Сегментация КТ легких для выявления консолидаций и области наземного стекла для количественного ослов пневмонии ТОРС-КоВ
Summary
Цель этого протокола заключается в том, чтобы обеспечить эффективный способ сегментации объемов интереса к КТ высокого разрешения для использования для дальнейшего анализа радиомики.
Abstract
Сегментация является сложной задачей, с которой сталкиваются радиологи и исследователи по мере роста потенциала радиомики и машинного обучения. Этот процесс может быть либо автоматическим, полуавтоматическим, либо ручным, первый часто недостаточно точным или легко воспроизводимым, а последний – чрезмерно трудоемким при привлечении крупных районов с приобретением с высоким разрешением.
КТ высокого разрешения грудной клетки состоит из сотен изображений, и это делает ручной подход чрезмерно трудоемким. Кроме того, паренхимальные изменения требуют экспертной оценки, которая будет различима от нормального внешнего вида; Таким образом, полуавтоматический подход к процессу сегментации, к нашим знаниям, наиболее подходит при сегментации пневмоний, особенно когда их особенности до сих пор неизвестны.
Для исследований, проведенных в нашем институте по визуализации COVID-19, мы приняли 3D Slicer, бесплатное программное обеспечение, производимое Гарвардским университетом, и объединили порог с инструментами кисти краски для достижения быстрой и точной сегментации газированных легких, непрозрачности грунтового стекла и консолидации. При сталкиваясь со сложными случаями, этот метод по-прежнему требует значительного количества времени для надлежащей ручной корректировки, но обеспечивает чрезвычайно эффективное среднее определение сегментов для использования для дальнейшего анализа, таких как расчет процента пораженной паренхимы легких или анализ текстуры области грунтового стекла.
Introduction
В текущем году мир сталкивается с чрезвычайной ситуацией в области здравоохранения, пандемией, вызванной новым коронавирусом Sars-CoV2. Даже если до настоящего времени многие аспекты, касающиеся физиопатологии инфекции COVID-19, до сих пор неясны, она разделяет несколько характеристик со своими “предками” ТОРС1 и БВРС. В частности, было доказано, что белки вирионного шипа взаимодействуют с ангиотензином Преобразование фермента Типа-2, рецептор хорошо представлены на альвеолярных эндотелиальных клеток, но повсеместно в организме человека, тем самым имея потенциал, чтобыдать системные симптомы 1.
Для диагностики, текущий стандарт в режиме реального времени обратной транскриптазы-полимеразы цепной реакции (rt-PCR), тест, выполненный на фарингеальных тампонов. Хотя радиологическая визуализация официально не признана в диагностическом пути для выявления заболевания, компьютерная томография высокого разрешения (HRCT) оказалась ценным под угрозой клинического и эпидемиологического лечения пострадавших пациентов, из-за относительно низкой чувствительности рт-ПЦР, нынешней нехватки специализированных лабораторий и необходимых реагентов, а также высокой зависимости оператора.
Радиологическое общество Северной Америки (RSNA) выпустило консенсусное заявление, одобренное обществом торакальной радиологии и Американского колледжа радиологии (ACR), которое классифицирует появление КТ COVID19 на четыре категории, чтобы стандартизировать отчетность, разделив интерстициальные модели пневмонии на “типичные”, “нетипичные”, “неопределенные” и “отрицательные”2.
«Типичный» узор характеризуется наличием круглых форм наземного стекла Opacities (GGO), как правило, с субплевральным расположением на спинных базальных сегментах. GGO может быть связано с “Crazy Paving” области утолщенной септы, или другие признаки организации пневмонии. “Неопределенным” шаблоном характеризуется отсутствие “типичных” находок шаблона, с диффузными областями GGO с перихилярным распределением, с или без консолидированных областей. «Атипичная» картина характеризуется либо отсутствием «типичных» или «неопределенных» знаков, либо наличием консолидаций лобаров, «дерева в зародыше», плавным утолщением септы и плевральным выпотом; в этой презентации GGO не обнаруживается. “Негативная” картина характеризуется отсутствием вышеупомянутых патологических результатов.
Согласно литературе, некоторые пациенты могут представить с высоким клиническим подозреваемым COVID-19 поддерживается эпидемиологических критериев и изображений нахождения с отрицательным rt-PCR3,4. С другой стороны, было сообщено, что пациенты с положительным рт-ПЦР и наводящий клинические выводы, не представляют патологических выводов на HRCT5.
В настоящее время научному сообществу представляется первостепенный интерес применение методов анализа изображений при количественном изучении характеристик этого заболевания. Недавнее исследование применяется автоматизированная техника сегментации легких parenchyma для выявления процент газированных легких у пациентов, пострадавших от COVID-19, коррелирует это значение с прогнозом, и показывает, что пациенты с более тяжелой участия легких представил больше риска быть допущены в отделение интенсивной терапии (ICU), и имеющиехудшие результаты 6.
Сегментация — это контурирование областей интересов (ROIs) внутри тома, приобретенного с помощью метода визуализации, такого как HRCT. Эта деятельность может быть выполнена, хотя три метода: ручной, полуавтоматический и автоматический. Ручная сегментация, благодаря опыту обученного радиолога, состоит из маркировки вокселей, принадлежащих к патологической области. Основными недостатками этого метода являются большое количество требуемого времени и тот факт, что он зависит от оператора.
Полуавтоматические методы позволяют ускорить сегментацию, так как оператор может модифицировать маску сегментации, полученную с помощью классических методов обработки изображений (например, порог интенсивности пикселей, кластеризации и т.д.). Тем не менее, эти методы не легко реализовать в клинической практике, поскольку они требуют обширного ручного вмешательства в самых сложныхслучаях 18.
Методы автоматической сегментации, которые в настоящее время используются в ограниченном объеме, используют искусственный интеллект для получения ИИ. В частности, недавнее исследование направлено на использование автоматической сегментации в количественной оценке области молотого стекла у пациентов, страдающих от COVID-19 интерстициальной пневмонии19. Определение протокола сегментации для патологических областей на изображениях HRCT является реальным первым шагом на пути к последующему анализу радиомики, с тем чтобы определить особенности, которые могли бы помочь в дальнейшем понять физиопатологии болезни, и служить в качестве точного прогностического фактора, потенциально влияющих на лечение.
Данный документ предлагает руководство для получения точных и эффективных сегментов, представляющих патологические выводы COVID-19 пневмонии с использованием “3D Slicer”7,8,9,10.
Protocol
Representative Results
Discussion
Сегментация представляет собой фундаментальный шаг для проведения современных количественных радиологических исследований и необходима для применения методов радиомики или анализа текстур. Патологические находки в легких представляют собой один из самых сложных для сегмента, из-з?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Эта работа была поддержана финансированием кафедры радиологии Болонского университета.
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).
