Modelo Digital 3D para Diagnóstico e Tratamento de Nódulos Pulmonares

Resumo

O objetivo deste estudo é desenvolver um novo modelo digital 3D de nódulos pulmonares que sirva como ponte de comunicação entre médicos e pacientes e seja também uma ferramenta de ponta para avaliação pré-diagnóstica e prognóstica.

Resumo

A reconstrução tridimensional (3D) de nódulos pulmonares por meio de imagens médicas introduziu novas abordagens técnicas para o diagnóstico e tratamento de nódulos pulmonares, e essas abordagens estão sendo progressivamente reconhecidas e adotadas por médicos e pacientes. No entanto, a construção de um modelo digital 3D relativamente universal de nódulos pulmonares para diagnóstico e tratamento é um desafio devido às diferenças de dispositivos, tempos de disparo e tipos de nódulos. O objetivo deste estudo é propor um novo modelo digital 3D de nódulos pulmonares que sirva de ponte entre médicos e pacientes e seja também uma ferramenta de ponta para avaliação pré-diagnóstica e prognóstica. Muitos métodos de detecção e reconhecimento de nódulos pulmonares guiados por IA empregam técnicas de aprendizado profundo para capturar as características radiológicas dos nódulos pulmonares, e esses métodos podem alcançar um bom desempenho de área abaixo da curva (AUC). No entanto, falsos positivos e falsos negativos continuam sendo um desafio para radiologistas e clínicos. A interpretação e a expressão das características do ponto de vista da classificação e do exame dos nódulos pulmonares ainda são insatisfatórias. Neste estudo, um método de reconstrução contínua 3D de todo o pulmão em posições horizontal e coronal é proposto combinando as tecnologias de processamento de imagens médicas existentes. Comparado com outros métodos aplicáveis, este método permite localizar rapidamente os nódulos pulmonares e identificar suas propriedades fundamentais, ao mesmo tempo em que observa os nódulos pulmonares sob múltiplas perspectivas, fornecendo assim uma ferramenta clínica mais eficaz para o diagnóstico e tratamento de nódulos pulmonares.

Introdução

A incidência global de nódulos pulmonares é variável, mas geralmente estima-se que cerca de 30% dos adultos tenham pelo menos um nódulo pulmonar visível nas radiografias de^tórax1. A incidência de nódulos pulmonares é maior em populações específicas, como fumantes pesados e aqueles com história de câncer de pulmão ou outras doenças pulmonares. É importante ressaltar que nem todos os nódulos pulmonares são malignos, mas uma avaliação completa é necessária para descartar^malignidade2. A detecção e o diagnóstico precoces do câncer de pulmão são cruciais para melhorar as taxas de sobrevida, e o rastreamento regular com tomogra....

Protocolo

NOTA: Durante o estágio de pré-processamento de dados, os dados DICOM originais devem ser classificados e interceptados para garantir a compatibilidade com vários dispositivos e resultados consistentes. A capacidade ajustável adequada deve ser reservada para o processamento da intensidade, e uma perspectiva 3D contínua é essencial para a observação. Neste protocolo, uma descrição metódica da abordagem de pesquisa é fornecida, detalhando um caso envolvendo uma paciente de 84 anos com nódulos pulmonares. Esta paciente forneceu consentimento informado para seu diagnóstico via modelagem digital e autorizou a utilização de seus dados para fins de pesquisa científi....

Discussão

Diferentes dispositivos LDCT têm diferenças significativas nas sequências de imagens DICOM que produzem, especialmente em termos de gerenciamento do sistema de arquivos. Portanto, para reconstruir o modelo digital 3D chave de um nódulo pulmonar nos estágios mais avançados do protocolo, a etapa de pré-processamento de dados é particularmente importante. Na etapa de preparação e pré-processamento dos dados (etapa 1.2.2), a coordenada do eixo z da sequência pode ser classificada corretamente usando a sequência .......

Materiais

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