早期多発性肺結節を有する全肺の三次元再構成
Summary
この研究では、早期の多発性肺結節患者の肺全体の3次元(3D)再建方法を紹介します。結節の分布と肺組織との相互作用を包括的に視覚化し、これらの患者の診断と予後の評価を簡素化します。
Abstract
早期の多発性肺結節を有する患者の場合、診断の観点から、肺全体にわたるこれらの結節の空間分布、サイズ、位置、および周囲の肺組織との関係を決定することが不可欠です。これは、原発病変を特定し、医師にとってより科学的根拠のある治療計画を立てるために重要です。しかし、マシンビジョンに基づくパターン認識法は、偽陽性や偽陰性の影響を受けやすいため、この点に関する臨床的要求を完全に満たすことはできません。最大強度投影法(MIP)に基づく可視化法は、局所的および個々の肺結節をよりよく説明できますが、複数の肺結節の分布と空間的特徴の巨視的および全体的な記述が欠けています。
そこで、本研究では、全肺3次元再構成法を提案する。医用画像処理技術を用いて肺全体の背景から肺の3次元輪郭を抽出し、肺、肺動脈、複数の肺結節を3次元空間で3次元再構成します。この方法は、肺全体にわたる複数の結節の空間分布と放射線学的特徴を包括的に描写することができ、複数の肺結節の診断と予後を評価するための簡単で便利な手段を提供します。
Introduction
初期の多発性肺結節は、肺の小さな丸い成長であり、良性または悪性である可能性があります1,2,3。孤立性肺結節は診断と治療が容易であるが、早期の多発性肺結節を有する患者は、診断と治療に重大な課題に直面している。効果的な治療計画を立てるためには、肺全体にわたってこれらの結節の空間分布、サイズ、位置、および周囲の肺組織との関係を正確に特定することが不可欠です4,5。従来の診断方法では、早期の多発性肺結節を正確に特定するには限界があります。
近年の医用画像処理技術や機械学習アルゴリズムの進歩により、肺結節の早期発見・診断の精度・効率向上が期待されています。マシンビジョンに基づくパターン認識手法や、最大強度投影法(MIP)に基づく可視化手法など、様々なアプローチが提案されている6,7,8,9,10。ただし、これらの方法は、偽陽性、偽陰性 11、12、13、14、15、および初期の多発性肺結節の分布と空間的特徴の巨視的および全体的な説明の欠如などの制限に悩まされています。
これらの限界に対処するために、本研究では、医用画像処理技術を利用して、胸部全体のスキャンを背景に肺の3次元輪郭を抽出する全肺3次元再構成法を提案します。次に、肺、肺動脈、および初期の多発性肺結節の3D再構成を3D空間で行います。このアプローチにより、肺全体にわたる初期の多発性結節の空間分布と放射線学的特徴をより包括的かつ正確に表現することができます。
提案手法には、いくつかの重要なステップがあります。まず、医用画像を3D画像処理ソフトウェアにインポートし、閾値ベースのセグメンテーション技術を使用して肺領域を抽出します。続いて、抽出された肺領域は、周囲の胸壁および胸椎の骨構造から分離される。次に、初期の多発性肺結節と周囲の血管との関係を、最大強度投影(MIP)アルゴリズムを使用して3D空間で再構築します。最後に、肺、肺動脈、結節の再構成された3Dモデルが表示され、さらに分析されます。
この方法には、既存の方法に比べていくつかの利点があります。2D画像に依存する従来の方法とは異なり、この方法は3Dボリュームを利用して、初期の多発性肺結節をより正確かつ包括的に表現します。また、この手法は、パターン認識手法やMIP可視化手法に関連する偽陽性や偽陰性の限界を克服しています。さらに、この方法は、効果的な治療計画を立てるために不可欠な、早期の多発性肺結節の分布と空間的特徴の巨視的および全体的な説明を提供します。
提案手法は、早期多発性肺結節の診断と治療に応用できる可能性を秘めています。早期多発性結節の空間分布と放射線学的特徴を正確に特定することは、肺がんの早期診断と治療に役立ちます。さらに、この方法は、疾患の進行を監視し、治療計画の有効性を評価するために使用できます。
マシンビジョンに基づくパターン認識法6,7,8は、肺結節の同定において有望であることが示されているが、偽陽性や偽陰性などの限界に悩まされている。一方、MIP可視化法は、個々の結節をより正確に表現しますが、初期の複数の結節の分布と空間的特徴の巨視的および全体的な記述を欠いています。提案された全肺3D再建法は、これらの制限を克服し、初期の多発性肺結節のより正確で包括的な表現を提供します。
等ボクセル変換16,17は、異なるボクセルサイズの3D画像を均一なボクセルサイズの3D画像に変換するプロセスを指します。医用画像処理の分野では、3D ボリュームはさまざまなサイズのボクセルで構成されることが多く、計算や視覚化の問題につながる可能性があります。アイソボクセル変換の目的は、元の 3D ボリュームのボクセルをリサンプリングして補間することでこれらの問題に対処し、一貫したボクセル サイズを持つ新しい 3D 画像を作成することです。この手法は、画像レジストレーション、セグメンテーション、視覚化など、さまざまな医療コンテキストで応用されています。そこで本研究では、医用画像処理技術を用いて、胸部全体のスキャンを背景に肺の3次元輪郭を抽出する全肺3次元再構成法を提案した。この方法は、肺全体にわたる初期の多発性結節の空間分布と放射線学的特徴をより正確かつ包括的に表現します。この研究は、早期の多発性肺結節患者に対するより正確で効果的な診断および治療戦略の開発に貢献します。
Protocol
Representative Results
Discussion
この研究は、高度な医用画像処理技術を使用して、胸部全体の完全な3D形状を描写し、肺全体の完全な3次元(3D)再構成を作成するための独自のアプローチを導入しています。この技術は、肺全体にわたる初期の複数の結節の空間的配置と放射線学的特徴をより正確かつ完全に描写します。この研究は、早期の多発性肺結節を有する個人の診断および治療戦略の精度と有効性を高めることに貴重…
Offenlegungen
The authors have nothing to disclose.
Acknowledgements
この出版物は、国家中医薬管理局が主催する第5回全国漢方薬臨床優秀人材研究プログラムの支援を受けました。公式ネットワークリンクは http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html です。
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 |
Referenzen
- 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).
