Questa ricerca sviluppa un approccio di modellazione 3D per visualizzare in modo completo noduli polmonari multipli in tutto il polmone, con l'obiettivo di migliorare la diagnosi e il trattamento dei pazienti con carcinoma polmonare in fase iniziale. Le domande chiave sono come ricostruire con precisione la distribuzione dei noduli e l'interazione con il tessuto polmonare. I recenti progressi nel deep learning e nella visione artificiale consentono un rilevamento e una segmentazione più accurati dei noduli polmonari assistiti dall'intelligenza artificiale.
Tuttavia, persistono limitazioni per quanto riguarda la modellazione dell'intero polmone e le relazioni spaziali tra noduli multipli. Questa ricerca offre progressi attraverso una tecnica di ricostruzione 3D per l'intero polmone. L'integrazione dell'imaging e della visualizzazione medica basati sull'intelligenza artificiale con la diagnosi e il trattamento clinico specialistici è fondamentale.
Tecnologie come il deep learning per la segmentazione, la modellazione volumetrica, la realtà aumentata virtuale per la visualizzazione 3D e la fusione multimodale dei dati stanno facendo progredire la modellazione dell'intero polmone e la valutazione dei multinoduli per migliorare il processo decisionale clinico. Questa ricerca stabilisce un efficace approccio di modellazione 3D per visualizzare la distribuzione e le relazioni spaziali di più noduli polmonari nell'intero volume polmonare. Le innovazioni chiave includono l'estrazione del contorno polmonare, la ricostruzione dei noduli nello spazio 3D e la visualizzazione interattiva dell'intero polmone.
Ciò consente una diagnosi e una pianificazione del trattamento più accurate per i pazienti affetti da carcinoma polmonare in fase iniziale. Lo sviluppo di un approccio di modellazione 3D accurato per la visualizzazione dei modelli dell'intero nodulo polmonare fornisce una nuova capacità di comprendere la progressione della malattia. Ciò può consentire una diagnosi precoce, personalizzare i piani di trattamento e migliorare i risultati per i pazienti affetti da cancro al polmone.
I risultati gettano le basi per l'espansione della modellazione dell'intero polmone utilizzando dati multimodali e facendo progredire la traduzione clinica.
