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 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 Velg Last inn DICO…

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 …

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…

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