Tredimensionell rekonstruktion för hela lungan med tidiga multipla lungknutor
Summary
Denna studie introducerar en tredimensionell (3D) rekonstruktionsmetod för hela lungan hos patienter med tidiga multipla lungknutor. Den erbjuder en omfattande visualisering av noduldistribution och deras samspel med lungvävnad, vilket förenklar bedömningen av diagnos och prognos för dessa patienter.
Abstract
För patienter med tidiga multipla lungknutor är det viktigt, ur ett diagnostiskt perspektiv, att bestämma den rumsliga fördelningen, storleken, platsen och förhållandet till omgivande lungvävnad för dessa knölar i hela lungan. Detta är avgörande för att identifiera den primära lesionen och utveckla mer vetenskapligt grundade behandlingsplaner för läkare. Mönsterigenkänningsmetoder baserade på maskinseende är dock känsliga för falska positiva och falska negativa resultat och kan därför inte helt uppfylla kliniska krav i detta avseende. Visualiseringsmetoder baserade på maximal intensitetsprojektion (MIP) kan bättre illustrera lokala och individuella lungknutor men saknar en makroskopisk och holistisk beskrivning av fördelningen och rumsliga egenskaper hos multipla lungknutor.
Därför föreslår denna studie en 3D-rekonstruktionsmetod för hela lungorna. Den extraherar lungans 3D-kontur med hjälp av medicinsk bildbehandlingsteknik mot bakgrund av hela lungan och utför 3D-rekonstruktion av lungan, lungartären och flera lungknutor i 3D-rymden. Denna metod kan på ett heltäckande sätt skildra den rumsliga fördelningen och radiologiska egenskaper hos flera knölar i hela lungan, vilket ger ett enkelt och bekvämt sätt att utvärdera diagnos och prognos för multipla lungknutor.
Introduction
Tidiga multipla lungknutor, som är små, runda utväxter på lungan, kan vara godartade eller maligna 1,2,3. Även om ensamma lungknutor är lättare att diagnostisera och behandla, står patienter med tidiga multipla lungknutor inför betydande diagnostiska och behandlingsmässiga utmaningar. För att utveckla effektiva behandlingsplaner är det viktigt att noggrant identifiera den rumsliga fördelningen, storleken, platsen och förhållandet till omgivande lungvävnad för dessa knölar i hela lungan 4,5. Traditionella diagnostiska metoder har begränsningar när det gäller att exakt identifiera tidiga multipla lungknutor.
De senaste framstegen inom medicinsk bildbehandlingsteknik och maskininlärningsalgoritmer har potential att förbättra noggrannheten och effektiviteten vid tidig upptäckt och diagnos av lungknutor. Olika tillvägagångssätt har föreslagits, såsom mönsterigenkänningsmetoder baserade på maskinseende och visualiseringsmetoder baserade på maximal intensitetsprojektion (MIP)6,7,8,9,10. Dessa metoder lider dock av begränsningar såsom falskt positiva, falskt negativa 11,12,13,14,15 och brist på makroskopiska och holistiska beskrivningar av fördelningen och rumsliga egenskaper hos tidiga multipla lungknutor.
För att ta itu med dessa begränsningar föreslår denna studie en 3D-rekonstruktionsmetod för hela lungorna som använder medicinsk bildbehandlingsteknik för att extrahera lungans 3D-kontur mot bakgrunden av hela bröstskanningen. Metoden utför sedan 3D-rekonstruktion av lungan, lungartären och tidiga multipla lungknutor i 3D-rymden. Detta tillvägagångssätt möjliggör en mer omfattande och exakt representation av den rumsliga fördelningen och radiologiska egenskaper hos tidiga multipla knölar i hela lungan.
Den föreslagna metoden omfattar flera viktiga steg. Först importeras de medicinska bilderna till 3D-bildbehandlingsprogrammet och lungregionen extraheras med hjälp av en tröskelbaserad segmenteringsteknik. Därefter separeras den extraherade lungregionen från den omgivande bröstväggen och bröstkotornas benstrukturer. De tidiga multipla lungknutorna och deras förhållande till omgivande blodkärl rekonstrueras sedan i 3D-rymden med hjälp av MIP-algoritmer (maximum intensity projection). Slutligen visas den rekonstruerade 3D-modellen av lungan, lungartären och knölarna för vidare analys.
Denna metod har flera fördelar jämfört med befintliga metoder. Till skillnad från traditionella metoder som förlitar sig på 2D-bilder, använder denna metod 3D-volym för att ge en mer exakt och omfattande representation av tidiga multipla lungknutor. Metoden övervinner också begränsningarna med falska positiva och falska negativa resultat som är associerade med mönsterigenkänningsmetoder och MIP-visualiseringsmetoder. Dessutom ger denna metod en makroskopisk och holistisk beskrivning av fördelningen och de rumsliga egenskaperna hos tidiga multipla lungknutor, vilket är viktigt för att utveckla effektiva behandlingsplaner.
Den föreslagna metoden har flera potentiella tillämpningar vid diagnos och behandling av tidiga multipla lungknutor. Den exakta identifieringen av den rumsliga fördelningen och radiologiska egenskaper hos tidiga multipla knölar kan hjälpa till vid tidig diagnos och behandling av lungcancer. Dessutom kan metoden användas för att övervaka sjukdomsförloppet och utvärdera behandlingsplanernas effektivitet.
Mönsterigenkänningsmetoder 6,7,8 baserade på maskinseende har visat sig lovande när det gäller att identifiera lungknutor, men lider av begränsningar som falskt positiva och falskt negativa. MIP-visualiseringsmetoder, å andra sidan, ger en mer exakt representation av enskilda noduler, men saknar en makroskopisk och holistisk beskrivning av fördelningen och rumsliga egenskaper hos tidiga multipla noduler. Den föreslagna 3D-rekonstruktionsmetoden för hela lungorna övervinner dessa begränsningar och ger en mer exakt och omfattande representation av tidiga multipla lungknutor.
Isovoxel transformation16,17 hänvisar till processen att konvertera 3D-bilder med olika voxelstorlekar till 3D-bilder med enhetliga voxelstorlekar. Inom området medicinsk bildbehandling består 3D-volymer ofta av voxlar med varierande storlekar, vilket kan leda till beräknings- och visualiseringsproblem. Syftet med isovoxeltransformation är att ta itu med dessa problem genom att omsampla och interpolera voxlarna i den ursprungliga 3D-volymen, vilket resulterar i en ny 3D-bild med konsekventa voxelstorlekar. Denna teknik finner tillämpningar i olika medicinska sammanhang, inklusive bildregistrering, segmentering och visualisering. Således föreslog denna studie en 3D-rekonstruktionsmetod för hela lungorna som använder medicinsk bildbehandlingsteknik för att extrahera lungans 3D-kontur mot bakgrunden av hela bröstskanningen. Metoden ger en mer exakt och omfattande representation av den rumsliga fördelningen och radiologiska egenskaper hos tidiga multipla noduler i hela lungan. Denna studie bidrar till utvecklingen av mer exakta och effektiva diagnostiska och behandlingsstrategier för patienter med tidiga multipla lungknutor.
Protocol
Representative Results
Discussion
Denna forskning introducerar ett unikt tillvägagångssätt för att skapa en komplett tredimensionell (3D) rekonstruktion av hela lungan, med hjälp av avancerade medicinska bildbehandlingstekniker för att avgränsa lungans 3D-form mitt i samband med en fullständig bröstskanning. Denna teknik ger en mer exakt och grundlig skildring av det rumsliga arrangemanget och de radiologiska egenskaperna hos tidiga multipla knölar över hela lungan. Denna studie ger ett värdefullt bidrag till att förbättra noggrannheten och…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Denna publikation stöddes av det femte nationella forskningsprogrammet för klinisk framstående kinesisk medicin som organiseras av National Administration of Traditional Chinese Medicine. Den officiella nätverkslänken är 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).
