פילוח CT ריאות לזיהוי איחודים ואיזורי זכוכית טחון עבור תבשיס כמותי של דלקת ריאות SARS-CoV
Summary
מטרת פרוטוקול זה היא לספק דרך יעילה בזמן לחלק אמצעי אחסון של עניין בסריקות CT ברזולוציה גבוהה לשימוש לניתוח רדיומי נוסף.
Abstract
פילוח היא משימה מורכבת, מול רדיולוגים וחוקרים כמו רדיומיקה ולמידת מכונה לגדול בפוטנציאל. התהליך יכול להיות אוטומטי, חצי אוטומטי, או ידני, הראשון לעתים קרובות לא להיות מדויק מספיק או לרבייה בקלות, והאחרון להיות זמן רב מדי בעת עירוב מחוזות גדולים עם רכישות ברזולוציה גבוהה.
CT ברזולוציה גבוהה של החזה מורכב ממאות תמונות, וזה הופך את הגישה הידנית גוזלת זמן רב מדי. יתר על כן, השינויים parenchymal דורשים הערכה מומחה כדי להבחין מן המראה הרגיל; לפיכך, גישה חצי אוטומטית לתהליך הפילוח היא, למיטב ידיעתנו, המתאימה ביותר בעת פילוח דלקת ריאות, במיוחד כאשר התכונות שלהם עדיין אינן ידועות.
עבור המחקרים שנערכו במכון שלנו על ההדמיה של COVID-19, אימצנו 3D Slicer, תוכנת freeware המיוצר על ידי אוניברסיטת הרווארד, בשילוב הסף עם כלי מברשת צבע כדי להשיג פילוח מהיר ומדויק של ריאה aerated, אטימות זכוכית טחון, וקונסולידציות. כאשר מתמודדים עם מקרים מורכבים, שיטה זו עדיין דורשת זמן רב להתאמות ידניות מתאימות, אך מספקת אמצעי יעיל ביותר להגדרת מקטעים לשימוש לניתוח נוסף, כגון חישוב אחוז פארנצ’ימה בריאה מושפעת או ניתוח מרקם של אזורי זכוכית הקרקע.
Introduction
בשנה הנוכחית, העולם עומד בפני מצב חירום בריאותי, מגפה שנגרמה על ידי הרומן נגיף הקורונה, Sars-CoV2. גם אם, עד היום, היבטים רבים לגבי הפיזיופתולוגיה של זיהום COVID-19 עדיין לא ברורים, היא חולקת מספר מאפיינים עם “אבותיו” SARS1 ו MERS. בפרט, הוכח כי חלבוני ספייק virion אינטראקציה עם אנגיוטנסין המרת אנזים Type-2, קולטן מיוצג היטב על תאי אנדותל alveolar, אבל בכל מקום האורגניזם האנושי, ובכך יש את הפוטנציאל לתת סימפטומים מערכתיים1.
לאבחון, הסטנדרט הנוכחי הוא תגובת שרשרת תמלול-פולימראז הפוכה בזמן אמת (rt-PCR), בדיקה המבוצעת על ספוגיות גרון. למרות הדמיה רדיולוגית אינה מוכרת באופן רשמי בנתיב האבחון לזיהוי המחלה, טומוגרפיה ממוחשבת ברזולוציה גבוהה (HRCT) הוכיחה את עצמה כסיוע רב ערך לניהול הקליני והאפידמיולוגי של חולים מושפעים, בשל הרגישות הנמוכה יחסית של RT-PCR, המחסור הנוכחי במעבדות מיוחדות והריגנטים הנחוצים, והתלות במפעיל גבוה.
האגודה הרדיולוגית של צפון אמריקה (RSNA) פרסמה הצהרת קונצנזוס, שאושרה על ידי החברה של רדיולוגיה בית החזה והמכללה האמריקאית לרדיולוגיה (ACR), המסווגת את הופעת ה-CT של COVID19 לארבע קטגוריות על מנת לתקנן את הדיווח, תוך חלוקת דפוסי דלקת ריאות בין-זמנית ל”טיפוסי”, “לא טיפוסי”, “לאמוגדר” ו”שלילי” 2.
התבנית ה”טיפוסית” מאופיינת בנוכחות אטימות זכוכית טחון (GGO) בצורת עגולה, בדרך כלל עם מיקום תת-צילי על מקטעי הבזל הגב. GGO יכול להיות קשור עם “ריצוף מטורף” אזורים של septa מעובה, או סימנים אחרים של ארגון דלקת ריאות. התבנית “לא מוגדרת” מאופיינת בהיעדר ממצאי דפוס “טיפוסיים”, עם אזורי GGO מפוזרים עם התפלגות פריילר, עם או בלי אזורים מאוחדים. התבנית ה”לא טיפוסית” מאופיינת בהיעדר סימנים “טיפוסיים” או “לא מוגדרים”, ובנוכחות של איחודי לובר, “עץ באיבו”, עיבוי חלק של הספטה והתפליט הפלוראלי; במצגת זו אין GGO ניתנים לזיהוי. הדפוס ה”שלילי” מאופיין בהיעדר הממצאים הפתולוגיים הנ”ל.
על פי הספרות, חלק מהחולים עשויים להציג עם חשוד קליני גבוה של COVID-19 נתמך על ידי קריטריונים אפידמיולוגיים ומצא הדמיה עם שלילי rt-PCR3,4. מצד שני, דווח כי חולים עם rt-PCR חיובי וממצאים קליניים מרמזים, אינם מציגים ממצאים פתולוגיים על HRCT5.
כיום, זה עניין עליון עבור הקהילה המדעית ליישם טכניקות ניתוח תמונה כאשר לומדים באופן כמותי את המאפיינים של מחלה זו. מחקר שנערך לאחרונה יישם טכניקת פילוח אוטומטית של parenchyma ריאות כדי לזהות את אחוז הריאה aerated בחולים המושפעים COVID-19, מתאם ערך זה עם הפרוגנוזה, והוכיח כי חולים עם מעורבות ריאות חמורה יותר הציגו סיכון גבוה יותר להיות מאושפזים ביחידה לטיפול נמרץ (טיפול נמרץ), ויש תוצאות גרועותיותר 6.
פילוח הוא קווי המתאר של אזורים בעלי עניין (ROIs) בתוך אמצעי אחסון שנרכש באמצעות טכניקת הדמיה, כגון HRCT. פעילות זו עשויה להתבצע למרות שלוש שיטות: ידנית, חצי אוטומטית ואוטומטית. פילוח ידני, הודות לניסיון של רדיולוג מיומן, מורכב מסימון voxels השייכים לאזור הפתולוגי. החסרונות העיקריים של שיטה זו הם משך הזמן הגדול הנדרש והעובדה שהיא תלויה במפעיל.
שיטות חצי אוטומטיות מאפשרות להאיץ את פילוח כמו המפעיל יכול לשנות מסיכת פילוח שהושגה באמצעות השיטות הקלאסיות של עיבוד תמונה (למשל, סף על עוצמת פיקסל, קיבוץ באשכולות, וכו ‘). עם זאת, טכניקות אלה אינן קלות ליישום בפועל קליני כפי שהם דורשים התערבות ידנית נרחבת במקרים המסובכים ביותר18.
שיטות פילוח אוטומטיות, כיום לשימוש מוגבל, משתמשות בבינה מלאכותית כדי להשיג ROIs. בפרט, מחקר שנערך לאחרונה שואף להשתמש פילוח אוטומטי כימות של אזורי זכוכית טחון בחולים הסובלים מדלקת ריאות interstitial COVID-1919. ההגדרה של פרוטוקול פילוח עבור האזורים הפתולוגיים על תמונות HRCT הוא הצעד הראשון האמיתי לקראת ניתוח רדיומיה עוקבות, על מנת לזהות תכונות שיכולות לעזור להבין עוד יותר את הפיזיופתולוגיה של המחלה, ולשמש גורם פרוגנוסטי מדויק שעלול להשפיע על הטיפול.
מאמר זה מציע מדריך לקבלת מקטעים מדויקים ויעילים המייצגים את הממצאים הפתולוגיים של דלקת ריאות COVID-19 באמצעות “3D Slicer”7,8,9,10.
Protocol
Representative Results
Discussion
פילוח מייצג צעד יסודי לביצוע מחקרי רדיולוגיה כמותית מודרנית, ויש צורך ליישם טכניקות רדיומיות או ניתוח מרקם. ממצאים פתולוגיים בריאות מייצגים את אחד המאתגרים ביותר למקטע, בשל היעדר גבולות אנטומיים מוגדרים והבדל קטן בערך ההיסוס בהשוואה לאזורים הבריאים.
תמונות המקור חייבות ל?…
Declarações
The authors have nothing to disclose.
Acknowledgements
עבודה זו נתמכה על ידי מימון מהמחלקה לרדיולוגיה של אוניברסיטת בולוניה.
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).
