Lung CT segmentering for å identifisere konsolideringer og ground glass områder for kvantitativ assesment av SARS-CoV lungebetennelse

Summary

Målet med denne protokollen er å gi en tidseffektiv måte å segmentere volumer av interesse på høyoppløselige CT-skanninger som skal brukes til ytterligere radiomikkanalyse.

Abstract

Segmentering er en kompleks oppgave, overfor radiologer og forskere som radiomikk og maskinlæring vokser i potensial. Prosessen kan enten være automatisk, halvautomatisk eller manuell, den første er ofte ikke tilstrekkelig presis eller lett reproduserbar, og den siste er for tidkrevende når de involverer store distrikter med høyoppløselige oppkjøp.

En høyoppløselig CT av brystet består av hundrevis av bilder, og dette gjør den manuelle tilnærmingen svært tidkrevende. Videre krever de parenchymale endringene en ekspertevaluering som skal skjelnes fra det normale utseendet; Dermed er en halvautomatisk tilnærming til segmenteringsprosessen, så vidt vi vet, den mest passende når du segmenterer lungebetennelser, spesielt når deres egenskaper fortsatt er ukjente.

For studiene utført i vårt institutt for avbildning av COVID-19, vedtok vi 3D Slicer, en freeware programvare produsert av Harvard University, og kombinerte terskelen med penselinstrumenter for å oppnå rask og presis segmentering av aerated lunge, bakken glass opacities, og konsolideringer. Når du står overfor komplekse tilfeller, krever denne metoden fortsatt en betydelig mengde tid for riktige manuelle justeringer, men gir et ekstremt effektivt middel til å definere segmenter som skal brukes til videre analyse, for eksempel beregning av prosentandelen av de berørte lungeparenchyma- eller teksturanalyse av de malte glassområdene.

Introduction

I inneværende år står verden overfor en helsekrise, pandemien forårsaket av romanen Coronavirus, Sars-CoV2. Selv om, frem til i dag, mange aspekter om fysipatologien til COVID-19-infeksjonen fortsatt er uklart, deler den flere egenskaper med sine "forfedre" SARS1 og MERS. Spesielt har det vist seg at virion piggproteiner samhandler med Angiotensin Konvertere Enzyme Type-2, en reseptor godt representert på alveolr endotelceller, men allestedsnærværende i den menneskelige organismen, og dermed har potensial til å gi systemiske symptomer¹.

For diagnose er den nåværende standarden sanntids omvendt transkripsjonase-polymerase kjedereaksjon (rt-PCR), en test utført på svelgevattpinner. Selv om radiologisk avbildning ikke er offisielt anerkjent i diagnostisk bane for påvisning av sykdommen, viste høyoppløselig datatomografi (HRCT) seg å være et verdifullt hjelpemiddel for klinisk og epidemiologisk behandling av berørte pasienter, på grunn av den relativt lave følsomheten til rt-PCR, den nåværende mangelen på spesialiserte laboratorier og av de nødvendige reagensene, og den høye operatøravhengigheten.

The Radiological Society of North America (RSNA) utgitt en konsensus uttalelse, godkjent av samfunnet thorax radiologi og American College of Radilogy (ACR), som klassifiserer CT utseende av COVID19 i fire kategorier for å standardisere rapportering, dele interstitiell lungebetennelse mønstre i "typisk", "atypisk", "ubestemt", og "negativ"².

Det "typiske" mønsteret er preget av tilstedeværelsen av runde formede Ground Glass Opacities (GGO), vanligvis med en sub-pleural plassering på dorsale basale segmenter. GGO kan være forbundet med "Crazy Paving" områder av fortykket septa, eller andre tegn på å organisere lungebetennelse. Det "ubestemte" mønsteret er preget av fraværet av de "typiske" mønsterfunnene, med diffuse GGO-områder med perihilarfordeling, med eller uten konsoliderte områder. Det "atypiske" mønsteret er preget av enten fraværet av de "typiske" eller "ubestemte" tegnene, og tilstedeværelsen av lobar konsolideringer, "tre i knopp", jevn fortykkelse av septa og pleural effusjon; i denne presentasjonen kan ingen GGO oppdages. Det "negative" mønsteret er preget av fraværet av de nevnte patologiske funnene.

Ifølge litteraturen kan noen pasienter presentere med en høy klinisk mistenkt for COVID-19 støttet av epidemiologiske kriterier og bildebehandling med negativ rt-PCR^3,4. På den annen side har det blitt rapportert at pasienter med en positiv rt-PCR og tankevekkende kliniske funn, ikke presenterer patologiske funn på HRCT⁵.

I dag er det av avgjørende interesse for det vitenskapelige samfunnet å bruke bildeanalyseteknikker når det kvantitativt studerer egenskapene til denne sykdommen. En fersk studie har brukt automatisert segmenteringsteknikk i lungeparenchyma for å identifisere prosentandelen av atated lunge hos pasienter som er berørt av COVID-19, korrelerer denne verdien med prognosen, og viser at pasienter med en mer alvorlig lungeinvolvering ga mer risiko for å bli innlagt i intensivavdelingen (ICU), og har dårligere resultater⁶.

Segmenteringen er konturen av interesseområder (ROIer) inne i et volum som er anskaffet gjennom en bildeteknikk, for eksempel HRCT. Denne aktiviteten kan utføres gjennom tre metoder: manuell, halvautomatisk og automatisk. Manuell segmentering, takket være opplevelsen av en utdannet radiolog, består av merking av voxels som tilhører det patologiske området. De viktigste ulempene ved denne metoden er den store tiden som kreves og det faktum at den er operatøravhengig.

Halvautomatiske metoder gjør det mulig å øke hastigheten på segmenteringen, da operatøren kan endre en segmenteringsmaske oppnådd gjennom de klassiske metodene for bildebehandling (f.eks. terskel for pikselintensitet, klynger osv.). Disse teknikkene er imidlertid ikke enkle å implementere i klinisk praksis, da de krever omfattende manuell inngripen i de mest kompliserte tilfellene¹⁸.

Automatiske segmenteringsmetoder, for tiden av begrenset bruk, bruker kunstig intelligens for å oppnå ROIer. Spesielt tar en nylig studie sikte på å bruke automatisk segmentering i kvantifisering av jordglassområder hos pasienter som lider av COVID-19 interstitiell lungebetennelse¹⁹. Definisjonen av en segmenteringsprotokoll for de patologiske områdene på HRCT-bildene er det virkelige første skrittet mot den påfølgende radiomics-analysen, for å identifisere funksjoner som kan bidra til å forstå sykdommens fysipatologi ytterligere, og tjene som en nøyaktig prognostisk faktor som potensielt påvirker behandlingen.

Dette papiret tilbyr en veiledning for å oppnå nøyaktige og effektive segmenter som representerer de patologiske funnene av COVID-19 lungebetennelse ved hjelp av "3D Slicer"^7,8,9,10.

Protocol

Denne protokollen følger retningslinjene til den institusjonelle etikkkomiteen for menneskelig forskning.

1. Laste ned DICOM-bildene

1. Last ned DICOM-bildene og overfør dem i arbeidsstasjonen dedikert til segmenteringen, med 3D-programvaren installert. Hvis du planlegger å arbeide på en personlig datamaskin, anonymisere DICOM-dataene.

2. Importere HRCT-studien på 3D Slicer-programvaren

1. Velg Last inn DICOM-data i skjermbildet for programvareåpning (tilsvarende delen Velkommen til slicer i rullegardinmenyen). Du kan også velge DCM-ikonet øverst til venstre på verktøylinjen.
2. Velg Importer øverst til venstre i DICOM-nettleserpanelet, og velg deretter plasseringen til HRCT-studien. Velg mappen med DCM-bildene, og velg deretter Importer.
3. Nå som HRCT-studien er importert, klikker du på Last-knappen.

3. Opprette segmentene

1. Opprett segmenter i Segmenteringer-delen på rullegardinmenyen eller direkte i underdelen Segmentredigering som du finner i segmenteringsdelen på rullegardinmenyen, eller på nytt som et dedikert ikon på verktøylinjen.
2. Velg HRCT-studien i rullegardinmenyen ved siden av Hovedvolum.
3. Velg Legg til og opprett tre nye segmenter, som automatisk får navnet Segment 1, 2 og 3. Dobbeltklikk på hver og endre navn på henholdsvis "tlv" (Total Lung Parenchyma), "ggo" (Ground Glass Opacities) og "cons" (Konsolideringer). Hvis det i HRCT-studien ytterligere patologiske funn eksisterer samtidig, for eksempel pleural effusjon, lungekreft, fibrotiske områder og så videre, skape flere segmenter. Det samme gjelder artefakter.

4. Definisjon av TLP-segmentet

MERK: En nøyaktig definisjon av TLP-segmentet er grunnleggende, da det vil bli brukt til å maskere HRCT under definisjonen av GGO- og CDer-segmentene.

1. Som et første trinn, i Segmentredigering-delen, når du har valgt TLP-segmentet, velger du terskelinstrumentet.
2. Sett en terskel stor nok til å inkludere både sunn lunge parenchyma og bakken glass opacities. Ved hjelp av verdiene som rapporteres i vitenskapelig litteratur med de nødvendige justeringene for å overholde lærebokdefinisjonen av GGO, fant vi at å sette terskelen mellom -1000 HU og -250 HU^{fungerer bra 6,14,15,16,17}. Velg deretter Bruk.
3. Segmentet som er så definert, vil omfatte både luften inne i lungene og luften utenfor brystet (det vil vil omfatte luften utenfor pasienten). For å isolere lungeparenchyma, bruk Islands-verktøyet, funnet i Segment Editor, og velg Hold valgt øy. Venstreklikk inne i brystet slik at noe utenfor brystet vil bli utelukket fra segmentet.
4. Deretter inkluderer du et hvilket som helst konsolideringsområde i TLP-segmentet. Konsolideringene har vanligvis dempingsverdier (Hounsfield Units: HU) som ligner på de av bløtvev som utgjør brystveggen og mediastinum. Dette er grunnen til at terskelinstrumentet ikke kan brukes til dette formålet, og konsolideringene må legges til manuelt ved hjelp av Saks- og Paint-verktøyene som finnes i segmentredigeringsprogrammet.
   1. Bruk Saks-verktøyet til å legge til deler av lungeparenchyma til segmentet. Velg Fyll innsiden-operasjonen, velg Friform som figur og Symmetrisk som skivekutt. Velg en tykkelse som passer til størrelsen på konsolideringen (f.eks. fra 3 til 20 mm); og deretter begynner du gradvis å legge til små deler av TLP, til konsolideringen er fullstendig inkludert.
   2. Malingsverktøyet er enklere og noen ganger raskere å bruke, men kan være mindre presist, avhengig av området som skal inkluderes. Når alternativet Sphere Brush er aktivt, kan dette verktøyet legge til 3D-deler av lungeparenchyma i segmentet. Størrelsen på børsten kan enkelt endres.
   3. Mens du legger til konsolideringene i TLP-segmentet, inkluderer du ikke deler av thoraxveggen eller mediastinum. Dette kan vise seg vanskelig som hos pasienter som er berørt av COVID19 konsolideringer ved siden av bakre thorax veggen er ganske vanlig. Bruk slettverktøyet til å korrigere segmenteringen, eller velg Angre for å forkaste den siste handlingen.
   4. På dette stadiet bruker du utjevningsalgoritmen igjen til å slette små feil som kan ha oppstått under den manuelle delen av segmenteringen. Nå er TLP-segmentdefinisjonen avsluttet.

5. Definisjon av GGO-segmentet

1. Hvis du vil definere GGO-segmentet, bruker du terskelverktøyet.
   1. Velg GGO-segmentet.
   2. Angi terskelen mellom -750 HU og -150 HU.
   3. Før du velger Bruk, går du til Maskering-delen rett under og velger TLP i rullegardinmenyen Redigerbart område. Velg Ingen på rullegardinmenyen Overskriv annet segment. Dette er ekstremt viktig som, hvis hoppet over, når definert GGO segmentet, også TLP segmentet ville bli endret. Dette må unngås, da TLP-segmentet er masken som alle de andre segmentene er definert på.
   4. Velg nå Bruk.
2. På dette punktet vil det trolig være nødvendig å bruke utjevningalgoritmen igjen, for å utelukke alle de små fartøyene og de fysiologiske interstitielle elementene som har en tetthet som ligner på bakkeglass fra segmentet. Start med en kjernestørrelse på 3 mm og, om nødvendig, øk den gradvis, til maksimalt 6-7 mm. Vær oppmerksom på at å øke kjernestørrelsen for mye kan bestemme tapet av små områder av malt glass, som ville bli igjen utenfor GGO-segmentet. På grunn av dette bør utjevningsalgoritmen brukes med riktig forsiktighet.
3. I dette tilfellet gjelder også nødvendige rettelser med verktøyet Paint, Scissors and Erase. I denne fasen husk å holde TLP masken aktiv til enhver tid for å unngå å inkludere deler av brystveggen ved siden av "bakken glass" områder inne i segmentet. Dette skyldes at hvis de feilaktig segmenteres, automatisk blir ekskludert.
4. Når du får dette segmentet, vær oppmerksom på mulig tilstedeværelse av gjenstander generert av bevegelser av ildsted og membran (dette skjer hvis pasienten ikke kunne holde pusten under eksamen). Hvis det finnes og tidligere er inkludert i TLP-segmentet, må du eliminere disse artefaktene fra "ground glass"-segmentet, for eksempel gjennom islandsverktøyet med alternativet Fjern valgt øy eller ved hjelp av Saks- og sletteverktøyene. Avhengig av studiens mål kan artefaktene segmenteres separat ved hjelp av et dedikert segment eller inkludert i TLP-segmentet og ekskludert fra andre segmenter. Nå er GGO-segmentet definert.

6. Definisjon av CD-ene segmentet

1. Hvis du vil definere CDer-segmentet, fortsetter du på samme måte som å definere GGO-segmentet.
   1. Velg CDer-segmentet. Sørg for å arbeide med TLP maskering alltid aktiv.
   2. Angi en tilstrekkelig terskel. For konsolideringer varierer området, omtrent, fra -150 HU til 100 HU.
   3. Bruk utjevningsalgoritmen som varierer kjernestørrelsen etter behov.
   4. Bruk en kombinasjon av verktøyene Saks, Slett, Maling og Øyer for å holde inne i segmentet bare de virkelige konsolideringer, unntatt store fartøy, pleural effusjoner, gjenstander, disventilerende bånd og andre ikke COVID-relaterte lesjoner.
   5. Bruk om nødvendig en endelig utjevning.

7. Lagre segmentene

1. Lagre segmenter som en ".nrrd"-fil, eller konverter til binære etikettkart fra "Data"-modulen.

8. Trekke ut volumer fra de definerte segmentene.

1. Fra Segmentstatistikk-modulen får du en tabell med detaljer om volum og overflater på segmentene.

Representative Results

Den foreslåtte metoden har blitt raffinert gjennom studier og feil, teste den på 117 pasienter berørt av COVID-19 lungebetennelse med en positiv rt-PCR test.

Etter en kort læringskurve kan tiden som trengs for å få segmentene variere fra 5 til 15 minutter, avhengig av presentasjonsmønsteret.

Som vist på figur 1,gir metoden presise segmenter: Dette kan observeres ved å legge merke til den nøyaktige korrespondansen med HRCT. 3D-gjengivelsen bidrar til å vurdere korrespondansen og raskt gjennomgå segmenteringsresultatene. En kvantitativ vurdering av mengden lungeparenchyma som er berørt kan oppnås, for å replikere resultatene rapportert fra Colombi et al.⁶ og Lanza et al.¹³.

Figur 1: Representativt resultatvolum og overflateanalyse. Skjermbildet fra 3D Slicer-grensesnittet representerer resultatene hentet fra "Segment Statistikk" -modulen, som kan brukes til å kvantitativt evaluere volumet av den berørte lungeparenchyma. Vennligst klikk her for å se en større versjon av denne figuren.

Discussion

Segmentering representerer et grunnleggende skritt for å utføre moderne kvantitative radiologistudier, og er nødvendig for å bruke radiomikk eller teksturanalyseteknikker. Patologiske funn i lungene representerer en av de mest utfordrende å segmentere, for mangel på definerte anatomiske grenser og en liten forskjell i dempingsverdi sammenlignet med de sunne områdene.

Kildebildene må presenteres med et minimum av gjenstander hvis mulig, spesielt på de patologiske områdene, og dette er noen ganger vanskelig å oppnå når man studerer en sykdom som kompromitterer pusten holder; Derfor kan forskere vurdere å ekskludere kompromitterte HRCTs eller definere et segment dedikert til gjenstander som skal elimineres fra videre analyse.

Det er mulig å installere en utvidelse til 3D Slicer, kalt "chest imaging platform"¹¹, som tillater raskere, mer automatiserte operasjoner på lungesegmenter, med spesiell interesse for at det er skadet lunge. Det ble besluttet å ikke vedta denne metoden, siden det krever omfattende manuell intervensjon når GGO og konsolideringer har en sub-pleural fordeling, som er tilfelle av patologien som utforskes i dette papiret.

En automatisk segmenteringsmetode for interstitielle lungesykdommer er rapportert¹²; likevel krevde denne metoden å ha tidligere kunnskap om de berørte områdenes funksjoner. Teknikken foreslått i denne studien representerer en lett å lære og reproduserbar tilnærming til segmentering av patologiske funn i lungene, funksjonene som ekstraheres som kan gi fremtidige midler for automatisk segmentere virale interstitielle lungesykdommer, og representerer nøyaktige prognostiske faktorer.

Den foreslåtte segmenteringsmetoden har noen begrensninger.

Først av alt, laste ned DICOM bilder fra arbeidsstasjonene er en prosess som kan kreve en variabel mengde tid, og dermed gjør det for et stort antall pasienter kan være et plagsomt arbeid. Enhver potensiell anvendelse av denne segmenteringsmetoden til klinikkpraksisen må vurdere dette kritiske problemet, inntil det punktet når segmenteringspluginer blir allment tilgjengelige på PACS-plattformer.

For det andre kan segmenteringen av COVID-19-relaterte patologiske områder være komplisert hos pasienter med samtidig kronisk lungesykdom (f.eks. lungekreft, lungefibrose osv.) hvis radiologiske funn består i områder med samme tetthet av de som er typiske for COVID-19-mønstre. Den samme bekymringen bør vurderes i CT-skanninger med respiratoriske gjenstander. Disse artefaktene er ganske vanlige hos pasienter med COVID-19-infeksjon, som ofte er relatert til dyspné og respirasjonssvikt, spesielt hos gamle/middelaldrende pasienter.

Videre krever pasienter med en alvorlig interstitiell lungebetennelse (preget av mange lungekonsolideringer og gal asfalteringskapasitet) en mer omfattende manuell segmentering og dermed en enorm mengde tid. Generelt, jo høyere alvorlighetsgraden av interstitiell lungebetennelse, jo mer omfattende manuell segmentering kreves, jo lengre segmenteringstiden.

Imidlertid kan graden av presisjon som tilbys av avanserte evalueringsteknikker som de foreslått av Lanza og Colombi legge til begrenset informasjon om pasienter med allerede alvorlige lungeforhold sammenlignet med standard kliniske og radiologiske evalueringer²⁰.

Til slutt bør det bemerkes at enhver radiolog som ikke har erfaring med 3D slicer trenger en tilstrekkelig treningstid, da det ikke er en intuitiv programvare og krever litt tid å bli mestret selv i sine basilære funksjoner.

Materials

Name	Company	Catalog Number	Comments
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