Pulmoner nodüllerin tanı ve tedavisi için 3D dijital model
Summary
Bu çalışmanın amacı, hekimler ve hastalar arasında bir iletişim köprüsü görevi gören ve aynı zamanda ön tanı ve prognostik değerlendirme için son teknoloji bir araç olan pulmoner nodüllerin yeni bir 3D dijital modelini geliştirmektir.
Abstract
Tıbbi görüntüler kullanılarak pulmoner nodüllerin üç boyutlu (3D) rekonstrüksiyonu, pulmoner nodüllerin tanı ve tedavisinde yeni teknik yaklaşımlar getirmiştir ve bu yaklaşımlar hekimler ve hastalar tarafından giderek daha fazla kabul edilmekte ve benimsenmektedir. Bununla birlikte, tanı ve tedavi için pulmoner nodüllerin nispeten evrensel bir 3D dijital modelini oluşturmak, cihaz farklılıkları, çekim süreleri ve nodül tipleri nedeniyle zordur. Bu çalışmanın amacı, hekimler ve hastalar arasında bir köprü görevi gören ve aynı zamanda ön tanı ve prognostik değerlendirme için son teknoloji bir araç olan pulmoner nodüllerin yeni bir 3D dijital modelini önermektir. Birçok AI güdümlü pulmoner nodül tespit ve tanıma yöntemi, pulmoner nodüllerin radyolojik özelliklerini yakalamak için derin öğrenme tekniklerini kullanır ve bu yöntemler eğri altı (AUC) performansında iyi bir alan elde edebilir. Bununla birlikte, yanlış pozitifler ve yanlış negatifler radyologlar ve klinisyenler için bir zorluk olmaya devam etmektedir. Pulmoner nodül sınıflaması ve muayenesi açısından özelliklerin yorumlanması ve ifade edilmesi hala tatmin edici değildir. Bu çalışmada, mevcut tıbbi görüntü işleme teknolojileri birleştirilerek tüm akciğerin yatay ve koronal pozisyonlarda sürekli 3D rekonstrüksiyonu yöntemi önerilmiştir. Diğer uygulanabilir yöntemlerle karşılaştırıldığında, bu yöntem kullanıcıların pulmoner nodülleri hızlı bir şekilde bulmalarını ve temel özelliklerini tanımlamalarını sağlarken, aynı zamanda pulmoner nodülleri birden fazla perspektiften gözlemlemelerini sağlar, böylece pulmoner nodüllerin teşhisi ve tedavisi için daha etkili bir klinik araç sağlar.
Introduction
Pulmoner nodüllerin küresel insidansı değişkendir, ancak genellikle yetişkinlerin yaklaşık% 30’unda akciğer grafilerinde görülebilen en az bir pulmoner nodül olduğu tahmin edilmektedir1. Pulmoner nodüllerin insidansı, ağır sigara içenler ve akciğer kanseri veya diğer akciğer hastalıkları öyküsü olanlar gibi spesifik popülasyonlarda daha yüksektir. Tüm pulmoner nodüllerin malign olmadığını not etmek önemlidir, ancak maligniteyi ekarte etmek için kapsamlı bir değerlendirme gereklidir2. Akciğer kanserinin erken teşhisi ve teşhisi, sağkalım oranlarını iyileştirmek için çok önemlidir ve yüksek riskli bireyler için düşük doz bilgisayarlı tomografi (LDBT) ile düzenli tarama önerilmektedir. Birçok AI güdümlü pulmoner nodül tespit ve tanıma yöntemi 3,4,5,6,7, pulmoner nodüllerin radyolojik özelliklerini yakalamak için derin öğrenme tekniklerini kullanır ve bu yöntemler eğri (AUC) performansının altında iyi bir alan elde edebilir. Bununla birlikte, yanlış pozitifler ve yanlış negatifler radyologlar ve klinisyenler için bir zorluk olmaya devam etmektedir. Pulmoner nodül sınıflaması ve muayenesi açısından özelliklerin yorumlanması ve ifade edilmesi hala tatmin edici değildir. Aynı zamanda, LDCT’ye dayalı pulmoner nodüllerin 3D rekonstrüksiyonu, çeşitli nodül tipleri için dijital bir model olarak giderek daha fazla dikkat çekmektedir.
Pulmoner nodüllerin 3D rekonstrüksiyonu, akciğerdeki küçük bir büyüme veya yumruğun 3D temsilini üreten bir süreçtir. Bu süreç tipik olarak hem tıbbi uzmanlık hem de veri zekası yaklaşımlarından yararlanan tıbbi görüntü analizi tekniklerinin uygulanmasını içerir. Ortaya çıkan 3D dijital model, nodülün daha ayrıntılı ve doğru bir tasvirini sunarak, boyutunun, şeklinin ve çevresindeki akciğer dokularıyla mekansal ilişkisinin geliştirilmiş görselleştirmesini ve analizini sağlar 8,9,10,11,12. Bu tür bilgiler, pulmoner nodüllerin, özellikle kanserli olduğundan şüphelenilenlerin tanı ve izlenmesinde yardımcı olabilir. Daha kesin analizleri kolaylaştırarak, pulmoner nodüllerin 3D rekonstrüksiyonu, tanının doğruluğunu artırma ve tedavi kararlarını bilgilendirme potansiyeline sahiptir.
Maksimum yoğunluk projeksiyonu (MIP), pulmoner nodüllerin 3D rekonstrüksiyonu alanında popüler bir tekniktir ve 3D görüntünün 2D projeksiyonunu oluşturmak için kullanılır 8,9,10,11,12 BT ile taranan dijital görüntüleme ve tıpta iletişim (DICOM) dosyalarından çıkarılan hacimsel verilerin görselleştirilmesinde özellikle yararlıdır. MIP tekniği, görüntüleme yönü boyunca en yüksek yoğunluğa sahip vokselleri (3D hacim verilerinin en küçük birimleri) seçerek ve bunları bir 2D düzleme yansıtarak çalışır. Bu, en yüksek yoğunluğa sahip yapıları vurgulayan ve daha düşük yoğunluğa sahip olanları bastıran bir 2D görüntü ile sonuçlanır, bu da ilgili özellikleri tanımlamayı ve analiz etmeyi kolaylaştırır9,10,11,12. Ancak, MIP sınırsız değildir. Örneğin, projeksiyon işlemi bilgi kaybına neden olabilir ve elde edilen 2B görüntü, temel alınan nesnenin 3B yapısını doğru bir şekilde temsil etmeyebilir. Bununla birlikte, MIP tıbbi görüntüleme ve görselleştirme için değerli bir araç olmaya devam etmektedir ve kullanımı teknoloji ve bilgi işlem gücündeki ilerlemelerle birlikte gelişmeye devam etmektedir11.
Bu çalışmada, pulmoner nodülleri görselleştirmek için kullanımı kolay, radyologlar, hekimler ve hastalar için kullanıcı dostu olan ve pulmoner nodüllerin özelliklerinin tanımlanmasına ve tahmin edilmesine olanak tanıyan ardışık bir MIP modeli geliştirilmiştir. Bu işleme yaklaşımının başlıca avantajları aşağıdaki yönleri içerir: (1) örüntü tanımadan kaynaklanan yanlış pozitifleri ve yanlış negatifleri ortadan kaldırmak, bu da hekimlerin pulmoner nodüllerin yeri, şekli ve 3D boyutu ve bunların çevresindeki vaskülatür ile ilişkileri hakkında daha kapsamlı bilgi edinmelerine yardımcı olmaya odaklanmayı sağlar; (2) Uzman hekimlerin, radyologların yardımı olmadan bile pulmoner nodüllerin özellikleri hakkında mesleki bilgi edinmelerini sağlamak; ve (3) hem hekimler ve hastalar arasındaki iletişim etkinliğinin hem de prognoz değerlendirmesinin arttırılması.
Protocol
Representative Results
Discussion
Farklı LDCT aygıtları, çıktılarını aldıkları DICOM görüntü dizilerinde, özellikle dosya sistemi yönetimi açısından önemli farklılıklara sahiptir. Bu nedenle, protokolün sonraki aşamalarında bir pulmoner nodülün anahtar 3D dijital modelini yeniden yapılandırmak için, veri ön işleme adımı özellikle önemlidir. Veri hazırlama ve ön işleme aşamasında (adım 1.2.2), dizi z ekseni koordinatı, Şekil 1’de gösterilen sıra kullanılarak doğru şekilde sıral…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Bu yayın, Ulusal Geleneksel Çin Tıbbı İdaresi (http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html) tarafından düzenlenen Beşinci Ulusal Geleneksel Çin Tıbbı Klinik Mükemmel Yetenekler Araştırma Programı tarafından desteklenmiştir.
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).
