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

СтатьяСИБИР ЖУР КЛИН ЭКСП МЕД. 2022; Т. 37, № 4: 114–123. DOI:10.29001/2073-8552-2022-37-4-114-123

Блохин И.А.^[1]

Соловьев А.В.^[1]

Владзимирский A.B.^[1]

Коденко М.Р.^[1,2]

Шумская Ю.Ф.^[1,3]

Гончар А.П.^[1]

Гомболевский В.А.^[4]

^[1]«Научно-практический КЦ диагностики и телемедицинских технологий» Департамента здравоохранения г. Москвы

^[2]«Московский государственный технический университет им. Н.Э. Баумана (национальный исследовательский университет) Минобрнауки России

^[3]Первый Московский государственный медицинский университет им. И. М. Сеченова (Сеченовский университет)

^[4]Институт искусственного интеллекта

Введение.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.Цель исследования: сравнить точность расчета объема пораженной легочной ткани между КТ и НДКТ при COVID-19 с помощью полуавтоматической программы сегментации.Материал и методы.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.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 < 0,001). При анализе процента поражения легочной ткани (объем пораженной ткани/объем легких) между КТ и НДКТ критерий Вилкоксона статистически значимых различий не выявил (p-value = 0,95).Заключение.Заключение. Надежность разработанного протокола НДКТ для пациентов с COVID-19 при полуавтоматическом расчете процента пораженной ткани в 3D Slicer с расширениями Lung CT Segmenter и Lung CT Analyzer сравнима со стандартным протоколом КТ ОГК.

компьютерная томография

COVID-19

грудная клетка

полуавтоматическая сегментация

низкодозная компьютерная томография

COVID-19

Больные

Грудная клетка

Легкие

Методы

Нормальное распределение

Протокол

Ретроспективные исследования

Томография

Шум

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.ijantimicag.2020.105924..
DOI: 10.1016/j.ijantimicag.2020.105924

Вe 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..
DOI: 10.1148/ryct.2020200213

Samir A., El-Husseiny R.M., Sweed R.A., El-Maaboud N.A.E.-M.A., Masoud 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..
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..
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..
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..
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).https://apps.who.int/iris/bitstream/handle/10665/336745/WHO-2019-nCoV-MedDev-TS-O2T.V2-eng.pdf

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..
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..
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..
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..
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-koronavirusnoj-bolezni-covid-19-organizaciya-metodologiya-interpretaciya-rezultatov2 (22.11.2022)https://tele-med.ai/biblioteka-dokumentov/luchevaya-diagnostika-koronavirusnoj-bolezni-covid-19-organizaciya-metodologiya-interpretaciya-rezultatov2

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..
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..
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..
DOI: 10.1259/bjr/88081058

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..
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..
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..
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/s10140-02001784-3..
DOI: 10.1007/s10140-02001784-3

Tabatabaei S.M.H, Talari H., Gholamrezanezhad A., Farhood B., Rahimi 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..
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/arztebl.2020.0389..
DOI: 10.3238/arztebl.2020.0389

Aslan S., Bekçi T., Çakır İ.M., Ekiz M., Yavuz İ., Şahin 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..
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 СOVID-19 pneumonia. J. Clin. Med. 2022;11(3):669. DOI: 10.3390/jcm11030669..
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..
DOI: 10.20537/2076-7633-2019-11-2-233-248

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..
DOI: 10.20537/2076-7633-2019-11-2233-248

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..
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..
DOI: 10.17116/hirurgia201912191

Bai T., Wang B., Nguyen D., Jiang S. Probabilistic self‐learning framework for low‐dose CT denoising. Med. Phys. 2021;48(5):2258–2270. DOI: 10.1002/mp.14796..
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..
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..
DOI: 10.1186/ s41747-021-00218-0

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..
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..
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..
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..
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: 10.1007/978-1-4614-76573_19..
DOI: 10.1007/978-1-4614-76573_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..
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..
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..
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..
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..
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..
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..
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: 10.36648/1791809X.14.6.771..
DOI: 10.36648/1791809X.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..
DOI: 10.1148/radiol.2020204267

Martín-Noguerol T., Lopez-Ortega R., Ros P.R., Luna A. Teleworking beyond teleradiology: Managing radiology departments during the COVID-19 outbreak. Eur. Radiol. 2021;31(2):601–604. DOI: 10.1007/s00330-020-07205-w..
DOI: 10.1007/s00330-020-07205-w

Язык текста: Русский

ISSN: 2713-2927