Bagaimana mengukur nodul paru-paru dalam gambar CT Scan DICOM?


9

Dalam pertanyaan ini, saya ingin fokus pada nilai intensitas CT Scan. Pertama, lihat gambar di bawah ini:

pengukuran nodul paru

Gambar atas adalah gambar asli, sedangkan gambar bawah adalah versi ambang. Untuk mengukur volume bentuk apa pun, secara teori, dimungkinkan untuk hanya menghitung jumlah voxel dalam gambar. Namun, lapisan terluar objek (mis. Nodul) menunjukkan intensitas yang lebih gelap, sedangkan semua voxel di dalam objek memiliki intensitas yang sangat tinggi. Jika saya hanya menghitung voxel dalam versi ambang, saya akan sangat mungkin mendapatkan volume hasil lebih besar dari volume aktual untuk nodul paru-paru.

Saya juga melihat bahwa ada variabel seperti pusat jendela (level) dan lebar jendela, yang dapat digunakan untuk menyesuaikan informasi intensitas gambar DICOM. Intensitas yang berbeda dapat mengubah volume hasil.

Jadi inilah pertanyaannya: jika saya mengukur setiap nodul paru yang diberikan, apa yang harus saya lakukan untuk mencapai ketelitian terbaik? Kapan kita harus mengabaikan voxel intensitas rendah? Atau haruskah saya melakukan ini dengan beberapa cara lain?


Semoga Anda tidak keberatan, tapi saya memindahkan ini ke Signal Processing, karena ini lebih merupakan masalah pemrosesan platform-independen, dan saya telah melihat pertanyaan seperti ini mendapatkan jawaban yang bagus di sini.
Brad Larson

Apakah ada alasan Anda mengaturnya terlebih dahulu? Anda mungkin akan mendapatkan hasil yang lebih akurat tanpa itu.
endolith

Nah, lalu voxel mana yang harus Anda perhitungkan?
Karl

Jawaban:


2

Selain dari seluruh diskusi tentang pemrosesan sinyal murni: Apa yang sebenarnya Anda definisikan sebagai "nodul". Ini biasanya merupakan entitas biologis dengan batas yang sulit untuk didefinisikan. Sifat nodul adakalanya pertumbuhan invasif dan oleh karena itu bahkan pada bagian histologis tidak didefinisikan dengan baik. Oleh karena itu CT itu sendiri memiliki ambang lebih tinggi dari histologi dan oleh karena itu batas sebenarnya dari nodul tidak dapat didefinisikan dengan mudah. Di sisi lain, jaringan sehat di sekitar nodul mungkin terkompresi dan tampak padat pada CT. Ini mungkin tergantung pada fase respirasi pemindaian (hasil terbaik di midinspirasi, menurut data yang lebih baru). Atau peradangan mungkin mengaburkan batas sejati nodul.

Aspek lain adalah interpolasi gambar. Teknik ini biasanya menggunakan spiral-CT, jadi Anda tidak akan melewatkan lesi apa pun. Karena itu, bagian-bagian tersebut dihitung. Ini menghasilkan batas objek yang kurang jelas. Jika fokusnya akan pada deteksi perbatasan atau resolusi histologi dekat, scan resolusi tinggi biasanya diperlukan. Inilah yang Anda lakukan untuk penyakit paru interstitial. Sayangnya, mereka mengiris paru-paru dengan jarak yang cukup besar di antaranya. Dosis radiasi akan sangat tinggi, jika Anda mencoba untuk mendapatkan "pemindaian volume penuh". Tetapi dalam jenis pemindaian ini, Anda harus waspada, bahwa Anda kehilangan lesi di antara irisan.

Untuk kembali ke pertanyaan awal: Saya pikir Anda harus memvalidasi teknik Anda - apa pun itu - dengan standar emas. Yang merupakan bagian histologi. (Sayangnya, paru-paru tidak mudah dipotong ...). Pilihan lain adalah teknik tambahan: seperti PET-CT (menggabungkan tomografi emisi positron dengan tomografi komputer), tetapi algoritma penyelarasan terkadang rumit.


1

Dengan asumsi ini adalah karena " efek volume parsial " (dan bukan karena lapisan terluar dari nodul benar-benar beberapa bahan yang berbeda):

Jika Anda menganggap voxel (1mm ^ 3, katakanlah) dengan nilai cerah katakanlah 200 untuk semua bahan nodul, dan voxel dengan nilai katakanlah 100 menjadi jaringan yang benar-benar normal, maka tampaknya masuk akal untuk menganggap bahwa voxel dengan nilai 160 adalah 60% nodul dan 40% jaringan normal (sehingga seharusnya berkontribusi 0,6mm ^ 3 terhadap total Anda).

Jika asumsi itu benar (dan itu besar jika), maka seharusnya Anda mendapatkan pengukuran volume yang lebih baik daripada hanya menghitung voxels> = 200 atau> 100.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.