Syftet med detta protokoll är att tillhandahålla ett tidseffektivt sätt att segmentera volymer av intresse på högupplösta datortomografier att använda för ytterligare radiomics-analys.
Segmentering är en komplex uppgift, inför radiologer och forskare som radiomics och maskininlärning växa i potentialitet. Processen kan antingen vara automatisk, halvautomatisk eller manuell, den första ofta inte är tillräckligt exakt eller lätt reproducerbara, och den sista är överdrivet tidskrävande när man involverar stora distrikt med högupplösta förvärv.
En högupplöst CT av bröstet är sammansatt av hundratals bilder, och detta gör den manuella metoden överdrivet tidskrävande. Vidare kräver de parenchymala ombyggnaderna en expertutvärdering för att urskiljas från det normala utseendet; således är en halvautomatisk strategi för segmenteringsprocessen, så som vi vet, den mest lämpliga när man segmenterar lunginflammationer, särskilt när deras funktioner fortfarande är okända.
För de studier som utförts i vårt institut om bildbehandling av COVID-19, antog vi 3D Slicer, en freeware programvara som produceras av Harvard University, och kombinerade tröskeln med färgpensel instrument för att uppnå snabb och exakt segmentering av luftade lungan, slipat glas opaciteter, och konsolideringar. När man står inför komplexa fall, kräver denna metod fortfarande en avsevärd tid för korrekt manuella justeringar, men ger ett extremt effektivt medelvärde för att definiera segment att använda för ytterligare analys, såsom beräkning av andelen av den drabbade lungparenkym eller textur analys av marken glasområden.
Under innevarande år står världen inför en hälsokris, den pandemi som orsakas av romanen Coronavirus, Sars-CoV2. Även om, upp till det närvarande datera, många aspekter angående physiopathologyen av COVIDEN-19 infektion är stilla oklart, delar det flera kännetecken med dess “förfäder” SARS1 och MERS. I synnerhet har det bevisats att virion spike proteiner interagerar med Angiotensin Converting Enzyme Type-2, en receptor väl representerade på alveolar endotelceller, men allestädes närvarande i den mänskliga organismen, därmed har potential att ge systemiska symtom1.
För diagnos är den nuvarande standarden realtids omvänd transkriptas-polymeras kedjereaktion (rt-PCR), ett test som utförs på faryngeal svabbprover. Även om radiologisk imaging inte är officiellt erkänd i diagnostiska vägen för upptäckt av sjukdomen, visade sig hög upplösning datortomografi (HRCT) vara ett värdefullt stöd till kliniska och epidemiologiska förvaltningen av drabbade patienter, på grund av den relativt låga känsligheten hos den rt-PCR, den nuvarande bristen på specialiserade laboratorier och av de nödvändiga reagenser, och den höga operator-beroende.
Den radiologiska Society of North America (RSNA) släppt ett samförstånd uttalande, som godkändes av samhället i Thoracic Radiologi och American College of Radiologi (ACR), som klassificerar CT utseende COVID19 i fyra kategorier för att standardisera rapporteringen, dela de varordnad lunginflammation mönster i “typiska”, “atypiska”, “obestämd”, och “negativa”2.
Det “typiska” mönstret kännetecknas av närvaron av rundaformade Ground Glass Opacities (GGO), vanligtvis med en sub-pleural plats på dorsala basala segment. Den GGO kan associeras med “Crazy Paving” områden av förtjockad septa, eller andra tecken på att organisera lunginflammation. Den “obestämda” mönstret kännetecknas av frånvaron av de “typiska” mönster resultaten, med diffusa GGO områden med en perihilar fördelning, med eller utan consolidative områden. Det “atypiska” mönstret kännetecknas av antingen frånvaron av de “typiska” eller “obestämda” tecknen, och närvaron av lobarkonsolidering, “träd i knopp”, slät förtjockning av septa och pleurautgjutning; i denna presentation ingen GGO är detekterbara. Det “negativa” mönstret kännetecknas av frånvaron av de ovan nämnda patologiska fynden.
Enligt litteraturen kan vissa patienter presentera med en hög klinisk misstänkt för COVID-19 stöds av epidemiologiska kriterier och bildframställning konstaterande med negativa rt-PCR3,4. Å andra sidan har det rapporterats att patienter med en positiv rt-PCR och suggestiva kliniska fynd, inte presentera patologiska fynd på HRCT5.
Numera är det av största intresse för forskarsamhället att tillämpa tekniker bildanalys när kvantitativt studera egenskaperna hos denna sjukdom. En nyligen genomförd studie har tillämpat automatiserad segmenteringsteknik av lungparenkymen för att identifiera andelen luftade lungorna hos patienter som drabbats av COVID-19, korrelera detta värde med prognosen, och visar att patienter med en allvarligare lunginblandning innebar större risk att tas upp på intensivvårdsavdelningen (IVA), och har sämreresultat 6.
Segmenteringen är kontureringen av regioner av intresse (ROIs) inuti en volym som förvärvats genom en bildteknik, såsom HRCT. Denna verksamhet får utföras om tre metoder: manuell, halvautomatisk och automatisk. Manuell segmentering, tack vare erfarenheten av en utbildad radiolog, består av märkning av voxels som hör till det patologiska området. De största nackdelarna med denna metod är den stora tid som krävs och det faktum att den är operatörsberoende.
Halvautomatiska metoder gör det möjligt att påskynda segmenteringen eftersom operatören kan ändra en segmenteringsmask som erhålls genom de klassiska metoderna för bildbehandling (t.ex. tröskelvärde på pixelintensitet, klustring osv.). Dessa tekniker är dock inte lätta att genomföra i klinisk praxis eftersom de kräver omfattande manuella ingrepp i de mest komplicerade fallen18.
Automatiska segmenteringsmetoder, som för närvarande är av begränsad användning, använder artificiell intelligens för att erhålla ROIs. I synnerhet syftar en nyligen genomförd studie till att använda automatisk segmentering i kvantifieringen av markglasområden hos patienter som lider av COVID-19 interstitielllunginflammation 19. Definitionen av ett segmenteringsprotokoll för de patologiska områdena på HRCT-bilderna är det verkliga första steget mot den efterföljande radiomics-analysen, för att identifiera funktioner som skulle kunna bidra till att ytterligare förstå sjukdomens fysiopatologi, och fungera som en korrekt prognostisk faktor som potentiellt påverkar behandlingen.
Detta dokument erbjuder en guide för att få korrekta och effektiva segment som representerar de patologiska resultaten av COVID-19 lunginflammation med hjälp av “3D Slicer”7,8,9,10.
Segmentering utgör ett grundläggande steg för att utföra moderna kvantitativa radiologistudier, och är nödvändigt för att tillämpa radiomik eller textur analystekniker. Patologiska fynd i lungorna representerar en av de mest utmanande att segmentera, för bristen på definierade anatomiska gränser och en liten skillnad i dämpningsvärde jämfört med de friska områdena.
Källan bilder måste presentera med ett minimum av artefakter om möjligt, särskilt på de patologiska områden…
The authors have nothing to disclose.
Detta arbete stöddes av finansiering från institutionen för radiologi vid universitetet i Bologna.
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 |