Formålet med denne undersøgelse er at udvikle en ny 3D digital model af lungeknuder, der fungerer som en kommunikationsbro mellem læger og patienter og også er et banebrydende værktøj til prædiagnose og prognostisk evaluering.
Den tredimensionelle (3D) rekonstruktion af lungeknuder ved hjælp af medicinske billeder har introduceret nye tekniske tilgange til diagnosticering og behandling af lungeknuder, og disse tilgange anerkendes og vedtages gradvist af læger og patienter. Ikke desto mindre er konstruktion af en relativt universel 3D digital model af lungeknuder til diagnose og behandling udfordrende på grund af enhedsforskelle, optagetider og knudetyper. Formålet med denne undersøgelse er at foreslå en ny 3D digital model af lungeknuder, der fungerer som en bro mellem læger og patienter og også er et banebrydende værktøj til prædiagnose og prognostisk evaluering. Mange AI-drevne lungeknudedetekterings- og genkendelsesmetoder anvender deep learning-teknikker til at fange de radiologiske egenskaber ved lungeknuder, og disse metoder kan opnå en god AUC-ydeevne (Area Under-the-Curve). Imidlertid forbliver falske positive og falske negativer en udfordring for radiologer og klinikere. Fortolkningen og udtrykket af træk ud fra lungeknudeklassificering og undersøgelse er stadig utilfredsstillende. I denne undersøgelse foreslås en metode til kontinuerlig 3D-rekonstruktion af hele lungen i vandrette og koronale positioner ved at kombinere eksisterende medicinske billedbehandlingsteknologier. Sammenlignet med andre anvendelige metoder giver denne metode brugerne mulighed for hurtigt at lokalisere lungeknuder og identificere deres grundlæggende egenskaber, samtidig med at de observerer lungeknuder fra flere perspektiver, hvilket giver et mere effektivt klinisk værktøj til diagnosticering og behandling af lungeknuder.
Den globale forekomst af lungeknuder er variabel, men det anslås generelt, at omkring 30% af voksne har mindst en lungeknude synlig på røntgenbillederaf brystet 1. Forekomsten af lungeknuder er højere i bestemte populationer, såsom storrygere og dem med en historie med lungekræft eller andre lungesygdomme. Det er vigtigt at bemærke, at ikke alle lungeknuder er ondartede, men en grundig evaluering er nødvendig for at udelukke malignitet2. Tidlig påvisning og diagnose af lungekræft er afgørende for at forbedre overlevelsesraten, og regelmæssig screening med lavdosis computertomografi (LDCT) anbefales til højrisikopersoner. Mange AI-drevne lungeknudedetekterings- og genkendelsesmetoder 3,4,5,6,7 anvender deep learning-teknikker til at fange de radiologiske egenskaber ved lungeknuder, og disse metoder kan opnå et godt område under kurven (AUC) ydeevne. Imidlertid forbliver falske positive og falske negativer en udfordring for radiologer og klinikere. Fortolkningen og udtrykket af træk ud fra lungeknudeklassificering og undersøgelse er stadig utilfredsstillende. Samtidig har 3D-rekonstruktionen af lungeknuder baseret på LDCT fået stigende opmærksomhed som digital model for forskellige typer knuder.
3D-rekonstruktionen af lungeknuder er en proces, der genererer en 3D-repræsentation af en lille vækst eller klump i lungen. Denne proces involverer typisk anvendelse af medicinske billedanalyseteknikker, der udnytter både medicinsk ekspertise og dataintelligensmetoder. Den resulterende digitale 3D-model giver en mere detaljeret og præcis skildring af knuden, hvilket muliggør forbedret visualisering og analyse af dens størrelse, form og rumlige forhold til det omgivende lungevæv 8,9,10,11,12. Sådanne oplysninger kan hjælpe med diagnosticering og overvågning af lungeknuder, især dem, der mistænkes for at være kræft. Ved at lette mere præcis analyse har 3D-rekonstruktion af lungeknuder potentialet til at forbedre nøjagtigheden af diagnosen og informere behandlingsbeslutninger.
Maksimal intensitetsprojektion (MIP) er en populær teknik inden for 3D-rekonstruktion af lungeknuder og bruges til at skabe en 2D-projektion af et 3D-billede 8,9,10,11,12 Det er især nyttigt til visualisering af volumetriske data ekstraheret fra digital billeddannelse og kommunikation i medicin (DICOM) filer scannet af CT. MIP-teknikken fungerer ved at vælge voxels (de mindste enheder af 3D-volumendata) med den højeste intensitet langs synsretningen og projicere dem på et 2D-plan. Dette resulterer i et 2D-billede, der understreger strukturerne med den højeste intensitet og undertrykker dem med lavere intensitet, hvilket gør det lettere at identificere og analysere relevante funktioner 9,10,11,12. PMU er dog ikke uden begrænsninger. Projiceringsprocessen kan f.eks. resultere i tab af oplysninger, og det resulterende 2D-billede repræsenterer muligvis ikke det underliggende objekts 3D-struktur nøjagtigt. Ikke desto mindre er MIP fortsat et værdifuldt værktøj til medicinsk billeddannelse og visualisering, og dets anvendelse fortsætter med at udvikle sig med fremskridt inden for teknologi og computerkraft11.
I denne undersøgelse udvikles en successiv MIP-model til visualisering af lungeknuder, der er nem at bruge, brugervenlig for radiologer, læger og patienter og muliggør identifikation og estimering af lungeknuders egenskaber. De primære fordele ved denne behandlingsmetode omfatter følgende aspekter: (1) eliminering af falske positive og falske negativer som følge af mønstergenkendelse, hvilket gør det muligt at fokusere på at hjælpe læger med at få mere omfattende information om placering, form og 3D-størrelse af lungeknuder samt deres forhold til den omgivende vaskulatur; 2) at gøre det muligt for speciallæger at opnå faglig viden om lungeknuders egenskaber, selv uden radiologers bistand og (3) forbedring af både kommunikationseffektivitet mellem læger og patienter og prognoseevaluering.
Forskellige LDCT-enheder har betydelige forskelle i de DICOM-billedsekvenser, de udsender, især med hensyn til filsystemstyring. For at rekonstruere den centrale 3D digitale model af en lungeknude i de senere stadier af protokollen er dataforbehandlingstrinnet derfor særligt vigtigt. I dataforberedelses- og forbehandlingsfasen (trin 1.2.2) kan sekvensen z-aksekoordinaten sorteres korrekt ved hjælp af sekvensen vist i figur 1, som også kan bruges til korrekt at arrangere den korrekte bill…
The authors have nothing to disclose.
Denne publikation blev støttet af det femte National Traditional Chinese Medicine Clinical Excellent Talents Research Program arrangeret af National Administration of Traditional Chinese Medicine (http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html).
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 |