Segmentación por TC pulmonar para identificar consolidaciones y áreas de vidrio molido para la evaluación cuantitativa de la neumonía por SARS-CoV
Summary
El objetivo de este protocolo es proporcionar una manera eficiente de tiempo para segmentar volúmenes de interés en tomografías computarizadas de alta resolución para utilizarlos en análisis de radioémicas adicionales.
Abstract
La segmentación es una tarea compleja, a la que se enfrentan los radiólogos e investigadores a medida que la radiomómica y el aprendizaje automático crecen en potencialidad. El proceso puede ser automático, semiautomático o manual, el primero a menudo no es lo suficientemente preciso o fácil de reproducir, y el último consume demasiado tiempo cuando se trata de distritos grandes con adquisiciones de alta resolución.
Una TC de alta resolución del pecho se compone de cientos de imágenes, y esto hace que el enfoque manual sea excesivamente lento. Además, las alteraciones parénquimales requieren que una evaluación experta se discerna de la apariencia normal; por lo tanto, un enfoque semiautomático para el proceso de segmentación es, a nuestro leal saber y entender, el más adecuado a la hora de segmentar las neumonías, especialmente cuando sus características aún son desconocidas.
Para los estudios realizados en nuestro instituto sobre imágenes de COVID-19, adoptamos 3D Slicer, un software gratuito producido por la Universidad de Harvard, y combinamos el umbral con los instrumentos de pincel de pintura para lograr una segmentación rápida y precisa de pulmón aireado, opacidades de vidrio molido y consolidaciones. Cuando se enfrenta a casos complejos, este método todavía requiere una cantidad considerable de tiempo para ajustes manuales adecuados, pero proporciona un medio extremadamente eficiente para definir segmentos para utilizar para análisis adicionales, como el cálculo del porcentaje del parénquima pulmonar afectado o el análisis de textura de las áreas de vidrio de suelo.
Introduction
En el año en curso, el mundo se enfrenta a una emergencia sanitaria, la pandemia causada por el novel Coronavirus, Sars-CoV2. Aunque, hasta la fecha, muchos aspectos relativos a la fisiopatología de la infección COVID-19 aún no estén claros, comparte varias características con sus “antepasados” SARS1 y MERS. En particular, se ha demostrado que las proteínas de pico de virión interactúan con la enzima convertidora de angiotensina tipo 2, un receptor bien representado en las células endoteliales alveolares, pero ubicua en el organismo humano, teniendo así la potencialidad para dar síntomas sistémicos1.
Para el diagnóstico, el estándar actual es la reacción en cadena de transcriptasa-polimerasa inversa en tiempo real (rt-PCR), una prueba realizada con hisopos faríngeos. Aunque las imágenes radiológicas no se reconocen oficialmente en la vía diagnóstica para la detección de la enfermedad, la tomografía computarizada de alta resolución (HRCT) demostró ser una ayuda valiosa para el manejo clínico y epidemiológico de los pacientes afectados, debido a la sensibilidad relativamente baja del rt-PCR, la escasez actual de laboratorios especializados y de los reactivos necesarios, y la alta dependencia del operador.
La Sociedad Radiológica de América del Norte (RSNA) publicó una declaración de consenso, respaldada por la sociedad de Radiología Torácica y el Colegio Americano de Radiología (ACR), que clasifica la apariencia de CT de COVID19 en cuatro categorías con el fin de estandarizar los informes, dividiendo los patrones de neumonía intersticial en “típico”, “atípico”, “indeterminado” y “negativo”2.
El patrón “típico” se caracteriza por la presencia de opacidades de vidrio molido (GGO) de forma redonda, generalmente con una ubicación sub pleural en los segmentos basales dorsales. La GGO se puede asociar con áreas de “Pavimentación loca” de septa espesada u otros signos de organización de la neumonía. El patrón “indeterminado” se caracteriza por la ausencia de los hallazgos de patrones “típicos”, con áreas difusas de GGO con una distribución perihilar, con o sin áreas de consolidación. El patrón “atípico” se caracteriza por la ausencia de los signos “típicos” o “indeterminados”, y la presencia de consolidaciones lobar, “árbol en brote”, engrosamiento suave del septa y derrame pleural; en esta presentación no se pueden detectar GGO. El patrón “negativo” se caracteriza por la ausencia de los hallazgos patológicos antes mencionados.
Según la literatura, algunos pacientes pueden presentar un alto sospechoso clínico de COVID-19 respaldado por criterios epidemiológicos y hallazgo de imágenes con rt-PCR negativo3,4. Por otro lado, se ha informado que los pacientes con un rt-PCR positivo y hallazgos clínicos sugerentes, no presentan hallazgos patológicos en HRCT5.
Hoy en día, es de gran interés para la comunidad científica aplicar técnicas de análisis de imágenes al estudiar cuantitativamente las características de esta enfermedad. Un estudio reciente ha aplicado la técnica de segmentación automatizada del parénquima pulmonar para identificar el porcentaje de pulmón aireado en pacientes afectados por COVID-19, correlacionando este valor con el pronóstico, y demostrando que los pacientes con una afectación pulmonar más grave presentaban más riesgo de ser admitidos en la Unidad de Cuidados Intensivos (UCI), y tener peores resultados6.
La segmentación es el contorno de las regiones de interés (ROI) dentro de un volumen adquirido a través de una técnica de imagen, como HRCT. Esta actividad puede llevarse a cabo a través de tres métodos: manual, semiautomático y automático. La segmentación manual, gracias a la experiencia de un radiólogo capacitado, consiste en el etiquetado de los voxeles pertenecientes al área patológica. Las principales desventajas de este método son la gran cantidad de tiempo requerido y el hecho de que depende del operador.
Los métodos semiautomáticos permiten acelerar la segmentación, ya que el operador puede modificar una máscara de segmentación obtenida a través de los métodos clásicos de procesamiento de imágenes (por ejemplo, umbral en la intensidad de píxeles, agrupación en clústeres, etc.). Sin embargo, estas técnicas no son fáciles de implementar en la práctica clínica, ya que requieren una intervención manual extensa en los casos más complicados18.
Los métodos de segmentación automática, actualmente de uso limitado, emplean inteligencia artificial para obtener ROI. En particular, un estudio reciente tiene como objetivo utilizar la segmentación automática en la cuantificación de las zonas de vidrio molido en pacientes que sufren de neumonía intersticial COVID-1919. La definición de un protocolo de segmentación para las áreas patológicas en las imágenes HRCT es el primer paso real hacia el posterior análisis radioémico, con el fin de identificar características que podrían ayudar a comprender mejor la fisiopatología de la enfermedad, y servir como un factor de pronóstico preciso que podría influir potencialmente en el tratamiento.
Este documento ofrece una guía para obtener segmentos precisos y eficientes que representan los hallazgos patológicos de la neumonía COVID-19 utilizando “3D Slicer”7,8,9,10.
Protocol
Representative Results
Discussion
La segmentación representa un paso fundamental para realizar estudios modernos de radiología cuantitativa, y es necesario aplicar técnicas de radiomómica o análisis de textura. Los hallazgos patológicos en los pulmones representan uno de los más difíciles de segmentar, ya que la falta de fronteras anatómicas definidas y una pequeña diferencia en el valor de la atenuación en comparación con las áreas sanas.
Las imágenes de origen deben presentar un mínimo de artefactos si es posi…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Este trabajo fue apoyado por la financiación del Departamento de Radiología de la Universidad de Bolonia.
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).
