Lung CT Segmentierung zur Identifizierung von Konsolidierungen und Bodenglasflächen für die quantitative Assesment von SARS-CoV Pneumonie
Summary
Ziel dieses Protokolls ist es, eine zeiteffiziente Möglichkeit zur Segmentierung von Volumen von Interesse auf hochauflösendeCT-Scans zu bieten, um sie für weitere Radiomikanalysen zu verwenden.
Abstract
Segmentierung ist eine komplexe Aufgabe, mit der Radiologen und Forscher konfrontiert sind, da Radiomik und maschinelles Lernen an Potenzial zunimmt. Der Prozess kann entweder automatisch, halbautomatisch oder manuell sein, wobei der erste prozessweise nicht präzise oder leicht reproduzierbar ist und der letzte übermäßig zeitaufwändig ist, wenn große Bezirke mit hochauflösenden Akquisitionen beteiligt sind.
Ein hochauflösender CT der Brust besteht aus Hunderten von Bildern, was den manuellen Ansatz übermäßig zeitaufwändig macht. Darüber hinaus erfordern die parenchymalen Veränderungen eine Sachverständigenbewertung, die vom normalen Erscheinungsbild aus zu unterscheiden ist; Daher ist ein halbautomatischer Ansatz für den Segmentierungsprozess nach bestem Wissen und Gewissen das am besten geeignete, wenn es um die Segmentierung von Lungenentzündungen geht, insbesondere wenn ihre Eigenschaften noch unbekannt sind.
Für die Inunserem Institute zur Bildgebung von COVID-19 durchgeführten Studien haben wir 3D Slicer, eine Freeware-Software der Harvard University, übernommen und die Schwelle mit den Pinselinstrumenten kombiniert, um eine schnelle und präzise Segmentierung von belüfteten Lungen-, Bodenglastrübungen und Konsolidierungen zu erreichen. Bei komplexen Fällen benötigt diese Methode noch viel Zeit für ordnungsgemäße manuelle Anpassungen, bietet jedoch einen äußerst effizienten Mittelwert, um Segmente zu definieren, die für weitere Analysen verwendet werden können, wie z. B. die Berechnung des Prozentsatzes des betroffenen Lungenparenchyms oder die Texturanalyse der geschliffenen Glasflächen.
Introduction
Im laufenden Jahr steht die Welt vor einem Gesundheitsnotstand, der Pandemie, die durch das neuartige Coronavirus Sars-CoV2 verursacht wird. Auch wenn bis heute viele Aspekte der Physiopathologie der COVID-19-Infektion noch unklar sind, teilt sie mehrere Merkmale mit ihren “Vorfahren” SARS1 und MERS. Insbesondere ist nachgewiesen, dass die Virion-Spike-Proteine mit dem Angiotensin-Converting-Enzym Typ-2 interagieren, einem Rezeptor, der gut auf den alveolären Endothelzellen vertreten ist, aber im menschlichen Organismus allgegenwärtig ist und somit das Potenzial hat, systemische Symptome zu geben1.
Für die Diagnose ist der aktuelle Standard die Echtzeit-Reverse-Transkriptase-Polymerase-Kettenreaktion (rt-PCR), ein Test, der an Pharyngealtupfern durchgeführt wird. Obwohl die radiologische Bildgebung im diagnostischen Pfad für den Nachweis der Krankheit nicht offiziell anerkannt ist, erwies sich die hochauflösende Computertomographie (HRCT) aufgrund der relativ geringen Empfindlichkeit der rt-PCR, der aktuellen Knappheit spezialisierter Laboratorien und der notwendigen Reagenzien sowie der hohen Bedienerabhängigkeit als wertvolle Späebographie für das klinische und epidemiologische Management betroffener Patienten.
Die Radiological Society of North America (RSNA) veröffentlichte eine Konsenserklärung, die von der Gesellschaft für Thoraxradiologie und dem American College of Radiology (ACR) unterstützt wurde und das CT-Erscheinungsbild von COVID19 in vier Kategorien einteilt, um die Berichterstattung zu standardisieren und die interstitiellen Lungenentzündungsmuster in “typisch”, “atypisch”, “unbestimmt” und “negativ”2zu unterteilen.
Das “typische” Muster zeichnet sich durch das Vorhandensein von runden Bodenglas-Trübungen (GGO) aus, die in der Regel mit einer subpleuralen Position auf den dorsalen Basalsegmenten liegen. Die GGO kann mit “Crazy Paving” Bereiche von verdickten Septa oder andere Anzeichen der Organisation von Lungenentzündung verbunden werden. Das “unbestimmte” Muster ist durch das Fehlen der “typischen” Musterbefunde gekennzeichnet, mit diffusen GGO-Bereichen mit einer perihilaren Verteilung, mit oder ohne Konsolidierungsbereiche. Das “atypische” Muster ist entweder durch das Fehlen der “typischen” oder “unbestimmten” Zeichen und das Vorhandensein von Lobar-Konsolidierungen, “Baum im Keim”, glatte Verdickung der Septa und Pleuraerguss gekennzeichnet; in dieser Präsentation sind keine GGO nachweisbar. Das “negative” Muster ist durch das Fehlen der oben genannten pathologischen Befunde gekennzeichnet.
Laut Literatur können einige Patienten mit einem hohen klinischen Verdacht an COVID-19 auftreten, der durch epidemiologische Kriterien und bildgebende Befunde mit negativem rt-PCR3,4unterstützt wird. Auf der anderen Seite wurde berichtet, dass Patienten mit einer positiven rt-PCR und suggestiven klinischen Befunden keine pathologischen Befunde auf HRCT5präsentieren.
Heutzutage ist es für die wissenschaftliche Gemeinschaft von höchstem Interesse, Bildanalysetechniken anzuwenden, wenn sie die Merkmale dieser Krankheit quantitativ untersucht. Eine aktuelle Studie hat eine automatisierte Segmentierungstechnik des Lungenparenchyms angewandt, um den Prozentsatz der belüfteten Lunge bei Patienten zu identifizieren, die von COVID-19 betroffen sind, und diesen Wert mit der Prognose in Beziehung zu setzen und zu zeigen, dass Patienten mit einer schwereren Lungenbeteiligung ein besseres Risiko für die Aufnahme auf der Intensivstation (Intensivstation) und schlechtere Ergebnisse haben6.
Die Segmentierung ist die Konturierung von Interessengebieten (ROIs) innerhalb eines Volumens, das durch eine bildgebende Technik wie HRCT erworben wurde. Diese Tätigkeit kann mit drei Methoden durchgeführt werden: manuell, halbautomatisch und automatisch. Die manuelle Segmentierung besteht dank der Erfahrung eines ausgebildeten Radiologen aus der Kennzeichnung von Voxeln, die zum pathologischen Bereich gehören. Die Hauptnachteile dieser Methode sind der große Zeitaufwand und die Tatsache, dass sie vom Bediener abhängig ist.
Halbautomatische Methoden ermöglichen eine Beschleunigung der Segmentierung, da der Bediener eine Segmentierungsmaske ändern kann, die durch die klassischen Methoden der Bildverarbeitung (z. B. Schwellenwert für Pixelintensität, Clustering usw.) erhalten wird. Diese Techniken sind jedoch in der klinischen Praxis nicht einfach umzusetzen, da sie in den kompliziertesten Fällen umfangreiche manuelle Eingriffe erfordern18.
Automatische Segmentierungsmethoden, die derzeit nur begrenzt genutzt werden, verwenden künstliche Intelligenz, um ROIs zu erhalten. Eine aktuelle Studie zielt insbesondere darauf ab, die automatische Segmentierung bei der Quantifizierung von gemahlenen Glasflächen bei Patienten mit COVID-19 interstitielle Lungenentzündung19zu nutzen. Die Definition eines Segmentierungsprotokolls für die pathologischen Bereiche auf den HRCT-Bildern ist der eigentliche erste Schritt zur anschließenden Radiomik-Analyse, um Merkmale zu identifizieren, die dazu beitragen könnten, die Physiopathologie der Krankheit besser zu verstehen, und als genauer prognostischer Faktor dienen, der die Behandlung potenziell beeinflussen könnte.
Dieses Papier bietet einen Leitfaden, um genaue und effiziente Segmente zu erhalten, die die pathologischen Erkenntnisse der COVID-19-Pneumonie mit “3D Slicer”7,8,9,10darstellen.
Protocol
Representative Results
Discussion
Die Segmentierung stellt einen grundlegenden Schritt für die Durchführung moderner quantitativer Radiologiestudien dar und ist notwendig, um Radiomik oder Texturanalysetechniken anzuwenden. Pathologische Befunde in der Lunge stellen eine der schwierigsten segmentierend dar, da es keine definierten anatomischen Grenzen gibt und ein kleiner Unterschied im Dämpfungswert im Vergleich zu den gesunden Bereichen besteht.
Die Quellbilder müssen möglichst mit einem Minimum an Artefakten vorhanden …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Diese Arbeit wurde durch Fördermittel des Department of Radiology der Universität Bologna unterstützt.
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).
