Un modello digitale 3D per la diagnosi e il trattamento dei noduli polmonari
Summary
L’obiettivo di questo studio è sviluppare un nuovo modello digitale 3D dei noduli polmonari che funge da ponte di comunicazione tra medici e pazienti ed è anche uno strumento all’avanguardia per la pre-diagnosi e la valutazione prognostica.
Abstract
La ricostruzione tridimensionale (3D) dei noduli polmonari mediante immagini mediche ha introdotto nuovi approcci tecnici per la diagnosi e il trattamento dei noduli polmonari, e questi approcci vengono progressivamente riconosciuti e adottati da medici e pazienti. Tuttavia, la costruzione di un modello digitale 3D relativamente universale di noduli polmonari per la diagnosi e il trattamento è impegnativa a causa delle differenze del dispositivo, dei tempi di ripresa e dei tipi di noduli. L’obiettivo di questo studio è quello di proporre un nuovo modello digitale 3D dei noduli polmonari che funge da ponte tra medici e pazienti ed è anche uno strumento all’avanguardia per la pre-diagnosi e la valutazione prognostica. Molti metodi di rilevamento e riconoscimento dei noduli polmonari basati sull’intelligenza artificiale impiegano tecniche di deep learning per acquisire le caratteristiche radiologiche dei noduli polmonari e questi metodi possono ottenere buone prestazioni sotto la curva (AUC). Tuttavia, i falsi positivi e i falsi negativi rimangono una sfida per radiologi e clinici. L’interpretazione e l’espressione delle caratteristiche dal punto di vista della classificazione e dell’esame dei noduli polmonari sono ancora insoddisfacenti. In questo studio, viene proposto un metodo di ricostruzione 3D continua dell’intero polmone in posizioni orizzontali e coronali combinando le tecnologie di elaborazione delle immagini mediche esistenti. Rispetto ad altri metodi applicabili, questo metodo consente agli utenti di localizzare rapidamente i noduli polmonari e identificare le loro proprietà fondamentali, osservando anche i noduli polmonari da più prospettive, fornendo così uno strumento clinico più efficace per la diagnosi e il trattamento dei noduli polmonari.
Introduction
L’incidenza globale dei noduli polmonari è variabile, ma si stima generalmente che circa il 30% degli adulti abbia almeno un nodulo polmonare visibile sulle radiografie del torace1. L’incidenza dei noduli polmonari è maggiore in popolazioni specifiche, come i forti fumatori e quelli con una storia di cancro ai polmoni o altre malattie polmonari. È importante notare che non tutti i noduli polmonari sono maligni, ma è necessaria una valutazione approfondita per escludere la malignità2. La diagnosi precoce e la diagnosi del cancro del polmone sono fondamentali per migliorare i tassi di sopravvivenza e lo screening regolare con tomografia computerizzata a basso dosaggio (LDCT) è raccomandato per gli individui ad alto rischio. Molti metodi di rilevamento e riconoscimento dei noduli polmonari guidati dall’intelligenza artificiale 3,4,5,6,7 impiegano tecniche di deep learning per catturare le caratteristiche radiologiche dei noduli polmonari e questi metodi possono ottenere buone prestazioni di area sotto la curva (AUC). Tuttavia, i falsi positivi e i falsi negativi rimangono una sfida per radiologi e clinici. L’interpretazione e l’espressione delle caratteristiche dal punto di vista della classificazione e dell’esame dei noduli polmonari sono ancora insoddisfacenti. Allo stesso tempo, la ricostruzione 3D dei noduli polmonari basata su LDCT ha guadagnato crescente attenzione come modello digitale per vari tipi di noduli.
La ricostruzione 3D dei noduli polmonari è un processo che genera una rappresentazione 3D di una piccola crescita o nodulo nel polmone. Questo processo comporta in genere l’applicazione di tecniche di analisi delle immagini mediche che sfruttano sia le competenze mediche che gli approcci di data intelligence. Il modello digitale 3D risultante offre una rappresentazione più dettagliata e accurata del nodulo, consentendo una migliore visualizzazione e analisi delle sue dimensioni, forma e relazione spaziale con i tessuti polmonari circostanti 8,9,10,11,12. Tali informazioni possono aiutare nella diagnosi e nel monitoraggio dei noduli polmonari, in particolare quelli sospettati di essere cancerosi. Facilitando un’analisi più precisa, la ricostruzione 3D dei noduli polmonari ha il potenziale per migliorare l’accuratezza della diagnosi e informare le decisioni di trattamento.
La proiezione a massima intensità (MIP) è una tecnica popolare nel campo della ricostruzione 3D dei noduli polmonari e viene utilizzata per creare una proiezione 2D di un’immagine 3D 8,9,10,11,12 È particolarmente utile nella visualizzazione di dati volumetrici estratti da file di imaging digitale e comunicazioni in medicina (DICOM) scansionati da CT. La tecnica MIP funziona selezionando i voxel (le unità più piccole di dati di volume 3D) con la massima intensità lungo la direzione di visualizzazione e proiettandoli su un piano 2D. Ciò si traduce in un’immagine 2D che enfatizza le strutture con la massima intensità e sopprime quelle con intensità inferiore, il che rende più facile identificare e analizzare le caratteristiche rilevanti 9,10,11,12. Tuttavia, la procedura per gli squilibri macroeconomici non è priva di limitazioni. Ad esempio, il processo di proiezione può comportare una perdita di informazioni e l’immagine 2D risultante potrebbe non rappresentare accuratamente la struttura 3D dell’oggetto sottostante. Tuttavia, la MIP rimane uno strumento prezioso per l’imaging e la visualizzazione medica e il suo utilizzo continua ad evolversi con i progressi della tecnologia e della potenza di calcolo11.
In questo studio, viene sviluppato un modello MIP successivo per visualizzare i noduli polmonari che è facile da usare, facile da usare per radiologi, medici e pazienti e consente l’identificazione e la stima delle proprietà dei noduli polmonari. I principali vantaggi di questo approccio di elaborazione includono i seguenti aspetti: (1) eliminazione di falsi positivi e falsi negativi derivanti dal riconoscimento dei modelli, che consente di concentrarsi sull’assistenza ai medici per ottenere informazioni più complete sulla posizione, la forma e le dimensioni 3D dei noduli polmonari, nonché la loro relazione con la vascolarizzazione circostante; 2) consentire ai medici specialisti di acquisire conoscenze professionali sulle caratteristiche dei noduli polmonari anche senza l’assistenza di radiologi; e (3) migliorare sia l’efficienza della comunicazione tra medici e pazienti che la valutazione della prognosi.
Protocol
Representative Results
Discussion
Diversi dispositivi LDCT presentano differenze significative nelle sequenze di immagini DICOM che producono, specialmente in termini di gestione del file system. Pertanto, per ricostruire il modello digitale 3D chiave di un nodulo polmonare nelle fasi successive del protocollo, la fase di pre-elaborazione dei dati è particolarmente importante. Nella fase di preparazione dei dati e di pre-elaborazione (fase 1.2.2), le coordinate dell’asse z della sequenza possono essere ordinate correttamente utilizzando la sequenza most…
Declarações
The authors have nothing to disclose.
Acknowledgements
Questa pubblicazione è stata supportata dal Fifth National Traditional Chinese Medicine Clinical Excellent Talents Research Program organizzato dalla National Administration of Traditional Chinese Medicine (http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html).
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 |
Referências
- 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).
