SARS-CoV肺炎の定量的な評価のための統合および地盤ガラス領域を同定するための肺CTセグメンテーション
Summary
このプロトコルの目的は、さらなるラジオミクス分析に使用する高解像度CTスキャンで関心のある量をセグメント化する時間効率の高い方法を提供することです。
Abstract
セグメンテーションは、放射線学や機械学習が潜在的に成長するにつれて、放射線科医や研究者が直面する複雑な作業です。このプロセスは、自動、半自動、または手動のいずれかであり、最初のプロセスは十分に正確でないか、簡単に再現でき、最後は高解像度の買収で大規模な地区を巻き込む場合に過度に時間がかかります。
胸部の高解像度CTは何百もの画像で構成されており、これは手作業のアプローチに過度に時間がかかります。さらに、平常性の変化は、通常の外観から識別される専門家の評価を必要とします。したがって、セグメンテーションプロセスへの半自動アプローチは、我々の知る限りでは、肺炎をセグメント化する場合、特にそれらの特徴がまだ不明である場合に最も適している。
COVID-19のイメージングに関する研究所で行われた研究では、ハーバード大学が製造したフリーウェアソフトウェアである3Dスライサーを採用し、その閾値をペイントブラシ器具と組み合わせて、気泡性肺、グランドガラスの不透明度、および統合の迅速かつ正確なセグメンテーションを達成しました。複雑な場合に直面する場合、この方法は、適切な手動調整のためにかなりの時間を必要としますが、影響を受けた肺の根気味の割合の計算や地面ガラス領域のテクスチャ分析など、さらなる分析に使用するセグメントを定義するための非常に効率的な平均値を提供します。
Introduction
今年、世界は健康上の緊急事態、新しいコロナウイルス、Sars-CoV2によって引き起こされるパンデミックに直面しています。現在までに、COVID-19感染の生理病理学に関する多くの側面が依然として不明であるとしても、それはいくつかの特徴を「祖先」SARS1およびMERSと共有している。特に、ビリオンスパイクタンパク質がアンジオテンシン変換酵素タイプ2と相互作用することが証明されており、肺胞内皮細胞によく表される受容体であるが、ヒトの生物では遍在するが、全身症状1を与える可能性を有する。
診断のために、現在の標準はリアルタイムの逆転写酵素ポリメラーゼ連鎖反応(rt-PCR)、咽頭綿棒に対して行われる試験である。放射線画像は疾患の検出のための診断経路では公式には認められていないが、高分解能コンピュータ断層撮影(HRCT)は、rt-PCRの比較的低い感受性、専門研究所および必要な試薬の現在の不足、および高いオペレータ依存性のために、罹患患者の臨床および疫学的管理にとって貴重な援助であることが判明した。
北米放射線学会(RSNA)は、胸部放射線学会と米国放射線学会(ACR)が承認したコンセンサス声明を発表し、COVID19のCT出現を報告を標準化するために4つのカテゴリーに分類し、間質性肺炎パターンを「典型的」「非定型」「不確定」に分割する。
「典型的な」パターンは、通常、底下の部分の位置を持つ丸い形のグラウンドガラスオパシティ(GGO)の存在によって特徴付けられます。GGOは、肥厚したセプタの「クレイジー舗装」領域、または肺炎を組織する他の徴候に関連付けることができます。「不確定」パターンは、統合領域の有無にかかわらず、ペリヒラー分布を有する拡散GGO領域を有する「典型的な」パターン所見の欠如によって特徴付けられる。「非定型」パターンは、「典型的な」または「未確定」の徴候の欠如と、ロバーの統合の存在、「芽の木」、隔膜および胸膜滲出液の滑らかな肥厚のいずれかによって特徴付けられる。このプレゼンテーションでは、GGO は検出できません。「陰性」パターンは、前述の病的所見の欠如によって特徴付けられる。
文献によると、一部の患者は、陰性rt-PCR3,4を用いて見つけた疫学的基準および画像化結果によって支持されるCOVID-19の高い臨床容疑者を有する可能性がある。一方、陽性のrt−PCRおよび示唆的臨床所見を有する患者は、HRCT5に病的所見を提示しないことが報告されている。
今日では、この疾患の特性を定量的に研究する際に、科学界が画像解析技術を応用することが最も重要です。最近の研究では、肺パレンチマの自動セグメンテーション技術を適用して、COVID-19の影響を受ける患者の気泡肺の割合を特定し、この値を予後と相関させ、より重度の肺関与を有する患者が集中治療室(ICU)に入院するリスクが高いことを実証した。
セグメント化は、HRCT などのイメージング技術を使用して取得したボリューム内の対象領域(ROI)の輪郭です。この活動は、手動、半自動、自動の3つの方法で行うことができる。手動セグメンテーションは、訓練を受けた放射線科医の経験のおかげで、病理学的領域に属するボクセルのラベル付けで構成されています。この方法の主な欠点は、必要な時間が多く、オペレータに依存していることです。
半自動メソッドは、オペレータが画像処理の古典的な方法(例えば、ピクセル強度の閾値、クラスタリングなど)を通じて得られるセグメンテーションマスクを変更することができるので、セグメンテーションをスピードアップすることを可能にする。しかし、これらの技術は、最も複雑な症例18に広範な手動介入を必要とするため、臨床現場での実装は容易ではない。
現在は使用が制限されている自動セグメンテーション方式は、人工知能を用い、ROIを取得しています。特に、最近の研究では、COVID-19間質性肺炎19に罹患している患者におけるグランドガラス領域の定量化に自動セグメンテーションを用いることを目的としている。HRCT画像上の病理学的領域のセグメンテーションプロトコルの定義は、病気の生理病理学をさらに理解するのに役立つ特徴を特定し、治療に影響を与える可能性のある正確な予後因子として役立つ特徴を特定するために、その後のラジオミクス分析に向けた本当の第一歩です。
本稿は、COVID-19肺炎の病的所見を表す正確で効率的なセグメントを得るためのガイドを提供しています。
Protocol
Representative Results
Discussion
セグメンテーションは、現代の定量放射線学研究を行うための基本的なステップを表し、ラジオミクスまたはテクスチャ解析技術を適用するために必要です。肺の病理学的所見は、定義された解剖学的境界の欠如と健康な領域と比較した減衰値の小さな違いのために、セグメントに最も困難なものの1つを表す。
ソース画像は、可能であれば、特に病理学的領域上の最小?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
この研究はボローニャ大学放射線学科からの資金によって支えられた。
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).
