초기 다발성 폐결절이 있는 전체 폐에 대한 3차원 재건
Summary
이 연구는 초기 다발성 폐결절 환자의 폐 전체에 대한 3차원(3D) 재구성 방법을 소개합니다. 결절 분포 및 폐 조직과의 상호 작용에 대한 포괄적인 시각화를 제공하여 이러한 환자의 진단 및 예후 평가를 단순화합니다.
Abstract
초기 다발성 폐결절 환자의 경우 진단적 관점에서 폐 전체에 걸쳐 이러한 결절의 공간적 분포, 크기, 위치 및 주변 폐 조직과의 관계를 결정하는 것이 필수적입니다. 이는 원발성 병변을 식별하고 의사를 위해 보다 과학적으로 근거가 있는 치료 계획을 개발하는 데 매우 중요합니다. 그러나 머신 비전을 기반으로 하는 패턴 인식 방법은 위양성 및 위음성에 취약하므로 이와 관련하여 임상적 요구를 완전히 충족할 수 없습니다. MIP(Maximum Intensity Projection)를 기반으로 하는 시각화 방법은 국소 및 개별 폐 결절을 더 잘 설명할 수 있지만 여러 폐 결절의 분포 및 공간적 특징에 대한 거시적이고 전체적인 설명이 부족합니다.
따라서 본 연구는 폐 전체 3D 재구성 방법을 제안한다. 폐 전체를 배경으로 의료 영상 처리 기술을 이용하여 폐의 3D 윤곽을 추출하고, 폐, 폐동맥, 다발성 폐결절을 3D 공간에서 3D 재구성합니다. 이 방법은 폐 전체에 걸쳐 여러 결절의 공간적 분포와 방사선학적 특징을 종합적으로 묘사할 수 있어 다발성 폐결절의 진단 및 예후를 평가하는 간단하고 편리한 수단을 제공합니다.
Introduction
폐에 작고 둥글게 자라는 초기 다발성 폐결절은 양성 또는 악성일 수 있다 1,2,3. 단독 폐결절은 진단과 치료가 더 쉽지만, 초기 다발성 폐결절 환자는 진단과 치료에 상당한 어려움이 있습니다. 효과적인 치료 계획을 세우기 위해서는 폐 전체에 걸쳐 이러한 결절의 공간적 분포, 크기, 위치 및 주변 폐 조직과의 관계를 정확하게 식별하는 것이 필수적이다 4,5. 기존의 진단 방법은 초기 다발성 폐결절을 정확하게 식별하는 데 한계가 있습니다.
최근 의료 영상 처리 기술과 머신 러닝 알고리즘의 발전은 조기 폐 결절 발견 및 진단의 정확성과 효율성을 향상시킬 수 있는 잠재력을 가지고 있습니다. 머신 비전을 기반으로 하는 패턴 인식 방법 및 MIP(Maximum Intensity Projection)6,7,8,9,10을 기반으로 하는 시각화 방법과 같은 다양한 접근 방식이 제안되었습니다. 그러나 이러한 방법은 위양성, 위음성11,12,13,14,15 및 초기 다발성 폐결절의 분포 및 공간적 특징에 대한 거시적이고 전체적인 설명의 부족과 같은 한계가 있습니다.
이러한 한계를 해결하기 위해 본 연구는 의료 영상 처리 기술을 활용하여 전체 흉부 스캔을 배경으로 폐의 3D 윤곽을 추출하는 전체 폐 3D 재구성 방법을 제안합니다. 그런 다음 이 방법은 3D 공간에서 폐, 폐동맥 및 초기 다발성 폐 결절의 3D 재구성을 수행합니다. 이 접근법을 사용하면 폐 전체에 걸쳐 초기 다발성 결절의 공간적 분포와 방사선학적 특징을 보다 포괄적이고 정확하게 표현할 수 있습니다.
제안된 방법에는 몇 가지 주요 단계가 포함됩니다. 먼저 의료 이미지를 3D 이미지 처리 소프트웨어로 가져오고 임계값 기반 분할 기술을 사용하여 폐 영역을 추출합니다. 그 후, 적출된 폐 부위는 주변 흉벽 및 흉추의 뼈 구조와 분리됩니다. 그런 다음 MIP(Maximum Intensity Projection) 알고리즘을 사용하여 초기 다발성 폐 결절과 주변 혈관과의 관계를 3D 공간에서 재구성합니다. 마지막으로 추가 분석을 위해 폐, 폐동맥 및 결절의 재구성된 3D 모델이 표시됩니다.
이 방법은 기존 방법에 비해 몇 가지 장점이 있습니다. 2D 이미지에 의존하는 기존 방법과 달리 이 방법은 3D 부피를 활용하여 초기 다발성 폐 결절을 보다 정확하고 포괄적으로 표현합니다. 이 방법은 또한 패턴 인식 방법 및 MIP 시각화 방법과 관련된 거짓 양성 및 거짓 음성의 한계를 극복합니다. 또한, 이 방법은 효과적인 치료 계획을 개발하는 데 필수적인 초기 다발성 폐결절의 분포 및 공간적 특징에 대한 거시적이고 전체적인 설명을 제공합니다.
제안된 방법은 초기 다발성 폐결절의 진단 및 치료에 몇 가지 잠재적인 응용 분야가 있습니다. 초기 다발성 결절의 공간적 분포와 방사선학적 특징을 정확하게 식별하면 폐암의 조기 진단과 치료에 도움이 될 수 있습니다. 또한 이 방법은 질병의 진행을 모니터링하고 치료 계획의 효과를 평가하는 데 사용할 수 있습니다.
머신 비전을 기반으로 하는 패턴 인식 방법 6,7,8은 폐 결절을 식별하는 데 가능성을 보였지만 위양성 및 위음성과 같은 한계가 있습니다. 반면에 MIP 시각화 방법은 개별 결절을 보다 정확하게 표현할 수 있지만 초기 다발성 결절의 분포 및 공간적 특징에 대한 거시적이고 전체적인 설명이 부족합니다. 제안된 전체 폐 3D 재건 방법은 이러한 한계를 극복하고 초기 다발성 폐 결절에 대한 보다 정확하고 포괄적인 표현을 제공합니다.
이소복셀 변환(Isovoxel transformation)16,17은 서로 다른 복셀 크기를 갖는 3D 이미지를 균일한 복셀 크기를 갖는 3D 이미지로 변환하는 과정을 말한다. 의료 영상 처리 분야에서 3D 볼륨은 종종 다양한 크기의 복셀로 구성되며, 이로 인해 계산 및 시각화 문제가 발생할 수 있습니다. isovoxel 변환의 목적은 원래 3D 볼륨에서 복셀을 리샘플링하고 보간하여 이러한 문제를 해결하여 일관된 복셀 크기를 가진 새로운 3D 이미지를 만드는 것입니다. 이 기술은 이미지 정합, 분할 및 시각화를 포함한 다양한 의료 컨텍스트에서 응용 프로그램을 찾습니다. 따라서 본 연구는 의료 영상 처리 기술을 활용하여 전체 흉부 스캔을 배경으로 폐의 3D 윤곽을 추출하는 전체 폐 3D 재구성 방법을 제안했습니다. 이 방법은 전체 폐에 걸친 초기 다발성 결절의 공간적 분포 및 방사선학적 특징에 대한 보다 정확하고 포괄적인 표현을 제공합니다. 이 연구는 초기 다발성 폐결절 환자를 위한 보다 정확하고 효과적인 진단 및 치료 전략 개발에 기여합니다.
Protocol
Representative Results
Discussion
이 연구는 전체 흉부 스캔의 맥락에서 폐의 3D 모양을 묘사하기 위해 고급 의료 이미지 처리 기술을 사용하여 전체 폐의 완전한 3차원(3D) 재구성을 만드는 고유한 접근 방식을 소개합니다. 이 기술은 폐 전체에 걸친 초기 다발성 결절의 공간적 배열과 방사선학적 특성을 보다 정확하고 철저하게 묘사합니다. 이 연구는 초기 다발성 폐결절 환자를 위한 진단 및 치료 전략의 정확성과 효능을 높이는 ?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
이 간행물은 중국 국립한의학총국이 주관하는 제5회 전국 한의학 임상우수인재 연구 프로그램의 지원을 받았다. 공식 네트워크 링크는 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. Radiology. 284 (1), 228-243 (2017).
- Yankelevitz, D. F., Yip, R., Henschke, C. I. Impact of duration of diagnostic workup on prognosis for early lung cancer. Journal of Thoracic Oncology. 18 (4), 527-537 (2023).
- Zhao, W., et al. PUNDIT: Pulmonary nodule detection with image category transformation. Medical Physics. 50, 2914-2927 (2023).
- 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).
- Gruden, J. F., et al. 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., et al. 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., et al. 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).
- 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., et al. 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., et al. 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).
- 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).
- Yabuuchi, H., et al. Clinical application of radiation dose reduction for head and neck CT. European Journal of Radiology. 107, 209-215 (2018).
- Rana, B., et al. Regions-of-interest based automated diagnosis of Parkinson’s disease using T1-weighted MRI. Expert Systems with Applications. 42 (9), 4506-4516 (2015).
