폐 결절의 진단 및 치료를 위한 3D 디지털 모델
Summary
이 연구의 목적은 의사와 환자 간의 의사 소통 다리 역할을 하고 사전 진단 및 예후 평가를 위한 최첨단 도구이기도 한 폐 결절의 새로운 3D 디지털 모델을 개발하는 것입니다.
Abstract
의료 영상을 이용한 폐 결절의 3차원(3D) 재구성은 폐 결절의 진단 및 치료를 위한 새로운 기술적 접근법을 도입했으며, 이러한 접근법은 의사와 환자에 의해 점진적으로 인정되고 채택되고 있습니다. 그럼에도 불구하고 진단 및 치료를 위한 폐 결절의 비교적 보편적인 3D 디지털 모델을 구축하는 것은 장치 차이, 촬영 시간 및 결절 유형으로 인해 어렵습니다. 이 연구의 목적은 의사와 환자 사이의 다리 역할을 하고 사전 진단 및 예후 평가를 위한 최첨단 도구이기도 한 폐결절의 새로운 3D 디지털 모델을 제안하는 것입니다. 많은 AI 기반 폐 결절 감지 및 인식 방법은 딥 러닝 기술을 사용하여 폐 결절의 방사선학적 특징을 캡처하며 이러한 방법은 우수한 AUC(Area under-the-curve) 성능을 달성할 수 있습니다. 그러나 위양성 및 위음성은 방사선 전문의와 임상의에게 여전히 어려운 과제입니다. 폐 결절 분류 및 검사의 관점에서 특징의 해석과 표현은 여전히 불만족 스럽다. 본 연구에서는 기존의 의료영상 처리 기술을 접목하여 수평 및 관상 위치에서 폐 전체를 연속적으로 3D 재구성하는 방법을 제안하였다. 다른 적용 가능한 방법과 비교하여 이 방법을 사용하면 폐 결절을 신속하게 찾고 기본 특성을 식별하는 동시에 여러 관점에서 폐 결절을 관찰할 수 있으므로 폐 결절의 진단 및 치료를 위한 보다 효과적인 임상 도구를 제공할 수 있습니다.
Introduction
폐 결절의 전 세계 발생률은 다양하지만, 일반적으로 성인의 약 30%가 흉부 방사선 사진에서 하나 이상의 폐 결절을 볼 수 있는 것으로 추정된다1. 폐 결절의 발병률은 흡연이 심한 사람과 폐암 또는 기타 폐 질환의 병력이 있는 사람과 같은 특정 집단에서 더 높습니다. 모든 폐 결절이 악성인 것은 아니지만, 악성 종양을 배제하기 위해서는 철저한 평가가 필요하다는 점에 유의해야 한다2. 폐암의 조기 발견 및 진단은 생존율을 높이는 데 매우 중요하며 고위험군에게는 저선량 컴퓨터 단층 촬영(LDCT)을 통한 정기적인 검진이 권장됩니다. 많은 AI 기반 폐 결절 검출 및 인식 방법(3,4,5,6,7)은 딥 러닝 기술을 사용하여 폐 결절의 방사선학적 특징을 캡처하며, 이러한 방법은 AUC(Good Area Under the Curve) 성능을 달성할 수 있습니다. 그러나 위양성 및 위음성은 방사선 전문의와 임상의에게 여전히 어려운 과제입니다. 폐 결절 분류 및 검사의 관점에서 특징의 해석과 표현은 여전히 불만족 스럽다. 동시에 LDCT를 기반으로 한 폐 결절의 3D 재구성은 다양한 유형의 결절에 대한 디지털 모델로 주목을 받고 있습니다.
폐 결절의 3D 재건은 폐의 작은 성장 또는 덩어리를 3D로 표현하는 과정입니다. 이 프로세스에는 일반적으로 의료 전문 지식과 데이터 인텔리전스 접근 방식을 모두 활용하는 의료 영상 분석 기술의 적용이 포함됩니다. 결과적인 3D 디지털 모델은 결절의 보다 상세하고 정확한 묘사를 제공하여 결절의 크기, 모양 및 주변 폐 조직과의 공간적 관계의 개선된 시각화 및 분석을 가능하게 합니다(8,9,10,11,12). 이러한 정보는 폐 결절, 특히 암이 의심되는 폐 결절의 진단 및 모니터링에 도움이 될 수 있습니다. 보다 정확한 분석을 용이하게 함으로써 폐 결절의 3D 재건은 진단의 정확성을 높이고 치료 결정에 정보를 제공할 수 있는 잠재력을 가지고 있습니다.
최대 강도 투영(MIP)은 폐 결절의 3D 재구성 분야에서 널리 사용되는 기술이며 3D 이미지(8,9,10,11,12)의 2D 투영을 생성하는 데 사용되며 CT에 의해 스캔된 디지털 이미징 및 DICOM(Communications in Medicine) 파일로부터 추출된 체적 데이터의 시각화에 특히 유용합니다. MIP 기술은 시청 방향을 따라 강도가 가장 높은 복셀(3D 볼륨 데이터의 가장 작은 단위)을 선택하고 2D 평면에 투영하는 방식으로 작동합니다. 그 결과 강도가 가장 높은 구조를 강조하고 강도가 낮은 구조를 억제하는 2D 이미지가 생성되어 관련 특징(9,10,11,12)을 보다 쉽게 식별하고 분석할 수 있습니다. 그러나 MIP에 제한이 없는 것은 아닙니다. 예를 들어, 프로젝션 프로세스는 정보 손실을 초래할 수 있으며, 결과 2D 이미지는 기본 객체의 3D 구조를 정확하게 나타내지 않을 수 있습니다. 그럼에도 불구하고 MIP는 의료 영상 및 시각화를 위한 귀중한 도구로 남아 있으며, MIP의 사용은 기술 및 컴퓨팅 파워의 발전과 함께 계속 발전하고 있습니다11.
본 연구에서는 방사선 전문의, 의사, 환자 모두에게 사용하기 쉽고 사용자 친화적이며 폐 결절의 특성을 식별하고 추정할 수 있는 폐 결절을 시각화하는 연속적인 MIP 모델을 개발합니다. 이 처리 접근법의 주요 이점은 다음과 같은 측면을 포함한다 : (1) 패턴 인식에서 발생하는 위양성 및 위음성을 제거하여 의사가 폐 결절의 위치, 모양 및 3D 크기뿐만 아니라 주변 혈관 구조와의 관계에 대한보다 포괄적 인 정보를 얻도록 돕는 데 중점을 둘 수 있습니다. (2) 전문 의사가 방사선 전문의의 도움 없이도 폐 결절의 특성에 대한 전문 지식을 얻을 수 있도록 합니다. (3) 의사와 환자 간의 의사 소통 효율성과 예후 평가를 모두 향상시킵니다.
Protocol
Representative Results
Discussion
서로 다른 LDCT 디바이스는 특히 파일 시스템 관리 측면에서 출력하는 DICOM 이미지 시퀀스에 상당한 차이가 있습니다. 따라서, 프로토콜의 후기 단계에서 폐 결절의 주요 3D 디지털 모델을 재구성하기 위해서는 데이터 전처리 단계가 특히 중요합니다. 데이터 준비 및 전처리 단계(단계 1.2.2)에서 그림 1에 표시된 시퀀스를 사용하여 시퀀스 z축 좌표를 올바르게 정렬할 수 있으며…
Disclosures
The authors have nothing to disclose.
Acknowledgements
이 간행물은 http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html(National Administration of Traditional Chinese Medicine)에서 주관하는 제5회 전국 한의학 임상 우수 인재 연구 프로그램의 지원을 받았습니다.
Materials
| MATLAB | MathWorks | 2022B | Computing and visualization |
| Tools for Modeling | Intelligent Entropy |
PulmonaryNodule V1.0 | Beijing Intelligent Entropy Science & Technology Co Ltd. Modeling for CT/MRI fusion |
References
- Mazzone, P. J., Lam, L. Evaluating the patient with a pulmonary nodule: A review. JAMA. 327 (3), 264-273 (2022).
- MacMahon, H., et al. Guidelines for management of incidental pulmonary nodules detected on CT images: From the Fleischner Society 2017. Radiology. 284 (1), 228-243 (2017).
- Ather, S., Kadir, T., Gleeson, F. Artificial intelligence and radiomics in pulmonary nodule management: Current status and future applications. Clinical Radiology. 75 (1), 13-19 (2020).
- Bianconi, F., et al. Comparative evaluation of conventional and deep learning methods for semi-automated segmentation of pulmonary nodules on CT. Quantitative Imaging in Medicine and Surgery. 11 (7), 3286-3305 (2021).
- Christe, A., et al. Computer-aided diagnosis of pulmonary fibrosis using deep learning and CT images. Investigative Radiology. 54 (10), 627-632 (2019).
- Kim, Y., Park, J. Y., Hwang, E. J., Lee, S. M., Park, C. M. Applications of artificial intelligence in the thorax: A narrative review focusing on thoracic radiology. Journal of Thoracic Disease. 13 (12), 6943-6962 (2021).
- Schreuder, A., Scholten, E. T., van Ginneken, B., Jacobs, C. Artificial intelligence for detection and characterization of pulmonary nodules in lung cancer CT screening: Ready for practice. Translational Lung Cancer Research. 10 (5), 2378-2388 (2021).
- Gruden, J. F., Ouanounou, S., Tigges, S., Norris, S. D., Klausner, T. S. Incremental benefit of maximum-intensity-projection images on observer detection of small pulmonary nodules revealed by multidetector CT. American Journal of Roentgenology. 179 (1), 149-157 (2002).
- Guleryuz Kizil, P., Hekimoglu, K., Coskun, M., Akcay, S. Diagnostic importance of maximum intensity projection technique in the identification of small pulmonary nodules with computed tomography. Tuberk Toraks. 68 (1), 35-42 (2020).
- Valencia, R., et al. Value of axial and coronal maximum intensity projection (MIP) images in the detection of pulmonary nodules by multislice spiral CT: Comparison with axial 1-mm and 5-mm slices. European Radiology. 16, 325-332 (2006).
- Jabeen, N., Qureshi, R., Sattar, A., Baloch, M. Diagnostic accuracy of maximum intensity projection in diagnosis of malignant pulmonary nodules. Cureus. 11 (11), e6120 (2019).
- Naeem, M., et al. Comparison of maximum intensity projection and volume rendering in detecting pulmonary nodules on multidetector computed tomography. Cureus. 13 (3), e14025 (2021).
- Armato, S. G., et al. The lung image database consortium (LIDC) and image database resource initiative (IDRI): A completed reference database of lung nodules on CT scans. Medical Physics. 38 (2), 915-931 (2011).
- Xie, Y., et al. Knowledge-based collaborative deep learning for benign-malignant lung nodule classification on chest CT. IEEE Transactions on Medical Imaging. 38 (4), 991-1004 (2018).
- Zheng, S., et al. Automatic pulmonary nodule detection in CT scans using convolutional neural networks based on maximum intensity projection. IEEE Transactions on Medical Imaging. 39 (3), 797-805 (2019).
