Автоматический анализ поражения легких при COVID-19: сравнение стандартной и низкодозной компьютерной томографии

Автор: Блохин И. А., Соловьев А. В., Владзимирский A. B., Коденко М. Р., Шумская Ю. Ф., Гончар А. П., Гомболевский В. А.

Журнал: Сибирский журнал клинической и экспериментальной медицины @cardiotomsk

Рубрика: Клинические исследования

Статья в выпуске: 4 т.37, 2022 года.

Бесплатный доступ

Введение. В определении степени поражения легочной паренхимы при COVID-19 особую роль играет метод компьютерной томографии (КТ) органов грудной клетки (ОГК). При этом субъективность оценки объема поражения легких по шкале КТ 0-4 при COVID-19 и постепенное внедрение низкодозной КТ (НДКТ) требуют изучения точности полуавтоматической сегментации легких при НДКТ по сравнению с КТ.Цель исследования: сравнить точность расчета объема пораженной легочной ткани между КТ и НДКТ при COVID-19 с помощью полуавтоматической программы сегментации.Материал и методы. Ретроспективное исследование выполнено на данных ранее проведенного проспективного многоцентрового исследования, зарегистрированного на ClinicalTrials.gov, NCT04379531. Данные КТ и НДКТ обработаны в программе 3D Slicer с расширениями Lung CT Segmenter и Lung CT Analyzer, пороговым методом определены объем легких и объем пораженной легочной ткани.Результаты. Выборка 84 пациента с признаками COVID-19-ассоциированной пневмонии. Средний возраст составил 50,6 ± 13,3 лет, медиана индекса массы тела - 28,15 кг/м2 [24,85; 31,31]. Для стандартного протокола КТ эффективная доза составила 10,1 ± 3,26 мЗв, для разработанного протокола НДКТ - 2,64 мЗв [1,99; 3,67]. При анализе абсолютных значений объема поражения легочной ткани в кубических сантиметрах между КТ и НДКТ с помощью критерия Вилкоксона выявлены статистически значимые различия (p-value function show_abstract() { $('#abstract1').hide(); $('#abstract2').show(); $('#abstract_expand').hide(); }

Еще

Компьютерная томография, covid-19, грудная клетка, полуавтоматическая сегментация, низкодозная компьютерная томография

Короткий адрес: https://sciup.org/149141442

IDR: 149141442   |   УДК: 616.98:578.834.1-036.21-06:616.24-073.756.8   |   DOI: 10.29001/2073-8552-2022-37-4-114-123

Automated analysis of lung lesions in COVID-19: comparison of standard and low-dose CT

Introduction. Chest computed tomography (CT) plays a prominent role in determining the extent of pulmonary parenchymal lesions in COVID-19. At the same time, subjectivity of lung lesion volume assessment using 0-4 CT scale in COVID-19 and gradual introduction of low-dose CT (LDCT) requires an investigation of semi-automated lung segmentation accuracy in LDCT compared to CT.Study Objective. To compare the accuracy of affected lung tissue volume calculation between CT and LDCT in COVID-19 using a semi-automatic segmentation program.Material and Methods. The retrospective study was performed on data from the earlier prospective multicenter study registered at ClinicalTrials.gov, NCT04379531. CT and LDCT data were processed in 3D Slicer software with Lung CT Segmenter and Lung CT Analyzer extensions, and the volume of affected lung tissue and lung volume were determined by thresholding.Results. The sample size was 84 patients with signs of COVID-19-associated pneumonia. Mean age was 50.6 ± 13.3 years, and the median body mass index (BMI) was 28.15 [24.85; 31.31] kg/m2. The effective doses were 10.1 ± 3.26 mSv for the standard CT protocol and 2.64 mSv [1.99; 3.67] for the developed LDCT protocol. The analysis of absolute lung lesion volume in cubic centimeters with Wilcoxon Signed Ranks Test revealed a statistically significant difference between CT and LDCT (p-value function show_eabstract() { $('#eabstract1').hide(); $('#eabstract2').show(); $('#eabstract_expand').hide(); }

Еще

Список литературы Автоматический анализ поражения легких при COVID-19: сравнение стандартной и низкодозной компьютерной томографии

  • Lai C.-C., Shih T.-P., Ko W.-C., Tang H.-J., Hsueh P.-R. Severe acute respiratory syndrome Coronavirus 2 (SARS-CoV-2) and Coronavirus disease-2019 (COVID-19): The epidemic and the challenges. Int. J. Antimicrob. Agents. 2020;55(3):105924. DOI: 10.1016/j.ijantimi-cag.2020.105924.
  • ße Jaegere T.M.H., Krdzalic J., Fasen B.A.C.M., Kwee R.M.; COVID-19 CT Investigators South-East Netherlands (CISEN) study group. Radiological society of north america chest ct classification system for reporting COVID-19 pneumonia: Interobserver variability and correlation with reverse-transcription polymerase hain reaction. Radiol. Cardiothorac. Imaging. 2020;2(3):e200213. DOI: 10.1148/ryct.2020200213.
  • Samir A., El-Husseiny R.M., Sweed R.A., El-Maaboud N.A.E.-M.A., Ma-soud M. Ultra-low-dose chest CT protocol during the second wave of COVID-19 pandemic: A double-observer prospective study on 250 patients to evaluate its detection accuracy. Egypt. J. Radiol. Nucl. Med. 2021;52(1):136. DOI: 10.1186/s43055-021-00512-2.
  • Prokop M., van Everdingen W., van Rees Vellinga T., Quarles van Ufford H., Stöger L., Beenen L. et al. CO-RADS: A categorical СТ assessment scheme for patients suspected of having COVID-19-definition and evaluation. Radiol. 2020;296(2):E97-E104. DOI: 10.1148/radiol.2020201473.
  • Yang R., Li X., Liu H., Zhen Y., Zhang X., Xiong Q. et al. Chest ct severity score: An imaging tool for assessing severe covid-19. Radiol. Cardiothorac. Imaging. 2020;2(2):e200047. DOI: 10.1148/ryct.2020200047.
  • Colombi D., Bodini F.C., Petrini M., Maffi G., Morelli N., Milanese G. et al. Well-aerated lung on admitting chest CN to predict adverse outcome in COVID-19 pneumonia. Radiol. 2020;296(2):E86-E96. DOI: 10.1148/ radiol.2020201433.
  • Priority medical devices list for the COVID-19 response and associated technical specifications: Interim guidance. URL: https://apps.who.int/iris/ bitstream/handle/10665/336745/WHO-2019-nCoV-MedDev-TS-O2T. V2-eng.pdf (22.11.2022).
  • Lee E.Y.P, Ng M.Y., Khong P.L. COVID-19 pneumonia: what has CT taught us? Lancet Infect. Dis. 2020;20(4):384-385. DOI: 10.1016/ S1473-3099(20)30134-1.
  • Xia T., Li J., Gao J., Xu X. Small solitary ground-glass nodule on СТ as an initial manifestation of coronavirus disease 2019 (COVID-19) pneumonia. Korean. J. Radiol. 2020;21(5):545. DOI:10.3348/kjr.2020.0240.
  • Li B., Li X., Wang Y., Han Y., Wang Y., Wang C. et al. Diagnostic value and key features of computed tomography in Coronavirus Disease 2019. Emerg. Microbes Infec. 2020;9(1):787-793. DOI: 10.1080/22221751.2020.1750307.
  • Parekh M., Donuru A., Balasubramanya R., Kapur S. Review of the chest CT differential diagnosis of ground-glass opacities in the COVID era. Radiol. 2020;297(3):E289-E302. DOI: 10.1148/radiol.2020202504.
  • Лучевая диагностика коронавирусной болезни (COVID-19): организация, методология, интерпретация результатов; 2 изд. URL: https://tele-med.ai/biblioteka-dokumentov/luchevaya-diagnostika-koro-navirusnoj-bolezni-covid-19-organizaciya-metodologiya-interpretaci-ya-rezultatov2 (22.11.2022)
  • Huang L., Han R., Ai T., Yu P., Kang H., Tao Q. et al. Serial quantitative chest CT assessment of COVID -19: A deep learning approach. Radiol: Cardiothorac. Imaging. 2020;2(2):e200075. DOI: 10.1148/ ryct.2020200075.
  • Морозов С.П., Кузьмина Е.С., Ледихова Н.В., Владзимирский А.В., Трофименко И.А., Мокиенко О.А. и др. Мобилизация научно-практического потенциала службы лучевой диагностики г. Москвы в пандемию COVID-19. Digital Diagnostics. 2020;1(1):5-12. DOI: 10.17816/ DD51043.
  • Prasad K.N., Cole W.C., Haase G.M. Radiation protection in humans: Extending the concept of as low as reasonably achievable (Alara) from dose to biological damage. BJR. 2004;77(914):97-99. DOI: 10.1259/ bjr/88081058.
  • Preface, executive summary and glossary. Ann. ICRP. 2007;37(2-4):9-34. DOI: 10.1016/j.icrp.2007.10.003.
  • Sakane H., Ishida M., Shi L., Fukumoto W., Sakai C., Miyata Y. et al. Biological effects of low-dose chest CT on chromosomal DNA. Radiology. 2020;295(2):439-445. DOI: 10.1148/radiol.2020190389.
  • Tofighi S., Najafi S., Johnston S.K., Gholamrezanezhad A. Low-dose CT in COVID-19 outbreak: Radiation safety, image wisely, and image gently pledge. Emerg. Radiol. 2020;27(6):601-605. DOI: 10.1007/s10140-020-01784-3.
  • Tabatabaei S.M.H, Talari H., Gholamrezanezhad A., Farhood B., Ra-himi H., Razzaghi R. et al. A low-dose chest CT protocol for the diagnosis of COVID-19 pneumonia: A prospective study. Emerg. Radiol. 2020;27(6):607-615. DOI: 10.1007/s10140-020-01838-6.
  • Schulze-Hagen M., Hübel C., Meier-Schroers M., Yüksel C., Sander A. et al. Low-dose chest CT for the diagnosis of COVID-19. Deutsches Ärzteblatt International. 2020;117(22-23):389-395. DOI: 10.3238/arz-tebl.2020.0389.
  • Aslan S., Bekiji T., Qakir i.M., Ekiz M., Yavuz i., §ahin A.M. Diagnostic performance of low-dose chest CT to detect COVID-19: A Turkish population study. Diagn. Interv. Radiol. 2021;27(2):181-187. DOI: 10.5152/ dir.2020.20350.
  • Blokhin I., Gombolevskiy V., Chernina V., Gusev M., Gelezhe P., Aleshina O. et al. Inter-observer agreement between low-dose and standard-dose СТ with soft and sharp convolution kernels in COVID-19 pneumonia. J. Clin. Med. 2022;11(3):669. DOI: 10.3390/jcm11030669.
  • Усанов М.С., Кульберг Н.С., Морозов С.П. Разработка алгоритма анизотропной нелинейной фильтрации данных компьютерной томографии с применением динамического порога. Компьютерные исследования и моделирование. 2019;11(2):233-248. DOI: 10.20537/2076-7633-2019-11-2-233-248.
  • Schilham A.M.R, van Ginneken B., Gietema H., Prokop M. Local noise weighted filtering for emphysema scoring of low-dose CT images. IEEE Trans. Med. Imaging. 2006;25(4):451-463. DOI: 10.1109/ TMI.2006.871545.
  • Николаев А.Е., Чернина В.Ю., Блохин И.А., Шапиев А.Н., Гончар А.П., Гомболевский В.А. и др. Перспективы использования комплексной компьютер-ассистированной диагностики в оценке структур грудной клетки. Хирургия. Журнал им. Н.И. Пирогова. 2019;(12):91-99. DOI: 10.17116/hirurgia201912191.
  • Bai T., Wang B., Nguyen D., Jiang S. Probabilistic selfDlearning framework for lowDdose CT denoising. Med. Phys. 2021;48(5):2258-2270. DOI: 10.1002/mp.14796.
  • Tang C., Li J., Wang L., Li Z., Jiang L., Cai A. et al. Unpaired low-dose CT denoising network based on cycle-consistent generative adversarial network with prior image information. Comput. Math. Methods Med. 2019;2019:1-11. DOI: 10.1155/2019/8639825.
  • Gombolevskiy V., Morozov S., Chernina V., Blokhin I., Vassileva J. A phantom study to optimise the automatic tube current modulation for chest CT in COVID-19. Eur. Radiol. Exp. 2021;5(1):21. DOI: 10.1186/ s41747-021-00218-0.
  • Maldjian P.D., Goldman A.R. Reducing radiation dose in body СТ: primer on dose metrics and key CT technical parameters. Am. Jour. of Rent. 2013;200(4):741-747. DOI: 10.2214/AJR.12.9768.
  • Gierada D.S., Bierhals A.J., Choong C.K., Bartel S.T., Ritter J.H., Das N.A. et al. Effects of CT section thickness and reconstruction kernel on emphysema quantification. Acad. Radiol. 2010;17(2):146-156. DOI: 10.1016/j.acra.2009.08.007.
  • Fedorov A., Beichel R., Kalpathy-Cramer J., Finet J., Fillion-Robin J.-C., Pujol S. et al. 3D slicer as an image computing platform for the Quantitative Imaging Network. Magn. Reson. Imaging. 2012;30(9):1323-1341. DOI: 10.1016/j.mri.2012.05.001.
  • Kikinis R., Pieper S.D., Vosburgh K.G. 3D slicer: F platform for subject-specific image analysis, visualization, and clinical support. In: F.A. Jolesz by ed. Intraoperative imaging andiImage-guided therapy. New York: Springer; 2014:277-289. DOI: 10.1007/978-1-4614-7657-3_19.
  • Bumm R., Lasso A., Kawel-Böhm N., Wäckerlin A., Ludwig P., Furrer M. First results of spatial reconstruction and quantification of COVID-19 chest CT infiltrates using lung CT analyzer and 3D slicer. Brit. J. Surg. 2021;108(4):znab202.077. DOI: 10.1093/bjs/znab202.077.
  • Kaza E., Dunlop A., Panek R., Collins D.J., Orton M., Symonds-Tayler R. et al. Lung volume reproducibility under ABC control and self-sustained breath-holding. J. Appl. Clin. Med. Phys. 2017;18(2):154-162. DOI: 10.1002/acm2.12034.
  • Lanza E., Muglia R., Bolengo I., Santonocito O.G., Lisi C., Angelotti G. et al. Quantitative chest CT analysis in COVID-19 to predict the need for oxygenation support and intubation. Eur. Radiol. 2020;30(12):6770-6778. DOI: 10.1007/s00330-020-07013-2.
  • Berta L., Rizzetto F., De Mattia C., Lizio D., Felisi M., Colombo P.E. et al. Automatic lung segmentation in COVID-19 patients: Impact on quantitative computed tomography analysis. Phys. Medica. 2021;87:115-122. DOI: 10.1016/j.ejmp.2021.06.001.
  • Ozsahin I., Sekeroglu B., Musa M.S., Mustapha M.T., Uzun Ozsahin D. Review on diagnosis of covid-19 from chest CT images using artificial intelligence. Comput. Math. Methods Med. 2020;2020:1-10. DOI: 10.1155/2020/9756518.
  • Shi F., Wang J., Shi J., Wu Z., Wang Q., Tang Z. et al. Review of artificial intelligence techniques in imaging data acquisition, segmentation, and diagnosis for COVID-19. IEEE Rev. Biomed. Eng. 2021;14:4-15. DOI: 10.1109/RBME.2020.2987975.
  • Кульберг Н.С., Решетников Р.В., Новик В.П., Елизаров А.Б., Гусев М.А., Гомболевский В.А. и др. Вариабельность заключений при интерпретации КТ-снимков: один за всех и все за одного. Digital Diagnostics. 2021;2(2):105-118. DOI: 10.17816/DD60622.
  • Boufarasse Y.B., Ettahir A., Bekkali D., Bennani J. Teleradiology and AI as solution to overcome the COVID-19 pandemic impact during the lockdowns in Africa. Health Sci. J. 2020;14(6):771. DOI: 10.36648/1791-809X.14.6.771.
  • Tan B.S., Dunnick N.R., Gangi A., Goergen S., Jin Z.Y., Neri E. et al. RSNA International Trends: A global perspective on the COVID-19 pandemic and radiology in late 2020. Radiol. 2021;299(1):E193-E203. DOI: 10.1148/radiol.2020204267.
  • Martin-Noguerol T., Lopez-Ortega R., Ros P.R., Luna A. Telework-ing beyond teleradiology: Managing radiology departments during the COVID-19 outbreak. Eur. Radiol. 2021;31(2):601-604. DOI: 10.1007/ s00330-020-07205-w.
Еще