SARS-CoV 폐렴의 정량적 적 인 축전을위한 통합 및 지상 유리 영역을 식별하는 폐 CT 세분화
Summary
이 프로토콜의 목적은 추가 방사선 학 분석에 사용하기 위해 고해상도 CT 스캔에 대한 관심의 양을 분할하는 시간 효율적인 방법을 제공하는 것입니다.
Abstract
세분화는 방사선학과 기계 학습이 잠재력이 커짐에 따라 방사선 학자와 연구자들이 직면한 복잡한 작업입니다. 이 프로세스는 자동, 반자동 또는 수동일 수 있으며, 첫 번째 프로세스는 충분히 정확하거나 쉽게 재현할 수 없으며, 고해상도 인수를 가진 대규모 지구를 포함할 때 마지막으로 지나치게 시간이 많이 소요됩니다.
가슴의 고해상도 CT는 수백 개의 이미지로 구성되어 있으며, 이것은 수동 접근 방식을 지나치게 많이 소비합니다. 더욱이, 당면한 변경은 일반적인 외관에서 분별될 전문가 평가가 필요합니다; 따라서 세분화 과정에 대한 반자동 접근법은, 우리의 지식의 최고에, 그들의 특징이 아직도 알려지지 않은 경우에 특히, 폐염을 분할할 때 가장 적합합니다.
COVID-19의 화상 진찰에 우리의 연구소에서 수행 된 연구를 위해, 우리는 3D 슬라이서를 채택, 하버드 대학에서 생산 프리웨어 소프트웨어, 그리고 화기 폐의 빠르고 정확한 세분화를 달성하기 위해 페인트 브러시 악기와 임계 값을 결합, 지상 유리 불투명도, 및 통합. 복잡한 경우에 직면할 때, 이 방법은 여전히 적절한 수동 조정을 위해 상당한 시간이 필요하지만, 영향을받는 폐 완두엽종의 백분율 계산 또는 접지 유리 영역의 질감 분석과 같은 추가 분석에 사용할 세그먼트를 정의하는 매우 효율적인 평균을 제공합니다.
Introduction
현재, 세계는 건강 비상 사태에 직면하고있다, 소설 코로나 바이러스에 의해 발생 전염병, 사스 – CoV2. 현재까지 COVID-19 감염의 생리병리학에 관한 많은 측면이 아직 불분명하더라도 “조상” SARS1 및 MERS와 여러 가지 특성을 공유합니다. 특히, 비리온 스파이크 단백질이 폐포 내피 세포상에 잘 표현되는 수용체인 안지오텐신 변환 효소 유형-2와 상호 작용하는 것이 입증되었지만, 따라서 전신증상을줄 수 있는 잠재력을 갖는 1.
진단을 위해, 현재 표준은 인두 면봉에 수행 된 테스트 인 실시간 역 전사 -폴리머 라제 연쇄 반응 (rt-PCR)입니다. 방사선 화상 진찰은 질병의 검출을 위한 진단 경로에서 공식적으로 인식되지 않더라도, 고해상도 컴퓨터 단층 촬영 (HRCT)는 rt-PCR의 상대적으로 낮은 감도, 특수 실험실및 필요한 시약의 현재 희소성 및 고연사 의존성 때문에 영향 받은 환자의 임상 및 역학 관리에 귀중한 원조가 될 것으로 판명되었습니다.
북미 방사선 학회 (RSNA)는 흉부 방사선학 의 사회와 미국 방사선학 대학 (ACR)이 승인 한 합의 성명을 발표했으며, COVID19의 CT 출현을 보고 표준화하기 위해 4 가지 범주로 분류하여 간질 폐렴 패턴을 “전형적인”, “비정형”, “비정형”, “결정”,“부정적”으로나누었습니다.
“전형적인” 패턴은 둥근 모양의 지면 유리 불투명도(GGO)의 존재를 특징으로 하며, 일반적으로 등대 기저 세그먼트에 서브 흉막 위치를 가진다. GGO는 두꺼워진 격막의 “미친 포장”영역 또는 폐렴을 조직하는 다른 징후와 연관 될 수 있습니다. “결정된” 패턴은 “일반적인” 패턴 결과의 부재를 특징으로 하며, 통합 영역의 유무에 관계없이 perihilar 분포를 가진 확산 GGO 영역이 있는 것을 특징으로 한다. 상기 “비정형” 패턴은 “전형적인” 또는 “결정되지 않은” 표지판의 부재, 그리고 엽 통합의 존재, “새싹나무”, 중막 및 흉막 삼출의 매끄러운 두껍게 하는 특징; 이 프레젠테이션에서는 GGO를 감지할 수 없습니다. “네거티브” 패턴은 전술한 병리학적 발견의 부재를 특징으로 합니다.
문헌에 따르면, 일부 환자는 COVID-19의 높은 임상 용의자와 함께 존재할 수 있습니다 역학기준 및 화상 진찰 발견에 의해 지원3,4. 한편, 양성 rt-PCR 및 암시적인 임상 연구 결과를 가진 환자는 HRCT5에병리학적 발견을 제시하지 않는 것으로 보고되었다.
요즘, 이 질병의 특성을 정량적으로 연구할 때 과학 계가 이미지 분석 기술을 적용하는 것이 가장 중요합니다. 최근 연구는 COVID-19에 의해 영향을 받는 환자에서 포화 폐의 비율을 확인하기 위해 폐 parenchyma의 자동화 된 세분화 기술을 적용하고, 예후와이 값을 상호 연관, 그리고 더 심각한 폐 참여환자가 중환자 실에서 입원의 더 많은 위험을 제시 입증 (ICU), 및 악화 결과를 갖는6.
세분화는 HRCT와 같은 이미징 기술을 통해 획득한 부피 내부의 관심 영역(ROI)의 윤곽입니다. 이 활동은 수동, 반자동 및 자동의 세 가지 방법을 수행 할 수 있습니다. 수동 세분화는 훈련된 방사선 전문의의 경험 덕분에 병리학 적 영역에 속하는 복셀라벨로 구성됩니다. 이 방법의 주요 단점은 필요한 많은 시간과 운영자 의존이라는 사실입니다.
반자동 방법을 사용하면 작업자가 고전적인 이미지 처리 방법(예: 픽셀 강도, 클러스터링 등에 대한 임계값)을 통해 얻은 세분화 마스크를 수정할 수 있기 때문에 세분화 속도를 높일 수 있습니다. 그러나, 이들 기술은 가장 복잡한경우(18)에광범위한 수동 개입을 요구하기 때문에 임상 실습에서 구현하기 쉽지 않다.
현재 사용이 제한되어 있는 자동 세분화 방법은 인공 지능을 사용하여 ROI를 획득합니다. 특히, 최근 연구는 COVID-19 간질성 폐렴으로 고통받는 환자에서 지상 유리 영역의 정량화에 자동 세분화를 사용하는 것을 목표로한다. HRCT 이미지의 병리학적 영역에 대한 세분화 프로토콜의 정의는 질병의 생리병리학을 더 잘 이해하는 데 도움이 될 수 있는 특징을 식별하기 위해 후속 방사선학 분석을 향한 실제 첫 번째 단계이며, 잠재적으로 치료에 영향을 미치는 정확한 예후 요인으로 작용한다.
본 논문은 “3D 슬라이서”7,8,9,10을사용하여 COVID-19 폐렴의 병리학적 발견을 나타내는 정확하고 효율적인 세그먼트를 얻는가이드를제공한다.
Protocol
Representative Results
Discussion
세분화는 현대 정량 방사선학 연구를 수행하기위한 기본 단계를 나타내며 방사선 학 또는 질감 분석 기술을 적용하는 데 필요합니다. 폐에 있는 병리학적인 사실 인정은 정의된 해부학 적인 국경의 부족 및 건강한 지역에 비교될 때 감쇠 값에 있는 작은 다름을 위해 세그먼트에 가장 도전적인 의 한을 나타냅니다.
소스 이미지는 가능한 경우, 특히 병리학 적 영역에서 최소한?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
이 작품은 볼로냐 대학의 방사선학과에서 자금 지원을 받았다.
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).
