Dreidimensionale Rekonstruktion der gesamten Lunge bei frühen multiplen Lungenknoten
Summary
In dieser Studie wird eine dreidimensionale (3D) Rekonstruktionsmethode für die gesamte Lunge bei Patienten mit frühen multiplen Lungenknoten vorgestellt. Es bietet eine umfassende Visualisierung der Knötchenverteilung und ihres Zusammenspiels mit dem Lungengewebe und vereinfacht so die Beurteilung von Diagnose und Prognose für diese Patienten.
Abstract
Für Patienten mit frühen multiplen Lungenknoten ist es aus diagnostischer Sicht unerlässlich, die räumliche Verteilung, Größe, Lage und Beziehung dieser Knoten zum umgebenden Lungengewebe in der gesamten Lunge zu bestimmen. Dies ist entscheidend, um die primäre Läsion zu identifizieren und wissenschaftlich fundiertere Behandlungspläne für Ärzte zu entwickeln. Mustererkennungsverfahren, die auf maschinellem Sehen basieren, sind jedoch anfällig für falsch-positive und falsch-negative Ergebnisse und können daher die klinischen Anforderungen in dieser Hinsicht nicht vollständig erfüllen. Visualisierungsmethoden, die auf der Maximum-Intensitäts-Projektion (MIP) basieren, können lokale und individuelle Lungenknoten besser abbilden, aber es fehlt eine makroskopische und ganzheitliche Beschreibung der Verteilung und der räumlichen Merkmale mehrerer Lungenknoten.
Daher wird in dieser Studie eine 3D-Rekonstruktionsmethode für die gesamte Lunge vorgeschlagen. Es extrahiert die 3D-Kontur der Lunge mit medizinischer Bildverarbeitungstechnologie vor dem Hintergrund der gesamten Lunge und führt eine 3D-Rekonstruktion der Lunge, der Lungenarterie und mehrerer Lungenknoten im 3D-Raum durch. Mit dieser Methode lassen sich die räumliche Verteilung und die radiologischen Merkmale mehrerer Knoten in der gesamten Lunge umfassend darstellen und so die Diagnose und Prognose multipler Lungenknoten einfach und komfortabel beurteilen.
Introduction
Frühe multiple Lungenknoten, bei denen es sich um kleine, runde Wucherungen in der Lunge handelt, können gutartig oder bösartig sein 1,2,3. Obwohl solitäre Lungenknoten einfacher zu diagnostizieren und zu behandeln sind, stehen Patienten mit frühen multiplen Lungenknoten vor erheblichen diagnostischen und therapeutischen Herausforderungen. Um effektive Behandlungspläne zu entwickeln, ist es wichtig, die räumliche Verteilung, Größe, Lage und Beziehung dieser Knoten in der gesamten Lunge zum umgebenden Lungengewebe genau zu bestimmen 4,5. Herkömmliche diagnostische Methoden haben Einschränkungen bei der genauen Identifizierung früher multipler Lungenknoten.
Jüngste Fortschritte in der medizinischen Bildverarbeitungstechnologie und Algorithmen des maschinellen Lernens haben das Potenzial, die Genauigkeit und Effizienz der Früherkennung und Diagnose von Lungenknoten zu verbessern. Es wurden verschiedene Ansätze vorgeschlagen, wie z. B. Mustererkennungsverfahren, die auf maschinellem Sehen basieren, und Visualisierungsmethoden, die auf der Maximum-Intensitätsprojektion (MIP) basieren6,7,8,9,10. Diese Methoden leiden jedoch unter Einschränkungen wie falsch positiven, falsch negativen Ergebnissen 11,12,13,14,15 und dem Fehlen makroskopischer und ganzheitlicher Beschreibungen der Verteilung und der räumlichen Merkmale früher multipler Lungenknoten.
Um diese Einschränkungen zu beheben, schlägt diese Studie eine 3D-Rekonstruktionsmethode für die gesamte Lunge vor, die medizinische Bildverarbeitungstechnologie verwendet, um die 3D-Kontur der Lunge vor dem Hintergrund des gesamten Thoraxscans zu extrahieren. Die Methode führt dann eine 3D-Rekonstruktion der Lunge, der Lungenarterie und früher multipler Lungenknoten im 3D-Raum durch. Dieser Ansatz ermöglicht eine umfassendere und genauere Darstellung der räumlichen Verteilung und der radiologischen Merkmale früher multipler Knoten in der gesamten Lunge.
Die vorgeschlagene Methode umfasst mehrere wichtige Schritte. Zunächst werden die medizinischen Bilder in die 3D-Bildverarbeitungssoftware importiert und die Lungenregion mittels einer schwellenbasierten Segmentierungstechnik extrahiert. Anschließend wird die entnommene Lungenregion von der umgebenden Brustwand und den knöchernen Strukturen der Brustwirbel getrennt. Die frühen multiplen Lungenknoten und ihre Beziehung zu den umgebenden Blutgefäßen werden dann im 3D-Raum mit Hilfe von MIP-Algorithmen (Maximum Intensity Projection) rekonstruiert. Abschließend wird das rekonstruierte 3D-Modell der Lunge, der Lungenarterie und der Knoten zur weiteren Analyse angezeigt.
Diese Methode hat mehrere Vorteile gegenüber bestehenden Methoden. Im Gegensatz zu herkömmlichen Methoden, die auf 2D-Bildern basieren, nutzt diese Methode das 3D-Volumen, um eine genauere und umfassendere Darstellung früher multipler Lungenknoten zu ermöglichen. Die Methode überwindet auch die Einschränkungen von falsch positiven und falsch negativen Ergebnissen, die mit Mustererkennungsmethoden und MIP-Visualisierungsmethoden verbunden sind. Darüber hinaus liefert diese Methode eine makroskopische und ganzheitliche Beschreibung der Verteilung und der räumlichen Merkmale früher multipler Lungenknoten, die für die Entwicklung effektiver Behandlungspläne unerlässlich ist.
Die vorgeschlagene Methode hat mehrere potenzielle Anwendungen in der Diagnose und Behandlung von frühen multiplen Lungenknoten. Die genaue Identifizierung der räumlichen Verteilung und der radiologischen Merkmale früher multipler Knoten kann bei der frühzeitigen Diagnose und Behandlung von Lungenkrebs helfen. Darüber hinaus kann die Methode verwendet werden, um das Fortschreiten der Krankheit zu überwachen und die Wirksamkeit von Behandlungsplänen zu bewerten.
Mustererkennungsmethoden 6,7,8, die auf maschinellem Sehen basieren, haben sich bei der Identifizierung von Lungenknoten als vielversprechend erwiesen, leiden jedoch unter Einschränkungen wie falsch positiven und falsch negativen Ergebnissen. MIP-Visualisierungsmethoden hingegen liefern eine genauere Darstellung einzelner Knoten, aber es fehlt eine makroskopische und ganzheitliche Beschreibung der Verteilung und der räumlichen Merkmale früher multipler Knoten. Die vorgeschlagene 3D-Rekonstruktionsmethode für die gesamte Lunge überwindet diese Einschränkungen und bietet eine genauere und umfassendere Darstellung früher multipler Lungenknoten.
Die Isovoxel-Transformation16,17 bezieht sich auf den Prozess der Konvertierung von 3D-Bildern mit unterschiedlichen Voxelgrößen in 3D-Bilder mit einheitlichen Voxelgrößen. Im Bereich der medizinischen Bildverarbeitung bestehen 3D-Volumina häufig aus Voxeln unterschiedlicher Größe, was zu Rechen- und Visualisierungsproblemen führen kann. Der Zweck der Isovoxel-Transformation besteht darin, diese Probleme zu beheben, indem die Voxel im ursprünglichen 3D-Volumen neu abgetastet und interpoliert werden, was zu einem neuen 3D-Bild mit konsistenten Voxelgrößen führt. Diese Technik findet Anwendung in verschiedenen medizinischen Kontexten, einschließlich Bildregistrierung, Segmentierung und Visualisierung. Daher wurde in dieser Studie eine 3D-Rekonstruktionsmethode für die gesamte Lunge vorgeschlagen, die medizinische Bildverarbeitungstechnologie verwendet, um die 3D-Kontur der Lunge vor dem Hintergrund des gesamten Thoraxscans zu extrahieren. Die Methode ermöglicht eine genauere und umfassendere Darstellung der räumlichen Verteilung und der radiologischen Merkmale früher multipler Knoten in der gesamten Lunge. Diese Studie trägt dazu bei, genauere und effektivere Diagnose- und Behandlungsstrategien für Patienten mit frühen multiplen Lungenknoten zu entwickeln.
Protocol
Representative Results
Discussion
Diese Forschung stellt einen einzigartigen Ansatz zur Erstellung einer vollständigen dreidimensionalen (3D) Rekonstruktion der gesamten Lunge vor, bei dem fortschrittliche medizinische Bildverarbeitungstechniken eingesetzt werden, um die 3D-Form der Lunge im Kontext eines vollständigen Thoraxscans zu beschreiben. Diese Technik ermöglicht eine präzisere und gründlichere Darstellung der räumlichen Anordnung und der radiologischen Eigenschaften früher multipler Knoten in der gesamten Lunge. Diese Studie leistet einen…
Divulgaciones
The authors have nothing to disclose.
Acknowledgements
Diese Veröffentlichung wurde durch das fünfte nationale Forschungsprogramm für klinische exzellente Talente der Traditionellen Chinesischen Medizin unterstützt, das von der Nationalen Verwaltung für Traditionelle Chinesische Medizin organisiert wurde. Die offizielle Netzwerkverbindung ist 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).
