SARS-CoV Pnömoni Kantitatif Asseiçin Konsolidasyonlar ve Zemin Cam Alanları Belirlemek için Akciğer BT Segmentasyonu
Summary
Bu protokolün amacı, daha fazla radyomik analiz için kullanmak üzere yüksek çözünürlüklü CT taramalarına olan ilgi hacimlerini segmente etmek için zaman etkin bir yol sağlamaktır.
Abstract
Radyomik ve makine öğrenimi potansiyel olarak büyüdükçe segmentasyon radyologlar ve araştırmacılar tarafından karşı karşıya karmaşık bir görevdir. İşlem otomatik, yarı otomatik veya manuel olabilir, ilki genellikle yeterince hassas veya kolayca tekrarlanabilir değildir ve son olarak yüksek çözünürlüklü satın almalarla büyük bölgeleri dahil ederken aşırı zaman alıcı dır.
Göğsün yüksek çözünürlüklü CT görüntüleri yüzlerce oluşur ve bu aşırı zaman alıcı manuel yaklaşım yapar. Ayrıca, parenkimal değişiklikler normal görünümden ayırt edilmesi için bir uzman değerlendirmesi gerektirir; bu nedenle, segmentasyon sürecine yarı otomatik bir yaklaşım, bildiğimiz kadarıyla, en uygun pnömoni segmentasyon, özellikle özellikleri hala bilinmemektedir.
COVID-19’un görüntülenmesi üzerine enstitümüzde yapılan çalışmalar için Harvard Üniversitesi tarafından üretilen bir yazılım olan 3D Slicer’ı benimsedik ve eşik ile boya fırçası aletlerini birleştirerek havalandırılmış akciğerin, zemin cam opaklıklarının ve konsolidasyonların hızlı ve hassas segmentasyonunu elde ettik. Karmaşık durumlarda karşı karşıya, bu yöntem hala uygun manuel ayarlamalar için önemli miktarda zaman gerektirir, ancak etkilenen akciğer parankim veya zemin cam alanların doku analizi yüzdesi hesaplama gibi daha fazla analiz için kullanılacak segmentleri tanımlamak için son derece verimli bir ortalama sağlar.
Introduction
Bu yıl, dünya bir sağlık acil karşı karşıya, roman Coronavirus, Sars-CoV2 neden pandemik. Bugüne kadar COVID-19 enfeksiyonunun fizyopatolojisi ile ilgili pek çok yönü hala belirsiz olsa da, “ataları” SARS1 ve MERS ile çeşitli özellikleri paylaşmaktadır. Özellikle, bu virion başak proteinleri Anjiyotensin Dönüştürücü Enzim Type-2 ile etkileşim kanıtlanmıştır, iyi alveoler endotel hücreleri üzerinde temsil edilen bir reseptör, ama insan organizmasında her yerde, böylece sistemik belirtiler vermek potansiyeline sahip1.
Tanı için, mevcut standart gerçek zamanlı ters transkriptaz-polimeraz zincir reaksiyonu (rt-PCR), faringeal bezleri üzerinde yapılan bir testtir. Radyolojik görüntüleme hastalığın saptanması için tanı salada resmen tanınmasa da, rt-PCR’nin nispeten düşük duyarlılığı, özel laboratuvarların ve gerekli reaktiflerin mevcut azlığı ve yüksek operatör bağımlılığı nedeniyle, yüksek çözünürlüklü bilgisayarlı tomografi (HRCT) etkilenen hastaların klinik ve epidemiyolojik yönetimine değerli bir yardımcı olduğunu kanıtlamıştır.
Kuzey Amerika Radyoloji Derneği (RSNA), Torasik Radyoloji derneği ve Amerikan Radyoloji Koleji (ACR) tarafından onaylanan ve raporlamayı standartlaştırmak için COVID19’un CT görünümünü dört kategoriye ayıran ve interstisyel pnömoni modellerini “tipik”, “atipik”, “tanımlanmamış” ve “negatif”2olarak ikiye ayıran bir konsensüs bildirisi yayınladı.
“Tipik” desen yuvarlak şekilli Zemin Cam Opacities varlığı ile karakterizedir (GGO), genellikle dorsal bazal segmentleri üzerinde bir alt plevral konumu ile. GGO kalınlaşmış septa “Crazy Kaldırım” alanları ile ilişkili olabilir, ya da pnömoni organize diğer belirtileri. “Tanımlanmamış” desen, konsolide alanlar olan veya olmayan perihiler dağılımlı diffüz GGO alanları ile “tipik” desen bulgularının yokluğu ile karakterizedir. “Atipik” desen ya “tipik” ya da “tanımlanmamış” işaretlerin yokluğu ve lobar konsolidasyonlarının varlığı, “tomurcuktaki ağaç” ile karakterizedir, septanın düzgün kalınlaşması ve plevral efüzyon; Bu sunumda hiçbir GGO saptanamaz. “Negatif” desen yukarıda bahsedilen patolojik bulguların yokluğu ile karakterizedir.
Literatüre göre bazı hastalarda covid-19’un yüksek klinik şüphelisi epidemiyolojik kriterler ve negatif rt-PCR3,4ile görüntüleme bulgusu ile desteklenebilir. Öte yandan, pozitif rt-PCR ve düşündürücü klinik bulguları olan hastaların HRCT5’tepatolojik bulgular sunmadığı bildirilmiştir.
Günümüzde, bu hastalığın özelliklerini nicel olarak incelerken bilim camiasının görüntü analizi tekniklerini uygulaması son derece önemlidir. Yakın zamanda yapılan bir çalışmada, COVID-19 etkilenen hastalarda gazlı akciğer yüzdesini belirlemek için akciğer parankim otomatik segmentasyon tekniği uygulanmıştır, prognoz ile bu değeri korelasyon, ve daha ciddi bir akciğer tutulumu olan hastalarda Yoğun Bakım Ünitesi ‘nde kabul edilme riski daha fazla sundu gösteren (Yoğun Bakım Ünitesi), ve daha kötüsonuçlarasahip 6 .
Segmentasyon, HRCT gibi bir görüntüleme tekniği ile edinilen bir hacim içinde ilgi bölgelerinin (ROI) konturlanmasıdır. Bu etkinlik üç yöntem ekibe rağmen gerçekleştirilebilir: manuel, yarı otomatik ve otomatik. Manuel segmentasyon, eğitimli bir radyolog deneyimi sayesinde, patolojik alana ait voxels etiketleme oluşur. Bu yöntemin temel dezavantajları, gereken büyük zaman miktarı ve operatöre bağlı olmasıdır.
Yarı otomatik yöntemler, operatör klasik görüntü işleme yöntemleri (örn. piksel yoğunluğu, kümeleme vb.) yoluyla elde edilen bir segmentasyon maskesini değiştirebildiği için segmentasyonun hızlandırılmasına olanak tanır. Ancak, bu tekniklerin klinik uygulamada uygulanması kolay değildir, çünkü en karmaşık olgularda kapsamlı manuel müdahale gerektirmektedir18.
Otomatik segmentasyon yöntemleri, şu anda sınırlı kullanım, ROI elde etmek için yapay zeka kullanır. Özellikle, yakın zamanda yapılan bir çalışmada COVID-19 interstisyel pnömoni19olan hastalarda zemin cam alanlarının sayısallaştırılmasında otomatik segmentasyon kullanmayı amaçlamaktadır. HRCT görüntüleri üzerinde patolojik alanlar için bir segmentasyon protokolü tanımı daha fazla hastalığın fizyopatoloji anlamak için yardımcı olabilecek özellikleri belirlemek için, sonraki radyomik analizi doğru gerçek ilk adımdır, ve doğru bir prognostik faktör potansiyel tedavi etkileyen olarak hizmet vermektedir.
Bu yazı “3D Slicer”7,8,9,10kullanarak COVID-19 pnömoni patolojik bulgularını temsil eden doğru ve verimli segmentleri elde etmek için bir rehber sunuyor.
Protocol
Representative Results
Discussion
Segmentasyon modern nicel radyoloji çalışmaları gerçekleştirmek için temel bir adım temsil eder ve radyomik veya doku analizi teknikleri uygulamak için gereklidir. Akciğerlerdeki patolojik bulgular, tanımlanmış anatomik sınırların olmaması ve sağlıklı bölgelere kıyasla zayıflama değerinin küçük bir fark olması nedeniyle segmentin de en zorlu larından birini temsil eder.
Kaynak görüntüleri, özellikle patolojik alanlarda, mümkünse eserler en az sunmak gerekir v…
Declarações
The authors have nothing to disclose.
Acknowledgements
Bu çalışma Bologna Üniversitesi Radyoloji Bölümü’nün finansmanı ile desteklenmiştir.
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).
