Een 3D digitaal model voor de diagnose en behandeling van longknobbels
Summary
Het doel van deze studie is om een nieuw 3D digitaal model van longknobbels te ontwikkelen dat dient als een communicatiebrug tussen artsen en patiënten en ook een geavanceerd hulpmiddel is voor pre-diagnose en prognostische evaluatie.
Abstract
De driedimensionale (3D) reconstructie van longknobbels met behulp van medische beelden heeft nieuwe technische benaderingen geïntroduceerd voor het diagnosticeren en behandelen van longknobbeltjes, en deze benaderingen worden geleidelijk erkend en overgenomen door artsen en patiënten. Niettemin is het construeren van een relatief universeel 3D digitaal model van longknobbels voor diagnose en behandeling een uitdaging vanwege apparaatverschillen, opnametijden en knobbeltypen. Het doel van deze studie is om een nieuw 3D digitaal model van longknobbels voor te stellen dat dient als een brug tussen artsen en patiënten en ook een geavanceerd hulpmiddel is voor pre-diagnose en prognostische evaluatie. Veel AI-gestuurde longknobbeldetectie- en herkenningsmethoden maken gebruik van deep learning-technieken om de radiologische kenmerken van longknobbels vast te leggen, en deze methoden kunnen een goede area under-the-curve (AUC) -prestatie bereiken. Vals-positieven en vals-negatieven blijven echter een uitdaging voor radiologen en clinici. De interpretatie en expressie van kenmerken vanuit het perspectief van longknobbelclassificatie en -onderzoek zijn nog steeds onbevredigend. In deze studie wordt een methode voorgesteld voor continue 3D-reconstructie van de hele long in horizontale en coronale posities door bestaande medische beeldverwerkingstechnologieën te combineren. In vergelijking met andere toepasbare methoden stelt deze methode gebruikers in staat om snel pulmonale knobbeltjes te lokaliseren en hun fundamentele eigenschappen te identificeren, terwijl ze ook longknobbels vanuit meerdere perspectieven observeren, waardoor ze een effectiever klinisch hulpmiddel bieden voor het diagnosticeren en behandelen van longknobbels.
Introduction
De globale incidentie van longknobbels is variabel, maar over het algemeen wordt geschat dat ongeveer 30% van de volwassenen ten minste één longknobbel heeft die zichtbaar is op thoraxfoto’s1. De incidentie van longknobbels is hoger in specifieke populaties, zoals zware rokers en mensen met een voorgeschiedenis van longkanker of andere longziekten. Het is belangrijk op te merken dat niet alle longknobbels kwaadaardig zijn, maar een grondige evaluatie is noodzakelijk om maligniteit2 uit te sluiten. De vroege detectie en diagnose van longkanker zijn cruciaal voor het verbeteren van de overlevingskansen, en regelmatige screening met lage dosis computertomografie (LDCT) wordt aanbevolen voor personen met een hoog risico. Veel AI-gestuurde longknobbeldetectie- en herkenningsmethoden 3,4,5,6,7 maken gebruik van deep learning-technieken om de radiologische kenmerken van longknobbels vast te leggen, en deze methoden kunnen goede area under the curve (AUC) -prestaties bereiken. Vals-positieven en vals-negatieven blijven echter een uitdaging voor radiologen en clinici. De interpretatie en expressie van kenmerken vanuit het perspectief van longknobbelclassificatie en -onderzoek zijn nog steeds onbevredigend. Tegelijkertijd heeft de 3D-reconstructie van longknobbels op basis van LDCT steeds meer aandacht gekregen als digitaal model voor verschillende soorten knobbeltjes.
De 3D-reconstructie van longknobbels is een proces dat een 3D-weergave genereert van een kleine groei of knobbel in de long. Dit proces omvat meestal de toepassing van medische beeldanalysetechnieken die gebruikmaken van zowel medische expertise als data-intelligentiebenaderingen. Het resulterende digitale 3D-model biedt een meer gedetailleerde en nauwkeurige weergave van de knobbel, waardoor de grootte, vorm en ruimtelijke relatie met de omliggende longweefsels 8,9,10,11,12 beter kunnen worden gevisualiseerd en geanalyseerd. Dergelijke informatie kan helpen bij de diagnose en monitoring van longknobbels, met name die waarvan wordt vermoed dat ze kankerachtig zijn. Door een nauwkeurigere analyse mogelijk te maken, heeft de 3D-reconstructie van longknobbels het potentieel om de nauwkeurigheid van de diagnose te verbeteren en behandelingsbeslissingen te informeren.
Maximale intensiteitsprojectie (MIP) is een populaire techniek op het gebied van 3D-reconstructie van longknobbels en wordt gebruikt om een 2D-projectie van een 3D-beeld te maken 8,9,10,11,12 Het is vooral nuttig bij de visualisatie van volumetrische gegevens die zijn geëxtraheerd uit digitale beeldvorming en communicatie in de geneeskunde (DICOM) -bestanden die door CT zijn gescand. De MIP-techniek werkt door de voxels (de kleinste eenheden van 3D-volumegegevens) met de hoogste intensiteit langs de kijkrichting te selecteren en op een 2D-vlak te projecteren. Dit resulteert in een 2D-beeld dat de structuren met de hoogste intensiteit benadrukt en die met een lagere intensiteit onderdrukt, waardoor het gemakkelijker wordt om relevante kenmerkente identificeren en te analyseren 9,10,11,12. MIP is echter niet zonder beperkingen. Het projectieproces kan bijvoorbeeld leiden tot verlies van informatie en het resulterende 2D-beeld geeft mogelijk niet nauwkeurig de 3D-structuur van het onderliggende object weer. Niettemin blijft MIP een waardevol hulpmiddel voor medische beeldvorming en visualisatie, en het gebruik ervan blijft evolueren met de vooruitgang in technologie en rekenkracht11.
In deze studie wordt een opeenvolgend MIP-model ontwikkeld om longknobbels te visualiseren dat gemakkelijk te gebruiken is, gebruiksvriendelijk voor radiologen, artsen en patiënten, en de identificatie en schatting van de eigenschappen van longknobbels mogelijk maakt. De belangrijkste voordelen van deze verwerkingsaanpak omvatten de volgende aspecten: (1) het elimineren van valse positieven en valse negatieven die voortvloeien uit patroonherkenning, waardoor een focus op het helpen van artsen mogelijk is om meer uitgebreide informatie te verkrijgen over de locatie, vorm en 3D-grootte van longknobbels, evenals hun relatie tot de omliggende vasculatuur; (2) gespecialiseerde artsen in staat te stellen professionele kennis van de kenmerken van longknobbels te verwerven, zelfs zonder de hulp van radiologen; en (3) het verbeteren van zowel de communicatie-efficiëntie tussen artsen en patiënten als de prognose-evaluatie.
Protocol
Representative Results
Discussion
Verschillende LDCT-apparaten hebben aanzienlijke verschillen in de DICOM-afbeeldingsreeksen die ze uitvoeren, vooral in termen van het beheer van het bestandssysteem. Om het belangrijkste 3D-digitale model van een longknobbel in de latere stadia van het protocol te reconstrueren, is daarom de stap voor het voorbewerken van gegevens bijzonder belangrijk. In de fase van gegevensvoorbereiding en voorbewerking (stap 1.2.2) kan de z-ascoördinaat van de reeks correct worden gesorteerd met behulp van de volgorde in <strong cla…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Deze publicatie werd ondersteund door het Fifth National Traditional Chinese Medicine Clinical Excellent Talents Research Program, georganiseerd door de National Administration of Traditional Chinese Medicine (http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html).
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).
