Un modelo digital 3D para el diagnóstico y tratamiento de nódulos pulmonares
Summary
El objetivo de este estudio es desarrollar un nuevo modelo digital 3D de nódulos pulmonares que sirva como puente de comunicación entre médicos y pacientes y que también sea una herramienta de vanguardia para el prediagnóstico y la evaluación pronóstica.
Abstract
La reconstrucción tridimensional (3D) de los nódulos pulmonares utilizando imágenes médicas ha introducido nuevos enfoques técnicos para diagnosticar y tratar los nódulos pulmonares, y estos enfoques están siendo progresivamente reconocidos y adoptados por médicos y pacientes. No obstante, la construcción de un modelo digital 3D relativamente universal de nódulos pulmonares para el diagnóstico y el tratamiento es un desafío debido a las diferencias en los dispositivos, los tiempos de disparo y los tipos de nódulos. El objetivo de este estudio es proponer un nuevo modelo digital 3D de nódulos pulmonares que sirva de puente entre médicos y pacientes y que sea también una herramienta de vanguardia para el prediagnóstico y la evaluación pronóstica. Muchos métodos de detección y reconocimiento de nódulos pulmonares impulsados por IA emplean técnicas de aprendizaje profundo para capturar las características radiológicas de los nódulos pulmonares, y estos métodos pueden lograr un buen rendimiento bajo la curva (AUC) del área. Sin embargo, los falsos positivos y falsos negativos siguen siendo un desafío para los radiólogos y los médicos. La interpretación y expresión de las características desde la perspectiva de la clasificación y el examen de los nódulos pulmonares siguen siendo insatisfactorias. En este estudio, se propone un método de reconstrucción 3D continua de todo el pulmón en posiciones horizontal y coronal mediante la combinación de tecnologías de procesamiento de imágenes médicas existentes. En comparación con otros métodos aplicables, este método permite a los usuarios localizar rápidamente los nódulos pulmonares e identificar sus propiedades fundamentales, al tiempo que observa los nódulos pulmonares desde múltiples perspectivas, proporcionando así una herramienta clínica más eficaz para diagnosticar y tratar los nódulos pulmonares.
Introduction
La incidencia global de nódulos pulmonares es variable, pero generalmente se estima que alrededor del 30% de los adultos tienen al menos un nódulo pulmonar visible en las radiografías de tórax1. La incidencia de nódulos pulmonares es mayor en poblaciones específicas, como los fumadores empedernidos y aquellos con antecedentes de cáncer de pulmón u otras enfermedades pulmonares. Es importante señalar que no todos los nódulos pulmonares son malignos, pero es necesaria una evaluación exhaustiva para descartar neoplasias malignas2. La detección temprana y el diagnóstico del cáncer de pulmón son cruciales para mejorar las tasas de supervivencia, y se recomienda la detección regular con tomografía computarizada de baja dosis (LDCT) para las personas de alto riesgo. Muchos métodos de detección y reconocimiento de nódulos pulmonares impulsados por IA 3,4,5,6,7 emplean técnicas de aprendizaje profundo para capturar las características radiológicas de los nódulos pulmonares, y estos métodos pueden lograr un buen rendimiento de área bajo la curva (AUC). Sin embargo, los falsos positivos y falsos negativos siguen siendo un desafío para los radiólogos y los médicos. La interpretación y expresión de las características desde la perspectiva de la clasificación y el examen de los nódulos pulmonares siguen siendo insatisfactorias. Al mismo tiempo, la reconstrucción 3D de nódulos pulmonares basada en LDCT ha ganado cada vez más atención como modelo digital para varios tipos de nódulos.
La reconstrucción 3D de nódulos pulmonares es un proceso que genera una representación 3D de un pequeño crecimiento o bulto en el pulmón. Este proceso generalmente implica la aplicación de técnicas de análisis de imágenes médicas que aprovechan tanto la experiencia médica como los enfoques de inteligencia de datos. El modelo digital 3D resultante ofrece una representación más detallada y precisa del nódulo, lo que permite una mejor visualización y análisis de su tamaño, forma y relación espacial con los tejidos pulmonares circundantes 8,9,10,11,12. Dicha información puede ayudar en el diagnóstico y monitoreo de nódulos pulmonares, particularmente aquellos sospechosos de ser cancerosos. Al facilitar un análisis más preciso, la reconstrucción 3D de los nódulos pulmonares tiene el potencial de mejorar la precisión del diagnóstico e informar las decisiones de tratamiento.
La proyección de intensidad máxima (MIP) es una técnica popular en el campo de la reconstrucción 3D de nódulos pulmonares y se utiliza para crear una proyección 2D de una imagen 3D 8,9,10,11,12 Es particularmente útil en la visualización de datos volumétricos extraídos de archivos de imágenes digitales y comunicaciones en medicina (DICOM) escaneados por TC. La técnica MIP funciona seleccionando los vóxeles (las unidades más pequeñas de datos de volumen 3D) con la mayor intensidad a lo largo de la dirección de visualización y proyectándolos en un plano 2D. Esto da como resultado una imagen 2D que enfatiza las estructuras con mayor intensidad y suprime aquellas con menor intensidad, lo que facilita la identificación y el análisis de características relevantes 9,10,11,12. Sin embargo, MIP no está exento de limitaciones. Por ejemplo, el proceso de proyección puede resultar en una pérdida de información, y la imagen 2D resultante puede no representar con precisión la estructura 3D del objeto subyacente. Sin embargo, MIP sigue siendo una herramienta valiosa para la imagen y visualización médica, y su uso continúa evolucionando con los avances en tecnología y potencia de cómputo11.
En este estudio, se desarrolla un modelo MIP sucesivo para visualizar nódulos pulmonares que es fácil de usar, fácil de usar para radiólogos, médicos y pacientes, y permite la identificación y estimación de las propiedades de los nódulos pulmonares. Las principales ventajas de este enfoque de procesamiento incluyen los siguientes aspectos: (1) eliminar los falsos positivos y falsos negativos derivados del reconocimiento de patrones, lo que permite centrarse en ayudar a los médicos a obtener información más completa sobre la ubicación, la forma y el tamaño 3D de los nódulos pulmonares, así como su relación con la vasculatura circundante; (2) permitir a los médicos especialistas adquirir un conocimiento profesional de las características de los nódulos pulmonares incluso sin la asistencia de radiólogos; y (3) mejorar tanto la eficiencia de la comunicación entre médicos y pacientes como la evaluación del pronóstico.
Protocol
Representative Results
Discussion
Los diferentes dispositivos LDCT tienen diferencias significativas en las secuencias de imágenes DICOM que generan, especialmente en términos de administración del sistema de archivos. Por lo tanto, para reconstruir el modelo digital 3D clave de un nódulo pulmonar en las últimas etapas del protocolo, el paso de preprocesamiento de datos es particularmente importante. En la etapa de preparación y preprocesamiento de datos (paso 1.2.2), la coordenada del eje z de la secuencia se puede ordenar correctamente utilizando…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Esta publicación fue apoyada por el Quinto Programa Nacional de Investigación de Talentos Excelentes Clínicos de Medicina Tradicional China organizado por la Administración Nacional de Medicina Tradicional China (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 |
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).
