用于肺结节诊断和治疗的三维数字模型
Summary
本研究的目的是开发一种新的肺结节3D数字模型，作为医生和患者之间的沟通桥梁，也是诊断前和预后评估的尖端工具。
Abstract
利用医学图像对肺结节进行三维（3D）重建，为诊断和治疗肺结节引入了新的技术方法，这些方法正逐渐被医生和患者所认可和采用。尽管如此，由于设备差异、拍摄时间和结节类型，构建相对通用的肺结节 3D 数字模型以进行诊断和治疗具有挑战性。本研究的目的是提出一种新的肺结节3D数字模型，作为医生和患者之间的桥梁，也是预诊断和预后评估的前沿工具。许多人工智能驱动的肺结节检测和识别方法采用深度学习技术来捕获肺结节的放射学特征，这些方法可以实现良好的曲线下面积（AUC）性能。然而，假阳性和假阴性仍然是放射科医生和临床医生面临的挑战。从肺结节分类和检查的角度对特征的解释和表达仍然不尽如人意。本研究结合已有的医学图像处理技术，提出了一种水平位和冠状位全肺连续三维重建的方法。与其他适用方法相比，该方法使用户能够快速定位肺结节并识别其基本特性，同时还可以从多个角度观察肺结节，从而为诊断和治疗肺结节提供更有效的临床工具。
Introduction
肺结节的全球发病率各不相同，但一般估计约 30% 的成人胸片上至少可见一个肺结节1。肺结节的发病率在特定人群中较高，例如重度吸烟者和有肺癌或其他肺部疾病病史的人。需要注意的是，并非所有肺结节都是恶性的，但有必要进行全面评估以排除恶性肿瘤2。肺癌的早期发现和诊断对于提高生存率至关重要，建议对高危人群进行定期低剂量计算机断层扫描 （LDCT） 筛查。许多人工智能驱动的肺结节检测和识别方法3,4,5,6,7采用深度学习技术来捕获肺结节的放射学特征，这些方法可以实现良好的曲线下面积（AUC）性能。然而，假阳性和假阴性仍然是放射科医生和临床医生面临的挑战。从肺结节分类和检查的角度对特征的解释和表达仍然不尽如人意。同时，基于LDCT的肺结节三维重建作为各类结节的数字模型越来越受到关注。
肺结节的 3D 重建是一个生成肺部小生长或肿块的 3D 表示的过程。此过程通常涉及利用医学专业知识和数据智能方法的医学图像分析技术的应用。由此产生的3D数字模型提供了对结节的更详细和准确的描述，从而能够改进其大小，形状以及与周围肺组织的空间关系的可视化和分析8,9,10,11,12。这些信息有助于诊断和监测肺结节，特别是那些疑似癌性的肺结节。通过促进更精确的分析，肺结节的3D重建有可能提高诊断的准确性并为治疗决策提供信息。
最大强度投影（MIP）是肺结节3D重建领域的一种流行技术，用于创建3D图像的2D投影8,9,10,11,12 它在可视化从CT扫描的数字成像和医学通信（DICOM）文件中提取的体积数据时特别有用。MIP 技术的工作原理是沿查看方向选择强度最高的体素（3D 体积数据的最小单位）并将其投影到 2D 平面上。这导致2D图像强调强度最高的结构并抑制强度较低的结构，这使得识别和分析相关特征变得更加容易9,10,11,12。但是，MIP并非没有限制。例如，投影过程可能导致信息丢失，并且生成的2D图像可能无法准确表示底层对象的3D结构。尽管如此，MIP仍然是医学成像和可视化的宝贵工具，并且随着技术和计算能力的进步，其使用也在不断发展11。
在这项研究中，开发了一个连续的MIP模型来可视化肺结节，该模型易于使用，对放射科医生，医生和患者友好，并允许识别和估计肺结节的特性。这种处理方法的主要优点包括以下方面：（1）消除模式识别引起的假阳性和假阴性，这使得专注于帮助医生获得有关肺结节的位置，形状和3D大小以及它们与周围脉管系统的关系的更全面的信息;（2）即使没有放射科医生的协助，使专科医生也能获得肺结节特征的专业知识;（3）提高医患沟通效率和预后评估。
Protocol
Representative Results
Discussion
不同的 LDCT 设备在输出的 DICOM 映像序列方面存在显著差异，尤其是在文件系统管理方面。因此，要在方案后期重建肺结节的关键三维数字模型，数据预处理步骤尤为重要。在数据准备和预处理阶段（步骤1.2.2），可以使用 图1所示的序列对序列z轴坐标进行正确排序，也可用于正确排列建模所需的正确图像顺序，并为后续建模工作生成正确的3D体积。水平轴和冠轴的3D重建（步…
Disclosures
The authors have nothing to disclose.
Acknowledgements
本刊得到了国家中医药管理局（http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html）组织的第五届全国中医药临床优秀人才研究计划的支持。
Materials
| MATLAB | MathWorks | 2022B | Computing and visualization |
| Tools for Modeling | Intelligent Entropy |
PulmonaryNodule V1.0 | Beijing Intelligent Entropy Science & Technology Co Ltd. Modeling for CT/MRI fusion |
References
- Mazzone, P. J., Lam, L. Evaluating the patient with a pulmonary nodule: A review. JAMA. 327 (3), 264-273 (2022).
- MacMahon, H., et al. Guidelines for management of incidental pulmonary nodules detected on CT images: From the Fleischner Society 2017. Radiology. 284 (1), 228-243 (2017).
- Ather, S., Kadir, T., Gleeson, F. Artificial intelligence and radiomics in pulmonary nodule management: Current status and future applications. Clinical Radiology. 75 (1), 13-19 (2020).
- Bianconi, F., et al. Comparative evaluation of conventional and deep learning methods for semi-automated segmentation of pulmonary nodules on CT. Quantitative Imaging in Medicine and Surgery. 11 (7), 3286-3305 (2021).
- Christe, A., et al. Computer-aided diagnosis of pulmonary fibrosis using deep learning and CT images. Investigative Radiology. 54 (10), 627-632 (2019).
- Kim, Y., Park, J. Y., Hwang, E. J., Lee, S. M., Park, C. M. Applications of artificial intelligence in the thorax: A narrative review focusing on thoracic radiology. Journal of Thoracic Disease. 13 (12), 6943-6962 (2021).
- Schreuder, A., Scholten, E. T., van Ginneken, B., Jacobs, C. Artificial intelligence for detection and characterization of pulmonary nodules in lung cancer CT screening: Ready for practice. Translational Lung Cancer Research. 10 (5), 2378-2388 (2021).
- Gruden, J. F., Ouanounou, S., Tigges, S., Norris, S. D., Klausner, T. S. Incremental benefit of maximum-intensity-projection images on observer detection of small pulmonary nodules revealed by multidetector CT. American Journal of Roentgenology. 179 (1), 149-157 (2002).
- Guleryuz Kizil, P., Hekimoglu, K., Coskun, M., Akcay, S. Diagnostic importance of maximum intensity projection technique in the identification of small pulmonary nodules with computed tomography. Tuberk Toraks. 68 (1), 35-42 (2020).
- Valencia, R., et al. Value of axial and coronal maximum intensity projection (MIP) images in the detection of pulmonary nodules by multislice spiral CT: Comparison with axial 1-mm and 5-mm slices. European Radiology. 16, 325-332 (2006).
- Jabeen, N., Qureshi, R., Sattar, A., Baloch, M. Diagnostic accuracy of maximum intensity projection in diagnosis of malignant pulmonary nodules. Cureus. 11 (11), e6120 (2019).
- Naeem, M., et al. Comparison of maximum intensity projection and volume rendering in detecting pulmonary nodules on multidetector computed tomography. Cureus. 13 (3), e14025 (2021).
- Armato, S. G., et al. The lung image database consortium (LIDC) and image database resource initiative (IDRI): A completed reference database of lung nodules on CT scans. Medical Physics. 38 (2), 915-931 (2011).
- Xie, Y., et al. Knowledge-based collaborative deep learning for benign-malignant lung nodule classification on chest CT. IEEE Transactions on Medical Imaging. 38 (4), 991-1004 (2018).
- Zheng, S., et al. Automatic pulmonary nodule detection in CT scans using convolutional neural networks based on maximum intensity projection. IEEE Transactions on Medical Imaging. 39 (3), 797-805 (2019).
