Ein digitales 3D-Modell für die Diagnose und Behandlung von Lungenknoten

Zusammenfassung

Ziel dieser Studie ist es, ein neuartiges digitales 3D-Modell von Lungenknoten zu entwickeln, das als Kommunikationsbrücke zwischen Ärzten und Patienten dient und auch ein hochmodernes Werkzeug für die Vordiagnose und prognostische Bewertung darstellt.

Zusammenfassung

Die dreidimensionale (3D) Rekonstruktion von Lungenknoten anhand medizinischer Bilder hat neue technische Ansätze für die Diagnose und Behandlung von Lungenknoten eingeführt, die zunehmend von Ärzten und Patienten anerkannt und übernommen werden. Nichtsdestotrotz ist die Konstruktion eines relativ universellen digitalen 3D-Modells von Lungenknoten für Diagnose und Behandlung aufgrund von Geräteunterschieden, Aufnahmezeiten und Knotentypen eine Herausforderung. Das Ziel dieser Studie ist es, ein neues digitales 3D-Modell von Lungenknoten vorzuschlagen, das als Brücke zwischen Ärzten und Patienten dient und auch ein hochmodernes Werkzeug für die Vordiagnose und prognostische Bewertung darstellt. Viele KI-gesteuerte Methoden zur Erkennung und Erkennung von Lungenknoten verwenden Deep-Learning-Techniken, um die radiologischen Merkmale von Lungenknoten zu erfassen, und diese Methoden können eine gute Leistung im Bereich unter der Kurve (AUC) erzielen. Falsch positive und falsch negative Ergebnisse bleiben jedoch eine Herausforderung für Radiologen und Kliniker. Die Interpretation und Ausprägung von Merkmalen aus Sicht der Pulmonalknotenklassifikation und -untersuchung ist nach wie vor unbefriedigend. In dieser Arbeit wird eine Methode zur kontinuierlichen 3D-Rekonstruktion der gesamten Lunge in horizontaler und koronaler Position durch die Kombination bestehender medizinischer Bildverarbeitungstechnologien vorgeschlagen. Im Vergleich zu anderen anwendbaren Methoden ermöglicht diese Methode den Anwendern, Lungenknoten schnell zu lokalisieren und ihre grundlegenden Eigenschaften zu identifizieren, während sie gleichzeitig Lungenknoten aus mehreren Perspektiven betrachten, wodurch ein effektiveres klinisches Werkzeug für die Diagnose und Behandlung von Lungenknoten bereitgestellt wird.

Einleitung

Die weltweite Inzidenz von Lungenknoten ist unterschiedlich, aber es wird allgemein geschätzt, dass bei etwa 30 % der Erwachsenen mindestens ein Lungenknoten auf Röntgenbildern des Brustkorbs sichtbar ist¹. Die Inzidenz von Lungenknoten ist in bestimmten Bevölkerungsgruppen höher, z. B. bei starken Rauchern und Personen mit einer Vorgeschichte von Lungenkrebs oder anderen Lungenerkrankungen. Es ist wichtig zu beachten, dass nicht alle Lungenknoten bösartig sind, aber eine gründliche Abklärung ist notwendig, um eine Malignität auszuschließen². Die Früherkennung und Diagnose von Lungenkrebs ist entscheidend für die Verbess....

Protokoll

HINWEIS: Während der Datenvorverarbeitung müssen die ursprünglichen DICOM-Daten sortiert und abgefangen werden, um die Kompatibilität mit verschiedenen Geräten und konsistente Ergebnisse zu gewährleisten. Für die Intensitätsverarbeitung muss eine ausreichende einstellbare Kapazität reserviert werden, und eine kontinuierliche 3D-Perspektive ist für die Beobachtung unerlässlich. In diesem Protokoll wird der Forschungsansatz methodisch beschrieben, wobei ein Fall einer 84-jährigen Patientin mit Lungenknoten beschrieben wird. Diese Patientin erteilte eine informierte Einwilligung für ihre Diagnose mittels digitaler Modellierung und genehmigte die Verwendung ihrer....

Diskussion

Verschiedene LDCT-Geräte unterscheiden sich erheblich in den DICOM-Bildsequenzen, die sie ausgeben, insbesondere in Bezug auf die Dateisystemverwaltung. Um das digitale 3D-Schlüsselmodell eines Lungenknotens in den späteren Phasen des Protokolls zu rekonstruieren, ist daher der Schritt der Datenvorverarbeitung besonders wichtig. In der Datenaufbereitungs- und Vorverarbeitungsphase (Schritt 1.2.2) kann die Koordinate der z-Achse der Sequenz anhand der in Abbildung 1 gezeigten Sequenz korre.......

Materialien

Name	Company	Catalog Number	Comments
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