En digital 3D-modell för diagnos och behandling av lungknutor
Summary
Syftet med denna studie är att utveckla en ny digital 3D-modell av lungknutor som fungerar som en kommunikationsbrygga mellan läkare och patienter och är också ett banbrytande verktyg för fördiagnos och prognostisk utvärdering.
Abstract
Den tredimensionella (3D) rekonstruktionen av lungknutor med hjälp av medicinska bilder har introducerat nya tekniska metoder för att diagnostisera och behandla lungknutor, och dessa tillvägagångssätt erkänns och antas gradvis av läkare och patienter. Ändå är det utmanande att konstruera en relativt universell 3D-digital modell av lungnoduler för diagnos och behandling på grund av enhetsskillnader, fotograferingstider och knöltyper. Syftet med denna studie är att föreslå en ny digital 3D-modell av lungknutor som fungerar som en bro mellan läkare och patienter och är också ett banbrytande verktyg för fördiagnos och prognostisk utvärdering. Många AI-drivna metoder för detektering och igenkänning av lungnoduler använder djupinlärningstekniker för att fånga de radiologiska egenskaperna hos lungknutor, och dessa metoder kan uppnå en bra AUC-prestanda (Area Under-the-Curve). Falska positiva och falska negativa är dock fortfarande en utmaning för radiologer och kliniker. Tolkningen och uttrycket av funktioner ur perspektivet av pulmonell nodulklassificering och undersökning är fortfarande otillfredsställande. I denna studie föreslås en metod för kontinuerlig 3D-rekonstruktion av hela lungan i horisontella och koronala positioner genom att kombinera befintliga medicinska bildbehandlingstekniker. Jämfört med andra tillämpliga metoder tillåter denna metod användare att snabbt lokalisera lungnoduler och identifiera deras grundläggande egenskaper samtidigt som de observerar lungnoduler från flera perspektiv, vilket ger ett effektivare kliniskt verktyg för att diagnostisera och behandla lungknutor.
Introduction
Den globala förekomsten av lungknutor varierar, men det uppskattas generellt att cirka 30% av vuxna har minst en lungknöl synlig på bröströntgenbilder1. Förekomsten av lungknutor är högre i specifika populationer, såsom tunga rökare och de med en historia av lungcancer eller andra lungsjukdomar. Det är viktigt att notera att inte alla lungnoduler är maligna, men en grundlig utvärdering är nödvändig för att utesluta malignitet2. Tidig upptäckt och diagnos av lungcancer är avgörande för att förbättra överlevnaden, och regelbunden screening med lågdos datortomografi (LDCT) rekommenderas för högriskindivider. Många AI-drivna metoder för detektering och igenkänning av lungknutor 3,4,5,6,7 använder djupinlärningstekniker för att fånga de radiologiska egenskaperna hos lungknutor, och dessa metoder kan uppnå bra AUC-prestanda (area under the curve). Falska positiva och falska negativa är dock fortfarande en utmaning för radiologer och kliniker. Tolkningen och uttrycket av funktioner ur perspektivet av pulmonell nodulklassificering och undersökning är fortfarande otillfredsställande. Samtidigt har 3D-rekonstruktionen av lungknutor baserade på LDCT fått allt större uppmärksamhet som digital modell för olika typer av knölar.
3D-rekonstruktionen av lungknutor är en process som genererar en 3D-representation av en liten tillväxt eller klump i lungan. Denna process involverar vanligtvis tillämpning av medicinska bildanalystekniker som utnyttjar både medicinsk expertis och dataintelligensmetoder. Den resulterande digitala 3D-modellen erbjuder en mer detaljerad och exakt bild av knölen, vilket möjliggör förbättrad visualisering och analys av dess storlek, form och rumsliga förhållande till de omgivande lungvävnaderna 8,9,10,11,12. Sådan information kan hjälpa till vid diagnos och övervakning av lungknutor, särskilt de som misstänks vara cancerösa. Genom att underlätta mer exakt analys har 3D-rekonstruktionen av lungknutor potential att förbättra diagnosens noggrannhet och informera behandlingsbeslut.
Maximal intensitetsprojektion (MIP) är en populär teknik inom 3D-rekonstruktion av lungknutor och används för att skapa en 2D-projektion av en 3D-bild 8,9,10,11,12 Det är särskilt användbart vid visualisering av volymetriska data extraherade från digital bildbehandling och kommunikation i medicin (DICOM) filer skannade av CT. MIP-tekniken fungerar genom att välja voxlar (de minsta enheterna av 3D-volymdata) med högsta intensitet längs visningsriktningen och projicera dem på ett 2D-plan. Detta resulterar i en 2D-bild som betonar strukturerna med högsta intensitet och undertrycker de med lägre intensitet, vilket gör det lättare att identifiera och analysera relevanta funktioner 9,10,11,12. MIP är dock inte utan begränsningar. Projektionsprocessen kan till exempel leda till förlust av information, och den resulterande 2D-bilden kanske inte korrekt representerar det underliggande objektets 3D-struktur. MIP är dock fortfarande ett värdefullt verktyg för medicinsk bildbehandling och visualisering, och dess användning fortsätter att utvecklas med framsteg inom teknik och datorkraft11.
I denna studie utvecklas en successiv MIP-modell för att visualisera lungknutor som är lätt att använda, användarvänlig för radiologer, läkare och patienter, och möjliggör identifiering och uppskattning av egenskaperna hos lungknutor. De främsta fördelarna med denna bearbetningsmetod inkluderar följande aspekter: (1) eliminera falska positiva och falska negativa som härrör från mönsterigenkänning, vilket möjliggör fokus på att hjälpa läkare att få mer omfattande information om placering, form och 3D-storlek av lungknutor, liksom deras förhållande till den omgivande vaskulaturen; 2) göra det möjligt för specialistläkare att uppnå yrkeskunskap om lungknutornas egenskaper även utan hjälp av radiologer, och (3) förbättra både kommunikationseffektiviteten mellan läkare och patienter och prognosutvärdering.
Protocol
Representative Results
Discussion
Olika LDCT-enheter har betydande skillnader i DICOM-bildsekvenserna som de matar ut, särskilt när det gäller filsystemhantering. För att rekonstruera den digitala 3D-modellen av en lungknöl i de senare stadierna av protokollet är därför dataförbehandlingssteget särskilt viktigt. I dataförberedelse- och förbehandlingssteget (steg 1.2.2) kan sekvensen z-axelkoordinaten sorteras korrekt med hjälp av sekvensen som visas i figur 1, som också kan användas för att korrekt ordna rät…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Denna publikation stöddes av Fifth National Traditional Chinese Medicine Clinical Excellent Talents Research Program organiserat av National Administration of Traditional Chinese Medicine (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).
