matlab imresize3 para executar a transformação isovoxel na V1. Execute o script usando o comando V2=imresize3(V1, [512, 512, 391]). Em seguida, use a função 3D_Slice_View para visualizar o volume 3D transformado em isovoxel (Figura 3).
2. Remoção da interferência sonora causada pelo equipamento de Tomografia Computadorizada (TC)
OBS: Na Figura 2 é visível o sinal de alta intensidade que representa o sofá do paciente do equipamento de TC, o que pode interferir na segmentação da imagem. Para eliminar essa interferência, é necessário um design de filtro espacial.
- Utilize o botão Dicas de Dados na Figura 2 para adicionar pontos de dados contínuos na interface interativa. Isso permitirá criar uma linha conectando esses pontos, excluindo efetivamente o sofá do paciente. Em seguida, clique com o botão direito do mouse nas Dicas de Dados e selecione Exportar Dados do Cursor para o Espaço de Trabalho para exportar o limite de referência para filtragem espacial para o espaço de trabalho MATLAB (Figura 3). A matriz de dispersão de limite, neste caso, é denominada 'CI'.
- Invoque a função Noise_Clean para aplicar filtragem espacial à V2, usando o parâmetro de entrada 'CI' do espaço de trabalho. Esta operação produzirá um volume 3D que remove o sinal de interferência do equipamento de TC. Finalmente, use a função Slice_View comando para visualizar o volume resultante, como demonstrado na Figura 4.
3. Extração do contorno pulmonar
- Comece selecionando uma fatia para servir como um modelo dentro da GUI exibida na Figura 4. Por exemplo, escolha a imagem 232 para o design de segmentação de imagem e atribua-a a uma variável 'I' usando o comando I=V2(:,:,232). Em seguida, abra a GUI do MATLAB Image Segmenter executando o comando imageSegmenter(I), conforme ilustrado na Figura 5.
- A Figura 5 mostra uma matriz de ferramentas de segmentação de imagem. Para iniciar, selecione a ferramenta Cluster Automático na barra de ferramentas na parte superior e execute o comando clicando no botão esquerdo do mouse. A imagem será automaticamente dividida em duas classes. Dado o processo de denoização realizado na etapa 2.2, a segmentação da imagem nesta fase torna-se relativamente simples.
- Em seguida, clique no botão Mostrar binário no canto superior direito para exibir a imagem em binário preto e branco. Neste ponto, a região pulmonar aparecerá preta. Para tornar a região pulmonar branca, selecione o botão Inverter Máscara na barra de ferramentas superior e execute o comando clicando no botão esquerdo do mouse.
- Para eliminar a cor branca fora da área pulmonar, selecione o botão Limpar bordas na barra de ferramentas superior e execute-o clicando com o botão esquerdo do mouse. Após essa etapa, apenas a área pulmonar de cor branca permanecerá. No entanto, quaisquer sombras negras remanescentes dentro da área pulmonar neste ponto precisam ser preenchidas. Para conseguir isso, selecione o botão Fill Holes na barra de ferramentas e o resultado depois de clicar no botão é mostrado na Figura 6.
- Todos os passos envolvidos na segmentação da imagem pulmonar são apresentados no GUI da Figura 6 , no canto inferior esquerdo. Ao clicar no botão Exportar no canto superior direito, salve essas etapas automatizadas como uma função para segmentação de região pulmonar de processamento em lote. No Editor de Scripts pop-up, clique no botão Salvar para salvar a função no diretório de trabalho atual.
4.3D reconstrução para todo o pulmão com múltiplos nódulos pulmonares
NOTA: Tomar o produto ponto da imagem de segmentação pulmonar de cada imagem com a imagem original é equivalente a realizar filtragem espacial 3D sobre o volume, filtrando efetivamente sinais de interferência fora dos pulmões e obtendo a estrutura 3D dos pulmões.
- Inicie a função 3Dlung_Volume no espaço de trabalho MATLAB.
Observação : esta função conduz a segmentação de imagem em cada imagem usando a saída da etapa 3.5. Em seguida, executa uma operação de produto de ponto entre a máscara pulmonar binária e a imagem original para gerar um novo volume 3D contendo exclusivamente tecido pulmonar. Na GUI (Figura 7) que aparece após o término da função, pode-se visualizar e executar operações de Projeção de Intensidade Máxima (MIP) em todo o volume pulmonar 3D. - Dentro da GUI, localize o primeiro menu suspenso no canto superior direito. Selecione Projeção MIP e, em seguida, escolha o mapa de cores do jato nas opções de mapas coloridos integrados abaixo. Em seguida, no menu suspenso localizado no canto superior direito da quarta visualização (Visualização de Volume 3D), selecione Maximizar. Essa ação produzirá um volume 3D pulmonar inteiro (Figura 8) que pode ser observado de qualquer ângulo, movido e manipulado conforme necessário.
NOTA: Na seção de interação humano-computador ilustrada na Figura 8, pode-se ajustar o ângulo de visão livremente mantendo pressionado o botão esquerdo do mouse e movendo-o. Rolar o botão do meio do mouse permite aumentar ou diminuir o zoom. - Para operações avançadas de aprimoramento de contraste e cor, utilize o painel de controle no lado direito da GUI.
5. Foco no exame dos nódulos pulmonares dominantes
NOTA: No espaço 3D (Figura 8), a área de lesão dominante entre múltiplos nódulos pulmonares torna-se nitidamente visível. O número, o tamanho e a concentração desses nódulos são características críticas da lesão dominante, oferecendo informações valiosas na avaliação da doença.
- Mais uma vez, invoque a função Slice_View , mas desta vez insira todo o volume 3D do pulmão obtido na etapa 4.2. Dentro da GUI resultante (Figura 9), use a barra de rolagem inferior para navegar até a região onde os nódulos pulmonares dominantes estão situados, abrangendo varreduras de 48 a 70.
- Prossiga chamando a função 3Dlung_Horizon para conduzir a reconstrução 3D da Região de Interesse (ROI) abrangendo as seções 48 a 70 de todo o volume 3D do pulmão. Essa ação gerará uma interface GUI adaptada para a visualização de nódulos pulmonares, conforme ilustrado na Figura 10. Dentro dessa GUI, pode-se explorar as características detalhadas da lesão de vários ângulos.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Na etapa de pré-processamento dos dados, a classificação dos dados DICOM deve ser o primeiro passo (Figura 1) para garantir a sequência correta de varredura para cada camada durante a reconstrução 3D. Em seguida, é realizada a transformação isotrópica para garantir a proporção correta do volume 3D (Figura 2). Em seguida, a filtragem espacial é aplicada ao volume 3D original (Figura 3) para eliminar os sinais de interferência do sofá do paciente do equipamento de TC (Figura 4). Para obter o contorno 3D de todo o pulmão, a segmentação da imagem é realizada em cada exame (Figura 5) para criar uma imagem binária do pulmão (Figura 6). Com base no contorno 3D do pulmão, todo o volume pulmonar 3D é reconstruído (Figura 7) e visualizado em 3D (Figura 8). Para a área da lesão dominante (Figura 9), uma visualização 3D separada (Figura 10) pode ser realizada para identificar cuidadosamente as características detalhadas da lesão.
A transformação Isovoxel garante que a mesma escala seja mantida em todas as dimensões durante o processamento subsequente. A Figura 2 exibe a exibição de fatia após a transformação do isovoxel. Nesta interface gráfica do usuário (GUI), pode-se visualizar os dados brutos completos do volume 3D.
A Figura 3 e a Figura 4 demonstram o processo de filtragem espacial utilizado para remover a interferência do sinal do leito do equipamento de TC. Sem isso, imagens com sinais ruidosos não podem completar a segmentação das estruturas pulmonares nas etapas subsequentes.
A Figura 5 e a Figura 6 ilustram a função de extração do contorno pulmonar, que pode extrair automaticamente os contornos pulmonares, fornecendo as condições básicas para a posterior reconstrução 3D das estruturas pulmonares.
A Figura 7 e a Figura 8 mostram a reconstrução 3D de todo o pulmão, revelando a distribuição espacial dos tecidos pulmonares e múltiplos nódulos pulmonares. Ao eliminar a interferência de sinal de tecidos fora dos pulmões, a localização espacial, o tamanho e a concentração de múltiplos nódulos pulmonares podem ser descritos com precisão.
A Figura 9 e a Figura 10 mostram a visualização 3D dos nódulos pulmonares dominantes de interesse. Devido à exclusão de interferência de sinal de fora dos pulmões, o contraste das imagens é melhorado. A capacidade de observar a estrutura 3D de qualquer ângulo permite que os médicos façam julgamentos mais precisos sobre as características da lesão dos nódulos pulmonares dominantes.
Figura 1: Gráfico de localização das imagens. O gráfico exibe a localização das imagens com base em sua sequência de nome de arquivo. Clique aqui para ver uma versão maior desta figura.
Figura 2: GUI para visualização de fatia de volume 3D. Interface gráfica do usuário (GUI) para visualização de fatias do volume 3D após a transformação do Isovoxel. Clique aqui para ver uma versão maior desta figura.
Figura 3: Matriz de dispersão de limite de referência. A matriz que representa a dispersão de limite de referência para filtragem espacial. Clique aqui para ver uma versão maior desta figura.
Figura 4: Visualização da fatia de volume 3D após filtragem espacial. Visualização de fatias do volume 3D após a aplicação da filtragem espacial. Clique aqui para ver uma versão maior desta figura.
Figura 5: GUI do segmentador de imagens. Interface Gráfica do Usuário (GUI) da ferramenta Segmentador de Imagens. Clique aqui para ver uma versão maior desta figura.
Figura 6: Resultado do preenchimento da sombra da área pulmonar. A imagem resultante após o preenchimento de sombras pretas na área pulmonar usando o botão "Preencher buracos". Clique aqui para ver uma versão maior desta figura.
Figura 7: Reconstrução pulmonar 3D com múltiplos nódulos pulmonares. Reconstrução 3D de todo o pulmão mostrando nódulos pulmonares múltiplos precoces. Clique aqui para ver uma versão maior desta figura.
Figura 8: GUI interativa para visualização 3D do volume pulmonar. Interface gráfica do usuário (GUI) interativa para visualização e manipulação de todo o volume pulmonar 3D. Clique aqui para ver uma versão maior desta figura.
Figura 9: Corte para navegação na área do nódulo pulmonar dominante. Corte para navegar na região que contém nódulos pulmonares dominantes dentro de todo o volume pulmonar 3D. Clique aqui para ver uma versão maior desta figura.
Figura 10: Visualização 3D do nódulo pulmonar dominante. Visualização tridimensional do nódulo pulmonar dominante dentro do volume pulmonar. Clique aqui para ver uma versão maior desta figura.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Esta pesquisa introduz uma abordagem única para criar uma reconstrução tridimensional (3D) completa de todo o pulmão, empregando técnicas avançadas de processamento de imagens médicas para delinear a forma 3D do pulmão em meio ao contexto de uma varredura torácica completa. Esta técnica oferece uma representação mais precisa e completa do arranjo espacial e das características radiológicas dos nódulos múltiplos precoces em todo o pulmão. Este estudo faz uma valiosa contribuição para aumentar a acurácia e a eficácia de estratégias diagnósticas e terapêuticas para indivíduos com nódulos pulmonares múltiplos precoces.
Etapas críticas
Neste estudo, várias etapas críticas foram identificadas como essenciais para o sucesso do protocolo: (1) Classificar e organizar as coordenadas da sequência DICOM para gerar um volume 3D preciso do exame pulmonar (passo 1.2.2); (2) Transformação isotrópica para garantir a proporção correta do volume 3D, que é crucial para a reconstrução 3D subsequente (etapa 1.3.4); (3) Reconstrução de todo o pulmão com modelo de múltiplos nódulos pulmonares precoces, permitindo a identificação da área do nódulo pulmonar dominante (passo 4.1); (4) Visualização e exame detalhados da área local que contém a lesão dominante (passo 5.2).
Modificações e solução de problemas
A segmentação das estruturas do tecido pulmonar pode ser afetada pelo deslocamento do limiar em escala de cinza na sequência de varredura, potencialmente resultando em segmentação imprecisa da imagem em alguns exames. Em casos de segmentação imprecisa, um filtro separado (repetindo a etapa 3) pode ser projetado para obter contornos precisos do tecido pulmonar. Manter a mais alta precisão na transformação do isovoxel16,17 é crucial para garantir a utilização precisa dos dados. Espera-se que essas etapas se tornem mais inteligentes e automatizadas no futuro. Com o avanço dos modelos de imagens médicas em larga escala, a identificação precisa do contorno por meio da visão computacional também é uma direção importante para o desenvolvimento futuro11.
Limitações
A implementação simplificada da extração do contorno pulmonar pode levar a erros no limite do contorno 3D do pulmão, potencialmente afetando a visualização de pequenos nódulos próximos à borda pulmonar. Entretanto, o impacto dessa limitação é mínimo na visualização da área da lesão dominante em casos de múltiplos nódulos pulmonares.
Importância em relação aos métodos existentes
Em comparação com as abordagens de visão computacional, este método oferece uma representação abrangente da estrutura do tecido pulmonar, incluindo as relações entre múltiplos nódulos pulmonares e tecido pulmonar, evitando as questões de falsos positivos e falsos negativos. Além disso, filtra efetivamente a interferência de sinal de outras estruturas teciduais, levando a diagnósticos mais precisos e precisos com contraste e clareza aprimorados.
Aplicações futuras
Este método de visualização 3D tem um potencial substancial para várias aplicações clínicas, como facilitar a comunicação médico-paciente, permitir um diagnóstico preciso, apoiar a classificação baseada em evidências baseada em dados, auxiliar no planejamento do tratamento e avaliar o prognóstico. Pode auxiliar no planejamento pré-operatório, fornecer navegação intraoperatória para a remoção cirúrgica de múltiplos nódulos pulmonares e monitorar as mudanças no tamanho e na forma do nódulo ao longo do tempo para avaliar a eficácia do tratamento. De modo geral, tem a capacidade de melhorar a tomada de decisão clínica no diagnóstico e tratamento de múltiplos nódulos pulmonares.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Os autores não têm conflitos de interesse a declarar. A ferramenta de software para reconstrução de modelos de nódulos pulmonares, listada na Tabela de Materiais deste estudo, é um software comercial da Beijing Intelligent Entropy Science & Technology Co Ltd. Os direitos de propriedade intelectual desta ferramenta de software pertencem à empresa.
Acknowledgments
Esta publicação foi apoiada pelo quinto programa nacional de pesquisa de excelentes talentos clínicos da medicina tradicional chinesa, organizado pela Administração Nacional de Medicina Tradicional Chinesa. O link de rede oficial é 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).
