Segmentação da tomografia pulmonar para identificar consolidações e áreas de vidro moído para assesment quantitativo de pneumonia SARS-CoV
Summary
O objetivo deste protocolo é fornecer uma maneira eficiente de segmentar volumes de interesse em tomografias computadorizadas de alta resolução para uso para análises mais radiomicas.
Abstract
A segmentação é uma tarefa complexa, enfrentada por radiologistas e pesquisadores à medida que a radiomicidade e o aprendizado de máquina crescem em potencialidade. O processo pode ser automático, semiautomático ou manual, o primeiro muitas vezes não sendo suficientemente preciso ou facilmente reproduzível, sendo o último excessivamente demorado quando envolve grandes distritos com aquisições de alta resolução.
Uma tomografia de alta resolução do baú é composta de centenas de imagens, e isso torna a abordagem manual excessivamente demorada. Além disso, as alterações parenchímicas requerem uma avaliação pericial a ser discernida a partir do aparecimento normal; assim, uma abordagem semiautomática para o processo de segmentação é, pelo que sabemos, a mais adequada ao segmentar pneumonias, especialmente quando suas características ainda são desconhecidas.
Para os estudos realizados em nosso instituto sobre a imagem do COVID-19, adotamos o 3D Slicer, um software de freeware produzido pela Universidade de Harvard, e combinamos o limiar com os instrumentos de pincel para alcançar a segmentação rápida e precisa de opacities aeradas, opacities de vidro moído e consolidações. Diante de casos complexos, este método ainda requer um tempo considerável para ajustes manuais adequados, mas fornece uma média extremamente eficiente para definir segmentos a serem utilizados para análise suplementar, como o cálculo do percentual do parenchyma pulmonar afetado ou análise de textura das áreas de vidro moído.
Introduction
No ano atual, o mundo enfrenta uma emergência de saúde, a pandemia causada pelo novo Coronavirus, Sars-CoV2. Mesmo que, até hoje, muitos aspectos relativos à fisiopatologia da infecção pelo COVID-19 ainda não estejam claros, compartilha várias características com seus “ancestrais” SARS1 e MERS. Em particular, foi comprovado que as proteínas de pico de virion interagem com a Enzima Conversante de Angiotensina Tipo-2, um receptor bem representado nas células endoteliais alveolares, mas onipresente no organismo humano, tendo assim a potencialidade de dar sintomas sistêmicos1.
Para o diagnóstico, o padrão atual é a reação em cadeia transcriptase-polimerase reversa em tempo real (rt-PCR), um teste realizado em cotonetes faringeais. Embora a imagem radiológica não seja oficialmente reconhecida no caminho diagnóstico para a detecção da doença, a tomografia computadorizada de alta resolução (HRCT) mostrou-se um valioso auxílio ao manejo clínico e epidemiológico dos pacientes afetados, devido à sensibilidade relativamente baixa do rt-PCR, à atual escassez de laboratórios especializados e aos reagentes necessários, e à alta dependência do operador.
A Sociedade Radiológica da América do Norte (RSNA) divulgou uma declaração de consenso, endossada pela sociedade de Radiologia Torácica e pelo American College of Radiology (ACR), que classifica a aparência ct do COVID19 em quatro categorias, a fim de padronizar o relatório, dividindo os padrões intersticiais de pneumonia em “típicos”, “atípicos”, “indeterminados” e “negativos”2.
O padrão “típico” é caracterizado pela presença de Opacções de Vidro Moído em forma redonda (GGO), geralmente com uma localização sub-pleural nos segmentos basais dorsais. A GGO pode ser associada a áreas de “Pavimentação Louca” de septa espessa, ou outros sinais de organização de pneumonia. O padrão “indeterminado” caracteriza-se pela ausência dos achados de padrão “típicos”, com áreas difusas de GGO com distribuição perihilar, com ou sem áreas consolidativas. O padrão “atípico” é caracterizado pela ausência dos sinais “típicos” ou “indeterminados”, e pela presença de consolidações de lobar, “árvore no broto”, espessamento suave do septo e derrame pleural; nesta apresentação nenhum GGO é detectável. O padrão “negativo” caracteriza-se pela ausência dos achados patológicos acima mencionados.
De acordo com a literatura, alguns pacientes podem apresentar alto suspeita clínico de COVID-19 amparado por critérios epidemiológicos e achados de imagem com rt-PCR negativo3,4. Por outro lado, tem sido relatado que pacientes com rt-PCR positivo e achados clínicos sugestivos, não apresentam achados patológicos no HRCT5.
Hoje em dia, é de fundamental interesse da comunidade científica aplicar técnicas de análise de imagem ao estudar quantitativamente as características dessa doença. Estudo recente aplicou técnica de segmentação automatizada do parenchyma pulmonar para identificar o percentual de pulmão aerado em pacientes acometidos pelo COVID-19, correlacionando esse valor com o prognóstico, e demonstrando que pacientes com envolvimento pulmonar mais grave apresentavam maior risco de serem internados na Unidade de Terapia Intensiva (UTI), e com piores desfechos6.
A segmentação é o contorno de regiões de interesse (ROIs) dentro de um volume adquirido através de uma técnica de imagem, como o HRCT. Esta atividade pode ser realizada através de três métodos: manual, semiautomático e automático. A segmentação manual, graças à experiência de um radiologista treinado, consiste em rotular voxels pertencentes à área patológica. As principais desvantagens deste método são a grande quantidade de tempo necessário e o fato de ser dependente do operador.
Métodos semiautomâneos permitem acelerar a segmentação, pois o operador pode modificar uma máscara de segmentação obtida através dos métodos clássicos de processamento de imagem (por exemplo, limiar na intensidade do pixel, clustering, etc.). No entanto, essas técnicas não são fáceis de implementar na prática clínica, pois requerem ampla intervenção manual nos casos mais complicados18.
Os métodos automáticos de segmentação, atualmente de uso limitado, empregam inteligência artificial para obter ROIs. Em particular, um estudo recente visa utilizar a segmentação automática na quantificação de áreas de vidro moído em pacientes que sofrem de pneumonia intersticia19 COVID-19. A definição de um protocolo de segmentação para as áreas patológicas nas imagens do HRCT é o verdadeiro primeiro passo para a análise radiomática subsequente, a fim de identificar características que possam ajudar a entender melhor a fisiopatologia da doença, e servir como um fator prognóstico preciso potencialmente influenciando o tratamento.
Este artigo oferece um guia para obter segmentos precisos e eficientes representando os achados patológicos da pneumonia COVID-19 utilizando “3D Slicer”7,8,9,10.
Protocol
Representative Results
Discussion
A segmentação representa um passo fundamental para a realização de estudos modernos de radiologia quantitativa, e é necessário aplicar técnicas de radiomics ou análise de textura. Os achados patológicos nos pulmões representam um dos mais desafiadores para o segmento, pela falta de fronteiras anatômicas definidas e uma pequena diferença no valor da atenuação quando comparadas às áreas saudáveis.
As imagens de origem devem apresentar um mínimo de artefatos, se possível, espec…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Este trabalho foi apoiado por financiamento do Departamento de Radiologia da Universidade de Bolonha.
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).
