肺結節の診断と治療のための3Dデジタルモデル
Summary
この研究の目的は、医師と患者の間のコミュニケーションブリッジとして機能し、診断前と予後評価のための最先端のツールでもある肺結節の新しい3Dデジタルモデルを開発することです。
Abstract
医用画像を用いた肺結節の3次元(3D)再構成は、肺結節の診断と治療のための新しい技術的アプローチを導入し、これらのアプローチは医師や患者によって徐々に認められ、採用されています。それにもかかわらず、診断と治療のために肺結節の比較的普遍的な3Dデジタルモデルを構築することは、デバイスの違い、撮影時間、および結節の種類のために困難です。本研究の目的は、医師と患者の架け橋となり、診断前・予後評価の最先端ツールとなる肺結節の新しい3次元デジタルモデルを提案することである。多くのAI駆動型肺結節検出および認識方法は、ディープラーニング技術を使用して肺結節の放射線学的特徴をキャプチャし、これらの方法は良好な曲線下面積(AUC)性能を達成できます。ただし、偽陽性と偽陰性は、放射線科医と臨床医にとって依然として課題です。肺結節の分類と検査の観点からの特徴の解釈と表現は依然として不十分です。本研究では、既存の医用画像処理技術を組み合わせて、肺全体を水平位置と冠位置で連続的に3次元再構成する手法を提案する。他の適用可能な方法と比較して、この方法は、肺結節を多角的に観察しながら、肺結節を迅速に特定し、その基本的な特性を特定することができるため、肺結節の診断と治療のためのより効果的な臨床ツールを提供します。
Introduction
肺結節の世界的な発生率はさまざまですが、一般に、成人の約30%が胸部X線写真に少なくとも1つの肺結節が見えると推定されています1。肺結節の発生率は、ヘビースモーカーや肺がんやその他の肺疾患の病歴のある人など、特定の集団で高くなります。すべての肺結節が悪性であるわけではないことに注意することが重要ですが、悪性腫瘍を除外するには徹底的な評価が必要です2。肺がんの早期発見と診断は生存率の向上に不可欠であり、高リスク者には低線量コンピュータ断層撮影(LDCT)による定期的なスクリーニングが推奨されます。多くのAI駆動型肺結節検出および認識方法3,4,5,6,7は、ディープラーニング技術を使用して肺結節の放射線学的特徴をキャプチャし、これらの方法は良好な曲線下面積(AUC)性能を達成することができる。ただし、偽陽性と偽陰性は、放射線科医と臨床医にとって依然として課題です。肺結節の分類と検査の観点からの特徴の解釈と表現は依然として不十分です。同時に、LDCTに基づく肺結節の3次元再構成は、様々なタイプの結節のデジタルモデルとしてますます注目を集めています。
肺結節の3D再構成は、肺の小さな成長またはしこりの3D表現を生成するプロセスです。このプロセスには通常、医療の専門知識とデータインテリジェンスアプローチの両方を活用する医用画像分析技術の適用が含まれます。結果として得られる3Dデジタルモデルは、結節のより詳細で正確な描写を提供し、そのサイズ、形状、および周囲の肺組織との空間的関係の改善された視覚化および分析を可能にする8,9,10,11,12。このような情報は、肺結節、特に癌性が疑われる肺結節の診断とモニタリングに役立ちます。より正確な分析を促進することにより、肺結節の3D再構成は、診断の精度を高め、治療の決定に情報を提供する可能性があります。
最大強度投影(MIP)は、肺結節の3D再構成の分野で一般的な技術であり、3D画像8,9,10,11,12の2D投影を作成するために使用され、CTによってスキャンされたデジタルイメージングおよび医療における通信(DICOM)ファイルから抽出された体積データの視覚化に特に有用である。MIP 手法は、表示方向に沿って最も高い強度を持つボクセル (3D ボリューム データの最小単位) を選択し、それらを 2D 平面に投影することによって機能します。これにより、強度が最も高い構造を強調し、強度の低い構造を抑制する2D画像が得られ、関連する特徴の識別と分析が容易になります9、10、11、12。ただし、MIPには制限がないわけではありません。たとえば、投影プロセスによって情報が失われる可能性があり、結果の2D画像は、下にあるオブジェクトの3D構造を正確に表していない可能性があります。それにもかかわらず、MIPは依然として医用画像と視覚化のための貴重なツールであり、その使用はテクノロジーとコンピューティングパワーの進歩とともに進化し続けています11。
本研究では、肺結節を可視化するための逐次MIPモデルを開発し、放射線科医、医師、患者にとって使いやすく、使いやすく、肺結節の特性の識別と推定を可能にします。この処理アプローチの主な利点には、次の側面が含まれます:(1)パターン認識から生じる偽陽性と偽陰性を排除し、医師が肺結節の位置、形状、3Dサイズ、および周囲の血管系との関係に関するより包括的な情報を取得できるように支援することに焦点を当てることができます。(2)専門医が放射線科医の支援がなくても肺結節の特徴に関する専門知識を習得できるようにする。(3)医師と患者のコミュニケーション効率と予後評価の両方を高める。
Protocol
Representative Results
Discussion
LDCTデバイスが異なれば、出力するDICOMイメージシーケンス、特にファイルシステム管理に関して大きな違いがあります。したがって、プロトコルの後期段階で肺結節の主要な3Dデジタルモデルを再構築するには、データの前処理ステップが特に重要です。データの準備と前処理の段階(ステップ1.2.2)では、 図1に示すシーケンスを使用してシーケンスz軸座標を正しくソー?…
Declarações
The authors have nothing to disclose.
Acknowledgements
この出版物は、国家中医薬総局(http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html)が主催する第5回全国漢方薬臨床優秀才能研究プログラムによってサポートされました。
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).
