肺CT分割，确定合并和地面玻璃区域对SARS-COV肺炎的定量评估
Summary
该协议的目的是提供一种时间有效的方法，用于对高分辨率 CT 扫描进行分段感兴趣的卷，以便用于进一步的放射分析。
Abstract
分割是一项复杂的任务，随着放射学和机器学习的潜力增长，放射学家和研究人员面临着这一任务。该过程可以是自动的、半自动的或手动的，第一个过程通常不够精确或易于重现，最后一个过程在涉及具有高分辨率收购的大型区域时过于耗时。
胸部的高分辨率 CT 由数百张图像组成，这使得手动方法过于耗时。此外，从正常外观中可以辨别出 parenchy 的改动;因此，半自动的分段过程方法，据我们所知，是最适合分割肺炎时，尤其是当其特征仍然未知时。
对于在COVID-19成像研究所进行的研究，我们采用了3D切片机，这是哈佛大学制作的一个自由软件，将阈值与喷漆仪器相结合，实现快速、精确的加率肺、地面玻璃不透明度和整合分割。当面对复杂情况时，此方法仍然需要相当长的时间进行适当的手动调整，但提供了一种极其有效的均值来定义用于进一步分析的段，例如计算受影响的肺帕伦奇玛百分比或地面玻璃区域的纹理分析。
Introduction
今年，世界正面临一场卫生紧急事件，这种大流行是由新型冠状病毒——Sars-CoV2引起的。即使迄今为止，有关COVID-19感染的生理病理学的许多方面仍然不清楚，它与它的”祖先”SARS1和MERS有一些共同的特点。特别是，已经证明，病毒尖峰蛋白与血管紧张素转化酶-2型相互作用，这种受体很好地表现在道利内皮细胞上，但在人体体细胞中无处不在，因此具有产生全身症状1的潜力。
对于诊断，当前标准是实时逆转录酶-聚合酶链反应（rt-PCR），这是对咽拭子进行的测试。虽然放射成像在疾病检测诊断路径中尚未得到正式承认，但由于rt-PCR的敏感性相对较低、目前缺乏专门实验室和必要的试剂以及高操作员依赖性，高分辨率计算机断层扫描（HRCT）证明对受影响患者的临床和流行病学管理是一种宝贵的帮助。
北美放射学会（RSNA）发表了一份共识声明，得到胸科放射学学会和美国放射学会（ACR）的赞同，将COVID19的CT外观分为四类，以标准化报告，将间层肺炎模式分为”典型”，”非典型”，”不确定”和”负面“2。
“典型”模式的特点是存在圆形地面玻璃不透明度 （GGO），通常具有在后底段上的子胸腔位置。GGO 可与加厚隔膜或其他组织肺炎迹象的”疯狂铺垫”区域相关。”不确定”模式的特点是缺乏”典型”模式的发现，具有近区分布的漫射GGO区域，有或没有合并区域。”非典型”模式的特点是要么没有”典型”或”不确定”的迹象，要么存在腰杆巩固，”树在芽”，平滑增厚的隔膜和胸膜积液;在此演示文稿中，无法检测到 GGO。”消极”模式的特点是没有上述病理发现。
根据文献，一些患者可能呈现一个高临床怀疑COVID-19支持流行病学标准和成像发现与负rt-PCR3，4。另一方面，据报道，有阳性rt-PCR和暗示性临床发现的患者，没有在HRCT5上出现病理发现。
在定量研究这种疾病的特点时，应用图像分析技术是科学界最关心的问题。最近的一项研究应用了肺分裂症的自动分段技术，以确定受COVID-19影响的患者的加率肺的百分比，将这一值与预后关联，并证明肺部介入程度更严重的患者在重症监护室（ICU）住院的风险增加，结果更差6。
分割是通过成像技术（如 HRCT）获得的卷内感兴趣区域 （ROIS） 的轮廓。此活动可以通过三种方法进行：手动、半自动和自动。手动分割，由于训练有素的放射科医生的经验，包括标签体素属于病理区域。此方法的主要缺点是需要大量时间，并且它依赖于运算符。
半自动方法允许加快分段速度，因为操作员可以修改通过经典图像处理方法（例如像素强度、聚类等的阈值）获得的分段蒙版。然而，这些技术不容易在临床实践中实施，因为它们需要广泛的人工干预在最复杂的案件18。
自动分割方法目前使用有限，采用人工智能获取 RO。特别是，最近的一项研究旨在使用自动分割在地面玻璃区定量的患者患有COVID-19间体肺炎19。HRCT图像上病理区域的分割协议的定义是朝着随后的放射学分析迈出的真正的第一步，以便确定有助于进一步了解该疾病的生理病理学的特征，并作为一个准确的预测因素，可能影响治疗。
本文提供了一个指南，以获得准确和高效的片段，代表COVID-19肺炎的病理发现使用”3D切片器”7，8，9，10。
Protocol
Representative Results
Discussion
分割是进行现代定量放射学研究的基本步骤，是应用放射学或纹理分析技术所必需的。肺部的病理发现是最具挑战性的分段之一，因为与健康区域相比，缺乏明确的解剖边界，衰减值差异很小。
如果可能，源图像必须呈现最少的伪影，特别是在病理区域，有时在研究危害呼吸的疾病时很难做到;因此，研究人员可以考虑排除受损的 HRCT 或定义一个专门用于工件的部分，以从进?…
Declarações
The authors have nothing to disclose.
Acknowledgements
这项工作得到了博洛尼亚大学放射学系的资助。
Materials
| CT Scanner | General Electrics Healthcare | 64-MDCT VCT lightSpeed | The CT scanner used for HRCT acquisitions |
| Desktop Computer | ThinkCentre | The computer used to download the DICOM files and run 3D Slicer |
Referências
- Zheng, Y., et al. COVID-19 and the cardiovascular system. Nature Reviews Cardiology. 17, 259-260 (2020).
- Simpson, S., et al. Radiological Society of North America Expert Consensus Statement on Reporting Chest CT Findings Related to COVID-19. Endorsed by the Society of Thoracic Radiology, the American College of Radiology, and RSNA. Radiology: Cardiothoracic Imaging. 2, 2 (2020).
- Xie, X., et al. Chest CT for Typical 2019-nCoV Pneumonia: Relationship to Negative RT-PCR Testing. Radiology. , 200343 (2020).
- Huang, P., et al. Use of Chest CT in Combination with Negative RT-PCR Assay for the 2019 Novel Coronavirus but High Clinical Suspicion. Radiology. 295 (1), 22-23 (2020).
- Fang, Y., et al. Sensitivity of Chest CT for COVID-19: Comparison to RT-PCR. Radiology. , 200432 (2020).
- Colombi, D., et al. Well-aerated Lung on Admitting Chest CT to Predict Adverse Outcome in COVID-19 Pneumonia. Radiology. , 201433 (2020).
- . 3D Slicer [software] Available from: https://www.slicer.org (2020)
- Kikinis, R., Pieper, S. D., Vosburgh, K., Jolesz, F. A. 3D Slicer: a platform for subject-specific image analysis, visualization, and clinical support. Intraoperative Imaging Image-Guided Therapy. 3 (19), 277-289 (2014).
- Kapur, T., et al. Increasing the impact of medical image computing using community-based open-access hackathons: The NA-MIC and 3D Slicer experience. Medical Image Analysis. 33, 176-180 (2016).
- Fedorov, A., et al. 3D Slicer as an Image Computing Platform for the Quantitative Imaging Network. Magnetic Resonance Imaging. 30 (9), 1323-1341 (2012).
- . Chest Imaging Platform [software] Available from: https://chestimagingplatform.org (2020)
- Wang, J., Li, F., Li, Q. Automated segmentation of lungs with severe interstitial lung disease in CT. Medical Physics. 36 (10), 4592-4599 (2009).
- Lanza, E., et al. Quantitative chest CT analysis in COVID-19 to predict the need for oxygenation support and intubation. European Radiology. , (2020).
- Yao, G. Value of window technique in diagnosis of the ground glass opacities in patients with non-small cell pulmonary cancer. Oncology Letters. 12 (5), 3933-3935 (2016).
- Kauczor, H. U., et al. Automatic detection and quantification of ground-glass opacities on high-resolution CT using multiple neural networks: comparison with a density mask. American Journal of Roentgenology. 175 (5), 1329-1334 (2000).
- Funama, Y., et al. Detection of nodules showing ground-glass opacity in the lungs at low-dose multidetector computed tomography: phantom and clinical study. Journal of Computed Assisted Tomography. 33 (1), 49-53 (2009).
- Hansell, D. M., et al. Fleischner Society: glossary of terms for thoracic imaging. Radiology. 246, 697-722 (2008).
- Heye, T., et al. Reproducibility of Dynamic Part II. Comparison of Intra- and Interobserver Variability with Manual Region of Interest Placement versus semiautomatic lesion segmentation and histogram analysis. Radiology. 266, 812-821 (2013).
- Zhang, H. T., et al. Automated detection and quantification of COVID-19 pneumonia: CT imaging analysis by a deep learning-based software. Nuclear Medicine and Molecular Imaging. 14, 1-8 (2020).
- Alhazzani, W., et al. Surviving Sepsis Campaign: guidelines on the management of critically ill adults with Coronavirus Disease 2019(COVID-19). Intensive Care Medicine. 46 (5), 854-887 (2020).
