Трехмерная реконструкция всего легкого с ранними множественными легочными узелками
Summary
В данном исследовании представлен метод трехмерной (3D) реконструкции всего легкого у пациентов с ранними множественными легочными узелками. Он обеспечивает всестороннюю визуализацию распределения узелков и их взаимодействия с легочной тканью, упрощая оценку диагноза и прогноза для этих пациентов.
Abstract
Для пациентов с ранними множественными легочными узелками важно с диагностической точки зрения определить пространственное распределение, размер, расположение и взаимосвязь с окружающей легочной тканью этих узелков по всему легкому. Это имеет решающее значение для выявления первичного поражения и разработки более научно обоснованных планов лечения для врачей. Однако методы распознавания образов, основанные на машинном зрении, подвержены ложноположительным и ложноотрицательным результатам и, следовательно, не могут в полной мере удовлетворить клинические требования в этом отношении. Методы визуализации, основанные на проекции максимальной интенсивности (MIP), могут лучше проиллюстрировать локальные и индивидуальные легочные узелки, но не имеют макроскопического и целостного описания распределения и пространственных особенностей множественных легочных узелков.
Поэтому в данном исследовании предлагается метод 3D-реконструкции всего легкого. Он извлекает 3D-контур легкого с помощью технологии обработки медицинских изображений на фоне всего легкого и выполняет 3D-реконструкцию легкого, легочной артерии и множественных легочных узелков в 3D-пространстве. Этот метод позволяет всесторонне отобразить пространственное распределение и рентгенологические особенности множественных узелков по всему легкому, обеспечивая простой и удобный способ оценки диагноза и прогноза множественных легочных узелков.
Introduction
Ранние множественные легочные узелки, представляющие собой небольшие округлые наросты на легких, могут быть доброкачественными или злокачественными 1,2,3. Несмотря на то, что одиночные легочные узелки легче диагностировать и лечить, пациенты с ранними множественными легочными узлами сталкиваются со значительными проблемами диагностики и лечения. Для разработки эффективных планов лечения важно точно определить пространственное распределение, размер, расположение и взаимосвязь с окружающей легочной тканью этих узелковпо всему легкому 4,5. Традиционные методы диагностики имеют ограничения в точном выявлении ранних множественных легочных узелков.
Последние достижения в области технологий обработки медицинских изображений и алгоритмов машинного обучения могут повысить точность и эффективность раннего обнаружения и диагностики легочных узелков. Предложены различные подходы, такие как методы распознавания образов на основе машинного зрения и методы визуализации на основе проекции максимальной интенсивности (MIP)6,7,8,9,10. Однако эти методы страдают от таких ограничений, как ложноположительные, ложноотрицательные результаты 11,12,13,14,15 и отсутствие макроскопических и целостных описаний распределения и пространственных особенностей ранних множественных легочных узелков.
Чтобы устранить эти ограничения, в данном исследовании предлагается метод 3D-реконструкции всего легкого, который использует технологию обработки медицинских изображений для извлечения 3D-контура легкого на фоне сканирования всей грудной клетки. Затем метод выполняет 3D-реконструкцию легкого, легочной артерии и ранних множественных легочных узелков в 3D-пространстве. Такой подход позволяет получить более полное и точное представление о пространственном распределении и рентгенологических особенностях ранних множественных узелков по всему легкому.
Предлагаемый метод включает в себя несколько ключевых этапов. Во-первых, медицинские изображения импортируются в программное обеспечение для обработки 3D-изображений, и область легких извлекается с помощью метода пороговой сегментации. Впоследствии извлеченный участок легкого отделяют от окружающей грудной стенки и костных структур грудных позвонков. Ранние множественные легочные узелки и их взаимосвязь с окружающими кровеносными сосудами затем реконструируются в 3D-пространстве с использованием алгоритмов проекции максимальной интенсивности (MIP). Наконец, реконструированная 3D-модель легкого, легочной артерии и узелков демонстрируется для дальнейшего анализа.
Этот метод имеет ряд преимуществ перед существующими методами. В отличие от традиционных методов, основанных на 2D-изображениях, этот метод использует 3D-объем, чтобы обеспечить более точное и всестороннее представление ранних множественных легочных узелков. Метод также преодолевает ограничения ложноположительных и ложноотрицательных результатов, связанные с методами распознавания образов и методами визуализации MIP. Кроме того, этот метод обеспечивает макроскопическое и целостное описание распределения и пространственных особенностей ранних множественных легочных узелков, что имеет важное значение для разработки эффективных планов лечения.
Предложенный метод имеет несколько потенциальных применений в диагностике и лечении ранних множественных легочных узелков. Точная идентификация пространственного распределения и рентгенологических особенностей ранних множественных узелков может помочь в ранней диагностике и лечении рака легких. Кроме того, метод может быть использован для мониторинга прогрессирования заболевания и оценки эффективности планов лечения.
Методы распознавания образов 6,7,8, основанные на машинном зрении, показали многообещающие результаты в идентификации легочных узелков, но страдают от таких ограничений, как ложноположительные и ложноотрицательные результаты. Методы визуализации MIP, с другой стороны, обеспечивают более точное представление об отдельных узелках, но не имеют макроскопического и целостного описания распределения и пространственных особенностей ранних множественных узелков. Предлагаемый метод 3D-реконструкции всего легкого преодолевает эти ограничения и обеспечивает более точное и полное представление ранних множественных легочных узелков.
Изовоксельное преобразование16,17 относится к процессу преобразования 3D-изображений с различными размерами вокселов в 3D-изображения с одинаковыми размерами вокселов. В области обработки медицинских изображений 3D-объемы часто состоят из вокселей различных размеров, что может привести к проблемам с вычислениями и визуализацией. Целью изовоксельного преобразования является решение этих проблем путем пересчета и интерполяции вокселей в исходном 3D-объеме, в результате чего получается новое 3D-изображение с постоянными размерами вокселов. Этот метод находит применение в различных медицинских контекстах, включая регистрацию изображений, сегментацию и визуализацию. Таким образом, в данном исследовании был предложен метод 3D-реконструкции всего легкого, который использует технологию обработки медицинских изображений для извлечения 3D-контура легкого на фоне сканирования всей грудной клетки. Метод обеспечивает более точное и всестороннее представление о пространственном распределении и рентгенологических особенностях ранних множественных узелков по всему легкому. Данное исследование способствует разработке более точных и эффективных стратегий диагностики и лечения пациентов с ранними множественными легочными узелками.
Protocol
Representative Results
Discussion
В этом исследовании представлен уникальный подход к созданию полной трехмерной (3D) реконструкции всего легкого с использованием передовых методов обработки медицинских изображений для определения 3D-формы легкого в контексте полного сканирования грудной клетки. Этот метод обеспечив?…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Эта публикация была поддержана пятой национальной программой исследований талантов в области традиционной китайской медицины, организованной Национальным управлением традиционной китайской медицины. Официальная сетевая ссылка — 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).
