Ricostruzione tridimensionale per l'intero polmone con noduli polmonari multipli precoci
Summary
Questo studio introduce un metodo di ricostruzione tridimensionale (3D) per l’intero polmone in pazienti con noduli polmonari multipli precoci. Offre una visualizzazione completa della distribuzione dei noduli e della loro interazione con il tessuto polmonare, semplificando la valutazione della diagnosi e della prognosi per questi pazienti.
Abstract
Per i pazienti con noduli polmonari multipli precoci, è essenziale, da un punto di vista diagnostico, determinare la distribuzione spaziale, le dimensioni, la posizione e la relazione con il tessuto polmonare circostante di questi noduli in tutto il polmone. Questo è fondamentale per identificare la lesione primaria e sviluppare piani di trattamento più scientificamente fondati per i medici. Tuttavia, i metodi di riconoscimento dei modelli basati sulla visione artificiale sono suscettibili di falsi positivi e falsi negativi e, pertanto, non possono soddisfare pienamente le richieste cliniche in questo senso. I metodi di visualizzazione basati sulla proiezione di massima intensità (MIP) possono illustrare meglio i noduli polmonari locali e individuali, ma mancano di una descrizione macroscopica e olistica della distribuzione e delle caratteristiche spaziali dei noduli polmonari multipli.
Pertanto, questo studio propone un metodo di ricostruzione 3D dell’intero polmone. Estrae il contorno 3D del polmone utilizzando la tecnologia di elaborazione delle immagini mediche sullo sfondo dell’intero polmone ed esegue la ricostruzione 3D del polmone, dell’arteria polmonare e di noduli polmonari multipli nello spazio 3D. Questo metodo è in grado di rappresentare in modo completo la distribuzione spaziale e le caratteristiche radiologiche di noduli multipli in tutto il polmone, fornendo un mezzo semplice e conveniente per valutare la diagnosi e la prognosi di noduli polmonari multipli.
Introduction
I noduli polmonari multipli precoci, che sono piccole escrescenze rotonde sul polmone, possono essere benigni o maligni 1,2,3. Sebbene i noduli polmonari solitari siano più facili da diagnosticare e trattare, i pazienti con noduli polmonari multipli precoci affrontano sfide diagnostiche e terapeutiche significative. Per sviluppare piani di trattamento efficaci, è essenziale identificare con precisione la distribuzione spaziale, le dimensioni, la posizione e la relazione con il tessuto polmonare circostante di questi noduli in tutto il polmone 4,5. I metodi diagnostici tradizionali hanno dei limiti nell’identificare con precisione i noduli polmonari multipli precoci.
I recenti progressi nella tecnologia di elaborazione delle immagini mediche e negli algoritmi di apprendimento automatico hanno il potenziale per migliorare l’accuratezza e l’efficienza del rilevamento e della diagnosi precoce dei noduli polmonari. Sono stati proposti vari approcci, come metodi di riconoscimento di pattern basati sulla visione artificiale e metodi di visualizzazione basati sulla proiezione di massima intensità (MIP)6,7,8,9,10. Tuttavia, questi metodi soffrono di limitazioni come i falsi positivi, i falsi negativi 11,12,13,14,15 e la mancanza di descrizioni macroscopiche e olistiche della distribuzione e delle caratteristiche spaziali dei noduli polmonari multipli precoci.
Per affrontare queste limitazioni, questo studio propone un metodo di ricostruzione 3D dell’intero polmone che utilizza la tecnologia di elaborazione delle immagini mediche per estrarre il contorno 3D del polmone sullo sfondo dell’intera scansione del torace. Il metodo esegue quindi la ricostruzione 3D del polmone, dell’arteria polmonare e dei noduli polmonari multipli precoci nello spazio 3D. Questo approccio consente una rappresentazione più completa e accurata della distribuzione spaziale e delle caratteristiche radiologiche dei noduli multipli precoci in tutto il polmone.
Il metodo proposto prevede diversi passaggi chiave. In primo luogo, le immagini mediche vengono importate nel software di elaborazione delle immagini 3D e la regione polmonare viene estratta utilizzando una tecnica di segmentazione basata sulla soglia. Successivamente, la regione polmonare estratta viene separata dalla parete toracica circostante e dalle strutture ossee delle vertebre toraciche. I primi noduli polmonari multipli e la loro relazione con i vasi sanguigni circostanti vengono quindi ricostruiti nello spazio 3D utilizzando algoritmi di proiezione di massima intensità (MIP). Infine, il modello 3D ricostruito del polmone, dell’arteria polmonare e dei noduli viene visualizzato per ulteriori analisi.
Questo metodo presenta diversi vantaggi rispetto ai metodi esistenti. A differenza dei metodi tradizionali che si basano su immagini 2D, questo metodo utilizza il volume 3D per fornire una rappresentazione più accurata e completa dei noduli polmonari multipli precoci. Il metodo supera anche i limiti dei falsi positivi e dei falsi negativi associati ai metodi di riconoscimento dei modelli e ai metodi di visualizzazione MIP. Inoltre, questo metodo fornisce una descrizione macroscopica e olistica della distribuzione e delle caratteristiche spaziali dei noduli polmonari multipli precoci, che è essenziale per lo sviluppo di piani di trattamento efficaci.
Il metodo proposto ha diverse potenziali applicazioni nella diagnosi e nel trattamento dei noduli polmonari multipli precoci. L’identificazione accurata della distribuzione spaziale e delle caratteristiche radiologiche dei noduli multipli precoci può aiutare nella diagnosi precoce e nel trattamento del cancro del polmone. Inoltre, il metodo può essere utilizzato per monitorare la progressione della malattia e valutare l’efficacia dei piani di trattamento.
I metodi di riconoscimento dei modelli 6,7,8 basati sulla visione artificiale si sono dimostrati promettenti nell’identificazione dei noduli polmonari, ma soffrono di limitazioni come falsi positivi e falsi negativi. I metodi di visualizzazione MIP, d’altra parte, forniscono una rappresentazione più accurata dei singoli noduli, ma mancano di una descrizione macroscopica e olistica della distribuzione e delle caratteristiche spaziali dei noduli multipli precoci. Il metodo di ricostruzione 3D dell’intero polmone proposto supera queste limitazioni e fornisce una rappresentazione più accurata e completa dei noduli polmonari multipli precoci.
La trasformazione Isovoxel16,17 si riferisce al processo di conversione di immagini 3D con diverse dimensioni di voxel in immagini 3D con dimensioni di voxel uniformi. Nel campo dell’elaborazione delle immagini mediche, i volumi 3D sono spesso composti da voxel di dimensioni variabili, che possono portare a problemi computazionali e di visualizzazione. Lo scopo della trasformazione isovoxel è quello di risolvere questi problemi ricampionando e interpolando i voxel nel volume 3D originale, ottenendo una nuova immagine 3D con dimensioni voxel coerenti. Questa tecnica trova applicazioni in vari contesti medici, tra cui la registrazione, la segmentazione e la visualizzazione delle immagini. Pertanto, questo studio ha proposto un metodo di ricostruzione 3D dell’intero polmone che utilizza la tecnologia di elaborazione delle immagini mediche per estrarre il contorno 3D del polmone sullo sfondo dell’intera scansione del torace. Il metodo fornisce una rappresentazione più accurata e completa della distribuzione spaziale e delle caratteristiche radiologiche dei noduli multipli precoci in tutto il polmone. Questo studio contribuisce allo sviluppo di strategie diagnostiche e terapeutiche più accurate ed efficaci per i pazienti con noduli polmonari multipli precoci.
Protocol
Representative Results
Discussion
Questa ricerca introduce un approccio unico per la creazione di una ricostruzione tridimensionale completa (3D) dell’intero polmone, impiegando tecniche avanzate di elaborazione delle immagini mediche per delineare la forma 3D del polmone nel contesto di una scansione completa del torace. Questa tecnica offre una rappresentazione più precisa e completa della disposizione spaziale e delle caratteristiche radiologiche dei noduli multipli precoci in tutto il polmone. Questo studio fornisce un prezioso contributo al miglior…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Questa pubblicazione è stata supportata dal quinto programma nazionale di ricerca sui talenti eccellenti della medicina tradizionale cinese organizzato dall’Amministrazione Nazionale della Medicina Tradizionale Cinese. Il collegamento ufficiale alla rete è 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).
