Driedimensionale reconstructie voor de hele long met vroege meervoudige longknobbeltjes
Summary
Deze studie introduceert een driedimensionale (3D) reconstructiemethode voor de gehele long bij patiënten met vroege meervoudige longknobbeltjes. Het biedt een uitgebreide visualisatie van de verdeling van knobbeltjes en hun wisselwerking met longweefsel, waardoor de beoordeling van diagnose en prognose voor deze patiënten wordt vereenvoudigd.
Abstract
Voor patiënten met vroege meervoudige longknobbeltjes is het vanuit diagnostisch perspectief essentieel om de ruimtelijke verdeling, grootte, locatie en relatie met het omliggende longweefsel van deze knobbeltjes door de hele long te bepalen. Dit is cruciaal voor het identificeren van de primaire laesie en het ontwikkelen van meer wetenschappelijk onderbouwde behandelplannen voor artsen. Patroonherkenningsmethoden op basis van machine vision zijn echter gevoelig voor vals-positieven en vals-negatieven en kunnen daarom niet volledig voldoen aan de klinische eisen op dit gebied. Visualisatiemethoden op basis van projectie met maximale intensiteit (MIP) kunnen lokale en individuele longknobbeltjes beter illustreren, maar missen een macroscopische en holistische beschrijving van de verdeling en ruimtelijke kenmerken van meerdere longknobbeltjes.
Daarom stelt deze studie een 3D-reconstructiemethode voor de hele long voor. Het extraheert de 3D-contour van de long met behulp van medische beeldverwerkingstechnologie tegen de achtergrond van de hele long en voert 3D-reconstructie uit van de long, longslagader en meerdere longknobbeltjes in de 3D-ruimte. Deze methode kan de ruimtelijke verdeling en radiologische kenmerken van meerdere knobbeltjes in de hele long uitgebreid weergeven, en biedt een eenvoudige en handige manier om de diagnose en prognose van meerdere longknobbeltjes te evalueren.
Introduction
Vroege meervoudige longknobbeltjes, dit zijn kleine, ronde gezwellen op de longen, kunnen goedaardig of kwaadaardig zijn 1,2,3. Hoewel solitaire longknobbeltjes gemakkelijker te diagnosticeren en te behandelen zijn, worden patiënten met vroege meervoudige longknobbeltjes geconfronteerd met aanzienlijke diagnostische en behandelingsuitdagingen. Om effectieve behandelplannen te ontwikkelen, is het essentieel om de ruimtelijke verdeling, grootte, locatie en relatie met het omliggende longweefsel van deze knobbeltjes in de hele long nauwkeurig te identificeren 4,5. Traditionele diagnostische methoden hebben beperkingen bij het nauwkeurig identificeren van vroege meervoudige longknobbeltjes.
Recente ontwikkelingen op het gebied van medische beeldverwerkingstechnologie en machine learning-algoritmen hebben het potentieel om de nauwkeurigheid en efficiëntie van vroege detectie en diagnose van longknobbeltjes te verbeteren. Er zijn verschillende benaderingen voorgesteld, zoals patroonherkenningsmethoden op basis van machine vision en visualisatiemethoden op basis van maximale intensiteitsprojectie (MIP)6,7,8,9,10. Deze methoden hebben echter te lijden onder beperkingen zoals vals-positieven, vals-negatieven 11,12,13,14,15 en gebrek aan macroscopische en holistische beschrijvingen van de verspreiding en ruimtelijke kenmerken van vroege meervoudige longknobbeltjes.
Om deze beperkingen aan te pakken, stelt deze studie een 3D-reconstructiemethode voor de hele long voor die gebruik maakt van medische beeldverwerkingstechnologie om de 3D-contour van de long te extraheren tegen de achtergrond van de hele thoraxscan. De methode voert vervolgens een 3D-reconstructie uit van de long, de longslagader en vroege meerdere longknobbeltjes in de 3D-ruimte. Deze benadering zorgt voor een uitgebreidere en nauwkeurigere weergave van de ruimtelijke verdeling en radiologische kenmerken van vroege meervoudige knobbeltjes in de hele long.
De voorgestelde methode omvat een aantal belangrijke stappen. Eerst worden de medische beelden geïmporteerd in de 3D-beeldverwerkingssoftware en wordt het longgebied geëxtraheerd met behulp van een op drempels gebaseerde segmentatietechniek. Vervolgens wordt het geëxtraheerde longgebied gescheiden van de omringende borstwand en de benige structuren van de borstwervels. De vroege meervoudige longknobbeltjes en hun relatie met omliggende bloedvaten worden vervolgens gereconstrueerd in de 3D-ruimte met behulp van MIP-algoritmen (Maximum Intensity Projection S). Ten slotte wordt het gereconstrueerde 3D-model van de long, longslagader en knobbeltjes weergegeven voor verdere analyse.
Deze methode heeft verschillende voordelen ten opzichte van bestaande methoden. In tegenstelling tot traditionele methoden die afhankelijk zijn van 2D-beelden, maakt deze methode gebruik van 3D-volume om een nauwkeurigere en uitgebreidere weergave te geven van vroege meervoudige longknobbeltjes. De methode overwint ook de beperkingen van fout-positieven en fout-negatieven die verband houden met patroonherkenningsmethoden en MIP-visualisatiemethoden. Bovendien biedt deze methode een macroscopische en holistische beschrijving van de verspreiding en ruimtelijke kenmerken van vroege meervoudige longknobbeltjes, wat essentieel is voor het ontwikkelen van effectieve behandelplannen.
De voorgestelde methode heeft verschillende potentiële toepassingen bij de diagnose en behandeling van vroege meervoudige longknobbeltjes. De nauwkeurige identificatie van de ruimtelijke verdeling en radiologische kenmerken van vroege meervoudige knobbeltjes kan helpen bij de vroege diagnose en behandeling van longkanker. Bovendien kan de methode worden gebruikt om de progressie van de ziekte te volgen en de effectiviteit van behandelplannen te evalueren.
Patroonherkenningsmethoden 6,7,8 op basis van machine vision zijn veelbelovend gebleken bij het identificeren van longknobbeltjes, maar hebben last van beperkingen zoals vals-positieven en vals-negatieven. MIP-visualisatiemethoden bieden daarentegen een nauwkeurigere weergave van individuele knobbeltjes, maar missen een macroscopische en holistische beschrijving van de verspreiding en ruimtelijke kenmerken van vroege meervoudige knobbeltjes. De voorgestelde 3D-reconstructiemethode voor de hele long overwint deze beperkingen en biedt een nauwkeurigere en uitgebreidere weergave van vroege meervoudige longknobbeltjes.
Isovoxel-transformatie16,17 verwijst naar het proces waarbij 3D-afbeeldingen met verschillende voxelgroottes worden omgezet in 3D-afbeeldingen met uniforme voxelgroottes. Op het gebied van medische beeldverwerking zijn 3D-volumes vaak samengesteld uit voxels met verschillende groottes, wat kan leiden tot reken- en visualisatieproblemen. Het doel van isovoxeltransformatie is om deze problemen aan te pakken door de voxels in het oorspronkelijke 3D-volume opnieuw te samplen en te interpoleren, wat resulteert in een nieuw 3D-beeld met consistente voxelgroottes. Deze techniek vindt toepassingen in verschillende medische contexten, waaronder beeldregistratie, segmentatie en visualisatie. Daarom stelde deze studie een 3D-reconstructiemethode voor de hele long voor die gebruik maakt van medische beeldverwerkingstechnologie om de 3D-contour van de long te extraheren tegen de achtergrond van de hele thoraxscan. De methode biedt een nauwkeurigere en uitgebreidere weergave van de ruimtelijke verdeling en radiologische kenmerken van vroege meervoudige knobbeltjes in de hele long. Deze studie draagt bij aan de ontwikkeling van nauwkeurigere en effectievere diagnostische en behandelingsstrategieën voor patiënten met vroege meervoudige longknobbeltjes.
Protocol
Representative Results
Discussion
Dit onderzoek introduceert een unieke benadering voor het maken van een volledige driedimensionale (3D) reconstructie van de gehele long, waarbij gebruik wordt gemaakt van geavanceerde medische beeldverwerkingstechnieken om de 3D-vorm van de long af te bakenen in de context van een volledige thoraxscan. Deze techniek biedt een nauwkeurigere en grondigere weergave van de ruimtelijke rangschikking en radiologische kenmerken van vroege meervoudige knobbeltjes over de hele long. Deze studie levert een waardevolle bijdrage aa…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Deze publicatie werd ondersteund door het vijfde nationale onderzoeksprogramma voor klinische excellente talenten in de traditionele Chinese geneeskunde, georganiseerd door de National Administration of Traditional Chinese Medicine. De officiële netwerkverbinding is 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. 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).
