שחזור תלת מימדי לכל הריאה עם גושים ריאתיים מרובים מוקדמים
Summary
מחקר זה מציג שיטת שחזור תלת מימדית (3D) עבור הריאה כולה בחולים עם גושים ריאתיים מרובים מוקדמים. הוא מציע הדמיה מקיפה של התפלגות הגושים ואת יחסי הגומלין שלהם עם רקמת הריאה, מפשט את הערכת האבחנה והפרוגנוזה עבור חולים אלה.
Abstract
עבור חולים עם גושים ריאתיים מרובים מוקדמים, זה חיוני, מנקודת מבט אבחנתית, כדי לקבוע את הפיזור המרחבי, גודל, מיקום, והקשר עם רקמת הריאה שמסביב של גושים אלה לאורך הריאה כולה. זה חיוני לזיהוי הנגע הראשוני ולפיתוח תוכניות טיפול מבוססות מדעית יותר לרופאים. עם זאת, שיטות זיהוי תבניות המבוססות על ראיית מכונה רגישות לתוצאות חיוביות שגויות ושליליות שגויות, ולכן אינן יכולות לעמוד באופן מלא בדרישות הקליניות בהקשר זה. שיטות הדמיה המבוססות על הקרנה בעוצמה מרבית (MIP) יכולות להמחיש טוב יותר גושים ריאתיים מקומיים ובודדים, אך חסרות תיאור מקרוסקופי והוליסטי של ההתפלגות והתכונות המרחביות של גושים ריאתיים מרובים.
לכן, מחקר זה מציע שיטת שחזור תלת ממדית של כל הריאות. הוא מחלץ את קווי המתאר התלת-ממדיים של הריאה באמצעות טכנולוגיית עיבוד תמונה רפואית על רקע הריאה כולה ומבצע שחזור תלת-ממדי של הריאה, עורק הריאה וקשריות ריאה מרובות בחלל תלת-ממדי. שיטה זו יכולה לתאר באופן מקיף את ההתפלגות המרחבית והתכונות הרדיולוגיות של גושים מרובים ברחבי הריאה כולה, ולספק אמצעי פשוט ונוח להערכת האבחנה והפרוגנוזה של גושים ריאתיים מרובים.
Introduction
גושים ריאתיים מרובים מוקדמים, שהם גידולים קטנים ועגולים על הריאה, יכולים להיות שפירים או ממאירים 1,2,3. למרות שגושים ריאתיים בודדים קלים יותר לאבחון ולטיפול, חולים עם גושים ריאתיים מרובים מוקדמים מתמודדים עם אתגרי אבחון וטיפול משמעותיים. כדי לפתח תוכניות טיפול יעילות, חיוני לזהות במדויק את הפיזור המרחבי, הגודל, המיקום והקשר עם רקמת הריאה הסובבת גושים אלה לאורך כל הריאה 4,5. לשיטות אבחון מסורתיות יש מגבלות בזיהוי מדויק של גושים ריאתיים מרובים מוקדמים.
להתקדמות האחרונה בטכנולוגיית עיבוד תמונה רפואית ואלגוריתמים של למידת מכונה יש פוטנציאל לשפר את הדיוק והיעילות של זיהוי ואבחון מוקדם של קשריות ריאתיות. הוצעו גישות שונות, כגון שיטות זיהוי תבניות המבוססות על ראיית מכונה ושיטות ויזואליזציה המבוססות על הקרנה בעוצמה מרבית (MIP)6,7,8,9,10. עם זאת, שיטות אלה סובלות ממגבלות כגון תוצאות חיוביות שגויות, שליליות שגויות 11,12,13,14,15, והיעדר תיאורים מקרוסקופיים והוליסטיים של ההתפלגות והתכונות המרחביות של גושים ריאתיים מרובים מוקדמים.
כדי להתמודד עם מגבלות אלה, מחקר זה מציע שיטת שחזור תלת-ממדית של כל הריאה המשתמשת בטכנולוגיית עיבוד תמונה רפואית כדי לחלץ את קווי המתאר התלת-ממדיים של הריאה על רקע סריקת החזה כולה. לאחר מכן השיטה מבצעת שחזור תלת ממדי של הריאה, עורק הריאה וגושים ריאתיים מרובים מוקדמים בחלל תלת ממדי. גישה זו מאפשרת ייצוג מקיף ומדויק יותר של הפיזור המרחבי והתכונות הרדיולוגיות של גושים מרובים מוקדמים ברחבי הריאה כולה.
השיטה המוצעת כוללת מספר שלבים מרכזיים. ראשית, התמונות הרפואיות מיובאות לתוכנת עיבוד התמונה התלת-ממדית, ואזור הריאה מופק באמצעות טכניקת סגמנטציה מבוססת סף. לאחר מכן, אזור הריאה שחולץ מופרד מקיר החזה שמסביב ומהמבנים הגרמיים של חוליות בית החזה. הגושים הריאתיים המרובים המוקדמים והקשר שלהם עם כלי הדם הסובבים אותם משוחזרים לאחר מכן במרחב תלת-ממדי באמצעות אלגוריתמים של הקרנה בעוצמה מרבית (MIP). לבסוף, המודל התלת-ממדי המשוחזר של הריאה, עורק הריאה והגושים מוצג לניתוח נוסף.
לשיטה זו מספר יתרונות על פני השיטות הקיימות. בניגוד לשיטות מסורתיות המסתמכות על תמונות דו-ממדיות, שיטה זו משתמשת בנפח תלת-ממדי כדי לספק ייצוג מדויק ומקיף יותר של גושים ריאתיים מרובים מוקדמים. השיטה גם מתגברת על המגבלות של תוצאות חיוביות שגויות ושליליות שגויות הקשורות לשיטות זיהוי תבניות ושיטות תצוגה חזותית של MIP. יתר על כן, שיטה זו מספקת תיאור מקרוסקופי והוליסטי של הפיזור והתכונות המרחביות של גושים ריאתיים מרובים מוקדמים, החיוניים לפיתוח תוכניות טיפול יעילות.
לשיטה המוצעת מספר יישומים פוטנציאליים באבחון וטיפול בגושים ריאתיים מרובים מוקדמים. זיהוי מדויק של ההתפלגות המרחבית והמאפיינים הרדיולוגיים של גושים מרובים מוקדמים יכול לסייע באבחון מוקדם וטיפול בסרטן ריאות. יתר על כן, השיטה יכולה לשמש כדי לעקוב אחר התקדמות המחלה ולהעריך את היעילות של תוכניות הטיפול.
שיטות זיהוי תבניות 6,7,8 המבוססות על ראיית מכונה הראו הבטחה בזיהוי גושים ריאתיים, אך סובלות ממגבלות כגון תוצאות חיוביות שגויות ושליליות שגויות. שיטות הדמיית MIP, לעומת זאת, מספקות ייצוג מדויק יותר של גושים בודדים, אך חסרות תיאור מקרוסקופי והוליסטי של ההתפלגות והתכונות המרחביות של גושים מרובים מוקדמים. שיטת השחזור התלת-ממדית המוצעת של כל הריאה מתגברת על מגבלות אלה ומספקת ייצוג מדויק ומקיף יותר של גושים ריאתיים מרובים מוקדמים.
טרנספורמציית Isovoxel16,17 מתייחסת לתהליך של המרת תמונות תלת-ממדיות עם גדלי ווקסל שונים לתמונות תלת-ממדיות עם גדלי ווקסל אחידים. בתחום עיבוד התמונה הרפואית, נפחים תלת-ממדיים מורכבים לעתים קרובות מווקסלים בגדלים שונים, מה שעלול להוביל לבעיות חישוביות והדמיה. מטרת טרנספורמציית איזובוקסל היא לטפל בבעיות אלה על ידי דגימה מחדש ואינטרפולציה של הווקסלים בנפח התלת-ממדי המקורי, וכתוצאה מכך תמונה תלת-ממדית חדשה עם גדלי ווקסל עקביים. טכניקה זו מוצאת יישומים בהקשרים רפואיים שונים, כולל רישום תמונה, סגמנטציה והדמיה. לפיכך, מחקר זה הציע שיטת שחזור תלת-ממדית של כל הריאה המשתמשת בטכנולוגיית עיבוד תמונה רפואית כדי לחלץ את קווי המתאר התלת-ממדיים של הריאה על רקע סריקת החזה כולה. השיטה מספקת ייצוג מדויק ומקיף יותר של הפיזור המרחבי והתכונות הרדיולוגיות של גושים מרובים מוקדמים ברחבי הריאה כולה. מחקר זה תורם לפיתוח אסטרטגיות אבחון וטיפול מדויקות ויעילות יותר עבור חולים עם גושים ריאתיים מרובים מוקדמים.
Protocol
Representative Results
Discussion
מחקר זה מציג גישה ייחודית ליצירת שחזור תלת ממדי (3D) מלא של הריאה כולה, תוך שימוש בטכניקות עיבוד תמונה רפואיות מתקדמות כדי לשרטט את צורת הריאה התלת-ממדית בהקשר של סריקת חזה מלאה. טכניקה זו מציעה תיאור מדויק ויסודי יותר של הסידור המרחבי והמאפיינים הרדיולוגיים של גושים מרובים מוקדמים על פני ה?…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
פרסום זה נתמך על ידי התוכנית הלאומית החמישית למחקר כישרונות קליניים מצוינים ברפואה סינית מסורתית שאורגנה על ידי המנהל הלאומי לרפואה סינית מסורתית. קישור הרשת הרשמי הוא 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).
