Segmentation de la Tomodensitaire pulmonaire pour identifier les consolidations et les zones de verre moulu pour l’assesment quantitatif de la pneumonie SRAS-CoV
Summary
L’objectif de ce protocole est de fournir un moyen efficace dans le temps de segmenter les volumes d’intérêt sur les tomodensitogrammes haute résolution à utiliser pour une analyse radiomique plus poussée.
Abstract
La segmentation est une tâche complexe, à laquelle sont confrontés les radiologistes et les chercheurs à mesure que la radiomics et l’apprentissage automatique augmentent en potentialité. Le processus peut être automatique, semi-automatique ou manuel, le premier n’étant souvent pas suffisamment précis ou facilement reproductible, et le dernier étant excessivement long lorsqu’il s’agit de grands districts avec des acquisitions à haute résolution.
Un CT haute résolution de la poitrine est composé de centaines d’images, ce qui rend l’approche manuelle excessivement longue. En outre, les modifications parenchymales exigent une évaluation experte pour être discernée de l’aspect normal ; ainsi, une approche semi-automatique du processus de segmentation est, à notre connaissance, la plus appropriée lors de la segmentation des pneumonies, surtout lorsque leurs caractéristiques sont encore inconnues.
Pour les études menées dans notre institut sur l’imagerie de COVID-19, nous avons adopté 3D Slicer, un logiciel freeware produit par l’Université Harvard, et combiné le seuil avec les instruments de pinceau pour atteindre une segmentation rapide et précise du poumon aéré, des opacities en verre moulu et des consolidations. Face à des cas complexes, cette méthode nécessite encore beaucoup de temps pour des ajustements manuels appropriés, mais fournit un moyen extrêmement efficace de définir les segments à utiliser pour une analyse plus approfondie, comme le calcul du pourcentage du parenchyme pulmonaire affecté ou l’analyse de la texture des zones de verre moulu.
Introduction
Au cours de l’année en cours, le monde est confronté à une urgence sanitaire, la pandémie causée par le nouveau coronavirus, le Sars-CoV2. Même si, jusqu’à aujourd’hui, de nombreux aspects concernant la physiopathologie de l’infection à COVID-19 ne sont toujours pas clairs, il partage plusieurs caractéristiques avec ses « ancêtres » le SRAS1 et le MERS. En particulier, il a été prouvé que les protéines de pointe virion interagissent avec l’angiotensine convertissant enzyme type-2, un récepteur bien représenté sur les cellules endothéliales alvéolaires, mais omniprésent dans l’organisme humain, ayant ainsi la potentialité de donner des symptômes systémiques1.
Pour le diagnostic, la norme actuelle est la réaction en chaîne inverse de transcriptase-polyméseau en temps réel (rt-PCR), un essai exécuté sur des écouvillons pharyngéal. Bien que l’imagerie radiologique ne soit pas officiellement reconnue dans la voie diagnostique pour la détection de la maladie, la tomographie calculée à haute résolution (HRCT) s’est avérée être une aide précieuse à la gestion clinique et épidémiologique des patients affectés, en raison de la sensibilité relativement faible du rt-PCR, de la rareté actuelle des laboratoires spécialisés et des reagents nécessaires, et de la forte dépendance de l’opérateur.
La Radiological Society of North America (RSNA) a publié une déclaration consensuelle, approuvée par la société de radiologie thoracique et l’American College of Radiology (ACR), qui classe l’apparition du CT de COVID19 en quatre catégories afin de normaliser le rapport, en divisant les schémas interstitiels de pneumonie en « typiques », « atypiques », « indéterminés » et « négatifs »2.
Le modèle « typique » se caractérise par la présence d’opacities de verre moulu (GGO) en forme ronde, généralement avec un emplacement sub pleural sur les segments basaux dorsal. Le GGO peut être associé à des zones de « pavage fou » de septa épaissie, ou à d’autres signes d’organisation de la pneumonie. Le modèle « indéterminé » est caractérisé par l’absence des résultats « typiques » de modèle, avec les secteurs diffus de GGO avec une distribution périhilar, avec ou sans secteurs consolidants. Le modèle « atypique » se caractérise soit par l’absence des signes « typiques » ou « indéterminés », soit par la présence de consolidations de lobar, d’« arbre en bourgeon », d’épaississement lisse de la septa et de l’effusion pleurale; dans cette présentation, aucun GGO n’est détectable. Le modèle « négatif » est caractérisé par l’absence des résultats pathologiques susmentionnés.
Selon la littérature, quelques patients peuvent présenter avec un suspect clinique élevé de COVID-19 soutenu par des critères épidémiologiques et la conclusion de formation image avec rt-PCRnégatif 3,4. D’autre part, il a été rapporté que les patients présentant un rt-PCR positif et des résultats cliniques suggestifs, ne présentent pas de résultats pathologiques sur HRCT5.
Aujourd’hui, il est d’un intérêt primordial pour la communauté scientifique d’appliquer des techniques d’analyse d’image lors de l’étude quantitative des caractéristiques de cette maladie. Une étude récente a appliqué la technique automatisée de segmentation du parenchyme de poumon pour identifier le pourcentage de poumon aéré dans les patients affectés par COVID-19, corrélant cette valeur avec le pronostic, et démontrant que les patients présentant une participation pulmonaire plus grave ont présenté plus de risque d’être admis dans l’unité de soins intensifs (ICU), et ayant de pires résultats6.
La segmentation est le contournement des régions d’intérêt (IDH) à l’intérieur d’un volume acquis au moyen d’une technique d’imagerie, comme le TDHC. Cette activité peut être effectuée par trois méthodes : manuelle, semi-automatique et automatique. La segmentation manuelle, grâce à l’expérience d’un radiologue qualifié, consiste à étiqueter les voxels appartenant à la zone pathologique. Les principaux inconvénients de cette méthode sont la grande quantité de temps nécessaire et le fait qu’elle dépend de l’opérateur.
Les méthodes semi-automatiques permettent d’accélérer la segmentation car l’opérateur peut modifier un masque de segmentation obtenu grâce aux méthodes classiques de traitement d’image (p. ex., seuil sur l’intensité des pixels, regroupement, etc.). Cependant, ces techniques ne sont pas faciles à mettre en œuvre dans la pratique clinique car elles nécessitent une intervention manuelle étendue dans les cas les pluscompliqués 18.
Les méthodes de segmentation automatique, actuellement d’une utilisation limitée, utilisent l’intelligence artificielle pour obtenir des IA. En particulier, une étude récente vise à utiliser la segmentation automatique dans la quantification des zones de verre moulu chez les patients souffrant de pneumonie interstitielle COVID-1919. La définition d’un protocole de segmentation pour les zones pathologiques sur les images HRCT est la véritable première étape vers l’analyse radiomique ultérieure, afin d’identifier les caractéristiques qui pourraient aider à mieux comprendre la physiopathologie de la maladie, et servir de facteur pronostique précis potentiellement influencer le traitement.
Cet article offre un guide pour obtenir des segments précis et efficaces représentant les résultats pathologiques de la pneumonie COVID-19 à l’aide de « Trancheur 3D »7,8,9,10.
Protocol
Representative Results
Discussion
La segmentation représente une étape fondamentale pour effectuer des études quantitatives modernes de radiologie, et est nécessaire pour appliquer des techniques de radiomics ou d’analyse de texture. Les résultats pathologiques dans les poumons représentent l’un des plus difficiles à segmenter, car l’absence de frontières anatomiques définies et une petite différence de valeur d’atténuation par rapport aux zones saines.
Les images sources doivent présenter un minimum d’ar…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Ces travaux ont été soutenus par le financement du Département de radiologie de l’Université de Bologne.
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 |
References
- 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).
