Long CT-segmentatie om consolidaties en grondglas gebieden voor kwantitatieve assesment van SARS-CoV Longontsteking te identificeren
Summary
Het doel van dit protocol is om een tijdefficiënte manier te bieden om volumes van belang op ct-scans met hoge resolutie te segmenteren om te gebruiken voor verdere radiomiekanalyse.
Abstract
Segmentatie is een complexe taak, geconfronteerd door radiologen en onderzoekers als radiomiek en machine learning groeien in potentie. Het proces kan automatisch, semi-automatisch of handmatig zijn, de eerste is vaak niet nauwkeurig of gemakkelijk reproduceerbaar, en de laatste is buitensporig tijdrovend wanneer grote districten met hoge resolutie-acquisities worden betrokken.
Een hoge resolutie CT van de borst is samengesteld uit honderden beelden, en dit maakt de handmatige aanpak te tijdrovend. Bovendien vereisen de parenchymale wijzigingen een deskundige evaluatie die moet worden onderscheiden van het normale uiterlijk; zo is een semi-automatische benadering van het segmentatieproces, voor zover wij weten, het meest geschikt bij het segmenteren van longontstekingen, vooral wanneer hun kenmerken nog onbekend zijn.
Voor de studies uitgevoerd in ons instituut over de beeldvorming van COVID-19, hebben we 3D Slicer, een freeware software geproduceerd door de Harvard University, en combineerde de drempel met de verf penseel instrumenten om een snelle en nauwkeurige segmentatie van beeerde long, gemalen glas opacities, en consolidaties te bereiken. Bij complexe gevallen vergt deze methode nog steeds een aanzienlijke hoeveelheid tijd voor de juiste handmatige aanpassingen, maar biedt een uiterst efficiënt middel om segmenten te definiëren die moeten worden gebruikt voor verdere analyse, zoals de berekening van het percentage van de aangetaste longenchyma of textuuranalyse van de grondglasgebieden.
Introduction
In het huidige jaar, de wereld wordt geconfronteerd met een noodsituatie in de gezondheid, de pandemie veroorzaakt door de roman Coronavirus, Sars-CoV2. Zelfs als, tot op de huidige datum, veel aspecten met betrekking tot de fysiopathologie van de COVID-19 infectie zijn nog steeds onduidelijk, het deelt verschillende kenmerken met zijn “voorouders” SARS1 en MERS. In het bijzonder is bewezen dat de virion spike eiwitten interageren met de Angiotensine Converteren Enzym Type-2, een receptor goed vertegenwoordigd op de alveolaire endotheelcellen, maar alomtegenwoordig in het menselijk organisme, waardoor de potentie om systemische symptomen te geven1.
Voor de diagnose is de huidige standaard de real-time reverse transcriptase-polymerase kettingreactie (rt-PCR), een test uitgevoerd op faryngeale swabs. Hoewel radiologische beeldvorming niet officieel wordt erkend in het diagnostische pad voor de detectie van de ziekte, bleek hoge resolutie computertomografie (HRCT) een waardevol hulpmiddel te zijn voor het klinische en epidemiologische beheer van getroffen patiënten, vanwege de relatief lage gevoeligheid van de rt-PCR, de huidige schaarste van gespecialiseerde laboratoria en van de noodzakelijke reagentia, en de hoge operator-afhankelijkheid.
De Radiologische Society of North America (RSNA) gaf een consensus verklaring, onderschreven door de vereniging van Thoracische Radiologie en het American College of Radiology (ACR), dat classificeert de CT-verschijning van COVID19 in vier categorieën om de rapportage te standaardiseren, het verdelen van de interstitiële patronen in “typische”, “atypische”, “onbepaald”, en “negatief”2.
Het “typische” patroon wordt gekenmerkt door de aanwezigheid van ronde grondglasopaciteiten (GGO), meestal met een subpleurale locatie op de dorsale basale segmenten. De GGO kan worden geassocieerd met “Crazy Bestrating” gebieden van verdikte septa, of andere tekenen van het organiseren van longontsteking. Het “onbepaalde” patroon wordt gekenmerkt door de afwezigheid van de “typische” patroonbevindingen, met diffuse GGO-gebieden met een perihilarverdeling, met of zonder consoliderende gebieden. Het “atypische” patroon wordt gekenmerkt door ofwel de afwezigheid van de “typische” of “onbepaalde” tekens, en de aanwezigheid van lobar consolidaties, “boom in de knop”, gladde verdikking van de septa en pleurale effusie; in deze presentatie zijn geen GGO detecteerbaar. Het “negatieve” patroon wordt gekenmerkt door de afwezigheid van de eerder genoemde pathologische bevindingen.
Volgens de literatuur kunnen sommige patiënten een hoge klinische verdachte van COVID-19 vertonen, ondersteund door epidemiologische criteria en beeldvormingsbevinding met negatieve rt-PCR3,4. Aan de andere kant is gemeld dat patiënten met een positieve rt-PCR en suggestieve klinische bevindingen geen pathologische bevindingen presenteren over HRCT5.
Tegenwoordig is het van het grootste belang voor de wetenschappelijke gemeenschap om beeldanalysetechnieken toe te passen bij het kwantitatief bestuderen van de kenmerken van deze ziekte. Een recente studie heeft toegepast geautomatiseerde segmentatie techniek van de long parenchyma om het percentage van bereden long bij patiënten die getroffen zijn door COVID-19 te identificeren, correleren deze waarde met de prognose, en waaruit blijkt dat patiënten met een meer ernstige long betrokkenheid presenteerde meer risico op opname in de Intensive Care Unit (ICU), en met slechtere resultaten6.
De segmentatie is de contouring van regio’s van belang (ROI’s) binnen een volume verworven door middel van een beeldvormingstechniek, zoals HRCT. Deze activiteit kan worden uitgevoerd door drie methoden: handmatig, semi-automatisch en automatisch. Handmatige segmentatie bestaat, dankzij de ervaring van een getrainde radioloog, uit het etiketteren van voxels die tot het pathologische gebied behoren. De belangrijkste nadelen van deze methode zijn de grote hoeveelheid tijd die nodig is en het feit dat het afhankelijk is van de exploitant.
Semi-automatische methoden maken het mogelijk om de segmentatie te versnellen, omdat de operator een segmentatiemasker kan wijzigen dat is verkregen via de klassieke methoden van beeldverwerking (bijvoorbeeld drempelwaarde voor pixelintensiteit, clustering, enz.). Deze technieken zijn echter niet eenvoudig te implementeren in de klinische praktijk, omdat ze uitgebreide handmatige interventie vereisen in de meest gecompliceerde gevallen18.
Automatische segmentatiemethoden, die momenteel beperkt worden gebruikt, maken gebruik van kunstmatige intelligentie om ROI’s te verkrijgen. In het bijzonder is een recente studie gericht op het gebruik van automatische segmentatie in de kwantificering van grondglasgebieden bij patiënten die lijden aan COVID-19 interstitiële pneumonie19. De definitie van een segmentatieprotocol voor de pathologische gebieden op de HRCT-beelden is de echte eerste stap in de richting van de daaropvolgende radiomiekanalyse, om kenmerken te identificeren die kunnen helpen om de fysiopathologie van de ziekte verder te begrijpen en te dienen als een nauwkeurige prognostische factor die de behandeling mogelijk beïnvloedt.
Dit document biedt een gids voor het verkrijgen van nauwkeurige en efficiënte segmenten die de pathologische bevindingen van COVID-19 longontsteking vertegenwoordigen met behulp van “3D Slicer”7,8,9,10.
Protocol
Representative Results
Discussion
Segmentatie is een fundamentele stap voor het uitvoeren van moderne kwantitatieve radiologiestudies en is noodzakelijk om radiomiek of textuuranalysetechnieken toe te passen. Pathologische bevindingen in de longen vormen een van de meest uitdagende om te segmenteren, voor het ontbreken van gedefinieerde anatomische randen en een klein verschil in dempingswaarde in vergelijking met de gezonde gebieden.
De bronbeelden moeten indien mogelijk een minimum aan artefacten vertonen, vooral op de patho…
Declarações
The authors have nothing to disclose.
Acknowledgements
Dit werk werd ondersteund door financiering van het departement Radiologie van de Universiteit van Bologna.
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).
