Målet med denne studien er å utvikle en ny 3D digital modell av lungeknuter som fungerer som en kommunikasjonsbro mellom leger og pasienter, og er også et banebrytende verktøy for prediagnose og prognostisk evaluering.
Den tredimensjonale (3D) rekonstruksjonen av lungeknuter ved hjelp av medisinske bilder har introdusert nye tekniske tilnærminger for diagnostisering og behandling av lungeknuter, og disse tilnærmingene blir gradvis anerkjent og vedtatt av leger og pasienter. Ikke desto mindre er det utfordrende å konstruere en relativt universell 3D digital modell av lungeknuter for diagnose og behandling på grunn av enhetsforskjeller, opptakstider og knutetyper. Målet med denne studien er å foreslå en ny 3D digital modell av lungeknuter som fungerer som en bro mellom leger og pasienter, og er også et banebrytende verktøy for prediagnose og prognostisk evaluering. Mange AI-drevne lungeknutedeteksjons- og gjenkjenningsmetoder bruker dype læringsteknikker for å fange opp de radiologiske egenskapene til lungeknuter, og disse metodene kan oppnå en god ytelse under kurven (AUC). Imidlertid forblir falske positive og falske negativer en utfordring for radiologer og klinikere. Tolkningen og uttrykket av trekk fra perspektivet til pulmonal knute klassifisering og undersøkelse er fortsatt utilfredsstillende. I denne studien foreslås en metode for kontinuerlig 3D-rekonstruksjon av hele lungen i horisontale og koronale posisjoner ved å kombinere eksisterende medisinsk bildebehandlingsteknologi. Sammenlignet med andre anvendelige metoder, tillater denne metoden brukere å raskt lokalisere lungeknuter og identifisere deres grunnleggende egenskaper samtidig som de observerer lungeknuter fra flere perspektiver, og gir dermed et mer effektivt klinisk verktøy for diagnostisering og behandling av lungeknuter.
Den globale forekomsten av lungeknuter er variabel, men man regner generelt med at ca. 30 % av voksne har minst én lungeknute synlig på røntgenbilder av thorax1. Forekomsten av lungeknuter er høyere i spesifikke populasjoner, for eksempel storrøykere og de med en historie med lungekreft eller andre lungesykdommer. Det er viktig å merke seg at ikke alle lungeknuter er ondartede, men en grundig utredning er nødvendig for å utelukke malignitet2. Tidlig påvisning og diagnostisering av lungekreft er avgjørende for å forbedre overlevelsesraten, og regelmessig screening med lavdose computertomografi (LDCT) anbefales for høyrisikopersoner. Mange AI-drevne lungeknutedeteksjons- og gjenkjenningsmetoder 3,4,5,6,7 bruker dype læringsteknikker for å fange de radiologiske egenskapene til lungeknuter, og disse metodene kan oppnå god areal under kurven (AUC) ytelse. Imidlertid forblir falske positive og falske negativer en utfordring for radiologer og klinikere. Tolkningen og uttrykket av trekk fra perspektivet til pulmonal knute klassifisering og undersøkelse er fortsatt utilfredsstillende. Samtidig har 3D-rekonstruksjon av lungeknuter basert på LDCT fått økende oppmerksomhet som digital modell for ulike typer knuter.
3D-rekonstruksjonen av lungeknuter er en prosess som genererer en 3D-representasjon av en liten vekst eller klump i lungen. Denne prosessen innebærer vanligvis anvendelse av medisinske bildeanalyseteknikker som utnytter både medisinsk ekspertise og dataintelligenstilnærminger. Den resulterende digitale 3D-modellen gir en mer detaljert og nøyaktig skildring av knuten, noe som muliggjør forbedret visualisering og analyse av størrelse, form og romlig forhold til det omkringliggende lungevevet 8,9,10,11,12. Slik informasjon kan hjelpe til med diagnostisering og overvåking av lungeknuter, spesielt de som mistenkes for å være kreft. Ved å legge til rette for mer presis analyse har 3D-rekonstruksjon av lungeknuter potensial til å forbedre nøyaktigheten av diagnosen og informere behandlingsbeslutninger.
Maksimal intensitetsprojeksjon (MIP) er en populær teknikk innen 3D-rekonstruksjon av lungeknuter og brukes til å lage en 2D-projeksjon av et 3D-bilde 8,9,10,11,12 Det er spesielt nyttig i visualisering av volumetriske data hentet fra digital bildebehandling og kommunikasjon i medisin (DICOM) filer skannet av CT. MIP-teknikken fungerer ved å velge voxels (de minste enhetene av 3D-volumdata) med høyeste intensitet langs visningsretningen og projisere dem på et 2D-plan. Dette resulterer i et 2D-bilde som fremhever strukturene med høyest intensitet og undertrykker de med lavere intensitet, noe som gjør det lettere å identifisere og analysere relevante funksjoner 9,10,11,12. MIP er imidlertid ikke uten begrensninger. Projeksjonsprosessen kan for eksempel føre til tap av informasjon, og det resulterende 2D-bildet representerer kanskje ikke nøyaktig 3D-strukturen til det underliggende objektet. Likevel er MIP fortsatt et verdifullt verktøy for medisinsk bildebehandling og visualisering, og bruken fortsetter å utvikle seg med fremskritt innen teknologi og datakraft11.
I denne studien utvikles en suksessiv MIP-modell for å visualisere lungeknuter som er enkel å bruke, brukervennlig for radiologer, leger og pasienter, og tillater identifisering og estimering av egenskapene til lungeknuter. De primære fordelene ved denne behandlingsmetoden inkluderer følgende aspekter: (1) eliminere falske positiver og falske negativer som følge av mønstergjenkjenning, noe som gjør det mulig å fokusere på å hjelpe leger til å få mer omfattende informasjon om plasseringen, formen og 3D-størrelsen på lungeknuter, samt deres forhold til den omkringliggende vaskulaturen; (2) gjøre det mulig for spesialistleger å oppnå faglig kunnskap om egenskapene til lungeknuter selv uten hjelp fra radiologer; og (3) øke både kommunikasjonseffektiviteten mellom leger og pasienter og prognoseevaluering.
Ulike LDCT-enheter har betydelige forskjeller i DICOM-bildesekvensene de sender ut, spesielt når det gjelder filsystemadministrasjon. Derfor, for å rekonstruere den viktigste 3D digitale modellen av en lungeknute i de senere stadiene av protokollen, er databehandlingstrinnet spesielt viktig. I dataforberedelses- og forbehandlingsfasen (trinn 1.2.2) kan sekvens z-aksekoordinaten sorteres riktig ved hjelp av sekvensen vist i figur 1, som også kan brukes til å ordne riktig bilderekkefølge …
The authors have nothing to disclose.
Denne publikasjonen ble støttet av Fifth National Traditional Chinese Medicine Clinical Excellent Talents Research Program organisert av 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 |