Ein digitales 3D-Modell für die Diagnose und Behandlung von Lungenknoten
Summary
Ziel dieser Studie ist es, ein neuartiges digitales 3D-Modell von Lungenknoten zu entwickeln, das als Kommunikationsbrücke zwischen Ärzten und Patienten dient und auch ein hochmodernes Werkzeug für die Vordiagnose und prognostische Bewertung darstellt.
Abstract
Die dreidimensionale (3D) Rekonstruktion von Lungenknoten anhand medizinischer Bilder hat neue technische Ansätze für die Diagnose und Behandlung von Lungenknoten eingeführt, die zunehmend von Ärzten und Patienten anerkannt und übernommen werden. Nichtsdestotrotz ist die Konstruktion eines relativ universellen digitalen 3D-Modells von Lungenknoten für Diagnose und Behandlung aufgrund von Geräteunterschieden, Aufnahmezeiten und Knotentypen eine Herausforderung. Das Ziel dieser Studie ist es, ein neues digitales 3D-Modell von Lungenknoten vorzuschlagen, das als Brücke zwischen Ärzten und Patienten dient und auch ein hochmodernes Werkzeug für die Vordiagnose und prognostische Bewertung darstellt. Viele KI-gesteuerte Methoden zur Erkennung und Erkennung von Lungenknoten verwenden Deep-Learning-Techniken, um die radiologischen Merkmale von Lungenknoten zu erfassen, und diese Methoden können eine gute Leistung im Bereich unter der Kurve (AUC) erzielen. Falsch positive und falsch negative Ergebnisse bleiben jedoch eine Herausforderung für Radiologen und Kliniker. Die Interpretation und Ausprägung von Merkmalen aus Sicht der Pulmonalknotenklassifikation und -untersuchung ist nach wie vor unbefriedigend. In dieser Arbeit wird eine Methode zur kontinuierlichen 3D-Rekonstruktion der gesamten Lunge in horizontaler und koronaler Position durch die Kombination bestehender medizinischer Bildverarbeitungstechnologien vorgeschlagen. Im Vergleich zu anderen anwendbaren Methoden ermöglicht diese Methode den Anwendern, Lungenknoten schnell zu lokalisieren und ihre grundlegenden Eigenschaften zu identifizieren, während sie gleichzeitig Lungenknoten aus mehreren Perspektiven betrachten, wodurch ein effektiveres klinisches Werkzeug für die Diagnose und Behandlung von Lungenknoten bereitgestellt wird.
Introduction
Die weltweite Inzidenz von Lungenknoten ist unterschiedlich, aber es wird allgemein geschätzt, dass bei etwa 30 % der Erwachsenen mindestens ein Lungenknoten auf Röntgenbildern des Brustkorbs sichtbar ist1. Die Inzidenz von Lungenknoten ist in bestimmten Bevölkerungsgruppen höher, z. B. bei starken Rauchern und Personen mit einer Vorgeschichte von Lungenkrebs oder anderen Lungenerkrankungen. Es ist wichtig zu beachten, dass nicht alle Lungenknoten bösartig sind, aber eine gründliche Abklärung ist notwendig, um eine Malignität auszuschließen2. Die Früherkennung und Diagnose von Lungenkrebs ist entscheidend für die Verbesserung der Überlebensraten, und bei Hochrisikopersonen wird ein regelmäßiges Screening mit einer Niedrigdosis-Computertomographie (LDCT) empfohlen. Viele KI-gesteuerte Methoden zur Erkennung und Erkennung von Lungenknoten 3,4,5,6,7 verwenden Deep-Learning-Techniken, um die radiologischen Merkmale von Lungenknoten zu erfassen, und diese Methoden können eine gute Leistung im Bereich unter der Kurve (AUC) erzielen. Falsch positive und falsch negative Ergebnisse bleiben jedoch eine Herausforderung für Radiologen und Kliniker. Die Interpretation und Ausprägung von Merkmalen aus Sicht der Pulmonalknotenklassifikation und -untersuchung ist nach wie vor unbefriedigend. Gleichzeitig hat die 3D-Rekonstruktion von Lungenknoten auf Basis der LDCT als digitales Modell für verschiedene Knotentypen zunehmend an Bedeutung gewonnen.
Die 3D-Rekonstruktion von Lungenknoten ist ein Verfahren, das eine 3D-Darstellung einer kleinen Wucherung oder eines Knotens in der Lunge erzeugt. Dieser Prozess beinhaltet in der Regel die Anwendung medizinischer Bildanalysetechniken, die sowohl medizinisches Fachwissen als auch Data-Intelligence-Ansätze nutzen. Das resultierende digitale 3D-Modell bietet eine detailliertere und genauere Darstellung des Knotens und ermöglicht eine verbesserte Visualisierung und Analyse seiner Größe, Form und räumlichen Beziehung zum umgebenden Lungengewebe 8,9,10,11,12. Solche Informationen können bei der Diagnose und Überwachung von Lungenknoten helfen, insbesondere bei solchen, bei denen der Verdacht besteht, dass sie krebsartig sind. Durch die Erleichterung einer präziseren Analyse hat die 3D-Rekonstruktion von Lungenknoten das Potenzial, die Genauigkeit der Diagnose zu verbessern und Behandlungsentscheidungen zu treffen.
Die Maximalintensitätsprojektion (MIP) ist eine beliebte Technik im Bereich der 3D-Rekonstruktion von Lungenknoten und wird verwendet, um eine 2D-Projektion eines 3D-Bildes zu erstellen 8,9,10,11,12 Es ist besonders nützlich bei der Visualisierung von volumetrischen Daten, die aus DICOM-Dateien (Digital Imaging and Communications in Medicine) extrahiert wurden, die per CT gescannt wurden. Bei der MIP-Technik werden die Voxel (die kleinsten Einheiten von 3D-Volumendaten) mit der höchsten Intensität entlang der Blickrichtung ausgewählt und auf eine 2D-Ebene projiziert. Das Ergebnis ist ein 2D-Bild, das die Strukturen mit der höchsten Intensität hervorhebt und die Strukturen mit geringerer Intensität unterdrückt, was die Identifizierung und Analyse relevanter Merkmale erleichtert 9,10,11,12. MIP ist jedoch nicht ohne Einschränkungen. Beispielsweise kann der Projektionsprozess zu einem Informationsverlust führen, und das resultierende 2D-Bild stellt die 3D-Struktur des zugrunde liegenden Objekts möglicherweise nicht genau dar. Nichtsdestotrotz bleibt MIP ein wertvolles Werkzeug für die medizinische Bildgebung und Visualisierung, und seine Verwendung entwickelt sich mit den Fortschritten in Technologie und Rechenleistung weiter11.
In dieser Studie wird ein sukzessives MIP-Modell zur Visualisierung von Lungenknoten entwickelt, das einfach zu bedienen und benutzerfreundlich für Radiologen, Ärzte und Patienten ist und die Identifizierung und Abschätzung der Eigenschaften von Lungenknoten ermöglicht. Zu den Hauptvorteilen dieses Verarbeitungsansatzes gehören die folgenden Aspekte: (1) Eliminierung von falsch positiven und falsch negativen Ergebnissen, die durch die Mustererkennung entstehen, was es ermöglicht, Ärzte dabei zu unterstützen, umfassendere Informationen über die Lage, Form und 3D-Größe von Lungenknoten sowie deren Beziehung zu den umgebenden Gefäßen zu erhalten; (2) Fachärzte in die Lage zu versetzen, sich auch ohne Hilfe von Radiologen professionelle Kenntnisse über die Eigenschaften von Lungenknoten anzueignen; und (3) Verbesserung sowohl der Kommunikationseffizienz zwischen Ärzten und Patienten als auch der Bewertung der Prognose.
Protocol
Representative Results
Discussion
Verschiedene LDCT-Geräte unterscheiden sich erheblich in den DICOM-Bildsequenzen, die sie ausgeben, insbesondere in Bezug auf die Dateisystemverwaltung. Um das digitale 3D-Schlüsselmodell eines Lungenknotens in den späteren Phasen des Protokolls zu rekonstruieren, ist daher der Schritt der Datenvorverarbeitung besonders wichtig. In der Datenaufbereitungs- und Vorverarbeitungsphase (Schritt 1.2.2) kann die Koordinate der z-Achse der Sequenz anhand der in Abbildung 1 gezeigten Sequenz korre…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Diese Publikation wurde durch das Fünfte National Traditional Chinese Medicine Clinical Excellent Talents Research Program unterstützt, das von der National Administration of Traditional Chinese Medicine (http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html) organisiert wird.
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 |
References
- 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 2017. Radiology. 284 (1), 228-243 (2017).
- 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).
- 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., Park, J. Y., Hwang, E. J., Lee, S. M., Park, C. M. 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., Scholten, E. T., van Ginneken, B., Jacobs, C. 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).
- Gruden, J. F., Ouanounou, S., Tigges, S., Norris, S. D., Klausner, T. S. 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., Hekimoglu, K., Coskun, M., Akcay, S. 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., Qureshi, R., Sattar, A., Baloch, M. 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).
- Armato, S. G., et al. The lung image database consortium (LIDC) and image database resource initiative (IDRI): A completed reference database of lung nodules on CT scans. Medical Physics. 38 (2), 915-931 (2011).
- Xie, Y., et al. Knowledge-based collaborative deep learning for benign-malignant lung nodule classification on chest CT. IEEE Transactions on Medical Imaging. 38 (4), 991-1004 (2018).
- 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).
