Можливості радіоміки для обробки даних комп’ютерної томографії органів грудної порожнини при діагностиці туберкульозу легень
DOI:
https://doi.org/10.30978/TB-2022-2-36Ключові слова:
комп’ютерна томографія; туберкульоз легень; радіоміка; патоморфологія; сегментаційна гістограмаАнотація
У статті показано можливості застосування радіоміки для обробки даних комп'ютерної томографії органів грудної порожнини при діагностиці туберкульозу легень. На сьогодні для обробки зображень КТ використовується суб'єктивний метод, заснований на знаннях та досвіді лікаря-радіолога. Новий підхід до аналізу зображень КТ здатний кардинально змінити процес діагностики. Суть його полягає у створенні математичних моделей та комп'ютерних алгоритмів, які приймають на вхід медичні зображення та видають патофізіологічні особливості тканин.
З метою аналізу зрізів КТ використана програма Dragonfly, надана безкоштовно фірмою OBYECT RESERCH SYSTEMS (ORS), Монреаль, Канада, яка дає можливість проводити сегментацію, математичну та статистичну обробку зображень, виконувати побудову звичайних та сегментованих гістограм. Для роботи з програмою dicom — файли КТ трансформуються в растрові файли (Tiff, Jpeg, Raw) та подальший аналіз зрізів КТ проводиться за градаціями відтінків сірого (за пікселями зображення, а не за вокселями файлів dicom). Необхідно наголосити, що аналіз відтінків сірого корелює з одиницями Хаунсфільда.
Показано, що на підставі даних патоморфологічного дослідження ураженої тканини неможливо встановити різницю між хіміорезистентним та чутливим туберкульозом легень.
Обробка даних КТ із побудовою звичайних та сегментаційних гістограм за допомогою інструментів програми Dragonfly дає змогу виявляти патофізіологічні особливості тканин при діагностиці чутливого та хіміорезистентного туберкульозу легень.
Необхідно проведення подальших досліджень для виявлення закономірностей та різниці у визначенні щільностей при діагностиці чутливого та хіміорезистентного туберкульозу легень.
Посилання
Aerts HJWL, Rios-Velazquez E, Leijenaar RTH, et al. Decoding tumor phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun. 2014;5:4006. doi:10.1038/ncomms5006.
Kumar V, Gu Y, Basu S, et al. Radiomics: the process and the challenges. Magn Reson Imaging. 2012;30(9):1234-1248. doi:10.1016/j.mri.2012.06.010.
Lambin F, Rios-Velazquez E, Leijenaar R, et al. Radiomics: Extracting more information from medical images using advanced feature analysis. Eur J Cancer. 2012;48(4):441-446. doi:10.1016/j.ejca.2011.11.036.
Patil R, Mahadevaiah G, Dekker A. An approach toward automatic classification of tumor histopathology of non—small cell lung cancer based on radiomic features. Tomography. 2016;2(4):374-377. doi:10.18383/j.tom. 2016.00244.
Rizzo S, Botta F, Raimondi S, et al. Radiomics: the facts and the challenges of image analysis. Eur Radiol Exp. 2018;2(1):36. doi:10.1186/s41747-018-0068-z.
The National Lung Screening Trial Research Team. Reduced lung-cancer mortality with low-dose computed tomographic screening. N Engl J Med. 2011;365:395-409.
Trajanovski S, Mavroeidis D, Swisher CL, et al. Towards radiologist-level cancer risk assessment in CT lung screening using deep learning. Comput Med Imaging Graph. 2021;90: 101883. doi:10.1016/j.compmedimag.2021.101883.
Voronchuk NS, Bovsunovska KS, Davydko OB, et al. Segmentation of tuberculosis lungs on computer tomography images. Innov Biosyst Bioeng. 2021;5(2):117-124. doi:10.20535/ibb.2021.5.2.23305.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2022 Автори
Ця робота ліцензується відповідно до Creative Commons Attribution-NoDerivatives 4.0 International License.