早期多发性肺结节全肺三维重建
Summary
本研究介绍了早期多发性肺结节患者整个肺的三维 （3D） 重建方法。它提供了结节分布及其与肺组织相互作用的全面可视化，简化了这些患者的诊断和预后评估。
Abstract
对于早期多发性肺结节患者，从诊断的角度来看，必须确定这些结节在整个肺部的空间分布、大小、位置以及与周围肺组织的关系。这对于识别原发病变和为医生制定更有科学依据的治疗计划至关重要。然而，基于机器视觉的模式识别方法容易受到假阳性和假阴性的影响，因此不能完全满足这方面的临床需求。基于最大强度投影（MIP）的可视化方法可以更好地说明局部和单个肺结节，但缺乏对多个肺结节分布和空间特征的宏观和整体描述。
因此，本研究提出了一种全肺三维重建方法。它使用医学图像处理技术在整个肺部的背景下提取肺部的 3D 轮廓，并在 3D 空间中对肺、肺动脉和多个肺结节进行 3D 重建。该方法能够全面刻画全肺多发性结节的空间分布和放射学特征，为评估多发性肺结节的诊断和预后提供了一种简单方便的手段。
Introduction
早期多发性肺结节是肺部的小而圆形的生长物，可以是良性的，也可以是恶性的 1,2,3。虽然孤立性肺结节更容易诊断和治疗，但早期多发性肺结节患者面临着重大的诊断和治疗挑战。为了制定有效的治疗计划，必须准确识别这些结节在整个肺中的空间分布、大小、位置以及与周围肺组织的关系 4,5。传统的诊断方法在准确识别早期多发性肺结节方面存在局限性。
医学图像处理技术和机器学习算法的最新进展有可能提高早期肺结节检测和诊断的准确性和效率。已经提出了各种方法，例如基于机器视觉的模式识别方法和基于最大强度投影 （MIP） 的可视化方法6,7,8,9,10。然而，这些方法存在一些局限性，例如假阳性、假阴性11、12、13、14、15，以及缺乏对早期多发性肺结节分布和空间特征的宏观和整体描述。
为了解决这些局限性，本研究提出了一种全肺三维重建方法，该方法利用医学图像处理技术在全胸部扫描的背景下提取肺部的三维轮廓。然后，该方法在 3D 空间中对肺、肺动脉和早期多发性肺结节进行 3D 重建。这种方法可以更全面、更准确地表示整个肺部早期多发性结节的空间分布和放射学特征。
所提出的方法涉及几个关键步骤。首先，将医学图像导入到3D图像处理软件中，并使用基于阈值的分割技术提取肺部区域;随后，将提取的肺区域与周围的胸壁和胸椎的骨结构分开。然后使用最大强度投影 （MIP） 算法在 3D 空间中重建早期多发性肺结节及其与周围血管的关系。最后，显示重建的肺、肺动脉和结节的三维模型，以供进一步分析。
与现有方法相比，该方法具有几个优点。与依赖 2D 图像的传统方法不同，该方法利用 3D 体积来更准确、更全面地表示早期多发性肺结节。该方法还克服了与模式识别方法和MIP可视化方法相关的误报和漏报的局限性。此外，该方法对早期多发性肺结节的分布和空间特征进行了宏观和整体的描述，这对于制定有效的治疗方案至关重要。
该方法在早期多发性肺结节的诊断和治疗中具有多种潜在应用。准确识别早期多发性结节的空间分布和放射学特征，有助于肺癌的早期诊断和治疗。此外，该方法可用于监测疾病的进展并评估治疗计划的有效性。
基于机器视觉的模式识别方法6、7、8 在识别肺结节方面显示出前景，但存在假阳性和假阴性等局限性。另一方面，MIP可视化方法提供了更准确的单个结节表示，但缺乏对早期多发性结节的分布和空间特征的宏观和整体描述。所提出的全肺3D重建方法克服了这些局限性，并提供了更准确和全面的早期多发性肺结节表示。
等素变换16,17 是指将具有不同体素大小的 3D 图像转换为具有均匀体素大小的 3D 图像的过程。在医学图像处理领域，3D 体积通常由不同大小的体素组成，这可能导致计算和可视化问题。等体素变换的目的是通过对原始 3D 体积中的体素进行重新采样和插值来解决这些问题，从而生成具有一致体素大小的新 3D 图像。该技术在各种医疗环境中都有应用，包括图像配准、分割和可视化。因此，本研究提出了一种全肺三维重建方法，利用医学图像处理技术，在全胸部扫描的背景下提取肺部的三维轮廓。该方法可以更准确、更全面地表示整个肺早期多发性结节的空间分布和放射学特征。本研究有助于为早期多发性肺结节患者制定更准确、更有效的诊断和治疗策略。
Protocol
Representative Results
Discussion
这项研究引入了一种独特的方法，用于创建整个肺部的完整三维 （3D） 重建，采用先进的医学图像处理技术在全胸部扫描的背景下描绘肺部的 3D 形状。该技术可以更精确、更全面地描述整个肺部早期多发性结节的空间排列和放射学特征。本研究为提高早期多发性肺结节患者诊断和治疗策略的准确性和有效性做出了宝贵贡献。
关键步骤
在这项研究中，确定了几…
Divulgaciones
The authors have nothing to disclose.
Acknowledgements
该出版物由国家中医药管理局组织的第五届全国中医药临床优秀人才研究计划资助。官方网络链接 http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html。
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 |
Referencias
- 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).
