Erken Multipl Pulmoner Nodüllü Tüm Akciğere Üç Boyutlu Rekonstrüksiyon
Summary
Bu çalışma, erken multipl pulmoner nodülleri olan hastalarda tüm akciğer için üç boyutlu (3D) bir rekonstrüksiyon yöntemi sunmaktadır. Nodül dağılımının ve akciğer dokusu ile etkileşiminin kapsamlı bir görselleştirmesini sunarak, bu hastalar için tanı ve prognozun değerlendirilmesini basitleştirir.
Abstract
Erken multipl pulmoner nodülleri olan hastalar için, tanısal bir bakış açısıyla, bu nodüllerin tüm akciğer boyunca uzaysal dağılımını, boyutunu, yerini ve çevresindeki akciğer dokusu ile ilişkisini belirlemek esastır. Bu, birincil lezyonu tanımlamak ve doktorlar için daha bilimsel temelli tedavi planları geliştirmek için çok önemlidir. Bununla birlikte, makine görüşüne dayalı örüntü tanıma yöntemleri, yanlış pozitiflere ve yanlış negatiflere karşı hassastır ve bu nedenle bu konudaki klinik talepleri tam olarak karşılayamaz. Maksimum yoğunluk projeksiyonuna (MIP) dayalı görselleştirme yöntemleri, lokal ve bireysel pulmoner nodülleri daha iyi gösterebilir, ancak çoklu pulmoner nodüllerin dağılımı ve uzamsal özelliklerinin makroskopik ve bütünsel bir tanımından yoksundur.
Bu nedenle, bu çalışma tüm akciğer 3D rekonstrüksiyon yöntemini önermektedir. Tüm akciğerin arka planına karşı tıbbi görüntü işleme teknolojisini kullanarak akciğerin 3D konturunu çıkarır ve akciğer, pulmoner arter ve çoklu pulmoner nodüllerin 3D uzayda 3D rekonstrüksiyonunu gerçekleştirir. Bu yöntem, tüm akciğer boyunca çoklu nodüllerin uzamsal dağılımını ve radyolojik özelliklerini kapsamlı bir şekilde tasvir edebilir ve çoklu pulmoner nodüllerin tanı ve prognozunu değerlendirmek için basit ve kullanışlı bir araç sağlar.
Introduction
Akciğerde küçük, yuvarlak büyümeler olan erken multipl pulmoner nodüller iyi huylu veya kötü huylu olabilir 1,2,3. Soliter pulmoner nodüllerin tanı ve tedavisi daha kolay olmasına rağmen, erken multipl pulmoner nodülleri olan hastalar önemli tanı ve tedavi zorluklarıyla karşı karşıyadır. Etkili tedavi planları geliştirmek için, bu nodüllerin tüm akciğer boyunca mekansal dağılımını, boyutunu, yerini ve çevresindeki akciğer dokusu ile ilişkisini doğru bir şekilde tanımlamak esastır 4,5. Geleneksel tanı yöntemlerinin erken multipl pulmoner nodülleri doğru bir şekilde tanımlamada sınırlamaları vardır.
Tıbbi görüntü işleme teknolojisi ve makine öğrenimi algoritmalarındaki son gelişmeler, erken pulmoner nodül tespiti ve teşhisinin doğruluğunu ve verimliliğini artırma potansiyeline sahiptir. Makine görüşüne dayalı örüntü tanıma yöntemleri ve maksimum yoğunluk projeksiyonuna (MIP) dayalı görselleştirme yöntemleri gibi çeşitli yaklaşımlar önerilmiştir6,7,8,9,10. Bununla birlikte, bu yöntemler yanlış pozitifler, yanlış negatifler 11,12,13,14,15 ve erken multipl pulmoner nodüllerin dağılımı ve uzamsal özelliklerinin makroskopik ve bütünsel tanımlarının olmaması gibi sınırlamalardan muzdariptir.
Bu sınırlamaları ele almak için, bu çalışma, akciğerin 3D konturunu tüm göğüs taramasının arka planına karşı çıkarmak için tıbbi görüntü işleme teknolojisini kullanan bir tüm akciğer 3D rekonstrüksiyon yöntemi önermektedir. Yöntem daha sonra akciğer, pulmoner arter ve erken multipl pulmoner nodüllerin 3D alanda 3D rekonstrüksiyonunu gerçekleştirir. Bu yaklaşım, tüm akciğerdeki erken multipl nodüllerin uzamsal dağılımının ve radyolojik özelliklerinin daha kapsamlı ve doğru bir temsilini sağlar.
Önerilen yöntem birkaç temel adımı içerir. İlk olarak, tıbbi görüntüler 3D görüntü işleme yazılımına aktarılır ve eşik tabanlı bir segmentasyon tekniği kullanılarak akciğer bölgesi çıkarılır. Akabinde çıkarılan akciğer bölgesi, çevresindeki göğüs duvarından ve göğüs omurlarının kemiksi yapılarından ayrılır. Erken multipl pulmoner nodüller ve çevredeki kan damarları ile ilişkileri daha sonra maksimum yoğunluk projeksiyonu (MIP) algoritmaları kullanılarak 3B uzayda yeniden yapılandırılır. Son olarak, daha fazla analiz için akciğer, pulmoner arter ve nodüllerin yeniden yapılandırılmış 3D modeli görüntülenir.
Bu yöntemin mevcut yöntemlere göre çeşitli avantajları vardır. 2D görüntülere dayanan geleneksel yöntemlerin aksine, bu yöntem erken multipl pulmoner nodüllerin daha doğru ve kapsamlı bir temsilini sağlamak için 3D hacmi kullanır. Yöntem ayrıca, örüntü tanıma yöntemleri ve MIP görselleştirme yöntemleriyle ilişkili yanlış pozitiflerin ve yanlış negatiflerin sınırlamalarının üstesinden gelir. Ayrıca, bu yöntem, etkili tedavi planları geliştirmek için gerekli olan erken multipl pulmoner nodüllerin dağılımının ve mekansal özelliklerinin makroskopik ve bütünsel bir tanımını sağlar.
Önerilen yöntemin erken multipl pulmoner nodüllerin tanı ve tedavisinde çeşitli potansiyel uygulamaları vardır. Erken multipl nodüllerin mekansal dağılımının ve radyolojik özelliklerinin doğru tanımlanması, akciğer kanserinin erken tanı ve tedavisine yardımcı olabilir. Ayrıca yöntem, hastalığın ilerlemesini izlemek ve tedavi planlarının etkinliğini değerlendirmek için kullanılabilir.
Makine görüşüne dayalı örüntü tanıma yöntemleri6,7,8, pulmoner nodüllerin tanımlanmasında umut vaat etmektedir, ancak yanlış pozitifler ve yanlış negatifler gibi sınırlamalardan muzdariptir. Öte yandan, MIP görselleştirme yöntemleri, tek tek nodüllerin daha doğru bir temsilini sağlar, ancak erken multipl nodüllerin dağılımı ve uzamsal özelliklerinin makroskopik ve bütünsel bir tanımından yoksundur. Önerilen tüm akciğer 3D rekonstrüksiyon yöntemi bu sınırlamaların üstesinden gelir ve erken multipl pulmoner nodüllerin daha doğru ve kapsamlı bir temsilini sağlar.
İzovoksel dönüşümü16,17, farklı voksel boyutlarına sahip 3B görüntüleri, tek tip voksel boyutlarına sahip 3B görüntülere dönüştürme işlemini ifade eder. Tıbbi görüntü işleme alanında, 3B hacimler genellikle çeşitli boyutlardaki voksellerden oluşur ve bu da hesaplama ve görselleştirme sorunlarına yol açabilir. İzovoksel dönüşümünün amacı, orijinal 3B ciltteki vokselleri yeniden örnekleyerek ve enterpolasyon yaparak bu sorunları ele almak ve tutarlı voksel boyutlarına sahip yeni bir 3B görüntü elde etmektir. Bu teknik, görüntü kaydı, segmentasyon ve görselleştirme dahil olmak üzere çeşitli tıbbi bağlamlarda uygulamalar bulur. Bu nedenle, bu çalışma, akciğerin 3D konturunu tüm göğüs taramasının arka planına karşı çıkarmak için tıbbi görüntü işleme teknolojisini kullanan bir tüm akciğer 3D rekonstrüksiyon yöntemi önerdi. Yöntem, tüm akciğer boyunca erken multipl nodüllerin uzamsal dağılımının ve radyolojik özelliklerinin daha doğru ve kapsamlı bir temsilini sağlar. Bu çalışma, erken multipl pulmoner nodüllü hastalar için daha doğru ve etkili tanı ve tedavi stratejilerinin geliştirilmesine katkıda bulunmaktadır.
Protocol
Representative Results
Discussion
Bu araştırma, tam bir göğüs taraması bağlamında akciğerin 3D şeklini tanımlamak için gelişmiş tıbbi görüntü işleme tekniklerini kullanarak, tüm akciğerin tam bir üç boyutlu (3D) rekonstrüksiyonunu oluşturmak için benzersiz bir yaklaşım sunmaktadır. Bu teknik, tüm akciğerdeki erken multipl nodüllerin uzamsal düzenlemesinin ve radyolojik özelliklerinin daha kesin ve kapsamlı bir tasvirini sunar. Bu çalışma, erken multipl pulmoner nodülleri olan bireyler için tanı ve tedavi stratejil…
Divulgaciones
The authors have nothing to disclose.
Acknowledgements
Bu yayın, Ulusal Geleneksel Çin Tıbbı İdaresi tarafından düzenlenen beşinci ulusal geleneksel Çin tıbbı klinik mükemmel yetenekler araştırma programı tarafından desteklenmiştir. Resmi ağ bağlantısı 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).
