EVALUASI EFUSI PLEURA MENGGUNAKAN GAMBARAN

CT DADA DIBANTU DENGAN KOMPUTER

Jianhua Yao, Wei Han, and Ronald M. Summers
Radiology and Image Sciences Department, Clinical Center, The National Institute of Health,
Bethesda, Maryland, 20892

ABSTRAK
Efusi pleura adalah suatu kondisi di mana ada penumpukan cairan abnormal dalam ruang
pleura. disini menyajikan sebuah metode otomatis untuk mengevaluasi keparahan efusi
pleura menggunakan gambar CT dada biasa. Pertama paru-paru tersegmentasi menggunakan
wilayah tubuh , matematika dan pengetahuan morfologi anatomi. Kemudian lapisan viseral
dan parietal pleura yang diekstrak berdasarkan landmark anatomi, curve fitting dan model
kontur aktif. Akhirnya, rongga pleura tersegmentasi dan efusi pleura diukur. Metode kami
telah diuji pada 15 Studi CT dada . segmentasi otomatis divalidasi terhadap tracing manual
dan gradasi kualitatif radiologi . korelasi Pearson antara evaluasi komputer dan gradasi ahli
radiologi adalah 0,956 ( P = 10-7 ) . Koefisien Dice antara otomatis dan manual segmentasi
adalah 0.74 ± 0.07 , yang sebanding dengan variasi antara dua pengguna yang berbeda
penelusuran.

KATA KUNCI
Pleural Effusion; CAD; Segmentation

1. PERKENALAN
Efusi pleura menggambarkan kondisi penumpukan cairan dalam rongga pleura dari
rongga paru-paru, biasanya sebagai gejala dari penyakit yang lebih besar , seperti gagal
ventrikel , sirosis hati, atau keganasan, dan dapat dibagi menjadi dua kelas berdasarkan
bagaimana berasal cairan [ 1 ] : transudat berasal dari perubahan tekanan hidrostatik , di
mana cairan didorong dari rongga pleura ke tempat lain; atau eksudat , di mana cairan yang
dibuat oleh pleura yang permukaan itu sendiri . jumlah cairan yang berlebihan tersebut dapat
mengganggu pernapasan. Mengetahui lokasi , dan terutama volume , dari efusi pleura dapat
membantu dokter dalam menentukan keparahan kondisi , atau apakah akan melakukan biopsi
pada efusi pleura .
Efusi pleura dapat dideteksi melalui sejumlah metode noninvasif, termasuk
radiografi dada, CT dada dan ultrasound. metode ultrasonik menawarkan fleksibilitas terbaik
dan portabilitas, serta pengukuran volume yang lebih akurat jika dibandingkan dengan
radiografi dada; Namun, untuk lokasi terbaik dari efusi pleura ditambah dengan volume yang
pengukuran akurat, CT scan dada normal [1]. Berkenaan dengan CT scan dada, mayoritas
kerja pada deteksi efusi pleura dan pengukuran telah terkonsentrasi ke arah baik
mendefinisikan fitur untuk digunakan dalam pemisahan manual efusi pleura dari jaringan
sekitarnya atau penyimpangan lainnya seperti ascites [2], atau terhadap pengukuran yang
lebih baik dari volume yang ditetapkan [3]. Banyak dari ini tidak mengukur volume
langsung. Sistem [3] tidak langsung menghitung jumlah piksel dalam area efusi pleura. Ini
bukan mengandalkan pengukuran atribut tertentu, seperti panjang dan kedalaman efusi.
Ditemukan bahwa meskipun tidak secara langsung mengukur luas penampang, pengukuran
masih berkorelasi baik dengan volume aktual, sebagaimana ditentukan oleh estimasi ahli
radiologi. Namun pengukuran volume versi software ini masih memerlukan ahli radiologi
untuk menafsirkan gambar CT dan manual menarik di daerah bertekad untuk menjadi efusi
pleura yang akan diukur, sering memakan waktu tugas. Apa yang diinginkan adalah dibantu
sistem diagnostik komputer yang tidak hanya menentukan volume dari ruang didefinisikan,
tapi satu yang akan mengidentifikasi area efusi pleura dan memilih volume yang benar tanpa
masukan ahli radiologi.
Hal ini tidak hanya akan mengurangi waktu yang dibutuhkan per CTseri; jika
akurasi sistem itu cukup tinggi, bisa juga mengurangi jumlah kesalahan dalam diagnosis.
Tujuan dari penelitian ini adalah untuk mengembangkan sistem tersebut dan mengujinya
dalam jumlah yang wajar dari kasus untuk menentukan efektivitasnya. Otomatis evaluasi
efusi pleura di gambar CT bukan tugas sepele karena berikut alasan: 1) intensitas pixel dari
cairan pleura sangat dekat dengan yang ada pada jaringan lunak dan jaringan paru
dikompresi; 2) batas ruang pleura tidak teratur dan biasanya ambigu. Gambar 1 menunjukkan
contoh efusi pleura.

2. BAHAN-BAHAN DAN METODE-METODE

Secara garis besar metode kami diilustrasikan pada Gambar 2. Mengingat CT dada
kumpulan data , gambar yang preproses menggunakan filter difusi anisotropic untuk
mengurangi kebisingan. Kemudian segmentasi 3D paru dilakukan untuk menutupi daerah
paru-paru dan memisahkan paru-paru kiri dan kanan . Setelah itu , lapisan viseral dan parietal
pleura yang diambil . Akhirnya efusi pleura diukur dan dievaluasi .
2.1 Preprocessing
Sebuah langkah preprocessing pertama dilakukan untuk mengurangi kebisingan dan artefak
pada gambar . difusi Anisotropic adalah metode nonlinear daerah smoothing di gambar
sementara melestarikan tepi antara daerah . Pada bentuk yang paling dasar , filter memaksa
pixel intensitas di setiap daerah dari gambar untuk bermigrasi ke arah rata-rata di setiap
daerah . Itu Bentuk umum dari filter adalah :

di mana ( x , t ) mewakili CT gambar , x mengacu pixel koordinat gambar , dan t mengacu

pada langkah iterasi ( nilai default adalah 0,25 ) ; f ( x , t ) merupakan fungsi difusi , yang
dalam pekerjaan ini didefinisikan sebagai [ 4 ] ,

di mana K merupakan difusi konstan ( nilai default adalah 3 ) . Hasil anisotropic difusi
ditunjukkan pada Gambar 3b .

2.2 Lung Segmentasi

Sebuah teknik segmentasi kustom berdasarkan wilayah - tubuh dan morfologi matematika
telah dikembangkan untuk segmen paru-paru kiri dan kanan . Pertama , trakea terletak dan
tersegmentasi keluar . Dengan menggunakan posisi tersegmentasi trakea , dua poin berada
untuk setiap sisi itu . Titik-titik mewakili titik mungkin dalam paru-paru . Kemudian , dengan
menggunakan algoritma wilayah tumbuh 3D , diperluas ke segmen luas sebenarnya dan
ruang dari paru-paru . Akhirnya segmentasi yang disempurnakan menggunakan matematika
morfologi untuk menutup kesenjangan dan lubang di dalam paru-paru dan di sepanjang batas.
Sebagai bagian dari proses segmentasi, kita membedakan antara paru-paru kiri dan kanan.
Rincian dari algoritma segmentasi paru dapat ditemukan di [5]. Segmentasi paru rutin
mengembalikan topeng daerah paru-paru S (x, y), dimana S (x, y) = 1 untuk piksel paru-paru
dan S (x, y) = 0 jika (Gambar 3c).

2.3 Visceral dan parietal ekstraksi pleura

Rongga pleura adalah ruang antara lapisan viseral dan parietal pleura, yang adalah
struktur membran serosa. Pleura visceral (lapisan dalam) menutupi paru-paru, dan pleura
parietal (lapisan luar) yang melekat pada dinding dada (Gambar 1). Sebagian pleura yang
cairan terakumulasi di bagian bawah rongga pleura karena gravitasi. Untuk segmen rongga
pleura, pleura visceral dan parietal perlu diekstrak. Itu algoritma ekstraksi diterapkan pada
ruang pleura kiri dan kanan secara terpisah.
Kami menyusun tiga langkah rutin untuk mengekstrak lapisan visceral. Pertama,
lapisan awal terdeteksi pada batas paru; kedua, kurva b-spline dilengkapi dengan lapisan
awal; dan ketiga, Model kontur aktif diterapkan untuk memperbaiki lapisan. Lapisan viseral
awal terletak pada titik terakhir batas paru-paru untuk setiap y scan-line sejak fluida
terakumulasi di bagian bawah paru-paru. (X, y) axis ditandai pada Gambar 4a. Proses ini
dapat dirumuskan sebagai,

di sini B ( x , y ) adalah peta batas paru-paru , S ( x , y ) adalah segmentasi paru masker . ( X ,

VL ( x ) ) adalah nilai awal untuk lapisan visceral , yang ditunjukkan pada Gambar 4a . Nilai
awal ini kemudian dipasang ke kurva b - spline halus [ 6 ] , ditulis sebagai ( 4 )

Berikut C ( t ) adalah kurva pas , T = { t0 , tn } didistribusikan secara merata knot internal N (

t ) adalah fungsi dasar , d adalah derajat kurva ( nilai default adalah 5 ) , dan Pi = ( x , VL ( x
) ) adalah titik kontrol dari batas awal . Kemudian model active contour [ 7 ] digunakan untuk
memperbaiki batas . Menggunakan kurva b - spline sebagai kontur awal , beberapa angkatan
kerja
bersama-sama untuk mendorong kontur aktif untuk tujuan. Pasukan dapat dinyatakan

Sebagai mana Finternal adalah gaya spline kontur , dan Fimage adalah gaya gambar , dan
menang dan wim adalah parameter bobot masing-masing . Gaya internal Finternal dapat
ditulis sebagai :
(6)
di mana c (s) adalah kurva yang mewakili kontur, c '(s) adalah urutan turunan pertama dari c
(s), dan c '' (s) adalah turunan urutan kedua dari c (s). Gaya spline terdiri dari orde pertama
Istilah dikendalikan oleh α (s) (default = 0,5) dan jangka orde kedua dikendalikan oleh β (s)
(default = 1).
Fimage adalah kekuatan yang berasal dari gambar untuk menarik kontur fitur gambar seperti
tepi, iso-nilai, atau batas. Dalam metode kami, kami menggunakan gradien dari peta tepi
sebagai kekuatan citra, yaitu(7)

dimana g⇀ adalah gradien, '(x) adalah urutan turunan pertama gambar I, | I (x) | membentuk
tepi peta. Gambar 4b menunjukkan pleura visceral diekstrak. Lapisan parietal berfungsi
sebagai batas bawah dari rongga pleura. Hal ini melekat pada bagian dalam dinding tulang
rusuk. Kami menggunakan tiga langkah rutin yang sama untuk ekstraksi pleura parietal.
Pertama, poin penting dari tulang rusuk bagian terdeteksi; kedua, polinomial Bernstein adalah
dilengkapi dengan landmark; dan ketiga, model kontur aktif diterapkan untuk memperbaiki
lapisan. Ribs digunakan sebagai landmark untuk lapisan parietal. Kita model tulang rusuk
sebagai slab memanjang dengan intensitas pixel tinggi (Gambar 4c). Untuk setiap titik (xi, yi)
pada lapisan visceral,kita mencari dalam ruang di bawahnya untuk mencari model rib terbaik
cocok. Proses pencarian dapat ditulis sebagai,

di sini ( x , y ) adalah intensitas citra , g ( I ( x , y ) ) adalah gradien gambar , th adalah

intensitas tulang threshold (default : 300HU ) , Tmin dan tmax adalah kisaran lebar rib ( nilai
default : 10 dan 20 piksel ) . Poin batas atas ( xi , yi u ) dikumpulkan sebagai landmark (
Gambar 4d ) .landmark bisa terjawab di beberapa lokasi rusuk , atau mereka bahkan bisa
berada di lokasi yang salah ( Mis tulang bahu pada Gambar 4d ) . Kami cocok dengan 5
derajat Bernstein polinomial interpolasi hilang landmark dan menghilangkan yang salah .
polinomial ditulis sebagai
Operasi pas digunakan untuk mencari ak yang meminimalkan kuadrat terkecil metrik Σ [ yi -
B ( a0 ,... , A5 ; xi ) ] 2 , di sini ( xi , yi ) adalah titik-titik landmark . Kurva pas mengulangi
tiga kali dan setiap kali outlier ( yang jauh dari kurva pas ) dikeluarkan dari iterasi berikutnya
( Gambar 4e ) . Kurva ini kemudian digunakan sebagai nilai awal untuk model kontur aktif (
Persamaan 5 ) untuk memperbaiki lapisan parietal ( Gambar 4f ) .

2.4 Pengukuran efusi pleura

Kami menghubungkan dua titik akhir dari lapisan viseral dan lapisan parietal dan
mempekerjakan algoritma scanline [ 8 ] untuk mengisi ruang . Piksel dalam ruang diisi milik
ruang pleura. Prosedur ini diulang untuk semua irisan dan jumlah total pixel dihitung sebagai
volume efusi pleura . Rasio volume efusi pleura dibandingkan paru-paru Volume juga
dihitung . Gambar 5a menunjukkan satu secara otomatis terdeteksi efusi pleura

3. HASIL
Lima belas pasien (Usia 32-79 thn, berarti 52,4 thn) dengan efusi pleura setidaknya
berukuran sedang (seperti yang dijelaskan dalam laporan radiologi) dipilih untuk evaluasi
metode kami. CT scan dada memiliki ketebalan irisan 5mm dan spasi. jarak berkisar dari
0.63mm ke 0.88mm. Seorang operator manual ditelusuri keluar efusi pleura jelas pada layar.

Dice koefisien kemudian dihitung antara tracing manual dan segmentasi komputer, (10) sini
Vc adalah seperangkat komputer tersegmentasi voxels, dan Vm adalah himpunan semua
ditelusuri secara manual voxels, adalah jumlah voxels di segmentasi a. The manual tracing
dilakukan dua kali pada waktu yang berbeda. Gambar 5 menunjukkan contoh segmentasi
komputer dan dua penelusuran manual. Tabel 1 merangkum koefisien Dice. Koefisien Dice
antara segmentasi komputer dan menjiplak pengguna sebanding dengan variasi antara dua
penelusuran manual.
Untuk setiap studi, seorang ahli radiologi yang berpengalaman visual diperiksa CT
gambar dan subyektif dinilai keparahan efusi pleura di paru-paru kiri dan kanan secara
terpisah. kelas berkisar antara 0 sampai 4, di mana 0 menunjukkan tidak ada efusi pleura dan
4 menunjukkan parah efusi pleura. Di antara tiga puluh paru-paru (15 pasien, kiri dan paru-
paru kanan), tujuh orang sebagai kelas 0, sembilan sebagai kelas 1, tujuh sebagai kelas 2,
lima sebagai kelas 3 dan dua sebagai kelas 4. Gambar 6 menunjukkan plot pencar dari nilai
radiologi versus rasio pleura computed Volume efusi / volume paru-paru. Analisis regresi
menunjukkan bahwa korelasi Pearson adalah
0,956 dan P (T <= t) = 10-7.

4. DISKUSI DAN KESIMPULAN

Ada beberapa keterbatasan dalam program saat ini. segmentasi dilakukan pada
setiap slice 2D, yang membuatnya sulit untuk mempertahankan kelangsungan permukaan
antara pleura. Sebuah model permukaan 3D diinginkan untuk memperbaiki dan
meningkatkan segmentasi. Metode saat ini bergantung pada bagian bawah paru-paru untuk
inisialisasi dari rongga pleura. Dalam hal di mana paru-paru benar-benar dikompresi,
inisialisasi lebih canggih berdasarkan tekstur fitur mungkin diperlukan. Sementara menguras
cairan pleura akan menjadi metode terbaik verifikasi keakuratan Program, ini tidak mungkin
karena fakta bahwa seri gambar yang digunakan adalah semua dari beberapa bulan
sebelumnya, dan pasien sudah habis. Sebuah studi di masa depan harus melihat ke
menemukan beberapa pasien saat ini dan akan melalui proses pengeringan mereka efusi
pleura setelah pencitraan. Sistem ini mungkin bisa dimodifikasi untuk deteksi keganasan, jika
hubungan antara keganasan dari efusi pleura dan pixel Intensitas atau penampilan dapat
ditemukan.
Program kami akan membantu dokter dengan mengurangi waktu yang dihabiskan
dalam mengidentifikasi dan mengukur ukuran efusi pleura. Hal ini tidak lagi diperlukan
untuk ahli radiologi atau teknolog untuk susah payah melalui setiap slice CT seri gambar
dengan irisan dan pilih efusi pleura yang akan diukur. Selain itu, gradasi visual subjektif dan
kasar, dan variasi besar mungkin terjadi untuk segmentasi pengguna yang berbeda. Teknik ini
dapat digunakan untuk dengan cepat memberikan perkiraan ukuran efusi pleura, memberikan
dokter alat diagnostik lain. Kami validasi menunjukkan bahwa evaluasi komputer efusi pleura
sangat berkorelasi dengan gradasi ahli radiologi , dan segmentasi otomatis sebanding dengan
yang manual.

Ucapan Terima Kasih

Penelitian ini didukung oleh Program Penelitian Intramural dari National Institutes of Health
, Klinis
Pusat.