Reconstruction tridimensionnelle de l’ensemble du poumon avec des nodules pulmonaires multiples précoces
Summary
Cette étude introduit une méthode de reconstruction tridimensionnelle (3D) pour l’ensemble du poumon chez les patients présentant des nodules pulmonaires multiples précoces. Il offre une visualisation complète de la distribution des nodules et de leur interaction avec le tissu pulmonaire, simplifiant ainsi l’évaluation du diagnostic et du pronostic pour ces patients.
Abstract
Pour les patients présentant des nodules pulmonaires multiples précoces, il est essentiel, d’un point de vue diagnostique, de déterminer la distribution spatiale, la taille, l’emplacement et la relation avec le tissu pulmonaire environnant de ces nodules dans l’ensemble du poumon. Ceci est crucial pour identifier la lésion primaire et développer des plans de traitement plus scientifiquement fondés pour les médecins. Cependant, les méthodes de reconnaissance de formes basées sur la vision industrielle sont susceptibles d’entraîner des faux positifs et des faux négatifs et, par conséquent, ne peuvent pas répondre pleinement aux exigences cliniques à cet égard. Les méthodes de visualisation basées sur la projection d’intensité maximale (MIP) peuvent mieux illustrer les nodules pulmonaires locaux et individuels, mais manquent d’une description macroscopique et holistique de la distribution et des caractéristiques spatiales de plusieurs nodules pulmonaires.
Par conséquent, cette étude propose une méthode de reconstruction 3D du poumon entier. Il extrait le contour 3D du poumon à l’aide d’une technologie de traitement d’images médicales sur le fond de l’ensemble du poumon et effectue une reconstruction 3D du poumon, de l’artère pulmonaire et de multiples nodules pulmonaires dans l’espace 3D. Cette méthode permet de décrire de manière exhaustive la distribution spatiale et les caractéristiques radiologiques de plusieurs nodules dans l’ensemble du poumon, offrant ainsi un moyen simple et pratique d’évaluer le diagnostic et le pronostic de plusieurs nodules pulmonaires.
Introduction
Les nodules pulmonaires multiples précoces, qui sont de petites excroissances rondes sur le poumon, peuvent être bénins ou malins 1,2,3. Bien que les nodules pulmonaires solitaires soient plus faciles à diagnostiquer et à traiter, les patients atteints de nodules pulmonaires multiples précoces sont confrontés à des défis importants en matière de diagnostic et de traitement. Pour élaborer des plans de traitement efficaces, il est essentiel d’identifier avec précision la distribution spatiale, la taille, l’emplacement et la relation avec le tissu pulmonaire environnant de ces nodules dans l’ensemble du poumon 4,5. Les méthodes de diagnostic traditionnelles ont des limites dans l’identification précise des nodules pulmonaires multiples précoces.
Les progrès récents de la technologie de traitement d’images médicales et des algorithmes d’apprentissage automatique ont le potentiel d’améliorer la précision et l’efficacité de la détection et du diagnostic précoces des nodules pulmonaires. Diverses approches ont été proposées, telles que des méthodes de reconnaissance de formes basées sur la vision industrielle et des méthodes de visualisation basées sur la projection d’intensité maximale (MIP)6,7,8,9,10. Cependant, ces méthodes souffrent de limitations telles que les faux positifs, les faux négatifs 11,12,13,14,15 et le manque de descriptions macroscopiques et holistiques de la distribution et des caractéristiques spatiales des nodules pulmonaires multiples précoces.
Pour remédier à ces limitations, cette étude propose une méthode de reconstruction 3D du poumon entier qui utilise la technologie de traitement d’images médicales pour extraire le contour 3D du poumon sur le fond de l’ensemble du thorax. La méthode effectue ensuite une reconstruction 3D du poumon, de l’artère pulmonaire et des nodules pulmonaires multiples précoces dans l’espace 3D. Cette approche permet une représentation plus complète et plus précise de la distribution spatiale et des caractéristiques radiologiques des nodules multiples précoces dans l’ensemble du poumon.
La méthode proposée comporte plusieurs étapes clés. Tout d’abord, les images médicales sont importées dans le logiciel de traitement d’images 3D, et la région pulmonaire est extraite à l’aide d’une technique de segmentation basée sur des seuils. Par la suite, la région pulmonaire extraite est séparée de la paroi thoracique environnante et des structures osseuses des vertèbres thoraciques. Les nodules pulmonaires multiples précoces et leur relation avec les vaisseaux sanguins environnants sont ensuite reconstruits dans l’espace 3D à l’aide d’algorithmes de projection d’intensité maximale (MIP). Enfin, le modèle 3D reconstruit du poumon, de l’artère pulmonaire et des nodules est affiché pour une analyse plus approfondie.
Cette méthode présente plusieurs avantages par rapport aux méthodes existantes. Contrairement aux méthodes traditionnelles qui reposent sur des images 2D, cette méthode utilise le volume 3D pour fournir une représentation plus précise et plus complète des nodules pulmonaires multiples précoces. La méthode permet également de surmonter les limites des faux positifs et des faux négatifs associés aux méthodes de reconnaissance de formes et aux méthodes de visualisation MIP. De plus, cette méthode fournit une description macroscopique et holistique de la distribution et des caractéristiques spatiales des nodules pulmonaires multiples précoces, ce qui est essentiel pour développer des plans de traitement efficaces.
La méthode proposée a plusieurs applications potentielles dans le diagnostic et le traitement des nodules pulmonaires multiples précoces. L’identification précise de la distribution spatiale et des caractéristiques radiologiques des nodules multiples précoces peut aider au diagnostic et au traitement précoces du cancer du poumon. De plus, la méthode peut être utilisée pour surveiller la progression de la maladie et évaluer l’efficacité des plans de traitement.
Les méthodes de reconnaissance de formes 6,7,8 basées sur la vision artificielle se sont révélées prometteuses dans l’identification des nodules pulmonaires, mais souffrent de limitations telles que les faux positifs et les faux négatifs. Les méthodes de visualisation MIP, d’autre part, fournissent une représentation plus précise des nodules individuels, mais manquent d’une description macroscopique et holistique de la distribution et des caractéristiques spatiales des nodules multiples précoces. La méthode de reconstruction 3D du poumon entier proposée permet de surmonter ces limites et fournit une représentation plus précise et plus complète des nodules pulmonaires multiples précoces.
La transformation d’Isovoxel16,17 fait référence au processus de conversion d’images 3D avec différentes tailles de voxels en images 3D avec des tailles de voxel uniformes. Dans le domaine du traitement d’images médicales, les volumes 3D sont souvent composés de voxels de tailles variables, ce qui peut entraîner des problèmes de calcul et de visualisation. L’objectif de la transformation isovoxel est de résoudre ces problèmes en rééchantillonnant et en interpolant les voxels dans le volume 3D d’origine, ce qui permet d’obtenir une nouvelle image 3D avec des tailles de voxel cohérentes. Cette technique trouve des applications dans divers contextes médicaux, notamment le recalage, la segmentation et la visualisation d’images. Ainsi, cette étude a proposé une méthode de reconstruction 3D du poumon entier qui utilise la technologie de traitement d’images médicales pour extraire le contour 3D du poumon sur le fond de l’ensemble du thorax. La méthode fournit une représentation plus précise et plus complète de la distribution spatiale et des caractéristiques radiologiques des nodules multiples précoces dans l’ensemble du poumon. Cette étude contribue à l’élaboration de stratégies diagnostiques et de traitement plus précises et plus efficaces pour les patients atteints de nodules pulmonaires multiples précoces.
Protocol
Representative Results
Discussion
Cette recherche présente une approche unique pour créer une reconstruction tridimensionnelle (3D) complète de l’ensemble du poumon, en utilisant des techniques avancées de traitement d’images médicales pour délimiter la forme 3D du poumon dans le contexte d’une scintigraphie thoracique complète. Cette technique offre une représentation plus précise et plus complète de la disposition spatiale et des caractéristiques radiologiques des nodules multiples précoces dans l’ensemble du poumon. Cette étude ap…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Cette publication a été soutenue par le cinquième programme national de recherche sur les talents cliniques d’excellence en médecine traditionnelle chinoise organisé par l’Administration nationale de la médecine traditionnelle chinoise. Le lien réseau officiel est 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 |
Riferimenti
- 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).
