מודל דיגיטלי תלת ממדי לאבחון וטיפול בגושים ריאתיים
Summary
מטרת מחקר זה היא לפתח מודל דיגיטלי תלת-ממדי חדשני של גושים ריאתיים המשמש גשר תקשורת בין רופאים לחולים ומהווה גם כלי חדשני לאבחון מוקדם ולהערכה פרוגנוסטית.
Abstract
השחזור התלת-ממדי (3D) של גושים ריאתיים באמצעות תמונות רפואיות הציג גישות טכניות חדשות לאבחון וטיפול בגושים ריאתיים, וגישות אלה זוכות בהדרגה להכרה ואומצו על ידי רופאים וחולים. עם זאת, בניית מודל דיגיטלי תלת-ממדי אוניברסלי יחסית של גושים ריאתיים לאבחון וטיפול היא מאתגרת בשל הבדלי מכשירים, זמני צילום וסוגי קשריות. מטרת מחקר זה היא להציע מודל דיגיטלי תלת ממדי חדש של גושים ריאתיים המשמש גשר בין רופאים לחולים ומהווה גם כלי חדשני לאבחון מוקדם והערכה פרוגנוסטית . שיטות רבות לזיהוי וזיהוי קשריות ריאתיות מונעות בינה מלאכותית משתמשות בטכניקות למידה עמוקה כדי ללכוד את התכונות הרדיולוגיות של גושים ריאתיים, ושיטות אלה יכולות להשיג ביצועים טובים מתחת לעקומה (AUC). עם זאת, תוצאות חיוביות שגויות ושליליות שגויות ממשיכות להוות אתגר עבור רדיולוגים וקלינאים. הפרשנות והביטוי של תכונות מנקודת המבט של סיווג ובדיקה של קשריות ריאה עדיין אינם מספקים. במחקר זה מוצעת שיטה לשחזור תלת-ממדי רציף של הריאה כולה במיקומים אופקיים ועטרתיים על ידי שילוב טכנולוגיות עיבוד תמונה רפואיות קיימות. בהשוואה לשיטות ישימות אחרות, שיטה זו מאפשרת למשתמשים לאתר במהירות גושים ריאתיים ולזהות את תכונותיהם הבסיסיות תוך התבוננות בגושים ריאתיים מנקודות מבט מרובות, ובכך לספק כלי קליני יעיל יותר לאבחון וטיפול בגושים ריאתיים.
Introduction
השכיחות העולמית של גושים ריאתיים משתנה, אך ההערכה המקובלת היא כי לכ-30% מהמבוגרים יש לפחות קשרית ריאתית אחת הנראית בצילומי חזה1. שכיחות קשריות ריאה גבוהה יותר באוכלוסיות ספציפיות, כגון מעשנים כבדים ובעלי היסטוריה של סרטן ריאות או מחלות ריאה אחרות. חשוב לציין כי לא כל גושי הריאה הם ממאירים, אך יש צורך בהערכה יסודית כדי לשלול ממאירות2. גילוי מוקדם ואבחון של סרטן ריאות חיוניים לשיפור שיעורי ההישרדות, ובדיקות סקר קבועות עם טומוגרפיה ממוחשבת במינון נמוך (LDCT) מומלצות לאנשים בסיכון גבוה. שיטות רבות לזיהוי וזיהוי קשריות ריאתיות 3,4,5,6,7 מונעות בינה מלאכותית משתמשות בטכניקות למידה עמוקה כדי ללכוד את התכונות הרדיולוגיות של גושים ריאתיים, ושיטות אלה יכולות להשיג שטח טוב מתחת לעקומה (AUC) ביצועים. עם זאת, תוצאות חיוביות שגויות ושליליות שגויות ממשיכות להוות אתגר עבור רדיולוגים וקלינאים. הפרשנות והביטוי של תכונות מנקודת המבט של סיווג ובדיקה של קשריות ריאה עדיין אינם מספקים. במקביל, שחזור תלת ממדי של גושים ריאתיים המבוססים על LDCT זכה לתשומת לב גוברת כמודל דיגיטלי עבור סוגים שונים של גושים.
שחזור 3D של גושים ריאתיים הוא תהליך שיוצר ייצוג 3D של גידול קטן או גוש בריאה. תהליך זה כולל בדרך כלל יישום של טכניקות ניתוח תמונה רפואית הממנפות הן מומחיות רפואית והן גישות מודיעין נתונים. המודל הדיגיטלי התלת-ממדי המתקבל מציע תיאור מפורט ומדויק יותר של הגולם, ומאפשר הדמיה וניתוח משופרים של גודלו, צורתו ויחסיו המרחביים עם רקמות הריאה הסובבות אותו 8,9,10,11,12. מידע כזה יכול לסייע באבחון ומעקב אחר גושים ריאתיים, במיוחד אלה החשודים כסרטניים. על ידי הקלה על ניתוח מדויק יותר, שחזור 3D של גושים ריאתיים יש פוטנציאל לשפר את דיוק האבחון וליידע החלטות טיפול.
הקרנה בעוצמה מרבית (MIP) היא טכניקה פופולרית בתחום השחזור התלת-ממדי של גושים ריאתיים ומשמשת ליצירת הקרנה דו-ממדית של תמונה תלת-ממדית 8,9,10,11,12 היא שימושית במיוחד בהדמיה של נתונים נפחיים שחולצו מקבצי הדמיה דיגיטלית ותקשורת ברפואה (DICOM) שנסרקו על ידי CT. טכניקת MIP פועלת על ידי בחירת הווקסלים (היחידות הקטנות ביותר של נתוני נפח תלת-ממדיים) בעוצמה הגבוהה ביותר לאורך כיוון הצפייה והקרנתם על מישור דו-ממדי. התוצאה היא תמונה דו-ממדית המדגישה את המבנים בעלי העוצמה הגבוהה ביותר ומדכאת את אלה בעלי העוצמה הנמוכה יותר, מה שמקל על זיהוי וניתוח תכונות רלוונטיות 9,10,11,12. עם זאת, MIP אינו נטול מגבלות. לדוגמה, תהליך ההקרנה עלול לגרום לאובדן מידע, והתמונה הדו-ממדית המתקבלת עשויה שלא לייצג במדויק את המבנה התלת-ממדי של האובייקט שמתחתיו. עם זאת, MIP נותר כלי רב ערך לדימות והדמיה רפואית, והשימוש בו ממשיך להתפתח עם התקדמות הטכנולוגיה וכוח המחשוב11.
במחקר זה פותח מודל MIP עוקב להדמיית גושים ריאתיים קל לשימוש, ידידותי למשתמש עבור רדיולוגים, רופאים וחולים, ומאפשר זיהוי והערכה של תכונות גושים ריאתיים. היתרונות העיקריים של גישת עיבוד זו כוללים את ההיבטים הבאים: (1) ביטול תוצאות חיוביות שגויות ושליליות שגויות הנובעות מזיהוי דפוסים, המאפשר התמקדות בסיוע לרופאים לקבל מידע מקיף יותר על המיקום, הצורה והגודל התלת-ממדי של גושי ריאה, כמו גם הקשר שלהם לכלי הדם הסובבים אותם; (2) לאפשר לרופאים מומחים לרכוש ידע מקצועי במאפייני קשריות הריאה גם ללא סיוע של רדיולוגים; ו-(3) שיפור יעילות התקשורת בין רופאים למטופלים והערכת פרוגנוזה.
Protocol
Representative Results
Discussion
להתקני LDCT שונים יש הבדלים משמעותיים ברצפי התמונה של DICOM שהם מפיקים, במיוחד במונחים של ניהול מערכת הקבצים. לכן, כדי לשחזר את המודל הדיגיטלי התלת-ממדי המרכזי של קשרית ריאתית בשלבים מאוחרים יותר של הפרוטוקול, שלב עיבוד הנתונים חשוב במיוחד. בשלב הכנת הנתונים והעיבוד המוקדם (שלב 1.2.2), ניתן למיין ?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
פרסום זה נתמך על ידי התוכנית הלאומית החמישית לחקר כישרונות קליניים מצוינים ברפואה סינית מסורתית שאורגנה על ידי המנהל הלאומי לרפואה סינית מסורתית (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 |
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).
