Cette publication a été soutenue par le cinquième programme national de recherche sur les excellents talents cliniques en médecine traditionnelle chinoise organisé par l’Administration nationale de la médecine traditionnelle chinoise (http://www.natcm.gov.cn/renjiaosi/zhengcewenjian/2021-11-04/23082.html).

REMARQUE: Pendant l’étape de prétraitement des données, les données DICOM d’origine doivent être triées et interceptées pour assurer la compatibilité avec divers périphériques et des résultats cohérents. Une capacité réglable adéquate doit être réservée au traitement de l’intensité, et une perspective 3D continue est essentielle pour l’observation. Dans ce protocole, une description méthodique de l’approche de recherche est fournie, détaillant un cas impliquant une patiente de 84 ans présentant des nodules pulmonaires. Cette patiente a donné son consentement éclairé pour son diagnostic via la modélisation numérique et a autorisé l’utilisation de ses données à des fins de recherche scientifique. La fonction de reconstruction du modèle est dérivée de l’outil logiciel PulmonaryNodule (voir le tableau des matériaux pour plus de détails). L’autorisation éthique a été obtenue auprès du Comité d’éthique de l’hôpital Dongzhimen, affilié à l’Université de médecine chinoise de Beijing (DZMEC-KY-2019.90).
1. Collecte et préparation des données
<ol><li>Données LDCT pour la détection des nodules pulmonaires Remarque : Les différences observées dans les valeurs des paramètres ne dépendent pas de la méthode de recherche utilisée.<ol><li>Obtenir le consentement du patient pour l’acquisition de données DICOM. Transférez toutes les données vers le répertoire de travail désigné.</li>
		<li>Identifiez le répertoire de données avec le plus grand nombre de couches d’analyse et l’épaisseur de couche la plus fine pour optimiser la précision en fonction des informations du fichier. En règle générale, plus un patient a de fichiers de numérisation DICOM, plus l’épaisseur de la couche de numérisation est mince.</li>
		<li>En implémentant la fonction Dicominfo et en utilisant les fichiers DICOM comme paramètres de fonction, obtenez les paramètres d’épaisseur de tranche et d’espacement des pixels dans l’environnement MATLAB. Ces paramètres sont essentiels pour régler le taux d’affichage du volume 3D. Pour les exemples de données utilisés dans cette étude, l’épaisseur de la tranche était de 1 mm, l’espacement des pixels était de 0,5 mm et un total de 200 couches ont été numérisées.</li>
	</ol></li>
	<li>Correction du tri des données numérisées Remarque : La séquence de chaque image doit être triée pour la construction du volume.<ol><li>Lisez les données de localisation de chaque image à l’aide de la fonction Dicominfo. Obtenez l’emplacement en entrant des informations. SliceLocation dans l’espace de travail MATLAB.</li>
		<li>Implémentez la fonction SliceLocation pour stocker le tableau d’emplacements d’une variable et créez un tracé de celle-ci (Figure 1).</li>
		<li>À l’aide du bouton Info-bulles en haut à droite de l’interface graphique, ajoutez une info-bulle au tracé sur le point qui représente la valeur d’emplacement maximale de la séquence normale (l’emplacement supérieur de l’imagerie du patient ; Graphique 1).</li>
		<li>Triez toutes les images et extrayez les images en commençant par 1 jusqu’à la valeur d’emplacement maximale en implémentant la fonction VolumeResort.</li>
		<li>Stockez les volumes des images valides avec l’index trié, ce qui sera utile pour remonter jusqu’aux nodules importants.</li>
	</ol></li>
	<li>Inspection du volume thoracique REMARQUE: Avoir une structure de stockage de données bien définie rend le travail de suivi plus pratique.<ol><li>Implémentez la fonction VolumeInspect pour afficher trois vues du volume construit. Faites glisser l’intersection du réticule vers le haut et vers le bas dans l’axe coronal pour parcourir rapidement toutes les images de l’axe horizontal (Figure 2).</li>
		<li>Déplacez le réticule vers l’axe horizontal pour parcourir toutes les images de l’axe coronal. Le réticule est dans les mêmes coordonnées spatiales dans le volume 3D; Par conséquent, le déplacer sur un axe modifiera l’emplacement des images dans les deux autres axes.</li>
		<li>Pour la fonction VolumeInspect , utilisez la fenêtre d’intensité par défaut pour le poumon dans l’interface graphique. Ajustez les performances réelles du filtre en maintenant le bouton gauche de la souris enfoncé et en faisant glisser l’axe.</li>
	</ol></li>
</ol>2. Modèle numérique pour la reconstruction 3D horizontale
REMARQUE : Le sous-procédé 3Dlung_Horizon effectue un examen approfondi des nodules pulmonaires d’un point de vue horizontal.
<ol><li>Implémentez la fonction Build_3Dlung_Horizon dans MATLAB workplace pour reconstruire le modèle numérique 3D des nodules pulmonaires sous la fenêtre de filtre du poumon, puis ouvrez l’interface graphique pour vérifier le modèle 3D horizontal (Figure 3).</li>
	<li>Contrairement à l’étape 1.3.2, l’interface graphique de la figure 3 est une structure pulmonaire 3D continue dans laquelle divers types de nodules pulmonaires et leurs relations spatiales relatives avec le tissu pulmonaire peuvent être clairement vus. En faisant glisser la barre de défilement de l’interface graphique avec la souris, la structure pulmonaire 3D continue peut être observée.</li>
	<li>Le coin supérieur droit de l’interface graphique de la figure 3 fournit des icônes permettant d’effectuer un zoom avant, un zoom arrière, de revenir à la vue globale et de marquer les coordonnées du pixel sélectionné. Utilisez la fonction de zoom pour observer les caractéristiques locales des lésions et produire des images structurelles 3D pertinentes. Utilisez le bouton Marquer les coordonnées des pixels pour calculer la distance entre deux points afin de mesurer la taille des nodules.</li>
	<li>La barre de couleurs par défaut est la palette de couleurs du jet, ce qui signifie que le bleu au rouge représente les valeurs de faible à élevé. Cliquez avec le bouton droit sur Color Bar dans le menu local pour sélectionner la colormap grise commune et réinitialiser l’ensemble de l’interface graphique.</li>
	<li>Si la fenêtre de filtre n’est pas satisfaite, utilisez le bouton gauche de la souris pour faire glisser le curseur vers le haut et vers le bas au milieu de la figure afin d’ajuster le niveau de la fenêtre. Faites glisser vers la gauche et la droite pour ajuster la largeur de la fenêtre, et la plage de filtrage précise correspondante sera affichée sur la barre de couleur.</li>
</ol>3. Construire un modèle numérique 3D pour un nodule spécifique
REMARQUE: Le numéro de tranche est un paramètre de la fonction 3D_Nodules, qui reconstruit un modèle numérique 3D qui peut être visualisé sous tous les angles.
<ol><li>Pour déterminer le numéro de tranche, comme illustré à la figure 3, vérifiez en haut à droite de la barre de défilement ; dans la figure 3, le nombre de tranches est 70. Utilisez la fonction Build_3D_Nodules avec deux paramètres, dont le nombre de tranches et le volume thoracique créé à l’étape 1.3, pour reconstruire un modèle numérique 3D pour des nodules spécifiques. Il s’agit d’un modèle défini par l’utilisateur, car le nombre de tranches d’entrée est variable et dépend de l’utilisateur.</li>
	<li>Si la fonction Build_3D_Nodules est exécutée correctement, l’utilisateur peut vérifier le nodule pulmonaire situé dans un certain nombre de tranches sous différents angles dans l’interface graphique contextuelle (Figure 4). Pour ce faire, effectuez les actions suivantes :<ol><li>Maintenez enfoncé le bouton gauche de la souris, comme au centre de la figure 4, puis faites-le glisser dans n’importe quelle direction pour modifier la perspective des nodules pulmonaires. Il convient de noter que l’angle d’observation doit tenir compte des considérations anatomiques et essayer de montrer à la fois les caractéristiques médicales des nodules pulmonaires et la relation entre les nodules et les tissus environnants.</li>
	</ol></li>
	<li>Utilisez les icônes de zoom et de déplacement dans le coin supérieur droit, comme illustré à la figure 3. De plus, en faisant rouler le bouton central de la souris, l’utilisateur peut effectuer un zoom avant ou arrière continu sur la vue du modèle.</li>
	<li>L’interface graphique de la figure 4 montre l’indication des coordonnées du modèle dans le coin inférieur gauche, où la direction positive sur l’axe z est la direction de balayage en position horizontale. Implémentez l’outil de capture d’écran fourni par le système d’exploitation pour enregistrer la projection 3D requise des nodules.</li>
</ol>4. Modèle numérique d’une reconstruction coronale 3D
REMARQUE : Le sous-processus Build_3Dlung_Coronal est exécuté pour évaluer les nodules pulmonaires d’un autre point de vue coronal, aidant ainsi les cliniciens et les patients à développer une compréhension plus précise et inclusive de l’emplacement et des attributs des nodules.
<ol><li>Implémentez la fonction Build_3Dlung_Coronal dans l’espace de travail MATLAB pour reconstruire le modèle numérique 3D des nodules pulmonaires sous la fenêtre de filtre du poumon, puis ouvrez l’interface graphique, telle que préparée par la fonction, pour vérifier le modèle 3D coronal (Figure 5).</li>
	<li>L’interface graphique de la figure 5 montre une structure pulmonaire coronale 3D continue dans laquelle divers types de nodules pulmonaires et leurs relations spatiales relatives avec le tissu pulmonaire peuvent être clairement vus. Faites glisser la barre de défilement de l’interface graphique avec la souris pour observer la structure pulmonaire 3D coronale continue.</li>
	<li>Le coin supérieur droit de l’interface graphique, comme illustré à la figure 5, fournit également des icônes permettant d’effectuer un zoom avant, un zoom arrière, de revenir à la vue globale et de marquer les coordonnées du pixel sélectionné. Utilisez ces fonctions pour observer les caractéristiques locales des lésions et générer des images structurelles 3D pertinentes. Marquez les coordonnées des pixels pour calculer la distance entre deux points, qui est souvent utilisée pour mesurer la taille des nodules.</li>
	<li>La barre de couleurs par défaut est la carte de couleurs du jet, dans laquelle les couleurs du bleu au rouge représentent des valeurs de faible à élevé. Cliquez avec le bouton droit sur la barre de couleurs dans le menu contextuel pour sélectionner la colormap grise commune et réinitialiser l’ensemble de l’interface graphique.</li>
	<li>Si la fenêtre de filtre n’est pas appropriée, utilisez le bouton gauche de la souris pour faire glisser de haut en bas au milieu de la figure afin d’ajuster le niveau de la fenêtre ; Faites glisser vers la gauche et la droite pour ajuster la largeur de la fenêtre, et la plage de filtrage précise correspondante sera affichée sur la barre de couleur.</li>
</ol>5. Sortie vidéo 3D pour les nodules pulmonaires dominants
REMARQUE: La conversion du modèle numérique 3D optimal d’un nodule pulmonaire en une vidéo 3D dynamique permet aux médecins et aux patients de mieux comprendre la maladie et de porter des jugements précis, ce qui est particulièrement essentiel pour formuler des plans de traitement efficaces.
<ol><li>Dans l’espace de travail, préparez le modèle numérique 3D requis et prévisualisez les relations spatiales relatives entre les nodules pulmonaires et le tissu pulmonaire à afficher sous différents angles (Figure 3 et Figure 4).</li>
	<li>Dans cette étude, Adobe Captivate 2019 a été utilisé pour enregistrer tous les processus d’interaction de l’interface graphique. Pour commencer, ouvrez le logiciel et créez un nouveau projet d’enregistrement d’écran. Éteignez l’appareil photo et la boîte de plage d’enregistrement d’écran rouge apparaîtra pour enregistrer uniquement le fonctionnement de l’écran. Dans cette étude, la version 5.1 de l’interface graphique a été incluse dans la boîte. Cliquez sur le bouton d’enregistrement pour utiliser l’interface graphique et générer un fichier vidéo numérique de l’enregistrement d’écran.</li>
	<li>Après avoir enregistré l’affichage dynamique des nodules pulmonaires, revenez à l’environnement d’exploitation du logiciel en cliquant sur l’icône dans la barre des tâches.</li>
	<li>À l’aide de la fonction de publication vidéo, enregistrez la vidéo dynamique enregistrée du modèle numérique 3D des nodules pulmonaires. Cliquez sur Fichier > Distribuer et configurez le chemin de stockage des fichiers. Nommez le fichier et enregistrez le fichier vidéo numérique souhaité.</li>
</ol>

Reconstruction 3D pour le diagnostic et le traitement des nodules pulmonaires

<ol>
	<li>Mazzone, P. J., Lam, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Evaluating+the+patient+with+a+pulmonary+nodule:+A+review.">Evaluating the patient with a pulmonary nodule: A review.</a> JAMA. 327 (3), 264-273 (2022).</li><li>MacMahon, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Guidelines+for+management+of+incidental+pulmonary+nodules+detected+on+CT+images:+From+the+Fleischner+Society+2017.">Guidelines for management of incidental pulmonary nodules detected on CT images: From the Fleischner Society 2017.</a> Radiology. 284 (1), 228-243 (2017).</li><li>Ather, S., Kadir, T., Gleeson, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Artificial+intelligence+and+radiomics+in+pulmonary+nodule+management:+Current+status+and+future+applications.">Artificial intelligence and radiomics in pulmonary nodule management: Current status and future applications.</a> Clinical Radiology. 75 (1), 13-19 (2020).</li><li>Bianconi, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Comparative+evaluation+of+conventional+and+deep+learning+methods+for+semi-automated+segmentation+of+pulmonary+nodules+on+CT.">Comparative evaluation of conventional and deep learning methods for semi-automated segmentation of pulmonary nodules on CT.</a> Quantitative Imaging in Medicine and Surgery. 11 (7), 3286-3305 (2021).</li><li>Christe, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Computer-aided+diagnosis+of+pulmonary+fibrosis+using+deep+learning+and+CT+images.">Computer-aided diagnosis of pulmonary fibrosis using deep learning and CT images.</a> Investigative Radiology. 54 (10), 627-632 (2019).</li><li>Kim, Y., Park, J. Y., Hwang, E. J., Lee, S. M., Park, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Applications+of+artificial+intelligence+in+the+thorax:+A+narrative+review+focusing+on+thoracic+radiology.">Applications of artificial intelligence in the thorax: A narrative review focusing on thoracic radiology.</a> Journal of Thoracic Disease. 13 (12), 6943-6962 (2021).</li><li>Schreuder, A., Scholten, E. T., van Ginneken, B., Jacobs, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Artificial+intelligence+for+detection+and+characterization+of+pulmonary+nodules+in+lung+cancer+CT+screening:+Ready+for+practice.">Artificial intelligence for detection and characterization of pulmonary nodules in lung cancer CT screening: Ready for practice.</a> Translational Lung Cancer Research. 10 (5), 2378-2388 (2021).</li><li>Gruden, J. F., Ouanounou, S., Tigges, S., Norris, S. D., Klausner, T. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Incremental+benefit+of+maximum-intensity-projection+images+on+observer+detection+of+small+pulmonary+nodules+revealed+by+multidetector+CT.">Incremental benefit of maximum-intensity-projection images on observer detection of small pulmonary nodules revealed by multidetector CT.</a> American Journal of Roentgenology. 179 (1), 149-157 (2002).</li><li>Guleryuz Kizil, P., Hekimoglu, K., Coskun, M., Akcay, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Diagnostic+importance+of+maximum+intensity+projection+technique+in+the+identification+of+small+pulmonary+nodules+with+computed+tomography.">Diagnostic importance of maximum intensity projection technique in the identification of small pulmonary nodules with computed tomography.</a> Tuberk Toraks. 68 (1), 35-42 (2020).</li><li>Valencia, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=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.">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.</a> European Radiology. 16, 325-332 (2006).</li><li>Jabeen, N., Qureshi, R., Sattar, A., Baloch, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Diagnostic+accuracy+of+maximum+intensity+projection+in+diagnosis+of+malignant+pulmonary+nodules.">Diagnostic accuracy of maximum intensity projection in diagnosis of malignant pulmonary nodules.</a> Cureus. 11 (11), e6120 (2019).</li><li>Naeem, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Comparison+of+maximum+intensity+projection+and+volume+rendering+in+detecting+pulmonary+nodules+on+multidetector+computed+tomography.">Comparison of maximum intensity projection and volume rendering in detecting pulmonary nodules on multidetector computed tomography.</a> Cureus. 13 (3), e14025 (2021).</li><li>Armato, S. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+lung+image+database+consortium+(LIDC)+and+image+database+resource+initiative+(IDRI):+A+completed+reference+database+of+lung+nodules+on+CT+scans.">The lung image database consortium (LIDC) and image database resource initiative (IDRI): A completed reference database of lung nodules on CT scans.</a> Medical Physics. 38 (2), 915-931 (2011).</li><li>Xie, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Knowledge-based+collaborative+deep+learning+for+benign-malignant+lung+nodule+classification+on+chest+CT.">Knowledge-based collaborative deep learning for benign-malignant lung nodule classification on chest CT.</a> IEEE Transactions on Medical Imaging. 38 (4), 991-1004 (2018).</li><li>Zheng, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automatic+pulmonary+nodule+detection+in+CT+scans+using+convolutional+neural+networks+based+on+maximum+intensity+projection.">Automatic pulmonary nodule detection in CT scans using convolutional neural networks based on maximum intensity projection.</a> IEEE Transactions on Medical Imaging. 39 (3), 797-805 (2019).</li></ol>

L’outil logiciel pour la reconstruction du modèle de nodule pulmonaire, PulmonaryNodule, est un logiciel commercial de Beijing Intelligent Entropy Science & Technology Co Ltd. Les droits de propriété intellectuelle de cet outil logiciel appartiennent à la société. Les auteurs n’ont aucun conflit d’intérêts à divulguer.

Différents périphériques LDCT présentent des différences significatives dans les séquences d’images DICOM qu’ils produisent, en particulier en termes de gestion du système de fichiers. Par conséquent, pour reconstruire le modèle numérique 3D clé d’un nodule pulmonaire dans les dernières étapes du protocole, l’étape de prétraitement des données est particulièrement importante. Dans l’étape de préparation et de prétraitement des données (étape 1.2.2), les coordonnées de l’axe z de la séq...

L’incidence globale des nodules pulmonaires est variable, mais on estime généralement qu’environ 30% des adultes ont au moins un nodule pulmonaire visible sur les radiographies pulmonaires1. L’incidence des nodules pulmonaires est plus élevée dans des populations spécifiques, telles que les gros fumeurs et ceux ayant des antécédents de cancer du poumon ou d’autres maladies pulmonaires. Il est important de noter que tous les nodules pulmonaires ne sont pas malins, mais une évaluation approfondie est nécessaire pour exclure la malignité2. La détection et le diagnostic précoces du cancer du poumon sont cruciaux pour améliorer les taux de survie, et un dépistage régulier par tomodensitométrie à faible dose (TDMD) est recommandé pour les personnes à haut risque. De nombreuses méthodes de détection et de reconnaissance des nodules pulmonairespilotées par l’IA 3,4,5,6,7 utilisent des techniques d’apprentissage profond pour capturer les caractéristiques radiologiques des nodules pulmonaires, et ces méthodes peuvent atteindre de bonnes performances d’aire sous la courbe (ASC). Cependant, les faux positifs et les faux négatifs demeurent un défi pour les radiologistes et les cliniciens. L’interprétation et l’expression des caractéristiques du point de vue de la classification et de l’examen des nodules pulmonaires ne sont toujours pas satisfaisantes. Dans le même temps, la reconstruction 3D de nodules pulmonaires à partir du TDM LDM a suscité une attention croissante en tant que modèle numérique pour divers types de nodules.
La reconstruction 3D des nodules pulmonaires est un processus qui génère une représentation 3D d’une petite croissance ou d’une bosse dans le poumon. Ce processus implique généralement l’application de techniques d’analyse d’images médicales qui tirent parti à la fois de l’expertise médicale et des approches d’intelligence des données. Le modèle numérique 3D qui en résulte offre une représentation plus détaillée et plus précise du nodule, permettant une visualisation et une analyse améliorées de sa taille, de sa forme et de sa relation spatiale avec les tissus pulmonaires environnants 8,9,10,11,12. Ces informations peuvent aider au diagnostic et à la surveillance des nodules pulmonaires, en particulier ceux soupçonnés d’être cancéreux. En facilitant une analyse plus précise, la reconstruction 3D des nodules pulmonaires a le potentiel d’améliorer la précision du diagnostic et d’éclairer les décisions de traitement.
La projection d’intensité maximale (MIP) est une technique populaire dans le domaine de la reconstruction 3D des nodules pulmonaires et est utilisée pour créer une projection 2D d’une image 3D 8,9,10,11,12 Elle est particulièrement utile dans la visualisation de données volumétriques extraites de fichiers DICOM (Digital Imaging and Communications in Medicine) scannés par CT. La technique MIP fonctionne en sélectionnant les voxels (les plus petites unités de données de volume 3D) avec l’intensité la plus élevée le long de la direction de visualisation et en les projetant sur un plan 2D. Il en résulte une image 2D qui met l’accent sur les structures ayant la plus grande intensité et supprime celles ayant une intensité plus faible, ce qui facilite l’identification et l’analyse des caractéristiques pertinentes 9,10,11,12. Cependant, MIP n’est pas sans limites. Par exemple, le processus de projection peut entraîner une perte d’informations et l’image 2D résultante peut ne pas représenter avec précision la structure 3D de l’objet sous-jacent. Néanmoins, la MIP reste un outil précieux pour l’imagerie médicale et la visualisation, et son utilisation continue d’évoluer avec les progrès de la technologie et de la puissance de calcul11.
Dans cette étude, un modèle MIP successif pour visualiser les nodules pulmonaires est développé qui est facile à utiliser, convivial pour les radiologues, les médecins et les patients, et permet l’identification et l’estimation des propriétés des nodules pulmonaires. Les principaux avantages de cette approche de traitement comprennent les aspects suivants : (1) éliminer les faux positifs et les faux négatifs résultant de la reconnaissance des formes, ce qui permet d’aider les médecins à obtenir des informations plus complètes sur l’emplacement, la forme et la taille 3D des nodules pulmonaires, ainsi que leur relation avec le système vasculaire environnant; 2° permettre aux médecins spécialistes d’acquérir une connaissance professionnelle des caractéristiques des nodules pulmonaires même sans l’aide de radiologues; et (3) améliorer à la fois l’efficacité de la communication entre les médecins et les patients et l’évaluation du pronostic.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>MATLAB</td>
			<td>MathWorks&#160;</td>
			<td>2022B</td>
			<td>Computing and visualization&#160;</td>
		</tr>
		<tr>
			<td>Tools for Modeling</td>
			<td>&#160;Intelligent 
			&#160;Entropy</td>
			<td>PulmonaryNodule V1.0</td>
			<td>Beijing Intelligent Entropy Science &#38; Technology Co Ltd. 
			Modeling for CT/MRI fusion</td>
		</tr>
	</tbody>
</table>

a 3d digital model for the diagnosis and treatment of pulmonary nodules

La reconstruction tridimensionnelle (3D) des nodules pulmonaires à l’aide d’images médicales a introduit de nouvelles approches techniques pour le diagnostic et le traitement des nodules pulmonaires, et ces approches sont progressivement reconnues et adoptées par les médecins et les patients. Néanmoins, la construction d’un modèle numérique 3D relativement universel des nodules pulmonaires pour le diagnostic et le traitement est difficile en raison des différences entre dispositifs, des temps de prise de vue et des types de nodules. L’objectif de cette étude est de proposer un nouveau modèle numérique 3D des nodules pulmonaires qui sert de pont entre les médecins et les patients et constitue également un outil de pointe pour le prédiagnostic et l’évaluation pronostique. De nombreuses méthodes de détection et de reconnaissance des nodules pulmonaires pilotées par l’IA utilisent des techniques d’apprentissage profond pour capturer les caractéristiques radiologiques des nodules pulmonaires, et ces méthodes peuvent atteindre une bonne performance sous la courbe (ASC). Cependant, les faux positifs et les faux négatifs demeurent un défi pour les radiologistes et les cliniciens. L’interprétation et l’expression des caractéristiques du point de vue de la classification et de l’examen des nodules pulmonaires ne sont toujours pas satisfaisantes. Dans cette étude, une méthode de reconstruction 3D continue de l’ensemble du poumon en position horizontale et coronale est proposée en combinant les technologies de traitement d’images médicales existantes. Par rapport à d’autres méthodes applicables, cette méthode permet aux utilisateurs de localiser rapidement les nodules pulmonaires et d’identifier leurs propriétés fondamentales tout en observant les nodules pulmonaires sous de multiples perspectives, fournissant ainsi un outil clinique plus efficace pour diagnostiquer et traiter les nodules pulmonaires.

The global incidence of pulmonary nodules is variable, but it is generally estimated that about 30% of adults have at least one pulmonary nodule visible on chest radiographs1. The incidence of pulmonary nodules is higher in specific populations, such as heavy smokers and those with a history of lung cancer or other lung diseases. It is important to note that not all pulmonary nodules are malignant, but a thorough evaluation is necessary to rule out malignancy2. The early detection and diagnosis of lung cancer are crucial for improving survival rates, and regular screening with low-dose computed tomography (LDCT) is recommended for high-risk individuals. Many AI-driven pulmonary nodule detection and recognition methods3,4,5,6,7 employ deep learning techniques to capture the radiological features of pulmonary nodules, and these methods can achieve good area under the curve (AUC) performance. However, false positives and false negatives remain a challenge for radiologists and clinicians. The interpretation and expression of features from the perspective of pulmonary nodule classification and examination are still unsatisfactory. At the same time, the 3D reconstruction of pulmonary nodules based on LDCT has gained increasing attention as a digital model for various types of nodules.
The 3D reconstruction of pulmonary nodules is a process that generates a 3D representation of a small growth or lump in the lung. This process typically involves the application of medical image analysis techniques that leverage both medical expertise and data intelligence approaches. The resulting 3D digital model offers a more detailed and accurate depiction of the nodule, enabling the improved visualization and analysis of its size, shape, and spatial relationship with the surrounding lung tissues8,9,10,11,12. Such information can aid in the diagnosis and monitoring of pulmonary nodules, particularly those suspected of being cancerous. By facilitating more precise analysis, the 3D reconstruction of pulmonary nodules has the potential to enhance the accuracy of diagnosis and inform treatment decisions.
Maximum intensity projection (MIP) is a popular technique in the field of 3D reconstruction of pulmonary nodules and is used to create a 2D projection of a 3D image8,9,10,11,12It is particularly useful in the visualization of volumetric data extracted from digital imaging and communications in medicine (DICOM) files scanned by CT. The MIP technique works by selecting the voxels (the smallest units of 3D volume data) with the highest intensity along the viewing direction and projecting them onto a 2D plane. This results in a 2D image that emphasizes the structures with the highest intensity and suppresses those with lower intensity, which makes it easier to identify and analyze relevant features9,10,11,12. However, MIP is not without limitations. For example, the projection process can result in a loss of information, and the resulting 2D image may not accurately represent the 3D structure of the underlying object. Nevertheless, MIP remains a valuable tool for medical imaging and visualization, and its use continues to evolve with advances in technology and computing power11.
In this study, a successive MIP model to visualize pulmonary nodules is developed that is easy to use, user-friendly for radiologists, physicians, and patients, and allows the identification and estimation of the properties of pulmonary nodules. The primary advantages of this processing approach include the following aspects: (1) eliminating false positives and false negatives arising from pattern recognition, which enables a focus on assisting physicians to obtain more comprehensive information on the location, shape, and 3D size of pulmonary nodules, as well as their relationship to the surrounding vasculature; (2) enabling specialist physicians to attain professional knowledge of the characteristics of pulmonary nodules even without the assistance of radiologists; and (3) enhancing both communication efficiency between physicians and patients and prognosis evaluation.

Pleins feux sur l’auteur : Un modèle numérique 3D pour le diagnostic et le traitement des nodules pulmonaires  

Un modèle numérique 3D pour le diagnostic et le traitement des nodules pulmonaires

This study aims to create a continuous 3D reconstruction model for the better characterizing the pulmonary nodules for clinical diagnosis and prognosis evaluation. Deep integration of AI-driven imaging technology and pulmonary nodule disease diagnosis and treatment are some of the recent developments in this research field. The combination of medical imaging, natural language processing, digitization, class of field design, and clinical diagnosis and treatment scenario risks, are recent advances in this field.Gradually, establishing three-dimensional imaging, differentiating features of pulmonary nodules and conducting long-term tracking of the efficacy of traditional Chinese medicine, helps to optimize the treatment plan for the prevention and the treatment of disease. The images produced with this digital model, are accurate and intuitive, avoiding false positives and false negatives, and are not sensitive to scanning equipment. The outcome of this study helps in the clinical evidence-based classification of pulmonary nodules, prognosis, evaluation, and optimization of treatment plans, based on three-dimensional special features.Our research focus includes combining digitization, artificial intelligence, imaging, and the evaluation and optimization of clinical treatment plans of traditional Chinese medicine, to create cost effective and better treatment plans.

Pour rendre la méthode applicable à une plus large gamme de périphériques, l’ordre d’empilement de chaque numérisation doit être réorganisé en fonction des coordonnées internes du système de fichiers DICOM (Figure 1) pour générer le volume 3D correct (Figure 2). Sur la base des données de volume précises, nous avons utilisé la reconstruction algorithmique continue des MIP horizontaux et coronaux pulmonaires du patient (Figure <strong class="xf...

Watch this Scientific Journal Video about A 3D Digital Model for the Diagnosis and Treatment of Pulmonary Nodules at JoVE.com

L’objectif de cette étude est de développer un nouveau modèle numérique 3D des nodules pulmonaires qui sert de pont de communication entre les médecins et les patients et constitue également un outil de pointe pour le prédiagnostic et l’évaluation pronostique.

The three-dimensional (3D) reconstruction of pulmonary nodules using medical images has introduced new technical approaches for diagnosing and treating ...

Cette étude vise à créer un modèle de reconstruction 3D continue pour mieux caractériser les nodules pulmonaires pour le diagnostic clinique et l’évaluation du pronostic. L’intégration profonde de la technologie d’imagerie basée sur l’IA et du diagnostic et du traitement des maladies des nodules pulmonaires sont quelques-uns des développements récents dans ce domaine de recherche. La combinaison de l’imagerie médicale, du traitement du langage naturel, de la numérisation, de la classe de conception sur le terrain et des risques liés au diagnostic clinique et aux scénarios de traitement sont des avancées récentes dans ce domaine.Peu à peu, l’établissement d’une imagerie tridimensionnelle, la différenciation des caractéristiques des nodules pulmonaires et le suivi à long terme de l’efficacité de la médecine traditionnelle chinoise permettent d’optimiser le plan de traitement pour la prévention et le traitement des maladies. Les images produites avec ce modèle numérique sont précises et intuitives, évitant les faux positifs et les faux négatifs, et ne sont pas sensibles aux équipements de numérisation. Les résultats de cette étude aident à la classification des nodules pulmonaires, au pronostic, à l’évaluation et à l’optimisation des plans de traitement, en fonction des caractéristiques spéciales tridimensionnelles.Notre objectif de recherche comprend la combinaison de la numérisation, de l’intelligence artificielle, de l’imagerie et de l’évaluation et de l’optimisation des plans de traitement clinique de la médecine traditionnelle chinoise, afin de créer des plans de traitement rentables et meilleurs.

a-3d-digital-model-for-diagnosis-treatment-pulmonary

Research

JoVE Journal

Medicine

A 3D Digital Model for the Diagnosis and Treatment of Pulmonary Nodules

1.4K vues.  Beijing University of Chinese Medicine. Cette étude vise à créer un modèle de reconstruction 3D continue pour mieux caractériser les nodules pulmonaires pour le diagnostic clinique et l’évaluation du pronostic. L’intégration profonde de la technologie d’imagerie basée sur l’IA et du diagnostic et du traitement des maladies des nodules pulmonaires sont quelques-uns des développements récents dans ce domaine de recherche. La combinaison de l’imagerie médicale, du traitement du langage naturel, de la numérisation...

Vidéo: Pleins feux sur l’auteur : Un modèle numérique 3D pour le diagnostic et le traitement des nodules pulmonaires  

The three-dimensional (3D) reconstruction of pulmonary nodules using medical images has introduced new technical approaches for diagnosing and treating pulmonary nodules, and these approaches are progressively being acknowledged and adopted by physicians and patients. Nonetheless, constructing a relatively universal 3D digital model of pulmonary nodules for diagnosis and treatment is challenging due to device differences, shooting times, and nodule types. The objective of this study is to propose a new 3D digital model of pulmonary nodules that serves as a bridge between physicians and patients and is also a cutting-edge tool for pre-diagnosis and prognostic evaluation. Many AI-driven pulmonary nodule detection and recognition methods employ deep learning techniques to capture the radiological features of pulmonary nodules, and these methods can achieve a good area under-the-curve (AUC) performance. However, false positives and false negatives remain a challenge for radiologists and clinicians. The interpretation and expression of features from the perspective of pulmonary nodule classification and examination are still unsatisfactory. In this study, a method of continuous 3D reconstruction of the whole lung in horizontal and coronal positions is proposed by combining existing medical image processing technologies. Compared with other applicable methods, this method allows users to rapidly locate pulmonary nodules and identify their fundamental properties while also observing pulmonary nodules from multiple perspectives, thereby providing a more effective clinical tool for diagnosing and treating pulmonary nodules.

The objective of this study is to develop a novel 3D digital model of pulmonary nodules that serves as a communication bridge between physicians and patients and is also a cutting-edge tool for pre-diagnosis and prognostic evaluation.

Recherche

Médecine

﻿Low-Dose Computed Tomography (LDCT) Data Collection for Detecting Pulmonary Nodules

Low-Dose Computed Tomography (LDCT) Data Collection for Detecting Pulmonary Nodules  

To begin, obtain written consent from the patient for acquiring the DICOM data. After obtaining the images, transfer the data to the designated working directory in the computer. Then, identify the data directory with the highest number of scanning layers and the thinnest layer thickness to optimize the accuracy based on the file information.Generally, the more DICOM scan files, the thinner is the scan layer thickness. Using the DICOM info function and DICOM files as the function parameters in the MATLAB environment, obtain the slice thickness and pixel-spacing parameters, which are essential for setting the 3D volume display rate. Next, using the function dicominfo, read the location data of each image by giving info.sliceLocation as input into the MATLAB workspace. Implement the SliceLocation function to store the location array for a variable and create a plot of the location array. Use the data tips button at the top right of the graphical user interface, or GUI, and add a data tip to the plot on the point representing the maximum location value of the normal sequence.Using the VolumeResort function, sort all the images and then extract the images from one to the maximum location value. Store the volumes of the valid images with the sorted index, which will help to trace back the important nodules. Move the crosshair to the horizontal axis to browse all the images in the coronal axis.Note that the crosshair is in the same spatial coordinates and moving it on one axis will change the location of the images in the other two axes. Use the VolumeInspect function to display the axial, coronal, and sagittal views of the constructed volume. In the VolumeInspect function, use the default intensity window for the lung in the GUI.Hold the left mouse button to adjust the filter performance and drag it on the axis. Direct data preparation and volume calculation results in lung images appearing in the axial, coronal, and sagittal planes.

Collecte de données sur la tomodensitométrie à faible dose (TDMD) pour la détection des nodules pulmonaires

Digital Model for Horizontal 3D Reconstruction of Pulmonary Nodules

To reconstruct the three-dimensional digital model of the pulmonary nodules, implement the Three-Dimensional Lung Horizon Function in the MATLAB workspace. Then open the Graphical User Interface, or GUI, to check the horizontal three-dimensional model. Drag the scroll bar on the GUI with the mouse to observe the continuous three-dimensional lung structure, allowing for the clear visualization of various types of pulmonary nodules and their relative spatial relationships with the lung tissue.Use the Zoom function to observe the local features of the lesions and relevant three-dimensional structural output pictures. To measure the size of the nodules, use the Mark Pixel Coordinates button to calculate the distance between two points. The default color bar, jet colormap, displays values from low to high in a blue to red range.To reset the GUI, right click the color bar and select the standard gray colormap. If the filter window is not satisfactory, use the left mouse button to adjust the window level by dragging up and down in the middle of the figure. Drag left and right to adjust the window width to display the accurate filtering range on the color bar.The continuous three-dimensional reconstruction resulted in the axial view of the pulmonary nodules and the relationship between the nodules and the surrounding lung tissue.

Modèle numérique pour la reconstruction 3D horizontale de nodules pulmonaires

Constructing a 3D Digital Model for any Specific Nodule

Use the three dimensional nodules function with two parameters, including the slice number and the thoracic volume to reconstruct a three dimensional digital model for specific nodules. If the three dimensional nodules function correctly executes, press and hold the left mouse button, and drag it in any direction to alter the perspective of the pulmonary nodules. It is important to note that the observation angle should account for anatomical considerations and attempt to display both the medical characteristics of the pulmonary nodules and the relationship between the nodules and the surrounding tissues.Use the zoom and move icons in the upper right corner. Alternatively, use the middle mouse button to zoom in on the model or out of the view. The GUI displays the coordinate indication in the lower left corner with the positive direction on the Z axis being the scanning direction in the horizontal position.Utilize the screenshot tool for the operating system to save the necessary three dimensional projection of the nodules. With this three dimensional construction, the GUI allows the user to observe the pulmonary nodules of interest from any perspective.

Construction d’un modèle numérique 3D pour n’importe quel nodule spécifique

Digital Model of a Coronal 3D Reconstruction 

To reconstruct the three-dimensional digital model of pulmonary nodules, implement the three-dimensional lung coronal function in the MATLAB workplace. Then open the graphical user interface or GUI prepared by the function to check the three-dimensional coronal model. Drag the scroll bar on the GUI with the mouse to observe the continuous three-dimensional lung structure, allowing for the clear visualization of various types of pulmonary nodules and the relative spatial relationships with the lung tissue.Use the zoom function to observe the local features of the lesions and relevant three-dimensional structural output pictures. To measure the size of the nodules, use the Mark Pixel Coordinates button to calculate the distance between two points. The default color bar, Jet Colormap, displays values from low to high in a blue to red range.To reset the GUI, right click the color bar and select the standard gray colormap. If the filter window is not satisfactory, use the left mouse button to adjust the window level by dragging up and down in the middle of the figure. Drag left and right to adjust the window width to display the accurate filtering range on the color bar.The continuous three-dimensional reconstruction resulted in the coronal view of the pulmonary nodules and the relationship between the nodules and the surrounding lung tissue.

Modèle numérique d’une reconstruction coronale 3D 

Output 3D Video for Dominant Pulmonary Nodules 

Once the three-dimensional digital model is prepared, open Adobe Captivate 2019, and create a new screen recording project. Turn the camera off, and wait for a red screen recording range box to appear for recording only the screen operation. Fit the frame into the model, and click the recording button to operate the Graphical User Interface, or GUI, and generate a digital video file of the screen recording.After recording the dynamic display of the pulmonary nodules, click the icon in the task bar to return to the operating environment of the software. Next, click on File, Distribute, and configure the file storage path to save the recorded dynamic video of the three-dimensional digital model of the pulmonary nodules. Then name the file and save the desired digital video file.