Reconstrucción tridimensional de todo el pulmón con nódulos pulmonares múltiples tempranos
Summary
Este estudio presenta un método de reconstrucción tridimensional (3D) para todo el pulmón en pacientes con nódulos pulmonares múltiples tempranos. Ofrece una visualización completa de la distribución de los nódulos y su interacción con el tejido pulmonar, lo que simplifica la evaluación del diagnóstico y el pronóstico de estos pacientes.
Abstract
Para los pacientes con nódulos pulmonares múltiples tempranos, es esencial, desde una perspectiva diagnóstica, determinar la distribución espacial, el tamaño, la ubicación y la relación con el tejido pulmonar circundante de estos nódulos en todo el pulmón. Esto es crucial para identificar la lesión primaria y desarrollar planes de tratamiento más científicamente fundamentados para los médicos. Sin embargo, los métodos de reconocimiento de patrones basados en visión artificial son susceptibles a falsos positivos y falsos negativos y, por lo tanto, no pueden satisfacer plenamente las demandas clínicas en este sentido. Los métodos de visualización basados en la proyección de máxima intensidad (MIP) pueden ilustrar mejor los nódulos pulmonares locales e individuales, pero carecen de una descripción macroscópica y holística de la distribución y las características espaciales de los nódulos pulmonares múltiples.
Por lo tanto, este estudio propone un método de reconstrucción 3D de todo el pulmón. Extrae el contorno 3D del pulmón utilizando tecnología de procesamiento de imágenes médicas en el fondo de todo el pulmón y realiza la reconstrucción 3D del pulmón, la arteria pulmonar y múltiples nódulos pulmonares en el espacio 3D. Este método puede describir de manera integral la distribución espacial y las características radiológicas de múltiples nódulos en todo el pulmón, proporcionando un medio simple y conveniente para evaluar el diagnóstico y el pronóstico de múltiples nódulos pulmonares.
Introduction
Los nódulos pulmonares múltiples tempranos, que son crecimientos pequeños y redondos en el pulmón, pueden ser benignos o malignos 1,2,3. Aunque los nódulos pulmonares solitarios son más fáciles de diagnosticar y tratar, los pacientes con nódulos pulmonares múltiples tempranos enfrentan importantes desafíos de diagnóstico y tratamiento. Para desarrollar planes de tratamiento efectivos, es esencial identificar con precisión la distribución espacial, el tamaño, la ubicación y la relación con el tejido pulmonar circundante de estos nódulos en todo el pulmón 4,5. Los métodos diagnósticos tradicionales tienen limitaciones para identificar con precisión los nódulos pulmonares múltiples tempranos.
Los avances recientes en la tecnología de procesamiento de imágenes médicas y los algoritmos de aprendizaje automático tienen el potencial de mejorar la precisión y la eficiencia de la detección y el diagnóstico tempranos de nódulos pulmonares. Se han propuesto diversos enfoques, como los métodos de reconocimiento de patrones basados en visión artificial y los métodos de visualización basados en la proyección de máxima intensidad (MIP)6,7,8,9,10. Sin embargo, estos métodos adolecen de limitaciones tales como falsos positivos, falsos negativos 11,12,13,14,15 y falta de descripciones macroscópicas y holísticas de la distribución y características espaciales de los nódulos pulmonares múltiples tempranos.
Para abordar estas limitaciones, este estudio propone un método de reconstrucción 3D de todo el pulmón que utiliza tecnología de procesamiento de imágenes médicas para extraer el contorno 3D del pulmón en el contexto de la exploración de tórax completo. A continuación, el método realiza la reconstrucción en 3D del pulmón, la arteria pulmonar y los nódulos pulmonares múltiples tempranos en el espacio 3D. Este enfoque permite una representación más completa y precisa de la distribución espacial y las características radiológicas de los nódulos múltiples tempranos en todo el pulmón.
El método propuesto implica varios pasos clave. En primer lugar, las imágenes médicas se importan al software de procesamiento de imágenes 3D y la región pulmonar se extrae mediante una técnica de segmentación basada en umbrales. Posteriormente, la región pulmonar extraída se separa de la pared torácica circundante y de las estructuras óseas de las vértebras torácicas. Los nódulos pulmonares múltiples tempranos y su relación con los vasos sanguíneos circundantes se reconstruyen en el espacio 3D utilizando algoritmos de proyección de máxima intensidad (MIP). Finalmente, se muestra el modelo 3D reconstruido del pulmón, la arteria pulmonar y los nódulos para su posterior análisis.
Este método tiene varias ventajas sobre los métodos existentes. A diferencia de los métodos tradicionales que se basan en imágenes 2D, este método utiliza el volumen 3D para proporcionar una representación más precisa y completa de los nódulos pulmonares múltiples tempranos. El método también supera las limitaciones de falsos positivos y falsos negativos asociados con los métodos de reconocimiento de patrones y los métodos de visualización MIP. Además, este método proporciona una descripción macroscópica y holística de la distribución y las características espaciales de los nódulos pulmonares múltiples tempranos, lo cual es esencial para desarrollar planes de tratamiento efectivos.
El método propuesto tiene varias aplicaciones potenciales en el diagnóstico y tratamiento de los nódulos pulmonares múltiples tempranos. La identificación precisa de la distribución espacial y las características radiológicas de los nódulos múltiples tempranos puede ayudar en el diagnóstico y tratamiento tempranos del cáncer de pulmón. Además, el método se puede utilizar para monitorear la progresión de la enfermedad y evaluar la efectividad de los planes de tratamiento.
Los métodos de reconocimiento de patrones 6,7,8 basados en la visión artificial se han mostrado prometedores en la identificación de nódulos pulmonares, pero adolecen de limitaciones como falsos positivos y falsos negativos. Por otro lado, los métodos de visualización de MIP proporcionan una representación más precisa de los nódulos individuales, pero carecen de una descripción macroscópica y holística de la distribución y las características espaciales de los nódulos múltiples tempranos. El método propuesto de reconstrucción 3D de todo el pulmón supera estas limitaciones y proporciona una representación más precisa y completa de los nódulos pulmonares múltiples tempranos.
La transformación de isovoxel16,17 se refiere al proceso de conversión de imágenes 3D con diferentes tamaños de vóxeles en imágenes 3D con tamaños de vóxeles uniformes. En el campo del procesamiento de imágenes médicas, los volúmenes 3D suelen estar compuestos por vóxeles de diferentes tamaños, lo que puede dar lugar a problemas computacionales y de visualización. El propósito de la transformación isovoxel es abordar estos problemas mediante el remuestreo e interpolación de los vóxeles en el volumen 3D original, lo que da como resultado una nueva imagen 3D con tamaños de vóxeles consistentes. Esta técnica encuentra aplicaciones en diversos contextos médicos, incluido el registro, la segmentación y la visualización de imágenes. Por lo tanto, este estudio propuso un método de reconstrucción 3D de todo el pulmón que utiliza tecnología de procesamiento de imágenes médicas para extraer el contorno 3D del pulmón en el fondo de la exploración de tórax completo. El método proporciona una representación más precisa y completa de la distribución espacial y las características radiológicas de los nódulos múltiples tempranos en todo el pulmón. Este estudio contribuye al desarrollo de estrategias diagnósticas y terapéuticas más precisas y efectivas para los pacientes con nódulos pulmonares múltiples tempranos.
Protocol
Representative Results
Discussion
Esta investigación presenta un enfoque único para crear una reconstrucción tridimensional completa (3D) de todo el pulmón, empleando técnicas avanzadas de procesamiento de imágenes médicas para delinear la forma 3D del pulmón en medio del contexto de un escáner de tórax completo. Esta técnica ofrece una descripción más precisa y completa de la disposición espacial y las características radiológicas de los nódulos múltiples tempranos en todo el pulmón. Este estudio hace una valiosa contribución para me…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Esta publicación fue apoyada por el quinto programa nacional de investigación de excelentes talentos clínicos de medicina tradicional china organizado por la Administración Nacional de Medicina Tradicional China. El enlace oficial de la red es 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).
