Segmentazione della TC polmonare per identificare consolidamenti e aree di vetro macinato per l'assesment quantitativo della polmonite SARS-CoV
Summary
Lo scopo di questo protocollo è quello di fornire un modo efficiente in termini di tempo per segmentare i volumi di interesse sulle scansioni CT ad alta risoluzione da utilizzare per ulteriori analisi radiomiche.
Abstract
La segmentazione è un compito complesso, affrontato da radiologi e ricercatori mentre la radiomica e l’apprendimento automatico crescono di potenziale. Il processo può essere automatico, semiautomatico o manuale, il primo spesso non è sufficientemente preciso o facilmente riproducibile e l’ultimo richiede eccessivamente tempo quando coinvolge grandi distretti con acquisizioni ad alta risoluzione.
Una TAC ad alta risoluzione del torace è composta da centinaia di immagini, il che rende l’approccio manuale eccessivamente dispendioso in termini di tempo. Inoltre, le alterazioni parenchimali richiedono una valutazione esperta da discernere dall’aspetto normale; pertanto, un approccio semiautomatico al processo di segmentazione è, per quanto ne so, il più adatto quando si segmentano le polmonite, specialmente quando le loro caratteristiche sono ancora sconosciute.
Per gli studi condotti nel nostro istituto sull’imaging del COVID-19, abbiamo adottato 3D Slicer, un software freeware prodotto dall’Università di Harvard, e combinato la soglia con gli strumenti a pennello per ottenere una segmentazione rapida e precisa del polmone aerato, delle opacità del vetro macinato e dei consolidamenti. Quando si affrontano casi complessi, questo metodo richiede ancora una notevole quantità di tempo per adeguate regolazioni manuali, ma fornisce una media estremamente efficiente per definire segmenti da utilizzare per ulteriori analisi, come il calcolo della percentuale del parenchima polmonare interessato o l’analisi della trama delle aree di vetro macinato.
Introduction
Nell’anno in corso, il mondo sta affrontando un’emergenza sanitaria, la pandemia causata dal nuovo Coronavirus, Sars-CoV2. Anche se, fino ad oggi, molti aspetti riguardanti la fisiopatologia dell’infezione da COVID-19 non sono ancora chiari, condivide diverse caratteristiche con i suoi “antenati” SARS1 e MERS. In particolare, è stato dimostrato che le proteine del picco di virione interagiscono con l’enzima di conversione dell’angiotensina di tipo 2, un recettore ben rappresentato sulle cellule endoteliali alveolari, ma onnipresente nell’organismo umano, avendo così la potenzialità di dare sintomi sistemici1.
Per la diagnosi, lo standard attuale è la reazione a catena in tempo reale transcriptasi-polimerasi inversa (rt-PCR), un test eseguito su tamponi faringei. Sebbene l’imaging radiologico non sia ufficialmente riconosciuto nel percorso diagnostico per l’individuazione della malattia, la tomografia computerizzata ad alta risoluzione (HRCT) si è rivelata un valido aiuto alla gestione clinica ed epidemiologica dei pazienti colpiti, a causa della sensibilità relativamente bassa della rt-PCR, dell’attuale scarsità di laboratori specializzati e dei reagenti necessari e dell’elevata dipendenza dell’operatore.
La Radiological Society of North America (RSNA) ha rilasciato una dichiarazione di consenso, approvata dalla società di radiologia toracica e dall’American College of Radiology (ACR), che classifica l’aspetto CT del COVID19 in quattro categorie al fine di standardizzare la segnalazione, dividendo i modelli di polmonite interstiziale in “tipici”, “atipici”, “indeterminati” e “negativi”2.
Il modello “tipico” è caratterizzato dalla presenza di opacità di vetro macinato a forma rotonda (GGO), di solito con una posizione sub-pleuriche sui segmenti basali dorsali. Il GGO può essere associato a aree di “Pavimentazione pazza” di setti ispessiti o altri segni di organizzazione della polmonite. Il modello “indeterminato” è caratterizzato dall’assenza dei risultati del modello “tipico”, con aree GGO diffuse con distribuzione perihilar, con o senza aree consolidanti. Il modello “atipico” è caratterizzato dall’assenza dei segni “tipici” o “indeterminati”, e dalla presenza di consolidamenti lobar, “albero in gemma”, ispessimento liscio del setto ed effusione pleurica; in questa presentazione nessun GGO è rilevabile. Il modello “negativo” è caratterizzato dall’assenza dei suddetti risultati patologici.
Secondo la letteratura, alcuni pazienti possono presentare un alto sospetto clinico di COVID-19 supportato da criteri epidemiologici e risultati di imaging con rt-PCR3,4 negativo. D’altra parte, è stato riferito che i pazienti con un rt-PCR positivo e risultati clinici suggestivi, non presentano risultati patologici su HRCT5.
Al giorno d’oggi, è di fondamentale interesse per la comunità scientifica applicare tecniche di analisi delle immagini quando studia quantitativamente le caratteristiche di questa malattia. Un recente studio ha applicato la tecnica di segmentazione automatizzata del parenchima polmonare per identificare la percentuale di polmone aerato nei pazienti affetti da COVID-19, correlando questo valore con la prognosi e dimostrando che i pazienti con un coinvolgimento polmonare più grave presentavano un rischio maggiore di essere ammessi nell’Unità di Terapia Intensiva (TERAPIA INTENSIVA) e di avereesiti peggiori 6.
La segmentazione è il contouring delle regioni di interesse (ROM) all’interno di un volume acquisito attraverso una tecnica di imaging, come HRCT. Questa attività può essere svolta con tre metodi: manuale, semiautomatico e automatico. La segmentazione manuale, grazie all’esperienza di un radiologo qualificato, consiste nell’etichettatura dei voxel appartenenti all’area patologica. I principali svantaggi di questo metodo sono la grande quantità di tempo richiesta e il fatto che dipende dall’operatore.
I metodi semiautomatici consentono di accelerare la segmentazione in quanto l’operatore può modificare una maschera di segmentazione ottenuta attraverso i metodi classici di elaborazione delle immagini (ad esempio, soglia sull’intensità dei pixel, clustering, ecc.). Tuttavia, queste tecniche non sono facili da implementare nella pratica clinica in quanto richiedono un ampio intervento manuale nei casi più complicati18.
I metodi di segmentazione automatica, attualmente di uso limitato, utilizzano l’intelligenza artificiale per ottenere LE. In particolare, un recente studio mira a utilizzare la segmentazione automatica nella quantificazione delle aree di vetro macinato nei pazienti affetti da polmonite interstiziale COVID-1919. La definizione di un protocollo di segmentazione per le aree patologiche sulle immagini HRCT è il vero primo passo verso la successiva analisi radiomica, al fine di identificare caratteristiche che potrebbero aiutare a comprendere ulteriormente la fisiopatologia della malattia e servire come fattore prognostico accurato che potenzialmente influenza il trattamento.
Questo documento offre una guida per ottenere segmenti accurati ed efficienti che rappresentano i risultati patologici della polmonite da COVID-19 utilizzando “3D Slicer”7,8,9,10.
Protocol
Representative Results
Discussion
La segmentazione rappresenta un passo fondamentale per l’esecuzione di moderni studi di radiologia quantitativa ed è necessaria per applicare tecniche di radiomica o analisi delle trame. I risultati patologici nei polmoni rappresentano uno dei più difficili da segmentare, per la mancanza di confini anatomici definiti e una piccola differenza nel valore di attenuazione rispetto alle aree sane.
Le immagini sorgente devono presentare un minimo di artefatti, se possibile, specialmente sulle aree…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Questo lavoro è stato sostenuto dal finanziamento del Dipartimento di Radiologia dell’Università di Bologna.
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).
