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

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 < 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. 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.

1. 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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).

8. 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.

9. 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.

10. 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.

11. 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.

12. 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)

13. 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.

14. 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.

15. 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.

16. Preface, executive summary and glossary. Ann. ICRP. 2007;37(2–4):9– 34. DOI: 10.1016/j.icrp.2007.10.003.

17. 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.

18. 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.

19. 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.

20. 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.

21. 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.

22. 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.

23. 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.

24. 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.

25. 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.

26. 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.

27. 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.

28. 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.

29. 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.

30. 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.

31. 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.

32. 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.

33. 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.

34. 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.

35. 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.

36. 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.

37. 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.

38. 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.

39. 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.

40. 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.

41. 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.

42. 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.