Картинки пиксельные легкие: Галерея Схемы для рисования по клеточкам | Рисунки по клеточкам в тетрадке — Пиксель Арт

Содержание

Рисовать по клеточкам легкие картинки

На чтение 3 мин Просмотров 8.6к. Опубликовано Обновлено

Рисовать по клеточкам картинки – значит поэтапно формировать пространственные представления и упражнять мелкомоторные навыки у детей.

Моторика и пространственные представления тесно связаны между собой: ведь даже для того, чтобы написать одну букву, ребенок должен мысленно ее увидеть, повернуть в пространстве и только после этого его мозг осуществляет целый комплекс действий, позволяющий связать руки с головой и написать нужный знак.

Сопровождение взрослым занятий по рисованию по клеточкам будет помогать ускоренному развитию ребенка: ведь то, что сегодня дошкольник сумеет сделать под руководством взрослого, завтра он сможет сделать и сам. Это именно то, что психологи называют “зоной ближайшего развития”.

Рисовать по клеточкам легкие цветные рисунки

Здесь представлены легкие цветные рисунки, которые вы можете скопировать по клеточкам.  Данное задание самое простое в серии – закрашивать клеточки, чтобы получился рисунок. Образец есть.

Для облегчения ориентирования на листе слева каждый ряд имеет обозначения. У нас представлены рисунки с пронумерованными рядами и рядами, отмеченными буквами английского алфавита.

Но выполнять задания и рисовать по клеточкам легкие рисунки в дошкольном возрасте можно и без знания цифр и букв. Некоторые клеточки уже закрашены – удобно именно с них начинать выполнять задание.

Рисунки с пронумерованными рядами

Картинки с буквенными обозначениями

Закрашивать клеточки

Если вашему ребенку нравятся именно игры закрашивать клеточки по образцу, скачайте подобные материалы тут:

Выполнять такие задания можно даже на обычном тетрадном листе в клеточку.

Животные по клеточкам

Повтори рисунок по точкам

Необычное рисование картинки по точкам – задания, идеально дополняющие рисунки по клеточкам. Такие задания также развивают пространственное мышление, логику, мелкую моторику, математические способности.

Зачем это нужно

Если ребенок сумеет выполнить все упражнения, то в школе ваш маленький ученик не будет писать зеркально буквы и цифры, не будет путать похожие буквы и цифры, будет понимать условия задач и видеть их решение, поймет разряды чисел и их значения, легко постигнет математические действия в столбик, соотношения чисел, понятия больше-меньше, ближе-дальше.

За все это главным образом отвечают пространственное воображение и мелкая моторика рук, развить которые можно, если рисовать по клеточкам.

Но список успехов, достигнутых благодаря развитому пространственному воображению далеко не ограничивается школьными. Здесь и умение правильно соблюдать дистанцию при общении, не задеть и не толкнуть другого в коллективных играх, успешность овладения всеми видами спорта, умение ориентироваться на местности.

картинки из пикселей для рюкзака

картинки из пикселей для рюкзака

картинки из пикселей для рюкзака

>>>ПЕРЕЙТИ НА ОФИЦИАЛЬНЫЙ САЙТ >>>

Что такое картинки из пикселей для рюкзака?

По вместительности, я обобщу, что для ноутбука, зонта, документов, ключей, кошелька и прочих радостей городской жизни этого городского рюкзака вполне будет достаточно. При желании уложить в него больше потребностей нужно понимать, что делать это придется стопкой, так что некоторая каша там заварится. Сам рюкзак к общему весу добавит порядка 900 граммов.

Эффект от применения картинки из пикселей для рюкзака

К 1 сентября дочь-подросток стала выбирать себе рюкзак заранее, ещё в начале лета)))) Сначала она выбрала простой, плотный, молодежный рюкзак. И уже делая заказ, я наткнулась случайно на рекламу рюкзаков Текс и показала ее дочери. Она влюбилась в них сразу. Рюкзак PIX — это новинка, отзывов мало, но мы с дочкой решили рискнуть и заказали. Заказ пришёл, через неделю. Рюкзак приятный, симпатичный, хорошо пошит. Экран гнушийся, чтобы запустить мультфильм нужно установить на телефон специальное приложение. У приложения очень понятный интерфейс в котором разобралась даже младшая дочь. Теперь я пообещала младшей тоже заказать на день рождения такой же рюкзак, но другого цвета. Старшая каждый день приходит и рассказывает как к ней в школе и на улице подходят люди и спрашивают, что это за рюкзак? Как он работает? Где такой купить? И уже у одноклассниц зреет план, что на экран можно выводить шпаргалки)))

Мнение специалиста

Понравилось качество изготовления.

Рюкзак сам по себе интересный, панель яркая, подключается элементарно, но и качество при этом не упустили. Я с ним под дождь сильный попал. Сам промок, а вот рюкзаку хоть бы что. Внутри сухо.

Как заказать

Для того чтобы оформить заказ картинки из пикселей для рюкзака необходимо оставить свои контактные данные на сайте. В течение 15 минут оператор свяжется с вами. Уточнит у вас все детали и мы отправим ваш заказ. Через 3-10 дней вы получите посылку и оплатите её при получении.

Отзывы покупателей:

Валентина

Дочери-подростку купили такой ярко-розовый рюкзак. Дисплей работает хорошо, через приложение можно любую картинку поставить или текст, или даже что-то свое нарисовать. В общем, простор для творчества большой. Корпус у рюкзака достаточно жесткий, так что даже когда дочь кладет в него свой ноутбук, можно быть спокойными, ничего не повредиться.

Ия

Рюкзак реально пришелся мне по душе и с эмоциональной точки зрения, и по своим основным характеристикам.

На мой взгляд, рюкзак-гаджет на 90% состоит из плюсов, но, возможно, во мне все еще говорят эмоции. Я в восторге!!!!!

К 1 сентября дочь-подросток стала выбирать себе рюкзак заранее, ещё в начале лета)))) Сначала она выбрала простой, плотный, молодежный рюкзак. И уже делая заказ, я наткнулась случайно на рекламу рюкзаков Текс и показала ее дочери. Она влюбилась в них сразу. Рюкзак PIX — это новинка, отзывов мало, но мы с дочкой решили рискнуть и заказали. Заказ пришёл, через неделю. Рюкзак приятный, симпатичный, хорошо пошит. Экран гнушийся, чтобы запустить мультфильм нужно установить на телефон специальное приложение. У приложения очень понятный интерфейс в котором разобралась даже младшая дочь. Теперь я пообещала младшей тоже заказать на день рождения такой же рюкзак, но другого цвета. Старшая каждый день приходит и рассказывает как к ней в школе и на улице подходят люди и спрашивают, что это за рюкзак? Как он работает? Где такой купить? И уже у одноклассниц зреет план, что на экран можно выводить шпаргалки))) Где купить картинки из пикселей для рюкзака? Понравилось качество изготовления.

Рюкзак сам по себе интересный, панель яркая, подключается элементарно, но и качество при этом не упустили. Я с ним под дождь сильный попал. Сам промок, а вот рюкзаку хоть бы что. Внутри сухо.
Каталог картинок поможет усовершенсвтовать творческий навык. Просто выбери из сотни предложенных картинок, приобрети недостающие пиксели и укрась свой рюкзак новой картинкой орт художников 4ALL. Ниже вы можете посмотреть схемы выкладывания основных изображений на пиксельных рюкзаках 4ALL KIDS. На схемах изображена картинка, структура выкладывания и данные о необходимом количестве и цвете пикселей. Схемы Для Бисероплетения Пиксельные Изображения Minecraft Рисунки Для Вышивания Вышивка Крестиком Схемы Термомозаика Пластиковый Холст Геометрический Рисунок. Идея этих рюкзаков в заполнении пикселями специального поля на рюкзаке, пенале или просто отдельно панели; они также продаются. Пиксели — это такие силиконовые штучки, которые крепятся на панель по типу lego. Пиксельных рюкзак стоковые векторы и лицензионные иллюстрации.
 . Рюкзак для кемпинга заполненный значок контура, знак вектора линии, линейная красочная пиктограмма, выделенная на белом. Рюкзаки. На поверхности рюкзака можно написать что угодно, собрать из пикселей изображение супергероя или целую историю из любимых комиксов и видеоигр. . В концепции Upixel возможности пиксельной графики не имеют границ. Пиксельные рюкзаки — ультрасовременный модный тренд. . При работе с картинками развиваются творческие способности и мелкая моторика. Стоит начать с шаблонных изображений, которые несложно собрать из пикселей по схеме, и со временем ребёнок придумает и создаст собственное произведение. Комплект пикселей собери любую из 9 картинок на рюкзак T-U01 240шт. Рюкзак Upixel. Пенал школьный пиксельный Super class pencil case WY-B012 Синий принт. Пиксельный пенал в ярких красках WY-B002-a Фуксия с голубым.
http://www.herefordfinewine.co.uk/userfiles/images/riukzak_s_lego_paneliu_i_pikseliami4295.xml
http://aotsargentina.org.ar/userfiles/skolko_stoit_riukzak_piksel3768. xml
http://living168.com.tw/images/led_ranets3549.xml
http://www.willawolnosc.pl/upload/riukzak_piksel_plius3261.xml
http://transmiddleeast.com/userfiles/piksel_37_kmf_pik_99_riukzak2274.xml
К 1 сентября дочь-подросток стала выбирать себе рюкзак заранее, ещё в начале лета)))) Сначала она выбрала простой, плотный, молодежный рюкзак. И уже делая заказ, я наткнулась случайно на рекламу рюкзаков Текс и показала ее дочери. Она влюбилась в них сразу. Рюкзак PIX — это новинка, отзывов мало, но мы с дочкой решили рискнуть и заказали. Заказ пришёл, через неделю. Рюкзак приятный, симпатичный, хорошо пошит. Экран гнушийся, чтобы запустить мультфильм нужно установить на телефон специальное приложение. У приложения очень понятный интерфейс в котором разобралась даже младшая дочь. Теперь я пообещала младшей тоже заказать на день рождения такой же рюкзак, но другого цвета. Старшая каждый день приходит и рассказывает как к ней в школе и на улице подходят люди и спрашивают, что это за рюкзак? Как он работает? Где такой купить? И уже у одноклассниц зреет план, что на экран можно выводить шпаргалки)))
картинки из пикселей для рюкзака
По вместительности, я обобщу, что для ноутбука, зонта, документов, ключей, кошелька и прочих радостей городской жизни этого городского рюкзака вполне будет достаточно. При желании уложить в него больше потребностей нужно понимать, что делать это придется стопкой, так что некоторая каша там заварится. Сам рюкзак к общему весу добавит порядка 900 граммов.
Отзывы › Дети и родители › Все для школы › Школьные рюкзаки › Xiaomi. Рюкзак Xiaomi Zanjia Lightweight Small 2019. . Рюкзак застегивается на молнию. Молния имеет встречные собачки. На собачках закреплены шнурочки с заглушками. Такие «язычки» очень удобны в использовании. Во-первых потому что они. Рюкзак вмещает в себя до 11 литров, а ремни выполнены широкими, чтобы снизить нагрузку на плечи. Поэтому если в него положить книги, тетради и прочие принадлежности, лямки не будут врезаться в кожу. Зоны в рюкзаке тщательно продуманы, что избавит ваши вещи от повреждений и сделает. Xiaomi Zanjia 11L маленькая сумка-рюкзак 5 цветов 150 г легкая городская повседневная спортивная Мини Портативная сумка-рюкзак для мужчин и женщин, Наслаждайся ✓Бесплатная доставка по всему миру! ✓Предложение ограничено по времени! ✓Удобный возврат! Наслаждайся ✓Бесплатная доставка по.
Защита от влаги. Рюкзак Xiaomi Zanjia Lightweight Small Backpack 11L изготовлен из непромокаемого материала высокого качества. Он долго не теряет ухоженного внешнего вида, а также обладает водоотталкивающими свойствами. Zanjia. Тип. Повседневный рюкзак. Материал. . Интернет магазин Xiaomi в Севастополе, 2015-2020 гг. Сайт носит сугубо информационный характер и не является публичной офертой, определяемой Статьей 437 (2) ГК РФ. Model Number: Xiaomi backpack 10L. Exterior: Silt Pocket. Style: Preppy Style. . Purchases Note: This back bag are no xiaomi logo, it’s zajia logo, zajia is Mi (xiaomi) Ecosystem Company.Please kindly know it. Xiaomi ZANJIA 11L Рюкзак Водонепроницаемы Мужчины Женское Школа Сумка 14-дюймовая сумка для ноутбука Сумка Легкая сумка . Уровень 4 водонепроницаемая ткань. EPE хлопок плечевой ремень. 11л большой емкости. 14-дюймовый ноутбук и 10-дюймовый держатель iPad. Внешняя небольшая карманная сумка.для ноутбуков Сумки и чехлы для ноутбуков Рюкзак Xiaomi Zanjia Lightweight Small Backpack 11L зелёный, Рюкзак Xiaomi .
Маленький яркий рюкзак Xiaomi для повседневной жизни. Модный, долговечный, эргономичный, лучший аксессуар для повседневной жизни. Его отличают 8 ярких расцветок. Рюкзак Xiaomi (Mi) Mini Backpack 10L (2076) Light Blue. Защита от влаги. Рюкзак Xiaomi Zanjia Lightweight Small Backpack 11L изготовлен из непромокаемого материала высокого качества. Он долго не теряет ухоженного внешнего вида, а также обладает водоотталкивающими свойствами.Zanjia Lightweight Small Backpack 11L Yellow — категория Рюкзаки, чемоданы, Скидки в фирменном магазине Xiaomi Mi92 в Крыму. . Цена при заказе с сайта. Купить в 1 клик. Количество Рюкзак Xiaomi Zanjia Lightweight Small Backpack 11L Yellow. Самовывоз из 5 магазинов. резервируйте перед посещением.ZanJia Легкий нейлоновый рюкзак 11 л большой емкости рюкзак 5 видов цветов легкий и удобный рюкзак. . Пожалуйста, обратите внимание: Это экологические цепочки Xiaomi товары . Наименование товара: Легкий Рюкзак Материал изделия. Модные рюкзаки Новая коллекция. Доставка на следующий день в 150+ городах.  · Подлинные бренды. Удобный сервис. Гарантия качества · Продавец: Интернет-магазин Lamoda.ru. Адрес: Р…

как NFT-токены захватили арт-рынок — Российская газета

Для начала стоит разобраться, что представляет собой криптоискусство. NFT-токены — своеобразный цифровой сертификат, который подтверждает право на владение виртуальным активом, будь то изображение, ролик или аудио. Виртуальные объекты можно было купить и до появления NFT, но прежде нигде не фиксировались данные правообладателя — теперь же они открыто хранятся на блокчейн-платформах. Даже после продажи NFT-объект остается в интернете: любой может его скачать, распечатать и, к примеру, повесить на стену, но оригиналом владеет покупатель.

Сейчас токенами торгуют примерно все: сначала блокчейн-компания Injective Protocol сжигает в прямом эфире картину Бэнкси, чтобы преобразовать созданный перформанс в цифровой объект, затем Эдвард Сноуден продает свой токен за 5,5 миллиона долларов, а певец The Weeknd и вовсе анонсирует свою новую песню в NFT-формате. Благодаря токенам легко заработать целое состояние в считанные секунды: певица Граймс получила почти 6 миллионов долларов за 20 минут, а художник Beeple — 69 миллионов всего за одну картину.

С одной стороны, бум на рынке криптоискусства — закономерное событие как с точки зрения технического прогресса, так и с позиции коронавирусных ограничений. Помимо этого, NFT-рынок упрощает жизнь художникам: для продажи своих произведений им больше не надо работать через посредников, достаточно лишь иметь аккаунт на специальном ресурсе и заплатить небольшую комиссию сервиса, это особенно выгодно новичкам. Также подобная инициатива позволяет лучше отслеживать соблюдение авторских прав и пресекать распространение пиратского материала, а стриминговые сервисы могут быстрее лицензировать фильмы и сериалы.

Тем не менее, у NFT-рынка есть свои подводные камни. Во-первых, подобное искусство уязвимо перед сбоями серверов и нападениями мошенников. К примеру, многие художники подверглись атакам, в результате которых их работам, находящимся в публичном доступе, незаконно присваивались NFT-коды. В итоге аферисты украли большое количество арт-объектов и начали активно их перепродавать. Во-вторых, хотя сами блокчейн-платформы уделяют особое внимание авторским правам, этот процесс пока не отрегулирован во многих странах на законодательном уровне. Также покупателям достаётся лишь право на распоряжение токеном, но авторство всё равно остаётся за создателем. Одним словом, в юридическом поле произошли существенные изменения, но над окончательной унификацией всех норм и правил предстоит работать и работать.

Ясно одно: криптоискусство заняло свою нишу на арт-рынке, а каким окажется его соотношение к оффлайн-продажам — покажет время. Однако, в разговоре об NFT-токенах интереснее другое. Сам ажиотаж вокруг виртуальных объектов искусства отражает важную особенность — люди готовы платить не за содержание, а за сертификат подлинности, что характерно для всего арт-рынка. Показателен пример картины Питера Пауля Рубенса «Портрет дамы», которая почти 140 лет считалась работой его ученика: после обнаружения истинного авторства цена картины взлетела примерно в 40 раз. Сейчас личность создателя и покупателя превалируют над произведением искусства, а само оно оказывается вторично и, подобно криптоискусству, может тиражироваться и воспроизводиться десятки миллионов раз — с согласия правообладателя.

Помимо этого, бум на NFT-рынке свидетельствует о назревшей проблеме регулирования авторских прав в интернете, где на фоне стремительно возросшего количества пользователей и контента необходимы единые и рабочие механизмы для борьбы с пиратским контентом. Популярность стриминговых сервисов для просмотра кино и прослушивания музыки — еще один этап на пути лицензирования интернет-материалов и поиска компромисса с интересами пользователей, привыкшими к использованию торрентов. При этом пока нет опасений, что мировая паутина превращается в особо контролируемое место с антиутопичными правилами и порядками — вероятно, интернет останется свободным, но с определенными оговорками.

Но это разговор о будущем, а пока уже в текущем году рыночная капитализация NFT может увеличиться в 3-4 раза по сравнению с 2020 годом. И это еще один аргумент, чтобы обратить внимание на новую арт-сферу. Ведь в 2021 году виртуальный мир порой становится куда реальнее офлайна — особенно в пору социальной дистанции и масочного режима.

Нейросеть превращает пиксельные картинки в фото

В Сети стал доступен бесплатный инструмент на базе нейросети Face Depixelizer, который превращает даже небольшие и сильно пикселированные изображения в реалистичные портреты. Его создал и выложил в Сеть российский разработчик Денис Малиманов.

Face Depixelizer

Given a low-resolution input image, model generates high-resolution images that are perceptually realistic and downscale correctly.

😺GitHub: https://t.co/0WBxkyWkiK
📙Colab: https://t.co/q9SIm4ha5p

P.S. Colab is based on thehttps://t.co/fvEvXKvWk2 pic.twitter.com/lplP75yLha

— Bomze (@tg_bomze) June 19, 2020

Система работает по следующему принципу. Нейросеть получает изображение и увеличивает его в размере. Далее оно перебирает лица из базы StyleGAN (в ней собраны реалистичные фото людей, которые никогда не существовали) до тех пор, пока не найдёт то, которое при уменьшении до исходного размера будет выглядеть как изначальная картинка. Наглядно это демонстрирует гифка в посте выше.

При этом использовать фотографии людей совсем не обязательно. Вот как выглядит Би-Джей Бласковиц — герой Wolfenstein.

With default settings, I got this result. pic.twitter.com/mRkqqTwhJF

— Bomze (@tg_bomze) June 20, 2020

А так — Думгай из первого Doom.

So that one is Wolfenstein, here is Doom pic.twitter.com/ixpItQyJ5q

— Hani ✊🏽🧢 (@h_bash) June 20, 2020

Ну и куда же без Minecraft.

what a nice tool 👏 hello minecraft dude pic.twitter.com/hLRK1UljNf

— Moritz Klack (@moklick) June 20, 2020

Хотя фото выше выглядят неплохо, получилось немало абсолютно проклятых изображений.

hem hem. pic.twitter.com/Mx4MMhCy5c

— Elyën (@dehors_dedans) June 20, 2020

Woah. pic.twitter.com/vOR5ruxEnJ

— Baptiste le confiné (@BaptisteJRobert) June 20, 2020

😱 pic.twitter.com/WR3Rv4eJL7

— Jérémy Fa (@jeremyfaivre) June 20, 2020

Марио вообще не везёт с этой нейросетью.

Well pic.twitter.com/LXjqvUl17t

— Antoine Dalmières (@adalmieres) June 20, 2020

Super Mario 😁 pic.twitter.com/DRTduzd4kX

— Chicken3gg (@Chicken3gg) June 20, 2020

А некоторые из них просто странные и неправильные.

Karen, revealed. pic.twitter.com/HtM1YD3afO

— Shawn Wheatley (@swheatley) June 20, 2020

oh my god i can’t stop pic.twitter.com/SzwJwwI3XY

— Isaiah (@papaabar) June 20, 2020

В дело пошли эмодзи.

🤔 pic.twitter.com/ah9fcCtd6u

— Mohimont Lucas (@MohimontL) June 20, 2020

I love that your Tweet turned into a giant collaboration thread with everyone posting their own hilarious upscales. My favorite so far is this 😅 guy.

(If you want to get similarly creative interpretations keep the steps low.) pic.twitter.com/sX7uyrFybY

— Jonathan Fly 👾 (@jonathanfly) June 20, 2020

Танос уже не тот.

pic.twitter.com/7JOPe9qxnL

— Mohimont Lucas (@MohimontL) June 20, 2020

Бонусом — Линк с недосыпом.

Link, having a hard life and a lack of sleeping time pic.twitter.com/SculrPKuFK

— Antoine Dalmières (@adalmieres) June 20, 2020

В комментариях пользователь уточнил, не будет ли такой инструмент использоваться, чтобы распознать людей, чьи лица скрыты на фото  и видео для их безопасности. Автор ответил, что цель нейросети — не восстановить исходник, а найти подходящее лицо среди людей, которых никогда не существовало — так что программа не сможет никого идентифицировать (хотя и может уловить некоторые черты лица).

This tool will not restore the original face, however, it can help with the identification of facial features.

— Bomze (@tg_bomze) June 20, 2020

На момент публикации сервис временно недоступен из-за превышения лимита загрузок в Google Drive, который используется для хранения изображений на время обработки.

Читайте также 🧐

Как создать легкий пиксельный рисунок Аватар в Photoshop или GIMP 📀

Boingboing.net имеет классный набор тщательно оформленных портретов для художественных портретов для их ключевых авторов. Если вы любитель пиксельного искусства, почему бы не попробовать и не создать похожие аватары для себя с помощью нескольких простых фильтров в Photoshop или GIMP?

How-To Geek рассмотрел несколько разных способов создания пиксельного искусства из обычной графики, и этот простой метод — более простой пиксельный арт, но с использованием другой техники. Смотрите, как мы превращаем две обычные фотографии в блочные шедевры, а также сравниваем методы, используемые между Photoshop и GIMP. Читать дальше!

Редактирование фотографий и пиксельные художественные фильтры в Photoshop

Начните с изображения, которое вы хотите стать вашим новым аватаром — это может быть фотография самого себя или любой другой графический объект, который вы хотите использовать.

Нажмите

чтобы выбрать инструмент обрезки, и удерживайте клавишу сдвига, чтобы перетащить идеальный квадрат для вашего аватара. Нажмите enter для рендеринга урожая.

Предположим, что ваша фотография не идеальна для пиксельного искусства и может потребовать некоторой настройки. В качестве необязательного шага принесите некоторый смелый контраст с вашей детализацией, используя фильтр Unsharp Mark, и попробуйте переусердствовать. Unsharp Mask находится под фильтром> Sharpen> Unsharp Mask. Не стесняйтесь идти даже выше сумм здесь и создавайте изображение с огромным контрастом — вам, вероятно, понадобится его к тому моменту, когда вы достигнете своего конечного результата.

Измените размер вашей квадратной фотографии до целевого размера для вашего аватара. Многие веб-сайты и форумы расскажут вам, что такое максимальная ширина и высота файла. Для демонстрационных целей мы будем использовать общий размер 128 x 128 пикселей.

Вы поймете, как будет выглядеть ваш образ, как только вы уменьшите его до размера аватара.

приведет к созданию инструмента Levels, который является одним из лучших инструментов для настройки контраста, как профессионал. Используйте его, чтобы выявить сильные блики и большой контраст в качестве дополнительного шага, если вы чувствуете, что ваша фотография может использовать немного больше поп-музыки.

Последний фильтр превратит вашу основную графику в пиксельное искусство перед вашими глазами. Перейдите в Filter> Pixelate> Mosaic, чтобы вызвать мозаичный фильтр.

Мозаичный фильтр позволяет вам контролировать уровень детализации, регулируя размер плитки на вашем изображении. Хотя мы рассмотрели другие способы превращения обычной графики в пиксельное искусство, этот метод позволит вам максимально контролировать. Это особенно важно, если ваше изображение не идеально подходит для такого рода изображений с низкой детализацией.

Нажмите «ОК», чтобы сделать свой фильтр мозаики, и сохраните изображение, желательно как PNG, чтобы сохранить неровную доброту плиток и избежать артефактов JPG или использовать 8-битную цветовую палитру.

Простые пиксельные художественные фильтры с использованием GIMP

Некоторые фотографии, как вы могли догадаться, уже имеют соответствующий контраст, необходимый для создания изображения с очень маленькими деталями, такого как пиксельное искусство. В таких ситуациях вы сможете обойтись без меньшего количества фильтров для редактирования фотографий или добавленного контраста.

Начните с захвата инструмента выбора прямоугольника из панели инструментов, клавиши быстрого доступа

, Удерживая сдвиг, щелкните и перетащите изображение, чтобы создать идеальный квадрат.

Когда вы закончите выбирать свою квадратную область для своего аватара, перейдите в меню «Изображение»> «Обрезка» в «Выбор», чтобы обрезать изображение до идеальной площади.

Перейдите в Image> Scale Image, чтобы изменить размер изображения на соответствующий размер аватара.

Для демонстрации мы предположим, что целевой размер является общим значением 128 x 128 пикселей. Когда вы ввели это (или свои собственные значения) в меню «Масштаб изображения», нажмите «Масштаб», чтобы завершить настройку.

Убедитесь, что ваше изображение выглядит очень сжатым до такого размера. Вы всегда можете добавить контраст в этот момент с помощью инструмента GIMP Levels Tool или Curves Tool, или вы можете просто пропустить этот шаг и завершить свой аватар пикселя. Вы также можете найти инструмент Unsharp Mask от GIMP, чтобы добавить контраст к вашим подробным областям в разделе Фильтры> Улучшить> Маска Unsharp. Внесите любую из этих настроек здесь, чтобы подготовить изображение к пикселизации или просто пропустить этот шаг.

Фильтр пиксели GIMP можно найти в разделе Filter> Blur> Pixelize. Отрегулируйте размер «пикселя», пока вы не удовлетворитесь своим аватаром, затем нажмите «ОК» для рендеринга.

Не забудьте сохранить новый аватар в интернет-PNG и избежать проблем с потерями JPG, которые могут испортить внешний вид вашего конечного изображения.


Есть вопросы или комментарии относительно графики, фотографий, типов файлов или Photoshop? Отправьте свои вопросы на адрес [email protected], и они могут быть представлены в следующей статье о графике «How-To Geek Graphics».

Image Credits: Извинения перед Аланом Муром и Нилом Гейманом, которые использовались без разрешения с большим уважением, предполагали справедливое использование.

  • Редактирование фотографий и пиксельные художественные фильтры в Photoshop
  • Простые пиксельные художественные фильтры с использованием GIMP
  • Tweet

    Share

    Link

    Plus

    Send

    Send

    Pin

    11 доступных движков для тех, кто хочет начать создавать свои игры

    Инструменты и ресурсы для разработки игр становятся все более доступными для всех, даже если у вас нет опыта программирования. Часто эти инструменты также доступны бесплатно. Вот список из 11 игровых движков / редакторов. Он облегчит задачу тем, кто хочет начать создавать игры.

    Фото: instabug.com

    Некоторые из них предназначены для определенного жанра игры и могут быть невероятно легкими для новичков. Другие являются профессиональными инструментами разработки AAA-игр, но они по сути бесплатны для любителей и по-прежнему предлагают множество средств обучения, которые помогут тем, у кого есть некоторый опыт программирования.

    Конечно, в разработку игр входит множество вещей: музыка, анимация, работа со звуком и текстом, текстурирование, моделирование и т. д. Однако выбранный вами движок / редактор игры окажет наибольшее влияние на то, какого рода проект получится в итоге.

    CRYENGINE

    Коммерческий кроссплатформенный 3D-движок, разработанный Crytek. Он использовался для таких игр, как Prey (2017) и Everybody’s Gone to the Rapture.

    Фото: store.steampowered.com

    Предназначен для разработки: 3D-игр.

    Платформы: Windows.

    Языки программирования: Lua.

    Стоимость: Бесплатный, пока ваш проект не заработает более 5000 долларов в год, впоследствии взимается 5-процентный сбор.

    Обучение: CryEngine имеет несколько бесплатных обучающих видео, которые охватывают все: от установки программы и пошаговой инструкции по созданию простой игры, похожей на Flappy Bird, до более сложных вещей, таких как сборка настраиваемой версии движка.

    Сайт: https://www.cryengine.com/

    Начало работы: https://www.cryengine.com/tutorials

    GAMEMAKER

    Кроссплатформенный коммерческий движок для 2D-игр, разработанный YoYo Games. Он использовался для таких игр, как Undertale, Hyper Light Drifter и Minit.

    Фото: kanobu.ru

    Для разработки: 2D-игр.

    Платформы: Windows или macOS.

    Языки программирования: Использует собственный язык сценариев, называемый GameMaker Language (GML), и язык визуальных сценариев, называемый Drag and Drop (DnD).

    Стоимость: Бесплатная пробная версия на 30 дней, потом нужно купить лицензию за $39 в год.

    Обучение: Несколько бесплатных тестовых и видеоуроков, которые охватывают основы. Есть объемные уроки про то, как создавать конкретные жанры игр, такие как пошаговые RPG, Tower Defense и фермы. Есть также ссылки на некоторые внешние сайты и сообщества, в которых есть руководства, помогающие людям начать работу с этой программой.

    Сайт: https://www.yoyogames.com/gamemaker

    Начало работы: https://www.yoyogames.com/learn

    GDEVELOP

    2D-движок с открытым исходным кодом, разработанный для удобства использования.

    Фото: gdevelop-app.com

    Для разработки: 2D-игр.

    Платформы: Windows, macOS, Linux или браузерная версия.

    Языки программирования: Нет, использует интерфейс Drag-and-drop.

    Стоимость: Бесплатно.

    Обучение: В вики GDevelop доступно множество руководств и учебных пособий, а также более 80 тестовых файлов о том, как создавать игры определенных жанров и вводить особые игровые функции.

    Сайт: https://gdevelop-app.com/

    Начало работы: http://wiki.compilgames.net/doku.php/gdevelop5/getting_started

    GODOT

    Игровой движок с открытым исходным кодом для создания 2D-и 3D-игр. Отличается простотой в освоении и подходит для совместной работы целой команды.

    Фото: github.com

    Для разработки: 2D- и 3D-игр.

    Платформы: Windows, macOS и Linux.

    Языки программирования: GDScript, C# и визуальный скриптинг.

    Стоимость: Бесплатно.

    Обучение: У Godot есть обширное пошаговое руководство по использованию их редактора, а также бесплатные текстовые руководства, охватывающие более конкретные аспекты, такие как реализация виртуальной реальности, использование скелетов для 2D-анимации и создание процедурной геометрии.

    Сайт: https://godotengine.org/

    Начало работы: https://docs.godotengine.org/en/stable/getting_started/step_by_step/index.html

    LUMBERYARD

    Коммерческий кроссплатформенный движок для 3D-игр, разработанный Amazon. Он основан на более старой версии CryEngine. Он был использован для таких игр, как Star Citizen и The Grand Tour Game.

    Фото: robertsspaceindustries.com

    Для разработки: 3D-игр с интеграцией Twitch и многопользовательских функций.

    Платформы: Windows.

    Языки программирования: Lua.

    Стоимость: Бесплатно.

    Обучение: Существует бесплатная серия обучающих видеороликов и видео-бесед о более специфических особенностях движка.

    Сайт: https://aws.amazon.com/lumberyard/?ots=1&slotNum=0&imprToken=b4b8be61-641c-cd04-6dc&tag=theverge02-20

    Начало работы: https://aws.amazon.com/lumberyard/gettingstarted/?ots=1&slotNum=1&imprToken=b4b8be61-641c-cd04-6dc&tag=theverge02-20

    REN’PY

    Игровой движок для создания визуальных новелл с открытым исходным кодом. Он использовался для таких игр, как Doki Doki Literature Club, Butterfly Soup и One Night, Hot Springs.

    Фото: doki-doki-literature-club.fandom.com

    Для разработки: Визуальных новелл.

    Платформы: Windows, macOS и Linux.

    Языки программирования: Язык скриптов Ren’Py и Python.

    Стоимость: Бесплатно.

    Обучение: Существует бесплатный текстовый гайд, как сделать простую игру в Ren’Py, и дополнительные текстовые руководства для более специфической настройки вашего проекта.

    Сайт: https://www.renpy.org/

    Начало работы: https://www.renpy.org/doc/html/quickstart.html

    RPG MAKER

    Коммерческий игровой движок, разработанный Degica. Он разработан специально для создания классических игр в стиле JRPG без необходимости уметь программировать. Он был использован для таких игр, как Corpse Party и Rakuen.

    Фото: medium.com

    Для разработки: Ролевых 2D-игр.

    Платформы: Windows и macOS.

    Языки программирования: JavaScript.

    Стоимость: $79.99.

    Обучение: Есть несколько бесплатных обучающих программ для старых версий движка, которые, вероятно, все еще возможно применить на практике. Однако для самой последней версии MV, кажется, лучшие ресурсы уже создаются сообществом.

    Сайт: https://www.rpgmakerweb.com/products/programs/rpg-maker-mv

    Начало работы: https://www.rpgmakerweb.com/support/products/tutorials

    TWINE

    Редактор с открытым исходным кодом для интерактивных текстовых историй. Он был использован для таких игр, как Lionkiller и The Uncle Who Works For Nintendo.

    Для разработки: Интерактивных текстовых квестов.

    Платформы: Windows, macOS или браузерная версия.

    Языки программирования: Собственный язык, но также поддерживает HTML, Javascript, и CSS.

    Стоимость: Бесплатно.

    Обучение: Существует руководство, которое охватывает основы их языка и предлагает несколько примеров более сложных сценариев.

    Сайт: https://twinery.org/

    Начало работы: https://twinery.org/wiki/start

    UNITY

    Кроссплатформенный коммерческий игровой движок, разработанный Unity Technologies. Он использовался для таких игр, как Untitled Goose Game, Ori and Will of the Wisps и Hollow Knight.

    Фото: epicgames.com

    Для разработки: 2D- и 3D-игр.

    Платформы: Windows, macOS и Linux.

    Языки программирования: C#.

    Стоимость: Бесплатно для личного пользования предоставляется студентам и любителям, а также небольшим компаниям, которые зарабатывают менее 100 000 долларов в год. Помимо этого, существуют годовые планы, начинающиеся с 399 долларов в год или 40 долларов в месяц.

    Обучение: Unity предоставляет некоторые бесплатные ресурсы, чтобы помочь новичкам начать работу с движком. Но в рамках программы Unity Learn Premium она предоставляет гораздо больше возможностей, включая курсы, учебные пособия и даже сертификаты. Unity Learn Premium в настоящее время бесплатна до 10 июня 2020 года, но обычно стоит 15 долларов в месяц.

    Сайт: https://unity.com/

    Начало работы: https://learn.unity.com/tutorial/create-your-first-unity-project

    UNREAL

    Кроссплатформенный коммерческий игровой движок, разработанный Epic Games. Он использовался для таких игр, как Fortnite, ремейка Final Fantasy VII и Octopath Traveller.

    Фото: playground.ru

    Для разработки: 3D-игр.

    Платформы: Windows.

    Языки программирования: C++ и Blueprints Visual Scripting.

    Стоимость: Бесплатно, но с 5-процентным сбором от общего дохода игры, если она принесет более 3000 долларов в квартал.

    Обучение: Epic Games предлагает ряд бесплатных онлайн-видео курсов, которые охватывают вводные аспекты использования редактора движка и некоторые более сложные темы, такие как эффекты постобработки и создание ресурсов.

    Сайт: https://www. unrealengine.com/en-US/

    Начало работы: https://docs.unrealengine.com/en-US/GettingStarted/index.html

    VN MAKER

    Коммерческий игровой движок, разработанный Degica. Он разработан специально для создания визуальных романов без необходимости уметь программировать.

    Фото: gamingtrend.com

    Для разработки: Визуальных новелл.

    Платформы: Windows, macOS и Linux.

    Языки программирования: JavaScript и CoffeeScript.

    Стоимость: $69.99.

    Обучение: Существует бесплатное обширное руководство, которое охватывает широкий круг тем, включая основы редактора, как структурировать историю, которую вы пишете, как настроить проект без программирования, а также отдельное руководство только для сценариев и документации.

    Сайт: http://visualnovelmaker.com/

    Начало работы: https://asset.visualnovelmaker.com/help/index.htm#t=Beginner_s_Guide.htm

    Устранить JPEG артефакты и пикселизацию онлайн

    Обработка JPEG фотографий онлайн.

    Для устранения jpeg-артефактов главное нужно указать картинку размером не более 2.2 Мп (≈1920×1080) на вашем компьютере или телефоне, нажать кнопку ОК внизу страницы, подождать пару секунд и скачать результат. Остальные настройки уже выставлены по умолчанию.

    Рекомендуется применять устранение jpeg артефактов до каких-либо манипуляций с изображением. А уже после обработки на этой странице, можно, например, увеличить обработанное изображение (если оно слишком маленькое), немного добавить насыщенности цветов или резкости и так далее, но только в таком случае в качестве промежуточного формата лучше использовать PNG-24, чтобы лишний раз не пересжимать и не терять качество после каждой обработки. На этом сайте ещё можно узнать, с каким уровнем качества была сохранена jpeg-картинка.


    Пример фотографии с jpeg артефактами до и после улучшения, разница особенно видна внутри бутона цветка, при нажатии на любой из всех нижеуказанных примеров можно открыть их копии, увеличенные в 3 раза:

    Для создания вышеуказанного примера справа использовались все настройки по умолчанию.


    Пример артефактов с пикселизацией из-за сильного сжатия jpeg картинки, до и после улучшения:

    Для устранения артефактов с пикселизацией (квадратики 8×8 пикселей), как в вышеуказанном примере слева, нужно указать такие настройки: «Инстенсивность устранения артефактов» – «нормальная», «Интенсивность устранения пикселизации» установить на «3», а «Интенсивность шумопонижения» оставить равной «0».


    Пример фотографии с лёгким шумом до и после его устранения на этом сайте:

    Для такого шумопонижения можно выставить следующие настройки: «Интенсивность устранения артефактов» – «отключить», «Интенсивность устранения пикселизации» – «0», а «Интенсивность шумопонижения» – «5».


    Ещё можно попробовать применить такую комбинацию настроек: «Интенсивность устранения артефактов» установить на «нормальная», «Интенсивность устранения пикселизации» установить на «3», а для «Шумопонижения» указать «5».


    В зависимости от размеров и качества исходного изображения, настройки могут быть разными и, чем больше картинка, тем обычно нужно сильнее увеличивать параметры, но главное не переборщить, чтобы картинка не получилась сильно размытой.

    Данный онлайн инструмент уместно применять для превьюшек или маленьких картинок до 2-х мегапикселей, например, размером 640×480 или примерно до 1920×1080 пикселей, так как на большом изображении эти артефакты практически не видны. Если же вам просто необходимо обработать большую картинку более 2-х мегапикселей, то присылайте её вместе с нужными вам настройками на ящик – будет сделано бесплатно в течение суток. Эти ограничения связаны с тем, что это очень накладный процесс и не каждый пользователь сможет вытерпеть 5 минут до его завершения.

    Исходное изображение никак не изменяется. Вам будет предоставлена другая обработанная картинка.

    Влияние размера матрицы на качество изображения КТ легкого сверхвысокого разрешения: сравнение 512 × 512, 1024 × 1024 и 2048 × 2048

    https://doi. org/10.1016/j.acra.2017.11 .017Получить права и контент

    Обоснование и цели

    Это исследование было направлено на оценку влияния размера матрицы на пространственное разрешение и качество изображения компьютерной томографии сверхвысокого разрешения (U-HRCT).

    Материалы и методы

    Щелевые фантомы и 11 трупных легких сканировали на U-HRCT.Щелевые фантомные сканы были реконструированы с использованием поля зрения (FOV) 20 мм с размером матрицы 1024 и поля зрения 320 мм с размерами матрицы 512, 1024 и 2048. Сканы трупного легкого были реконструированы с использованием размеров матрицы 512, 1024 и 2048. Три наблюдателя субъективно оценили изображения по трехбалльной шкале (1 = худшее, 3 = лучшее) с точки зрения общего качества изображения, шума, артефактов в виде полос, сосудов, бронхов и результатов изображения. Средний балл трех наблюдателей оценивался с помощью знакового рангового теста Вилкоксона с поправкой Бонферрони.Шум измеряли количественно и оценивали с помощью теста Тьюки. Значение P <0,05 считалось значимым.

    Результаты

    Максимальное пространственное разрешение 0,14 мм; среди изображений с полем обзора 320 мм матрица 2048 имела самое высокое разрешение и была значительно лучше, чем матрица 1024, с точки зрения общего качества, твердого узелка, непрозрачности матового стекла, эмфиземы, внутрилобулярной ретикуляции, сот и прозрачности сосудов ( P <0,05). Матрицы 2048 и 1024 работали значительно лучше, чем матрица 512 ( P <.001), за исключением шума и полосатых артефактов. Визуальный и количественный шум значительно уменьшился в порядке 512, 1024 и 2048 ( P <0,001).

    Заключение

    При сканировании U-HRCT большой размер матрицы сохранил пространственное разрешение и улучшил качество изображения и оценку заболеваний легких, несмотря на увеличение шума изображения, по сравнению с размером матрицы 512.

    Ключевые слова

    Компьютерная томография сверхвысокого разрешения

    размер матрицы

    качество изображения

    пространственное разрешение

    Рекомендуемые статьиЦитирующие статьи (0)

    © 2018 Ассоциация университетских радиологов. Опубликовано Elsevier Inc.

    Рекомендуемые статьи

    Цитирующие статьи

    Автоматическая классификация КТ-изображений нормального и рака легкого с использованием многомасштабных функций AM-FM

    Системы компьютерной диагностики (CAD) обеспечивают быструю и надежную диагностику медицинских изображений. В этой статье предлагается система CAD для анализа и автоматического сегментирования легких и классификации каждого легкого на нормальное или злокачественное. Используя набор данных КТ легких 70 различных пациентов, сначала применяется фильтрация Винера на исходных КТ-изображениях в качестве этапа предварительной обработки.Во-вторых, мы объединяем анализ гистограммы с пороговыми и морфологическими операциями, чтобы сегментировать области легких и извлекать каждое легкое отдельно. В-третьих, метод амплитудной модуляции и частотной модуляции (AM-FM) использовался для извлечения функций для областей интереса. Затем для этапа классификации были выбраны важные характеристики AM-FM с использованием регрессии частичных наименьших квадратов (PLSR). Наконец, с выбранными функциями AM-FM использовались ближайший сосед (NN), машина опорных векторов (SVM), наивный байесовский классификатор и линейные классификаторы.Оценивается эффективность каждого классификатора с точки зрения точности, чувствительности и специфичности. Результаты показывают, что предлагаемая нами CAD-система смогла различить нормальные и раковые легкие и достигла 95% точности в случае линейного классификатора.

    1. Введение

    Компьютерная томография (КТ) превзошла обычную рентгенографию при скрининге легких, потому что она генерирует очень подробные изображения с высоким разрешением и может показать ранние стадии поражения, которые слишком малы для того, чтобы их можно было обнаружить с помощью обычного рентгена.КТ широко используется для выявления множества заболеваний легких, включая пневмокониоз, пневмонию, отек легких и рак легких [1]. Раннее выявление заболеваний очень важно для планирования лечения. Тем не менее, это считается одной из самых сложных задач, выполняемых радиологами из-за огромного количества данных, генерируемых компьютерной томографией. Следовательно, системы компьютерной диагностики (CAD) необходимы, чтобы помочь рентгенологам в анализе и оценке компьютерной томографии.

    Система CAD анализирует медицинские изображения в несколько этапов: сначала этап предварительной обработки для уменьшения шума и повышения качества изображения, а затем этап сегментации, чтобы отличить интересующую область (ROI) от других структур изображения.После сегментации извлекаются различные элементы, такие как геометрические, текстурные и статистические. Наконец, выполняется этап классификации / оценки для оценки и диагностики ROI на основе извлеченных функций.

    Было приложено много усилий для компьютерной диагностики изображений легких. Сегментация легких — необходимый шаг; она перешла от ручной трассировки к полуавтоматической и полностью автоматизированной сегментации. Здесь представлены некоторые автоматизированные исследования сегментации легких [2–9].В других исследованиях представлены системы поиска изображений на основе содержания (CBIR) для изображений легких [10–15]. Более ранняя работа по классификации рака легких включает работы Патил и Кучанур [16] и Курувилла и Гунавати [17], которые использовали искусственные нейронные сети для классификации изображений рака легких на основе признаков, извлеченных из сегментированных изображений легких. Тем не менее Патил и Кучанур использовали геометрические элементы для классификации и достигли только 83% точности классификации. Курувилла и Гунавати использовали статистические параметры в качестве признаков для классификации и достигли точности 93.3%. Другая работа Depeursinge et al. [18] классифицировали различные паттерны легочной ткани, используя дискретные вейвлет-кадры в сочетании с характеристиками гистограммы на уровне серого. Однако основным ограничением этой работы было отсутствие разрешения в масштабах с декомпозицией, а также необходимое взвешивание признаков при объединении объектов из разных источников.

    В этой статье мы предлагаем систему CAD для анализа, автоматической сегментации и классификации изображений легких на нормальные или раковые из набора данных КТ. Система основана на многомасштабном подходе с амплитудно-частотной модуляцией (AM-FM). Легкие сначала сегментируются из изображений КТ, а затем левое и правое легкие отделяются индивидуально для анализа с помощью набора фильтров. Затем характеристики AM-FM извлекаются и сокращаются для этапа классификации. Для классификации изображений используются разные классификаторы, и оценивается эффективность каждого классификатора.

    2. Материалы и методы

    На рисунке 1 показана основная блок-схема предлагаемой нами полностью автоматизированной системы CAD.Как видно на этом рисунке, система состоит из пяти основных этапов: предварительная обработка изображения, выбор области интереса (ROI), выделение признаков с использованием подхода AM-FM, выбор признаков для поиска значимых признаков и, наконец, классификация. Подробности каждого шага обсуждаются в следующих разделах.


    2.1. Набор данных

    Данные, использованные в этом исследовании, были получены из архива визуализации рака (TCIA), спонсируемого SPIE, NCI / NIH, AAPM и Чикагским университетом [19]. Был включен набор данных из 83 изображений компьютерной томографии от 70 различных пациентов. Все изображения имеют размер пикселей и хранятся в формате цифровых изображений и коммуникации в медицине (DICOM). Пример набора данных показан на рисунке 2 (а). На этом рисунке правое легкое ненормально, поскольку оно имеет рак (округлая серая форма), а левое легкое — нормальное. Для каждого КТ-изображения легкого мы автоматически отделяем левое легкое от правого (как обсуждается далее в разделе «Выбор области интереса»), и каждое отделенное легкое помечается как нормальное или злокачественное на основе информации набора данных.

    2.2. Предварительная обработка изображения

    Целью этапа предварительной обработки является удаление нежелательного шума и повышение качества изображения. Мы использовали фильтр Винера, чтобы удалить шум, сохранив края и мелкие детали легких. Размер фильтра выбран, чтобы избежать чрезмерного сглаживания изображения. Результат винеровской фильтрации показан на рисунке 2 (б).

    Винеровская фильтрация [20] основана на оценке локального среднего и дисперсии из локальной окрестности каждого пикселя. Затем он создает попиксельную линейную фильтрацию с использованием этих оценок: где и обозначают исходное и отфильтрованное изображения, соответственно, и обозначают среднее значение и дисперсию локальной окрестности, соответственно, и — дисперсия шума.

    2.3. ROI Selection

    Сегментация легких — необходимый шаг для любой CAD-системы легких. Мы выполняем автоматическую сегментацию легких, используя последовательные шаги. Затем полученное сегментированное изображение используется для выделения каждого легкого отдельно (ROI), создавая два изображения: одно для левого легкого, а другое — для правого.

    На КТ-изображении воздух появляется со средней интенсивностью приблизительно -3024 единиц Хаунсфилда (HU), а легочная ткань находится в диапазоне от -910 HU до -500 HU, в то время как другие структуры имеют более -500 HU.Цель этапа сегментации — отделить легкие как от фоновых, так и от нелегких областей. Для этого мы предлагаем гибридный метод, являющийся результатом комбинации анализа гистограмм, определения пороговых значений и морфологических операций для автоматической сегментации легких.

    Чтобы упростить процесс сегментации, сначала сегментируется область грудной клетки от фона. Распределение уровней серого (гистограмма) изображения с фильтром Винера используется для идентификации различных областей изображения.На гистограмме есть один пик, соответствующий области легкого, и еще два пика для жира и мышц области грудной клетки и средостения легкого. Кроме того, есть всплеск на -3024 HU, соответствующий фоновым пикселям. На рис. 3 показаны все пики, кроме фонового.


    Пороговое значение затем вычисляется из этой гистограммы в соответствии со следующим уравнением: где обозначает значение максимальной интенсивности в области легких и обозначает среднее значение интенсивности пиков жира / мышц.

    Затем создается двоичное изображение (рис. 4 (а)) для сегментированной области грудной клетки, где пиксели с уровнем серого выше выбранного порога устанавливаются на «единицу», а другие пиксели — на «ноль».

    После того, как область грудной клетки сегментирована, мы выполняем операцию заполнения, чтобы заполнить дыры внутри двоичного изображения, так что значения пикселей легких изменяются от нуля до единицы и создают заполненное изображение (рисунок 4 (b)). Наконец, двоичное изображение грудной клетки вычитается из заполненного изображения, чтобы получить сегментированные легкие, как показано на рисунке 4 (c).

    После получения изображения сегментации легких мы использовали его, чтобы определить местонахождение левого и правого легких на отфильтрованном изображении, как показано на рисунке 4 (d). Затем это изображение делится на два изображения для обоих легких по отдельности, каждое из которых покрывает область легкого, как показано на рисунках 4 (e) и 4 (f). Из 83 изображений компьютерной томографии мы получили 166 различных изображений легких после каждого разделения изображения, из которых 83 — нормальные изображения легких, а остальные 83 изображения — изображения рака легких.

    2.4. Извлечение признаков

    На этом этапе мы применяем методы моделирования с амплитудно-частотной модуляцией (AM-FM) для извлечения признаков из изображений легких, которые будут использоваться в дальнейшем при классификации.По моделям AM-FM было проведено много исследований [21–23].

    2.4.1. Методы AM-FM

    AM-FM — это метод, моделирующий нестационарные сигналы. В отличие от преобразований Фурье, которые обеспечивают частотный состав сигнала, методы AM-FM предоставляют информацию на основе пикселей в терминах мгновенной амплитуды (IA), мгновенной частоты (IF) и мгновенной фазы (IP). И у него нет главного ограничения, обнаруженного на вейвлете при использовании его для сегментации легких, которое заключалось в отсутствии разрешения в шкалах с разложением.

    В модели 2D AM-FM нестационарное изображение представлено суммой компонентов AM-FM как [22], где обозначает различные гармоники AM-FM, обозначает функции мгновенной амплитуды (IA) и обозначает функции мгновенной фазы (IP).

    Для каждого компонента AM-FM мгновенная частота (IF) определяется как градиент фазы. Здесь проблема демодуляции AM-FM заключается в оценке IA, IF и IP для данного входного изображения.

    В этой работе демодуляция AM-FM достигается в несколько этапов.Во-первых, мы расширяем входное изображение до аналитического изображения, добавляя мнимую часть, равную двумерному преобразованию Гильберта изображения [21]. Для действительного изображения аналитическое изображение вычисляется следующим образом: где обозначает двумерное расширение одномерного преобразования Гильберта.

    Затем аналитическое изображение обрабатывается с помощью набора полосовых фильтров (набора фильтров) (будет обсуждаться в следующем подразделе), чтобы изолировать компоненты AM-FM.

    И по каждому отклику фильтра мы можем оценить IA и IP напрямую, используя следующие уравнения: Для оценки IF мы использовали метод локальной линейной фазы с переменным интервалом (VS-LLP), как описано в [23].

    2.
    4.2. Схема набора фильтров

    Назначение многомасштабного набора фильтров состоит в том, чтобы изолировать компоненты изображения AM-FM в модели (3) перед выполнением демодуляции. Здесь мы используем четырехуровневый набор фильтров, разработанный Мюрреем [22] (см. Рисунок 5).

    На рисунке 5 изображен частотный диапазон набора фильтров. Фильтр 1 — это фильтр нижних частот (LPF), фильтры 2–7 — фильтры высоких частот (H), фильтры 8–13 — фильтры средних частот (M), фильтры 14–19 — фильтры низких частот (L) и фильтры. 20–25 — это фильтры очень низких частот (VL).Можно заметить, что полоса пропускания уменьшается в раз для каждого добавленного масштаба.

    В этой статье мы использовали различные комбинации шкал для выделения доминирующих характеристик AM-FM. Вот используемые комбинации: VL, L, M и H; LPF; ВЛ; L; M; LPF, VL, L, M и H; ФНЧ, ВЛ; ВЛ, Л; L, M; M, H; и H. И для каждой комбинации шкал мы оцениваем IA, IP, используя (5) и уравнения в [23].

    2.4.3. Обработка гистограммы

    Для каждой комбинации шкал мы создаем гистограмму для оценок AM-FM: IA, IP и. И все вычисленные гистограммы нормализованы так, чтобы площадь каждой гистограммы была равна единице. Затем для каждой комбинации масштабов мы создаем вектор признаков с 96 ячейками из IA, IP и гистограмм с 32 ячейками для IA, 32 ячейками для величины IF и 32 ячейками для IP (с центром в максимальном значении). Следовательно, каждое изображение дает 11 векторов признаков, соответствующих 11 комбинациям масштабов. Нам необходимо получить комбинированный вектор признаков для каждого случая, выбрав оптимальные и значимые признаки из всех масштабов.Таким образом, для этого мы используем регрессию частичных наименьших квадратов (PLSR).

    2.4.4. Выбор функции

    Выбор функции — важный шаг, который обеспечивает важные функции, которые используются для точного различения различных классов. Мы использовали регрессию частичных наименьших квадратов (PLSR) [24], которая представляет собой метод линейной регрессии, который находит связь между предсказанными переменными и наблюдениями. Проблема регрессии определяется следующим образом: где — матрица извлеченных признаков AM-FM (число изображений и число признаков) и вектор ответа или меток.Мы использовали метку 0 для нормального случая и метку 1 для ненормального случая. — вектор параметров регрессии и вектор остатков.

    Мы применяем PLSR для определения оптимального количества используемых функций. Мы выбираем число факторов PLSR, которое дает процент отклонения в переменной ответа более 90%. На рисунке 6 мы отображаем процент отклонения ответа от количества факторов PLSR. График показывает, что почти 90% дисперсии обусловлено первыми одиннадцатью факторами.


    После получения оптимального количества функций мы формируем вектор признаков для представления выбранных функций.

    2,5. Классификация

    Последним шагом предлагаемой системы является правильное различение нормальных изображений легких от изображений рака. Входными данными на этапе классификации являются матрица признаков с предыдущего шага и помеченный вектор (где 0 = нормальный, а 1 = рак).

    Здесь мы использовали четыре разных классификатора: -ближайший сосед (NN) [25], машина опорных векторов (SVM) [26], наивный байесовский [25] и линейный классификатор [25].Основная идея всех этих классификаторов зависит от обучения с учителем; то есть каждый классификатор принимает набор помеченных изображений в качестве обучающего набора для построения модели, которая в дальнейшем используется для назначения новых изображений (тестового набора) классам. Из 166 изображений легких 100 изображений выбираются в качестве набора данных для обучения, а 66 других изображений выбираются в качестве набора данных для тестирования.

    3. Результаты и обсуждение

    Четыре классификатора обучены, и их работа оценивается с перекрестной проверкой без исключения.Мы изменяем значение для создания различных размеров наборов для тестирования и обучения, и для каждого значения эффективность классификации оценивается путем вычисления этих различных показателей: где TP, TN, FN и FP обозначают истинно положительный, истинно отрицательный, ложноотрицательный. , и ложноположительные соответственно [27].

    На рисунке 7 показаны вычисленные точность, чувствительность и специфичность, соответственно, для четырех классификаторов с изменением размера набора для тестирования. Можно заметить, что характеристики классификаторов с точки зрения точности, чувствительности и специфичности намного лучше при небольшом размере тестовой выборки (когда классификаторы обучались с большим размером обучающей выборки).Однако производительность всех классификаторов снижается с увеличением размера набора для тестирования. Из этого рисунка легко заметить, что производительность классификатора SVM становится наименее стабильной при увеличении размера набора тестирования, в то время как другие три классификатора более стабильны. Более того, можно сделать вывод, что линейный классификатор лучше всего позволяет различать нормальные и раковые легкие.


    Таблица 1 суммирует показатели производительности для четырех классификаторов, когда размер обучающего набора относительно набора тестирования составляет от 60% до 40% от общего размера набора данных, соответственно (т. е. обучающая выборка = 100 изображений и тестовая выборка = 66 изображений). Как показано в таблице 1, линейный классификатор дает наилучшую классификацию с точностью 95%, чувствительностью 94% и специфичностью 97%. С другой стороны, классификатор NN — худший классификатор, достигающий только 64% ​​точности, 55% чувствительности и 72% специфичности.

    9015 9015 9015 9015 9015 9015 9015 9015 9015 9015

    Классификатор Точность Чувствительность Специфичность

    90% 85% 97%
    Наивный Байес 82% 82% 82%
    Линейный 95% 9415 9015 909 9015

    Стоит отметить, что предлагаемая САПР разработана с использованием MATLAB R2010a на Intel Core i5, 2.5 ГГц, ЦП, 6 ГБ ОЗУ, ПК с 64-разрядной ОС Windows 7.

    4. Выводы

    В этой статье мы разрабатываем систему CAD для легких, которая анализирует и автоматически сегментирует легкие и классифицирует каждое легкое как нормальное или злокачественное. Система состоит из пяти основных шагов: предварительная обработка, выбор области инвестиций, извлечение признаков, выбор признаков и классификация. Подход AM-FM использовался для извлечения новых функций с точки зрения IA, IP и IF. Затем PLSR используется для уменьшения большого количества функций и выбора оптимальных и значимых.Используются четыре классификатора, и оценивается эффективность каждого классификатора. Было обнаружено, что линейный классификатор был лучшим для различения нормальных и раковых легких с точностью 95%.

    Конфликт интересов

    Авторы заявляют об отсутствии конфликта интересов в отношении публикации данной статьи.

    Благодарности

    Авторы выражают признательность SPIE, NCI, AAPM и Чикагскому университету за предоставление открытого доступа к набору данных по раку легких.

    Обнаружение поражения легких на изображениях компьютерной томографии с использованием алгоритма автоматической сегментации нечетких локальных информационных кластерных средств (FLICM) и классификации сети обратного распространения

    Asian Pac J Cancer Prev. 2017; 18 (12): 3395–3399.

    M Lavanya

    Кафедра электротехники и электроники, Инженерная школа Савита, Университет Савита, Тхандалам, Ченнаи-602 105, Индия

    P Muthu Kannan

    Кафедра электротехники и электроники Инженерной школы Саветы , Университет Савита, Тхандалам, Ченнаи-602 105, Индия

    Кафедра электротехники и электроники, Инженерная школа Савита, Университет Савита, Тхандалам, Ченнаи-602 105, Индия

    Авторские права: © Азиатско-Тихоокеанский журнал профилактики рака

    Эта работа находится под лицензией Creative Commons Attribution-NonCommercial 4.0 Международная лицензия

    Эта статья цитируется в других статьях в PMC.

    Abstract

    Рак легкого — часто смертельное заболевание, которое часто приводит к смерти людей в раннем возрасте из-за неконтролируемого роста клеток в тканях легких. Доступные методы диагностики менее чем эффективны для выявления рака. Поэтому был разработан метод автоматической сегментации поражения с помощью компьютерной томографии (КТ). Однако очень сложно выполнить автоматическую идентификацию и сегментацию опухолей легких с хорошей точностью из-за существования различий в поражениях.В этой статье описывается применение надежной техники обнаружения и сегментации поражений для сегментации каждой отдельной клетки из патологических изображений для извлечения основных особенностей. Предлагаемая методика, основанная на алгоритме FLICM (Fuzzy Local Information Cluster Means), используемом для сегментации, с уменьшением количества ложных срабатываний при обнаружении рака легких. Сеть обратного распространения, используемая для классификации раковых клеток, основана на компьютерной диагностике (CAD).

    Ключевые слова: CT, CAD, FLICM, FP

    Введение

    Легкие человека представляют собой пару наполненных воздухом губчатых органов, расположенных по обе стороны от груди.Рак легких — это заболевание, вызванное аномальным размножением клеток, как показано на рис. Рост легких является одним из основных факторов смерти во всем мире (Siegel et al., 2013). Согласно отчету Всемирной организации здравоохранения (ВОЗ) около 10 миллионов пациентов умрут от рака легких к 2030 году (World Health Organization, 2011). Рак легких часто вызывается курением, но не всегда. Поскольку рак легких постепенно становится тяжелым, его симптомы включают кашель, одышку, хрипы и кровянистую слизь.Лечение рака легких включает химиотерапию, лучевую терапию и хирургическое вмешательство. Рак легких по большей части начинается в дыхательном горле (трахее), который является основным маршрутом полета (бронх) или тканью легких (Wu et al., 2010). Существует три основных типа рака легких: мелкоклеточный рак легкого, немелкоклеточный рак легкого и карциноидная опухоль легких. Типы рака легких зависят от того, как клетки выглядят при исследовании под увеличительным стеклом. Немелкоклеточный рак легкого встречается гораздо чаще, чем мелкоклеточный рак легкого.Наиболее известные случаи заболеваний легких возникают в результате курения. Рост легких является одним из основных источников смерти для значительной части пациентов, страдающих заболеваниями легких, в настоящее время нет доступных методов лечения рака. Однако существует ряд диагностических тестов для выявления рака, таких как анализ мокроты, бронхоскопия, игольчатая биопсия, торакоцентез, но все эти тесты очень болезненны и требуют физического контакта с телом. Поэтому, чтобы избежать этих болезненных методов тестирования, можно провести сегментацию полученного КТ-изображения пациента (Anita and Sonit, 2012; Tian et al., 2008). Но получить результаты с высокой эффективностью при удалении очага поражения не так просто из-за множества причин, таких как объем поражения, форма размера, расположение, интенсивность и т. Д. Поэтому необходим надежный и эффективный подход, который может автоматически обнаруживать поражение легких (Сирен и др., 2010).

    Сопутствующие работы

    Сегментация легких может выполняться с помощью ряда методов (Neeraj and Lalit, 2010), таких как методы на основе пороговой обработки, где входное изображение в градациях серого преобразуется в двухуровневое изображение с помощью любого из двух доступных алгоритмов пороговой обработки, а именно алгоритма типа глобального порогового значения и Алгоритмы определения порога локального / адаптивного типа, но недостатком этого метода является то, что он не работает с вариациями затухания и не подходит для патологической классификации.

    Сегментация на основе области. Основная цель этого метода — разделение изображения на области с последующим выбором исходных точек на основе критерия пользователя. Этот метод лучше, чем пороговая обработка, поскольку он позволяет сегментировать области с отклонениями от среднего до более высокого уровня. но он чувствителен к шуму и требует больших вычислительных ресурсов.

    Когда мы рассматриваем сегментацию водораздела, несмотря на работу с изображением, этот метод применяется к его градиентному изображению, где каждый объект отличается от фона краями, которые приподняты вверх, кроме того, это зависит от трех фокусов, точек, принадлежащих региональным минимум или водораздел регионального минимума и водосборный бассейн, разделительные линии / водоразделы, но этот метод очень сложен и не приведет к точности ожидаемого уровня.

    Процесс сегментации опухоли легкого основан на установке уровней и машине опорных векторов (SVM). Во-первых, область опухоли обнаруживается методом статистического обучения, обучение изображения классификатора обучается на основе обучения изображения, полученного из характеристик блока, с учетом параметров изображения, таких как текстура, форма и серые особенности, в качестве основных условий классификации для исследуемых образцов, и морфологический градиент учитывается для более точной настройки модели набора уровней для сегментации опухоли (Diciotti et al., 2011). После того, как сегментирование поражений выполнено, исходный формирующийся контур извлекается на основе краев поражений, что приводит к устранению шума и усилению информации о краях; однако он дополнительно пытается сохранить предельную целостность. Но когда опухоль и окружающие ее ткани полностью пронизаны, характеристики опухоли и ее информация могут быть неожиданно восприимчивыми, поэтому точность этого метода также очень низкая.

    Метод вырезания графа используется для сегментации опухоли легкого путем взятия взвешенных графиков и вычисления границ, которые необходимо вырезать, и дает точные результаты на основе двух моделей, первая — это сегментация на основе градиента изображения, а вторая — сегментация на основе средней интенсивности.Но этот способ подходит только для изображений с богатой текстурой, цветом и сложным фоном.

    В этой статье реализован эффективный метод кластеризации для точной сегментации опухоли легкого при компьютерной томографии с большей точностью по сравнению с существующими методами кластеризации, такими как FCM.

    Материалы и методы

    Предлагаемый метод

    Получение изображения

    Это первый шаг — получение изображения. Изображения обычно собираются в больницах или Консорциуме баз данных изображений легких (LIDC) (Armato et al., 2011). Если тип изображения легких является рентгеновским, а на МРТ больше шума по сравнению с изображениями КТ, это является причиной выбора изображения КТ. КТ-изображения содержат шум соли и перца, гауссовский, пятнистый и пуассоновский шум. Таким образом, изображение требует предварительной обработки для устранения шумов.

    Блок-схема предлагаемой системы

    Исходное изображение CT легкого с узелком

    Сравнение исходного изображения с предварительно полученным изображением

    Предварительная обработка изображения

    Основная цель предварительной обработки — уменьшить количество шума с минимальным среднеквадратичным значением для изображения.Предварительная обработка изображения — это метод повышения качества исходного изображения, при котором после повышения качество изображения становится намного лучше по сравнению с исходным изображением. Полученное исходное КТ-изображение получается и предварительно обрабатывается с помощью фильтра Винера, так как он лучше удаляет шум по сравнению с другими фильтрами.

    Сегментация изображения

    Предварительно обработанное изображение затем сегментируется с использованием алгоритма FLICM. Сегментация изображения — это процесс, в котором исходное изображение разделяется на несколько сегментов, таких как уровень серого, цвет, текстура, яркость и контраст (Jiangdian et al., 2015). Обычно это используется для диагностики объектов или другой связанной информации на цифровых изображениях, например опухоли, поражения и аномалий. Существует множество способов выполнения сегментации изображения, включая методы (Diciotti et al., 2008), такие как выделение областей, пороговое значение, обнаружение краев и кластеризация (Diciotti et al., 2008). В данном документе осуществляется кластерный метод сегментации. Кластеризация — это функция сбора набора объектов в одной группе, похожих друг на друга, чем набор объектов в другой группе.Кластеризация может выполняться двумя способами: жесткая кластеризация и нечеткая кластеризация. Набор данных с жесткой кластеризацией принадлежит одному кластеру. Таким образом, у него есть некоторые недостатки, такие как конечный низкий контраст, пространственное разрешение, шум, перекрывающиеся интенсивности и неоднородная интенсивность, которые снижают эффективность различных методов жесткой кластеризации в процессе сегментации. Тогда как в методе нечеткой кластеризации каждые данные могут принадлежать более чем одному кластеру. Кластеризация — это процедура распределения информации по группам с конечной целью, чтобы вещи в одной группе были настолько сопоставимы, насколько можно было разумно ожидать, а вещи в различных группах были настолько уникальными, насколько это было возможно.Среди этих методов кластеризации FCM является основным методом кластеризации. В этой статье метод FLICM используется путем введения информации о локальных пространственных и серых уровнях в алгоритм FCM, что улучшает его выполнение с точки зрения устойчивости ко всем видам шума и выбросов, что приводит к лучшему результату.

    Сегментация с использованием алгоритма C-средних нечеткой локальной информации (FLICM) Кластеризация

    Алгоритм

    Алгоритм FLICM имеет некоторые отличительные характеристики, такие как

    1. Он не зависит от типа шума и выбора параметров

    2. Он включает взаимосвязь между локальными пространственный уровень и уровень серого, аналогичный нечеткой логике

    3. Автоматическое определение нечетких локальных ограничений

    4. Производительность кластеризации повышается за счет балансировки шума и деталей изображения с использованием ограничений нечеткой логики

    5. Влияние соседних пикселей контролируется на основе расстояния между соседними пикселями и центральным пикселем

    6. Он использует исходное изображение, избегая предварительной обработки, которая может привести к потере деталей изображения. Эта локальная пространственная информация и информация об уровне серого вводится в функцию, и функция может быть определенным s:

    Пошаговый процесс сегментации и обнаружения повреждений с использованием графического интерфейса пользователя

    Блок-схема программы извлечения признаков

    Алгоритм выглядит следующим образом:

    Шаг 1: Установите количество прототипов кластера c, коэффициент фаззификации m и условие остановки ε

    Шаг 2: Инициализировать случайным образом нечеткую матрицу сегрегации

    Шаг 3: Установить (b = 0), b = счетчик циклов

    Шаг 4: Рассчитать прототипы кластера, используя уравнение (3)

    Шаг 5: Вычислить значения принадлежности с помощью уравнения (2)

    Шаг 6: Если условие max останавливает выполнение, в противном случае установите b = b + 1 и повторите с шага 4.\

    Извлечение признаков

    После процесса сегментации сегментированный узелок поражения легкого используется для выделения признаков (Лин и Ян, 2002), что является одним из важных шагов для предоставления более подробной информации об изображении.

    Извлеченные физические характеристики:

    • 1) Площадь: Площадь — это совокупность площади точек пикселей на изображении, которые обычно регистрируются как 1 в двоичном изображении A = n {1}

    • 2) Периметр: периметр — это общее количество пикселей на краю объекта.

    • 3) Эксцентриситет: это пропорция расстояния между длиной главной оси и фокусами эллипса, обычно значение находится между 0 и 1.

    Классификация с использованием сети обратного распространения

    Классификация изображений

    После процесса выделения признаков изображение классифицируется на основе признаков, извлеченных с помощью алгоритма BPN.

    Шаг 1: Проектирование входных параметров и структуры нейронной сети

    Шаг 2: Инициализация значения весов W как случайного значения

    Шаг 3: Введите целевую матрицу T и матрицу обучающих данных X

    Шаг 4: Рассчитайте выходной вектор каждого блока нейронной сети

    a.Вычислить значение выходного вектора H в скрытом слое

    Где net k — функция активации, а Ө k — пороговое значение

    b. Вычислить значение выходного вектора Y в выходном слое

    , где net j — это функция активации, а Ө j — пороговое значение

    Шаг 5: Вычислить значение ошибки

    a. Вычислить значение ошибки выходного слоя

    Где — производная функции активации

    b.Вычислить значение ошибки скрытого слоя

    Шаг 6: Рассчитать значения модификации W и Ө с ɑ в качестве параметра скорости обучения

    a. Вычислите значение модификации W и Ө в выходном слое

    b. Вычислите значение модификации W и Ө в скрытом слое

    Шаг 7: Восстановите значение Ө и W

    a. Восстановите значение W и Ө в выходном слое

    b.Восстановите значение W и Ө в скрытом слое

    Шаг 8: Повторите с шага 3 до шага 7 для всех входов

    Результаты

    Новый алгоритм на основе FLICM используется для сегментации изображения в MATLAB версии 13. Предлагаемый алгоритм реализуется поэтапно, а затем применяется к изображениям, полученным из общедоступной базы данных. Для измерения эффективности (Wen et al., 2010) методологии сегментации необходимо учитывать следующие параметры:

    • Чувствительность = TP / (TP + FN)

    • Специфичность = TN / ( TN + FP)

    • Точность = (TP + TN) / TP + FN + TN + FP)

    • Положительное прогнозное значение (Ppv) = TP / (TP + FP)

    • Отрицательное прогнозируемое значение ( Npv) = TN / (TN + FN)

      Эти параметры анализируются и заносятся в таблицу, где

    • TP представляет истинно положительный результат: сегментированный срез с раковым узлом классифицируется как злокачественный

    • FP указывает ложноположительный результат: Сегментированный срез, не имеющий ракового узла, классифицируется как злокачественный

    • TN указывает на истинно отрицательный: Сегментированный срез без ракового узла классифицируется как незлокачественный

    • FN указывает на ложноотрицательный: сегментированный срез, который имеет рак нет dule классифицируется как незлокачественный

    Графическое представление чувствительности, специфичности, PPV, NPV и точности показано в.Это указывает на то, что значение чувствительности уменьшается с увеличением количества изображений, значение специфичности также увеличивается с увеличением количества изображений, значение PPV также увеличивается с увеличением количества изображений, значение NPV уменьшается по мере увеличения количества изображений. количество изображений, точность также увеличивается с увеличением количества изображений.

    Параметры производительности для предлагаемого метода

    Стадия рака

    Таблица 1

    Значения параметров эффективности обнаружения рака легкого

    Изображения Чувствительность Специфичность Ppv

    5 Точность 5 1 0.75 0,5 1 0,8
    10 1 0,857 0,75 1 0,9
    15 0,8571
    20 0,777 0,909 0,875 0,833 0,87
    среднее 0,9087 0,84775 0.7455 0,927 0,859

    Эквивалентный диаметр, 5,23; Периметр, 21,6569; Площадь, 42; Эксцентриситет 0,9233; стадия 1 Рак

    Таблица 2

    Критерии для дескриптора T

    Параметр стадии T1 T2 T3 T4
    Диаметр 905 905 905, эквивалент 9015 От 7 до 11 от 11 до 21 от 21 до 42
    по периметру (в пикселях) от 18 до 25 от 25 до 38 от 38 до 80 от 80 до 177
    в пикселях 0–57 57–100 100–352 1446

    Обсуждение

    В этой статье представлен надежный метод и надежный метод сегментации.Первоначально процесс предварительной обработки проводится с использованием фильтра Винера для устранения шума и улучшения изображения. На следующем этапе выполняется сегментация поражения легких с использованием алгоритма FLICM. Процесс сегментации — это дальнейшая классификация тяжести опухоли легкого и диагностика. Предлагаемый метод направлен на автоматическое обнаружение поражения легких с использованием алгоритма FLICM, а классификация проводится с использованием сети BPN. Сегментация повышает точность классификации с выявлением поражения легких.Таким образом, предлагаемый подход обеспечивает лучшее выполнение с точки зрения точности прогноза легочного узелка, чем уже доступный подход.

    Ссылки

    • Anita C, Sonit SS. Обнаружение рака легкого на КТ-изображениях с использованием обработки изображений. IEEE Comput Society. 2012; 4: 142–46. [Google Scholar]
    • Armato SG, McLennan G, Hawkins D, et al. Консорциум базы данных изображений легких (LIDC) и инициатива по ресурсам базы данных изображений (IDRI): завершенная справочная база данных узловых образований легких на компьютерной томографии.Med Phys. 2011; 38: 915–31. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Diciotti S, Picozzi G, Falchini M и др. Алгоритм трехмерной сегментации небольших узелков легких на спиральных КТ-изображениях. IEEE Trans Inf Technol Biomed. 2008; 12: 7–19. [PubMed] [Google Scholar]
    • Дичиотти С., Ломбардо С., Фальчини М. и др. Автоматическое уточнение сегментации небольших узелков в легких при компьютерной томографии с помощью анализа локальной формы. IEEE Trans Biomed Eng. 2011; 58: 3418–28. [PubMed] [Google Scholar]
    • Jiangdian S, Caiyun Y, Li F и др.Удаление поражения легких с использованием метода автоматической сегментации на основе растущего тобоггана. IEEE Trans. Med Imaging. 2015; 10: 1–16. [PubMed] [Google Scholar]
    • Лин Д., Ян С. Извлечение правил идентификации узелков в легких с помощью нейронной нечеткой сети. IEEE Neu Infor Process. 2002; 4: 2049–53. [Google Scholar]
    • Нирадж С., Лалит М.А. Автоматизированные методы сегментации медицинских изображений. J Med Physics. 2010; 35: 3–14. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Сирен Дж. К., Вейдерт Дж., Белл А. и др.Автоматизированный подход к сегментации для выявления гистологической сложности рака легких человека. Энн Биомед Eng. 2010; 38: 3581–91. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Сигел Р., Найшадхам Д., Джемаль А. Статистика рака. CA Cancer J Clin. 2013; 63: 11–30. [PubMed] [Google Scholar]
    • Тиан Дж., Сюэ Дж., Дай Й и др. Новая программная платформа для обработки и анализа медицинских изображений. IEEE Trans Inf Technol Biomed. 2008; 12: 800–12. [PubMed] [Google Scholar]
    • Вен З., Нэнси З., Нинг В. и др.Чувствительность, специфичность, точность, соответствующий доверительный интервал и анализ ROC с практическими реализациями SAS®. Health Care Life Sci. 2010; 29: 1–9. [Google Scholar]
    • Всемирная организация здравоохранения. Описание глобального бремени НИЗ, их факторов риска и детерминант, Бремя: смертность, заболеваемость и факторы риска, 2011 г. Женева, Швейцария: Всемирная организация здравоохранения; 2011. С. 9–32. [Google Scholar]
    • Wu D, Lu L, Bi J, et al. Стратифицированное изучение местного анатомического контекста для узелков в легких на КТ-изображениях.IEEE Trans Med Imaging. 2010; 25: 2791–98. [Google Scholar]

    Сегментация КТ-изображений легких COVID-19 с использованием методов глубокого обучения: U-Net против SegNet | BMC Medical Imaging

    Набор данных

    Изображения набора данных, используемых в этой работе, являются коллекцией Итальянского общества медицинской и интервенционной радиологии [26]. Предоставляется сто односрезовых компьютерных томографов с измененным размером \ (512 \ x 512 \). Метки регионов уже скомпилированы в НИФТИ с соответствующей документацией автора.

    При ручной маркировке количество пикселей классов (общее количество пикселей в классе) и количество пикселей изображения (общее количество пикселей в изображениях, которые имели экземпляр класса) показывают значительное несоответствие в представлении; доминирующий класс в порядке \ ({1} {{\ mathrm {e}}} {+ 3} \) больше, чем наименее представленный класс. См. Таблицу 1. Здесь мы отмечаем, что класс C 0 представляет не только части легких, не затронутые пневмонией, но также и окружающие легкие ткани.

    Таблица 1 Размеры классов набора данных

    Веб-сайт источника набора данных предлагает маски изображений для сегментации областей легких.Эти маски были созданы автоматически на основе [27]. Автоматизированную модель сегментации легких можно найти в репозитории GitHub JoHo / легкая маска. На рис. 1 показаны исходное, замаскированное легкими и помеченные изображения одного образца.

    При визуальном осмотре изображений набора данных мы замечаем, что инфицированные области легких локализованы в определенных регионах. Чтобы проиллюстрировать корреляцию между инфицированной тканью и ее относительным расположением, все метки набора данных были суммированы и нанесены на график с горячей цветовой картой на рис.2. Из накопленного изображения видно, что одни участки легких более подвержены инфекциям, чем другие. Поэтому пространственные значения пикселей, как правило, являются ключевой характеристикой в ​​этом исследовании.

    Глубокие нейронные сети

    Общая методология семантической сегментации изображений заключается в разработке структуры, которая извлекает признаки посредством последовательных сверток и использует эту информацию для создания карты сегментации в качестве вывода. См. Рис. 3. В следующих двух абзацах мы представляем краткое описание двух сетей DL, использованных в этом исследовании.

    Архитектура U-NET

    U-NET изначально разрабатывался для понимания и сегментации медицинских изображений. Он имеет широкое применение в этой области и является ключевой архитектурой в обществе автоматизации медицинской визуализации. В этом разделе мы подробно описываем ключевые технические характеристики этой сети и их роль в достижении хороших результатов.

    Архитектура этой сети включает две основные части: сужающуюся и расширяющую. Сужающийся путь состоит из нескольких участков сверток с фильтрами размера \ (3 \ times 3 \) и единичных шагов в обоих направлениях, за которыми следуют слои ReLU.Этот путь извлекает ключевые особенности входных данных и дает вектор признаков определенной длины. Второй путь извлекает информацию из сокращающегося пути посредством копирования и обрезки и из вектора признаков посредством восходящей свертки и генерирует путем последовательной операции выходную карту сегментации. Ключевым компонентом этой архитектуры является операция, связывающая вместе первый и второй пути. Эта связь позволяет сети получать высокоточную информацию от сокращающегося пути, тем самым генерируя маску сегментации, максимально приближенную к намеченному выходу.Подробный обзор архитектуры можно найти в [28].

    Архитектура SegNet

    SegNet — это глубокая нейронная сеть, изначально разработанная для моделирования сегментов сцены, таких как инструмент сегментации изображения дороги. Эта задача требует, чтобы сеть сходилась с использованием сильно несбалансированных наборов данных, поскольку большие области изображений дорог состоят из таких классов, как дорога, тротуар, небо. В разделе о наборах данных мы численно продемонстрировали, как набор данных, используемый в этой работе, демонстрирует несоответствие в представлении классов.Как следствие, SegNet был нашим первым выбором для этой задачи.

    SegNet — это DNN с глубиной кодировщика-декодера, равной трем. Слои кодировщика идентичны сверточным уровням сети VGG16. Декодер создает маску сегментации, используя индексы объединения из максимального пула соответствующего кодера. Создатели удалили полностью связанные слои для уменьшения сложности, что уменьшило количество параметров сектора кодировщика с \ ({1.34} {{\ mathrm {e}}} {+ 8} \) до \ ({1.47} {{\ mathrm {e}}} {+ 7} \). См. [29].

    Обучение сети

    Обучение нейронных сетей выполняется с использованием стохастического оптимизатора ADAM из-за его высокой скорости сходимости по сравнению с другими оптимизаторами [30]. Размер входных изображений изменен на \ (256 \ раз 256 \), чтобы сократить время обучения, а также уменьшить требования к памяти. n \) — метка и прогноз в классе n в экземпляре i , и \ (w_i \) — вес класса i .

    Каждая сеть обучается девять раз с использованием разных гиперпараметров, чтобы найти наилучшую возможную конфигурацию. В таблице 2 перечислены эти гиперпараметры обучения. Для тренировочного выполнения он был выполнен за 160 эпох по всем экспериментам. Разница во времени обучения среди сетей была незначительной, в среднем 25 минут. На рисунке 4 показаны эффективность обучения и потери для лучших бинарных сегментов (U-NET № 4 и SegNet № 4) и лучших мультиклассовых сегментов (U-NET № 4 и SegNet № 7).Критерии, используемые для заключения лучших экспериментов, обсуждаются в разделе результатов.

    Таблица 2 Гиперпараметры, используемые для обучения DNN

    Процесс обучения был выполнен с использованием Deep Learning Toolbox версии 14.0 в MATLAB R2020a (9.8.0.1323502) на машине Windows 10 версии 10.0.18363.959 с INTEL core-i5 9400F и Графический процессор NVIDIA 1050ti с 4 ГБ видеопамяти с использованием CUDA 10.0.130. Использование графического процессора сократило время обучения в среднем в 35 раз.

    Критерии и процедура оценки

    Для полной количественной оценки производительности наших моделей мы использовали пять известных критериев классификации: чувствительность, специфичность, G-среднее, Соренсена-Дайса (также известный как.F1) и оценка F2. Следующие уравнения. (2) — (6) описывают эти критерии:

    $$ \ begin {align} {\ text {Sensitivity}} = \ frac {{\ text {TP}}} {{\ text {TP}} + {\ текст {FN}}} \ end {align} $$

    (2)

    $$ \ begin {выровнено} {\ text {Specificity}} = \ frac {{\ text {TN}}} {{\ text {TN}} + {\ text {FP}}} \ end {выровнено} $

    (3)

    $$ \ begin {align} {\ text {Sorensen-Dice}} = \ frac {2 \ times {\ text {TP}}} {2 \ times {\ text {TP}} + {\ text {FP }} + {\ text {FN}}} \ end {align} $$

    (4)

    $$ \ begin {выровнено} {\ text {G-mean}} = \ sqrt {{\ text {чувствительность}} \ times {\ text {specificity}}} \ end {align} $$

    (5)

    $$ \ begin {align} {\ text {F2-score}} = \ frac {5 \ times {\ text {Precision}} \ times {\ text {Sensitivity}}} {4 \ times {\ text { Точность}} + {\ text {Чувствительность}}} \ end {align} $$

    (6)

    Эти критерии выбраны из-за характера дисбаланса набора данных, обсуждаемого в разделе Материалы и методы .

    Оценка проводилась следующим образом: общая точность классификатора рассчитывалась для каждого тестового изображения и усреднялась по всем изображениям. Используя средние значения глобальной точности, для оценки «Уровень класса» был выбран лучший эксперимент каждой сети. Затем статистические баллы (2) — (6) были рассчитаны для каждого класса и соответствующим образом занесены в таблицу.

    Диагностическая визуализация рака легких

    Реферат

    Карцинома бронхов — наиболее распространенное злокачественное новообразование в западном мире.Это также основная причина смерти от рака, на которую приходится 32% всех случаев смерти от рака у мужчин и 25% у женщин 1. В США он вызывает больше смертей, чем рак толстой кишки, груди и простаты вместе взятых 2. К сожалению, в Недавнее исследование, проведенное в Великобритании по улучшению выживаемости при раке 3, карцинома бронха показало наименьшее процентное сокращение числа предотвращенных смертей в период 1981–1990 гг. (0,2%). Это плохо сравнивается с грудью (уменьшение на 11%) и меланомой (32%). Общая 5-летняя выживаемость для рака легких, диагностированного в период 1986–1990 гг., Составила всего 5 лет.3% (против 66% для груди и 76% для меланомы). Именно на этом фоне радиолог продолжает активно участвовать в обнаружении, диагностике, определении стадии и анализе этого распространенного злокачественного новообразования.

    Теоретически рак легкого должен поддаваться скринингу. Заболевание очень распространено, и на самых ранних стадиях ≤70% случаев можно вылечить хирургическим путем 4. Несмотря на это, общий прогноз рака легких настолько мрачен, что заболеваемость превышает распространенность 5. Основной фактор риска, курение, легко идентифицируется и неинвазивные скрининговые тесты, такие как рентгенография грудной клетки и цитология мокроты, широко доступны.

    Почему не проводится скрининг? Три крупные американские программы скрининга в 1970-х годах, спонсируемые Национальным институтом здравоохранения 6–9, и еще одна в Чехословакии в 1980-х годах 10 обследовали группы высокого риска с использованием рентгенографии грудной клетки и анализа мокроты. Все они показали повышенное выявление рака легких на ранней стадии, более резектабельные виды рака и улучшение 5-летней выживаемости в отобранных по сравнению с контрольных группах. Важно отметить, что ни один из них не показал статистически значимого снижения общей смертности.

    За последние 5 лет в трех нерандомизированных испытаниях, включающих низкодозовую компьютерную томографию (КТ), были представлены данные скрининга распространенности 11–13. Их выводы кратко изложены в (таблица 1⇓). В таблицу также включены предварительные данные двух продолжающихся испытаний в США и Германии. Эти испытания показывают, что КТ выявляет гораздо больше узелков в легких, чем рентгенография грудной клетки. Однако лишь небольшой процент этих узелков оказывается раком легких. Например, в исследовании Mayo Clinic 7 более половины всех пациентов имели хотя бы один узелок.Таким образом, логистика дифференциации доброкачественных узелков от злокачественных становится очень реальной проблемой, и были опасения по поводу количества биопсий, которые могут потребоваться. Однако при оценке характера кальцификации при КТ с низкой дозой и высоким разрешением (КТВР) и повторном сканировании после определенного интервала, в группе Проекта действий по борьбе с раком легких (ELCAP) был проведен только один случай биопсии доброкачественного, некальцинированного узелок 11. В этом исследовании уровень выявления рака составлял 2.7%, но в двух других опубликованных исследованиях он был <0,5% (таблица 1). Хотя это кажется низким, следует помнить, что уровень выявления рака груди составляет всего 0,6–0,7% 14.

    Невозможно переоценить важность тщательного дизайна исследования при оценке валидности этих крупных и дорогостоящих исследований. Хотя обычно сообщается о выживаемости с момента постановки диагноза заболевания, это не является подходящей мерой диагностического скринингового теста и может вводить в заблуждение, поскольку подвержено систематической ошибке заблаговременности, систематической ошибке продолжительности и систематической ошибке гипердиагностики.Для валидации таких методов скрининга необходимо изменение смертности, а не выживаемости 2. Хотя КТ в низких дозах может выявлять заболевание на ранних стадиях в 6–10 раз чаще, чем рентгенография грудной клетки 11, 15, подобного снижения распространенности пока не наблюдалось. запущенного заболевания 2. Отсутствие так называемого «сдвига стадии» снова ставит под сомнение способность низкодозного КТ-скрининга снизить общую смертность. Перекрестное заражение между отобранной и контрольной группами исследования также является проблемой в этих крупных испытаниях, особенно по мере того, как широкая общественность становится более осведомленной о проблемах со здоровьем.Лица, участвующие в испытаниях с контрольной группой, могут беспокоиться о том, что они упускают оптимальное лечение, и пробираются в обследованную популяцию.

    В попытке преодолеть эти различные трудности группы, спонсируемые Советом по медицинским исследованиям в Великобритании и Национальным институтом рака в США, в настоящее время проводят пилотные проспективные рандомизированные контролируемые испытания с участием 40 000 и 88 000 пациентов, соответственно, с использованием КТ в низких дозах. Последний должен обладать способностью определять снижение смертности на 20% 2.

    Рентгенологические характеристики по типам ячеек

    Аденокарцинома

    Аденокарцинома составляет 31% всех случаев рака легких, включая бронхоальвеолярную карциному 16. Аденокарциномы обычно располагаются периферически и имеют диаметр <4 см 17; только 4% показывают кавитацию 18. Хила или хила и поражение средостения наблюдается в 51% случаев при рентгенографии грудной клетки 19, а недавнее исследование описывает два характерных проявления на КТ: либо локализованное помутнение матового стекла, которое медленно растет (время удвоения> 1 года) ) или твердая масса, которая растет быстрее (время удвоения <1 года) 20.

    Бронхоальвеолярный рак

    Это считается подтипом аденокарциномы и составляет 2–10% всех первичных раковых заболеваний легких. Выделяют три характерных проявления: наиболее частым является единичный легочный узелок или образование в 41% случаев; у 36% может быть многоцентровое или диффузное заболевание; наконец, в 22% имеется локализованная область паренхиматозной консолидации 21. Пузырьковые области с низким затуханием внутри массы (рис. 1⇓) являются характерной находкой на CT 22.Прикорнная и средостенная лимфаденопатия встречается нечасто 23. Стойкая периферическая консолидация с ассоциированными узелками в той же доле или в других долях должна повышать вероятность бронхоальвеолярной карциномы 24.

    Аденосквамозная карцинома

    Аденосквамозная карцинома составляет 2% всех случаев рака легких 16. Этот тип клеток обычно идентифицируется как одиночный периферический узелок. Более половины имеют размер 1–3 см, а кавитация наблюдается в 13%. Признаки паренхиматозных рубцов или фиброза в опухоли или рядом с ней наблюдаются у 50% 25.

    Плоскоклеточный рак

    Плоскоклеточная карцинома составляет 30% всех случаев рака легкого 16. Эти опухоли чаще располагаются в центре легкого и могут расти намного больше, чем 4 см в диаметре 17. Кавитация (рис. 2⇓) наблюдается до 82% 18 . Они обычно вызывают сегментарный или долевой коллапс легких из-за их центрального расположения и относительной частоты 26.

    Мелкоклеточный рак легкого

    Мелкоклеточный рак легкого (SCLC) составляет 18% всех случаев рака легкого 16.SCLC часто проявляется объемными новообразованиями в воротах и ​​средостенных лимфатических узлах (рис. 3⇓) 27, 28. Несмежные паренхиматозные образования могут быть идентифицированы в 41% случаев на CT 28, которые очень редко образуют кавитацию 18. Они образуют злокачественный конец спектра. нейроэндокринных карцином легких с типичными карциноидными опухолями, находящимися на более доброкачественном конце 27. Образование в воротах ворот или рядом с ними является характерным для SCLC, и опухоль вполне может проявлять медиастинальную инвазию 17.

    Карциноидная опухоль

    Карциноидная опухоль составляет 1% всех случаев рака легких 16.Атипичные карциноидные опухоли, как правило, больше (обычно> 2,5 см на КТ), при этом типичные карциноидные опухоли чаще связаны с эндобронхиальным ростом (рис. 4⇓) и обструктивной пневмонией 27. Карциноиды, как правило, располагаются в центре, а не на периферии, и наблюдается кальцификация в 26–33% 29. 5-летняя выживаемость для типичных карциноидов составляет 95% против 57–66% для атипичных карциноидов 29.

    Крупноклеточный рак

    Крупноклеточная карцинома составляет 9% всех случаев рака легких 16.Крупноклеточная карцинома или гигантоклеточная карцинома — это плохо дифференцированная немелкоклеточная карцинома (НМРЛ), которая диагностируется гистологически после исключения аденокарциноматозной или плоскоклеточной дифференцировки 16. Она может очень быстро увеличиваться 30 до большого размера, но рано метастазировать в средостение и мозг 31.

    Следует отметить, что, по-видимому, происходит изменение распространенности описанных гистологических подтипов. Два недавних крупных исследования показали распространенность аденокарциномы 78% и 58%, в то время как плоскоклеточный рак составлял только 4% и 11% соответственно 11, 13.

    Методы визуализации

    Рентгенография грудной клетки

    Из-за своей широкой доступности, в том числе для врачей первичного звена, рентгенограмма грудной клетки часто является первым методом визуализации, позволяющим предположить диагноз бронхогенной карциномы. Рак легкого может представлять собой прямую спикулированную массу, но о его присутствии также можно судить по другим признакам, таким как неизлечимая пневмония или долевой коллапс (рис. 5⇓). В некоторых ситуациях дальнейшая визуализация не требуется при наличии объемной аденопатии контралатерального средостения или при выявлении очевидного костного поражения.Однако компьютерная томография грудной клетки часто требуется из-за недостаточной чувствительности рентгенограмм грудной клетки для выявления метастазов в средостенных лимфатических узлах, грудной стенки и инвазии средостения 32.

    Компьютерная томография

    КТ может идентифицировать специфические особенности узелков в легких, которые являются диагностическими, например, артериовенозных свищей, округлых ателектазов, грибковых клубочков, слизистой закупорки и инфарктов. Сканирование с высоким разрешением дополнительно уточняет этот диагностический процесс 33.Возможность компьютерной томографии оценить всю грудную клетку во время оценки узелков является дополнительным преимуществом.

    Спиральная или спиральная КТ является преимуществом, так как небольшие узелки не пропускаются между срезами, как это может происходить на старых, неспиральных машинах. Это также увеличивает скорость обнаружения узелков диаметром <5 мм, особенно при просмотре в киноформате на рабочей станции 34, 35. Получение наборов данных непрерывного объема позволяет реконструировать трехмерное изображение и мультипланарное изображение ( i.е. неаксиальное) переформатирование (рис. 6⇓). Было показано, что эти методы улучшают обнаружение плевральной инвазии опухолью и проясняют происхождение перидиафрагмальных опухолей соответственно 36, 37. Дальнейшие манипуляции с наборами необработанных данных позволяют использовать технику виртуальной бронхоскопии. Интерактивная имитация бронхоскопии может быть выполнена с дополнительным преимуществом одновременной информации о соседних структурах средостения. Этот метод имеет большой потенциал как в качестве учебного пособия, так и в качестве средства оценки анатомии грудной клетки и бронхов перед интервенционными процедурами и установкой стента 38.

    Недавнее появление мультисрезовых сканеров привело к прогрессу в разрешении изображения со значительным сокращением как загрузки пробирки, так и времени сканирования, так как одновременно можно получить до четырех срезов 39, 40. И спиральные, и мультисрезовые аппараты меньше страдают от артефактов дыхательного движения из-за их более короткое время сканирования.

    Спиральная компьютерная томография с болюсным введением йодсодержащего контрастного вещества внутривенно обеспечивает «динамическое сканирование». Недавнее исследование 84 пациентов с НМРЛ не обнаружило разницы в рентгенологической стадии, когда сканирование с неконтрастным усилением сравнивалось со сканированием с контрастным усилением у 80 пациентов (95%), и было рекомендовано, что КТ без усиления через грудную клетку и надпочечники было достаточно для определения стадии пациентов с недавно диагностированным НМРЛ. 41.Однако другое исследование с участием 50 пациентов, сравнивающее оба метода, показало, что частота выявления увеличенных узлов средостения после усиления контраста на 11% выше, и рекомендовало его обычное введение (рис. 7 и 8⇓⇓) 42. Многие центры проводят сканирование печени и надпочечников после внутривенного введения. контраст.

    Толщина и интервал срезов должны быть ≤10 мм и проходить от верхушек легких до надпочечников 16. В настоящее время обычной практикой является выполнение 5-миллиметровых срезов по воротам и аортопульмональной области, чтобы улучшить очерчивание локальных лимфатических узлов и происхождение лимфатических узлов. долевые бронхи.Поле зрения должно включать прилегающую грудную стенку 16.

    Магнитно-резонансная томография

    Магнитно-резонансная томография (МРТ) становится все более доступной, но время сканирования МРТ настолько велико, что ее обычно используют для решения проблем и там, где введение контрастных веществ противопоказано. МРТ может быть более точным, чем КТ, в отделении опухолей стадии IIIa (операбельной) от опухоли IIIb (обычно неоперабельной) у отдельных пациентов благодаря ее способности обнаруживать инвазию в основные структуры средостения, i.е. Болезнь Т4 43.

    Преимущества МРТ по сравнению с КТ включают: лучший контраст мягких тканей, возможность многоплоскостной визуализации и, следовательно, полезность для больших опухолей борозды и оценки аортопульмонального окна (рис. 9⇓), а также кардиостробирование, которое позволяет отличное очертание сердца и отличное качество изображения. сосудов и удаляет артефакт пульсации сердца 44, 45.

    МРТ также полезен для оценки инвазии средостения и грудной стенки благодаря ее способности определять инвазию жировых полос (рис.10⇓) и поражение диафрагмы и позвоночного канала. Кроме того, было показано, что он помогает дифференцировать лимфатические узлы от сосудов ворот из-за феномена «пустоты потока» 46, 47.

    МРТ имеет недостатки по сравнению с КТ: он медленнее и дороже, с более низким пространственным разрешением и предоставляет ограниченную информацию о паренхиме легких. МРТ может переоценивать размер лимфатических узлов из-за дыхательного движения, вызывая слияние отдельных узлов в более крупную конгломератную массу 44.МРТ также плохо переносится пациентами с клаустрофобией и противопоказана пациентам с постоянными электромагнитными устройствами и некоторыми протезами сердечных клапанов.

    T1-взвешенных последовательностей используются для визуализации плоскостей жира и улучшения пространственного разрешения. Т2-взвешенные последовательности полезны для обнаружения инфильтрации опухоли с высоким уровнем сигнала. Повышение содержания гадолиния может еще больше повысить диагностическую ценность 48.

    Позитронно-эмиссионная томография

    Позитронно-эмиссионная томография (ПЭТ) — это новый метод визуализации, роль которого в оценке рака легких все еще определяется.Его преимущество перед другими методами заключается в его чувствительности к обнаружению злокачественных новообразований и способности визуализировать все тело за одно обследование.

    ПЭТ — это метод физиологической визуализации, в котором используются радиофармпрепараты, полученные путем мечения метаболических маркеров, таких как аминокислоты или глюкоза, радионуклидами, излучающими позитроны, такими как фтор-18. Затем создается изображение радиомаркера путем совпадения двух фотонов с энергией 511 кэВ, которые образуются в результате аннигиляции испускаемых позитронов.Радиофармацевтический препарат 18 F-2-дезокси-d-глюкоза (FDG) идеально подходит для визуализации опухолей. ПЭТ, выполняемая с этим агентом, использует различия в метаболизме глюкозы между нормальными и неопластическими клетками, позволяя точно и неинвазивно дифференцировать доброкачественные и злокачественных аномалий 49. Известно, что поглощение ФДГ пропорционально агрессивности и скорости роста опухоли 50. Поглощение ФДГ может оцениваться визуально на ПЭТ-изображениях (рис. 11⇓) путем сравнения активности поражения с фоном или с помощью полуколичественного анализа с использованием рассчитанных стандартизованных коэффициентов поглощения.Коэффициент поглощения <2,5 считается показателем доброкачественного поражения 51, 52.

    ПЭТ-сканирование обнаруживает злокачественные новообразования в очаговых помутнениях легких с чувствительностью 96%, специфичностью 88% и точностью 94% в очагах поражения ≥10 мм 53–58. Однако по сравнению с КТ, ПЭТ имеет более низкое пространственное разрешение, что не позволяет провести точную анатомическую оценку статуса первичной опухоли 59. Ложноположительные результаты ПЭТ в легких наблюдаются при туберкулезной инфекции, гистоплазмозе и ревматоидном заболевании легких.Ложноотрицательные результаты наблюдаются при карциноидных опухолях, бронхоальвеолярной карциноме и поражениях размером менее 10 мм 58–61.

    ПЭТ более точен, чем КТ, в обнаружении или исключении метастазов в средостенные лимфоузлы: чувствительность составляет 67–100% и 50–63% соответственно, а специфичность составляет 81–100% и 59–94% 62–65. Было показано, что ПЭТ правильно увеличивает или уменьшает стадию узлов, как было первоначально определено с помощью КТ, у 21% дооперационных пациентов 66. В исследовании с участием 50 пациентов, в котором результаты ПЭТ и КТ сообщались совместно, чувствительность повысилась до 93%, специфичность — 97% и точность 96% при обнаружении поражения средостения 63.Было показано, что ПЭТ выявляет скрытые внегрудные метастазы у 11–14% пациентов, отобранных для лечебной резекции, и изменяет тактику почти в 40% случаев 66–68.

    В недавнем исследовании 100 пациентов, сравнивающих ПЭТ всего тела с традиционной визуализацией (КТ грудной клетки, сцинтиграфия костей и КТ или МРТ головного мозга) при постановке бронхогенной карциномы ПЭТ точно определила НМРЛ в 83% случаев по сравнению с патологической стадией 69. Цифра для обычной визуализации — 65%. ПЭТ выявила девять пациентов с метастазами, которые не были пропущены при обычной визуализации, в то время как 10% пациентов с подозрением на наличие метастазов традиционно не имели метастазов при ПЭТ.ПЭТ была более чувствительной и специфичной, чем сцинтиграфия костей, для обнаружения метастазов в кости и имела 100% положительную прогностическую ценность для наличия отложений надпочечников по сравнению с 43% для обычных изображений. Методика плохо справлялась с обнаружением метастазов в головной мозг (чувствительность 60%), что побудило авторов рекомендовать дальнейшее использование обычных изображений для стандартного определения стадии мозга. Тем не менее, отрицательная прогностическая ценность ПЭТ для болезни N3 была идентична таковой для медиастиноскопии (96%), что побудило заявить, что пациенты с отрицательными результатами ПЭТ средостения могут сразу перейти к хирургической резекции первичного поражения 69.Этот подход был поддержан другими авторами 59, 68. Положительные результаты ПЭТ, однако, требуют проведения узловой биопсии, исходя из областей повышенного поглощения ФДГ, чтобы исключить ложноположительные результаты. Причины включают инфекцию, воспаление, гиперплазию и саркоидоз 59.

    Главный недостаток ПЭТ — отсутствие доступности и относительно высокая стоимость каждого исследования. Тем не менее, модели анализа решений показывают, что комбинированное использование КТ и ПЭТ-визуализации для оценки очаговых поражений легких является наиболее рентабельной и полезной стратегией при определении тактики ведения пациента с предварительной вероятностью наличия злокачественного узла, равной 0.12–0,69 70.

    ПЭТ более точен, чем обычные исследования в выявлении рецидивирующего рака легких, и, по-видимому, превосходит его в отличии стойкой или рецидивирующей опухоли от фиброзных рубцов 59, 71. Однако ложноположительные исследования действительно происходят вторично по отношению к пострадиационным воспалительным изменениям и откладывают обследование до 4 или через 5 недель после облучения рекомендуется 72.

    Недавнее исследование 114 пациентов с одиночными легочными узелками диаметром ≤6 см показало полезность однофотонной эмиссионной компьютерной томографии с использованием аналога соматостатина, меченного технецием 99m , Депреотида 73.Чувствительность и специфичность этого метода при определении доброкачественных узлов от злокачественных составили 97% и 73% соответственно. Эти результаты сопоставимы с визуализацией FDG-PET и могут быть выполнены с помощью стандартной гамма-камеры.

    Одиночный легочный узел

    Только 20% карцином подлежат резекции при диагнозе 74, и 50% «очагов поражения» на рентгенограмме грудной клетки являются злокачественными: 40% представляют собой первичный рак легких, а остальные 10% представляют собой одиночные метастазы 75.Тем не менее, 20–30% всех видов рака представляют собой одиночные легочные узелки (SPN), из которых 88% являются резектабельными с 5-летней выживаемостью около 50% 74. Таким образом, раннее выявление и правильная оценка таких узелков имеют первостепенное значение. важность.

    Доброкачественные узелки

    Рентгенография грудной клетки

    Ряд находок позволяет классифицировать узелок как доброкачественный на основании рентгенологического исследования грудной клетки. 1) Возраст <35 лет, отсутствие курения и внегрудных злокачественных новообразований в анамнезе 76.2) Сравнение со старыми пленками и установление отсутствия роста в течение как минимум 2-летнего периода 32. 3) Если узелок содержит плотность жира или доброкачественную структуру кальцификации, такую ​​как центральный очаг, попкорн, слоистый или диффузный (рис. 12⇓) 33. Следует отметить, что эксцентрическая или пунктирная кальцификация наблюдается примерно в 10% случаев рака легких 76. Соответствующий анамнез, такой как лихорадка или боль в груди, может повысить вероятность доброкачественного процесса, такого как очаговая пневмония или инфаркт. как SPN. Повторная рентгенограмма должна быть выполнена через 2–6 недель для оценки разрешения 76.

    Компьютерная томография, денситометрия и улучшение

    КТ-сканирование может дополнительно улучшить обнаружение кальциноза и жира в узелках. В общей сложности 22–38% некальцинированных узелков на рентгенограммах грудной клетки выглядят кальцинированными на КТ 76. Используя КТ-денситометрию, можно создать «пиксельную карту» узелка со значениями единиц Хаунсфилда (HU), где> 200 указывает на кальцификацию 77, 78 Только характерные паттерны кальцификации, такие как центральная, диффузная, ламинарная или попкорн, указывают на доброкачественность 33.Было показано, что наличие жира (-40–120 HU) или кальциноза или их комбинации правильно идентифицирует 30 из 47 пациентов (64%) с гамартомами на 2-миллиметровом сечении КТ в одной серии 79. Однако при По крайней мере, одна треть гамартом в этой серии не содержала ни жира, ни кальция, что привело к неопределенной оценке.

    Изменения ослабления после внутривенного введения контрастного вещества при КТ также можно использовать для отличия доброкачественных паренхиматозных узелков от злокачественных. В недавнем исследовании 356 узелков (5–40 мм), не содержащих ни жира, ни кальциноза, усиление постконтрастного введения <15 HU было сильным предиктором доброкачественности 80.Ретроспективно уменьшив порог отсечения до 10 HU, можно было повысить чувствительность метода в исключении злокачественных новообразований с 98 до 100%.

    Злокачественные узелки

    Узелок размером> 3 см связан со злокачественными новообразованиями в 93–99% случаев 81. Если узелок спикулирован (рис. 13⇓), 88–94% будут злокачественными 82–84, хотя 11% злокачественных узелков действительно имеют отчетливые края 74. Наличие кальциноза в более крупных (> 3 см) и спикулированных узелках не следует рассматривать как показатель доброкачественности.

    Неопределенные узелки

    Маленький размер не следует использовать в качестве дискриминатора для исключения злокачественности. Было показано, что каждый седьмой узелок размером <1 см является злокачественным 81, а в недавнем исследовании узелков, удаленных при видеоассистированной торакоскопической хирургии, 31% узелков размером менее 1 см у пациентов без известных злокачественных новообразований были злокачественными 85. Кавитация и долька не являются полезными признаками злокачественности, поскольку гранулемы и гамартомы могут иметь эти проявления 74.

    Центральные опухоли

    В отличие от SPN, центральный рак легкого рентгенологически часто проявляется в виде образования хилы или в виде коллапса и консолидации легкого за пределами опухоли с сопутствующей потерей объема. Воздушные бронхограммы можно увидеть на КТ 17.

    Дифференцировать центральные опухоли от дистального коллапса может быть сложно, но этому способствует болюсное введение контрастного вещества с последующим быстрым компьютерным сканированием на уровне аномалии (рис. 14⇓). Легкие заметно улучшаются, в то время как увеличение опухоли минимально и замедляется.Наиболее заметная разница между ними наблюдается от 40 секунд до 2 минут после введения контрастного вещества 86.

    Дифференциация центральных опухолей легких от новообразований средостения также может быть проблематичной. В исследовании 90 центральных образований легкого и средостения единственной наиболее полезной находкой КТ для различения этих двух явлений была «граница раздела масса-легкое». Маргинальная спикуляция, узловатость или неравномерность образования и окружающего легкого почти всегда указывали на образование образования в легком.Гладкий интерфейс предполагал, что образование было расположено в средостении. Заметным исключением была лимфома Ходжкина, которая иногда может проникать через плевру, вторгаться в легкие и приводить к образованию плохо очерченной массы, имитирующей массу легкого 87.

    Следующие признаки могут рассматриваться как подозрительные для закупоривающего новообразования, если они связаны с пневмонией. 1) Золотой знак «S», указывающий на искривленную трещину вокруг центральной опухолевой массы (рис. 15⇓). 2) Пневмония, ограниченная одной долей (или более, если она вызвана общим закупоренным бронхом), особенно если возраст> 35 лет и сопровождается потерей объема или бронхами, заполненными слизью, при отсутствии воздушных бронхограмм 17.При анализе 50 пациентов с сегментарным или долевым ателектазом 27 (54%) были вызваны обструктивной опухолью, все из которых были обнаружены на КТ 88. 3) Локализованная пневмония, которая сохраняется более 2 недель или рецидивирует в той же доле.

    Увеличение хилы является частым признаком у пациентов с раком легкого 17. В серии исследований Mayo Clinic у 38% пациентов с раком легкого было образование хилы или перихилы 89. Совсем недавно 14 из 25 пациентов (56%) с КТ, проведенная по поводу патологии ворот, обнаружила бронхогенную карциному 90.Наличие опухолевой массы или увеличенных лимфатических узлов даст плотный ворот. Вообще говоря, чем более дольчатая форма, тем больше вероятность наличия аденопатии 17.

    Стадия немелкоклеточного рака легкого

    Пересмотренная международная система определения стадии рака легкого 4 включает систему подмножества опухоли, узла, метастазов (TNM) (таблицы 2 и 3⇓⇓) и демонстрирует улучшенные показатели выживаемости с более точным определением стадии и соответствующим отбором пациентов для окончательного хирургического лечения путем различения IIIa из группы IIIb (таблица 4⇓).Процент выживаемости в 5 лет по клинической стадии для более поздних стадий остается низким, что подчеркивает важность раннего выявления.

    Общая 5-летняя выживаемость в Великобритании, составляющая лишь 5,3%, подчеркивает преобладание прогрессирующей стадии заболевания при 3-м осмотре. Точная стадия опухоли (Т) и узловая (N) является обязательной, поскольку она определяет последующее лечение, особенно при рассмотрении нео-заболевания. адъювантная терапия при заболеваниях IIIa и IIIb. Только примерно половина стадий TNM, полученных на основе КТ, согласуется с оперативной стадией, при этом пациенты находятся как ниже, так и выше стадии 91,92.Однако известно, что быстрый доступ к исследованию, высокие показатели гистологического подтверждения (при бронхоскопической / трансторакальной биопсии или торакотомии), рутинное компьютерное сканирование и осмотр каждого пациента торакальным хирургом существенно повышают успешность хирургической резекции 93.

    Статус опухоли

    Различие между опухолями Т3 и Т4 имеет решающее значение, поскольку оно разделяет традиционное хирургическое и нехирургическое лечение 17. Опухоли Т4 могут быть легко идентифицированы в силу их инвазии в тело позвонка (рис.16⇓), очевидная инвазия в средостение или сердце (рис. 17⇓) или наличие паренхиматозных метастазов в легких. Однако опухоли Т3 может быть труднее классифицировать в основном из-за трудностей отличить простое распространение опухоли в медиастинальную плевру или перикард (Т3) от фактической инвазии (Т4).

    Инвазия в средостение

    Многие хирурги считают минимальную инвазию медиастинальной жировой ткани операбельной 94. ​​Контакта со средостением недостаточно для диагностики медиастинальной инвазии 17.В серии из 80 КТ Глейзера, считавшихся неопределенными для прямой медиастинальной инвазии, 60% были резектабельными при торакотомии без признаков медиастинальной инвазии, 22% действительно прорезали средостение, но все еще оставались технически резектабельными и только 18% были неоперабельными 95. Фактически только один из них. 37 новообразований не были операбельны при условии, что предоперационная КТ продемонстрировала по крайней мере одно из следующего: 1) ≤3 см контакт новообразования со средостением; 2) контакт с аортой <90 °; 3) жир, видимый между массой и структурами средостения.Однако важно отметить, что эта информация не идентифицирует неоперабельные опухоли (что позволяет избежать ненужной торакотомии), потому что около 50% технически резектабельных опухолей имели контакт средостения> 3 см или потерю прозрачного слоя жира. Искусственный пневмоторакс использовался для улучшения выявления инвазии как средостения, так и грудной стенки путем изучения того, отслаивается ли плевра от соответствующей структуры. Хотя одно исследование продемонстрировало 100% точность инвазии грудной стенки, его точность в отношении поражения средостения составила только 76% 96.Другое исследование было 100% чувствительным к инвазии средостения и грудной стенки, но только 80% специфичным 97. Это снова указывает на то, что метод не может быть категоричным в отношении наличия неоперабельности.

    Группа радиологической диагностической онкологии 98 сравнила КТ и МРТ у 170 пациентов с НМРЛ, 90% из которых перенесли торакотомию. Не было существенной разницы между чувствительностью двух методов (63% и 56% соответственно) или специфичностью (84% и 80%) для различения опухолей T3–4 и T1–2, за исключением случаев, когда выполнялся анализ рабочих характеристик приемника. по статистике.Они показали, что МРТ лучше, чем КТ при диагностике инвазии средостения. МРТ особенно полезна для определения инвазии миокарда или распространения опухоли в левое предсердие через легочные вены 76.

    Вторжение в стену груди

    КТ оценка инвазии опухолевой стенки грудной клетки варьируется с указанной чувствительностью в диапазоне от 38 до 87% и специфичностью от 40 до 90% 94. Инвазия грудной стенки массой приводит к оценке T3.Это не означает, что новообразование не поддается лечению per se , но необходима резекция en bloc новообразования и прилегающей грудной стенки, что сопряжено с повышением смертности и заболеваемости 99. А также техника индукции искусственного пневмотораза, описанная ранее , динамическая многосекционная КТ выдоха (рассматриваемая как кинопетля) также была оценена. В исследовании с участием 15 пациентов было установлено, что это было 100% точным для фиксации грудной стенки и средостения при патологическом обследовании 100.При обычной компьютерной томографии единственным надежным критерием для установления определенной инвазии является разрушение костной ткани с или без опухолевой массы, распространяющейся между ребрами в грудную стенку (рис. 18⇓) 94.

    Ультразвук упоминается как дополнительный метод оценки грудной стенки (рис. 19⇓). В серии из 120 пациентов с примыканием опухоли к грудной стенке на КТ у 19 пациентов была установлена ​​инвазивная опухоль при УЗИ с чувствительностью и специфичностью 100% и 98% соответственно по сравнению с оперативными данными 101.

    МРТ — полезный метод определения инвазии грудной стенки. Он основан на демонстрации инфильтрации или нарушения нормальной внеплевральной жировой плоскости на T1-взвешенных изображениях или гиперинтенсивности париетального плеврального сигнала на T2-взвешивании. Эффективность диагностики дополнительно повышается за счет внутривенного введения гадолиниевого контрастного вещества 48. Сагиттальная и корональная МРТ лучше отображают анатомические взаимоотношения на верхушке легкого по сравнению с аксиальной КТ (рис. 20⇓). При опухолях верхней борозды или опухоли Панкоста обнаружение инвазии опухоли за пределы верхушки легкого в плечевое сплетение, подключичную артерию или тело позвонка с помощью МРТ оказалось с точностью 94% по сравнению с 63% для CT 102, 103, хотя мультиспиральная КТ с неаксиальной реконструкция может улучшить этот показатель.Для МРТ таких опухолей рекомендуются поверхностные спирали и тонкие срезы (5 мм).

    Плевральная инвазия

    Выпоты у пациентов с раком легких могут быть доброкачественными, особенно с постобструктивной пневмонией, или злокачественными из-за метастазов в плевре, часто характеризующихся узловатостью плевры 94. Такой выпот делает опухоль Т4 неоперабельной, хотя это должно быть подтверждено торакоцентезом или биопсией плевры.

    Статус узла

    Наиболее важным предиктором исхода у большинства пациентов с раком легкого, ограниченным грудной клеткой, является наличие или отсутствие пораженных лимфатических узлов средостения 17.Заболевание лимфатических узлов N3 хирургически невозможно, в то время как лечение болезни N2 является спорным. Медиастиноскопия и КТ признаны наиболее ценными методами для оценки метастазов средостенных лимфатических узлов 104, но появление ПЭТ начало влиять на ведение пациентов в ограниченном количестве центров, где они доступны.

    Энтузиазм по поводу полезности КТ для оценки узлового статуса рос на протяжении 1980-х годов. В 1984 году Либшиц и Маккенна 105 продемонстрировали чувствительность и специфичность КТ 67% и 66% соответственно, используя размер узлов в 1 см, чтобы различать доброкачественные узлы и узлы с метастазами.В 1988 г. Staples et al. 106 продемонстрировал 79% чувствительность и 65% специфичность для КТ с использованием измерения отсечки узлов по длинной оси 1 см. Проведенный в 1990 г. метаанализ 42 исследований компьютерной томографии, оценивающих метастазы в средостенные лимфатические узлы при НМРЛ, показал общую чувствительность 0,79, специфичность 0,78 и точность 0,79 107. Однако в 1992 г. McLoud et al. 108 с использованием измерения на короткой оси узла 1 см у 143 пациентов, вернулись к менее впечатляющим показателям чувствительности 64% и специфичности 62% соответственно.В этих исследованиях 105, 106, 108 были обследованы все пациенты с предполагаемым операбельным раком легкого, у которых полный отбор пробы узлов выполнялся либо при медиастиноскопии, либо при торакотомии. И Либшиц, и МакКенна 105, и Маклауд и др. 108 наблюдали увеличение ложноположительных узлов у пациентов с обструктивной пневмонией. McLoud et al. 103 также обнаружил, что 37% узлов диаметром 2–3 см не содержали метастазов при торакотомии. Совсем недавно при исследовании лимфатических узлов и лимфатических узлов средостения при КТ по ​​сравнению с патологическим обследованием чувствительность и специфичность метастатического поражения составляли только 48% и 53% с общей точностью 51% 92.Несмотря на эту статистику, КТ по-прежнему рекомендуется в качестве стандартной стратегии для исследования рака легких Канадской группой онкологии легких 109 после изучения 685 пациентов, КТ и медиастиноскопии у всех пациентов оказались слишком дорогими. Они рекомендовали зарезервировать медиастиноскопию и биопсию для узлов с диаметром короткой оси> 1 см (рис. 21⇓). Рекомендовано дальнейшее уточнение показаний к медиастиноскопии с ее опущением у пациентов с поражениями T1 и отрицательными узлами на КТ, если тип клеток не является адено- или крупноклеточной карциномой 104.Однако, используя короткую ось КТ диаметром 1 см, Seely et al. 110, при обследовании 104 пациентов с поражениями T1 обнаружены узловые метастазы во время операции в 21% случаев, одна треть из которых была плоскоклеточной карциномой.

    Другие предполагают, что отрицательная узловая компьютерная томография не требует медиастиноскопии, потому что даже при наличии микрометастазов эти пациенты могут рассчитывать на лучшую выживаемость при хирургическом лечении, чем те, кому было отказано в таком лечении 76. Также было показано заболевание N2, не очевидное на КТ. быть операбельным с 5-летней выживаемостью до 30% 16, 94.

    Хила узлов (N1) обычно можно удалить из сосудов ворот. Таким образом, хотя предоперационное обнаружение лимфоузлов полезно, обычно оно не имеет решающего значения для хирургического лечения. Более того, наличие или отсутствие метастазов в лимфатические узлы является ненадежным индикатором метастазов в средостенные лимфоузлы (болезнь N2) 111, 112.

    КТ может служить путеводной картой для проведения фиброоптической бронхоскопии и биопсии, а также помогает идентифицировать увеличенные узлы, которые находятся за пределами досягаемости медиастиноскопа 16.Он также предупреждает хирурга о наличии анатомических аномалий. Не было обнаружено значительной разницы между способностью КТ и МРТ обнаруживать метастазы средостения N2 или N3 98. Сочетание артефакта дыхательного движения и более низкого пространственного разрешения 47, присущего МРТ, может означать, что небольшие дискретные узлы, видимые на КТ, могут появляться как более крупная, нечеткая, единичная узловая масса на МРТ, приводящая к ошибочному диагнозу увеличения узлов. МРТ также плохо обнаруживает кальцификацию узлов и, таким образом, может ошибочно классифицировать увеличенные доброкачественные узлы как злокачественные 94.

    Метастатический статус

    Метаанализ 25 исследований, оценивающих результаты клинического обследования и визуализации (КТ головы, брюшной полости или сцинтиграфия костей), показал, что риск метастазов, обнаруженных при визуализации, составляет <3% при нормальном клиническом обследовании 113. Если клиническое обследование положительно на метастатическое заболевание, то метастазы будут обнаружены при визуализации у ~ 50% пациентов. Sider и Horejs 114 обнаружили внегрудные метастазы у 25% пациентов с I стадией заболевания при КТ грудной клетки, головного мозга - 11%, костей - 8%, печени - 6% и надпочечников - 6% (у некоторых пациентов имеется более одного места распространения метастазов).Клинически скрытые метастазы присутствовали только у 4% пациентов. Grant et al. 115, обнаружили отдаленные метастазы у пациентов без КТ-свидетельств распространения заболевания средостения у трех из 114 пациентов (2,5%). Другой метаанализ 16 исследований показал, что 113 из 2426 потенциально оперируемых пациентов (4,7%) стали неоперабельными вследствие результатов компьютерной томографии головы и живота, УЗИ брюшной полости или сцинтиграфии костей и печени 116.

    Визуализация печени

    Quint et al. 117, обнаружены отдаленные метастазы у 21% всех пациентов с НМРЛ. Относительные частоты: мозг 10%, кости 7%, печень 5% и надпочечники 3%. Изолированные метастазы в печень были редкостью, в то время как метастазы, изолированные в головном мозге, встречались чаще, что привело к рекомендации, что КТ брюшной полости не является эффективным методом скрининга при выполнении КТ грудной клетки.

    Получение изображений печени с помощью КТ или УЗИ при отсутствии клинических признаков, симптомов или лабораторных отклонений является спорным и, как правило, не рекомендуется 76.Однако, если надпочечники обычно включаются в КТ грудной клетки, что является обычной практикой, то печень включается по умолчанию.

    Визуализация мозга

    Два исследования определили, что 21–64% метастазов в головной мозг были клинически скрытыми до компьютерной томографии 118, 119. Kormas et al. 120, после отрицательного клинико-лабораторного обследования метастазы обнаружены у 3% из 158 дооперационных больных. Эти и другие исследования 115 рекомендуют проводить КТ головного мозга у предоперационных пациентов в плановом порядке (рис.22⇓). Однако совсем недавно, используя стандартизированное клиническое неврологическое обследование в отличие от Karnofsky et al. 121 шкала производительности, использованная в предыдущих исследованиях, Colice et al. 122 обнаружил, что обычная компьютерная томография головного мозга не была показана при обычном клиническом обследовании. Знание типа первичных опухолевых клеток может помочь в принятии решения. Недавний метаанализ 113 показал, что аденокарцинома и SCLC статистически более склонны к метастазированию в мозг, чем плоскоклеточный рак.Наконец, в исследовании с использованием МРТ с контрастным усилением у пациентов с подозрением на хирургически резектабельный НМРЛ, локализованных в легком или легком и регионарных узлах, скрытые метастазы в мозг были выявлены у 17% пациентов с первичными опухолями> 3 см 123.

    Визуализация надпочечников

    В одном метааналитическом исследовании до 7% пациентов с карциномой бронха имели метастазы в надпочечники 113. Однако до 10% населения в целом имеют доброкачественные аденомы надпочечников 32.Было рекомендовано, чтобы КТ надпочечников выполнялась как часть стадирования КТ грудной клетки 16. Она требует минимального дополнительного времени, срезов и дозы для пациента и является наиболее рентабельной стратегией для оценки надпочечников. масса у пациента с впервые диагностированным НМРЛ 124. Gillams et al. 125 обнаружил, что 4% из 546 пациентов с раком легких имели солидные опухоли надпочечников. Было доказано, что из них 23% вызваны злокачественной инфильтрацией. Доброкачественные аденомы, как правило, имеют размер <2 см, имеют низкую аттенюацию, хорошо очерчены или затрагивают только часть железы.Злокачественные железы, как правило, имеют размер> 5 см и имеют неправильную или смешанную форму (рис. 23⇓). Было рекомендовано, чтобы все недетерминантные железы , т. Е. 2–3 см, подверглись тонкоигольной аспирации (FNA) пациентам, рассматриваемым для операции. Этот подход поддерживается в других статьях 16, 32, но следует отметить, что МРТ может предоставить дополнительную информацию с помощью химической визуализации или визуализации с фазовым сдвигом относительно возможности доброкачественности таких образований надпочечников 126, 127. ПЭТ также может играть роль и было показано, что чувствительность 100% и специфичность 80% при обнаружении метастатической инфильтрации надпочечников в исследовании пациентов с бронхогенной карциномой и опухолью надпочечников 128.

    Визуализация костей

    Большинство метастазов в кости являются симптомами, и сцинтиграфия костей предлагает быстрое и недорогое обследование всех чувствительных, если не очень специфических костей 129. В качестве альтернативы, наличие патологического перелома, повышенного уровня щелочной фосфатазы в сыворотке крови и уровня кальция или других неспецифических признаков метастатического заболевания. должен аналогичным образом вызвать сканирование костей 16. Метастазы также могут быть обнаружены при постановке КТ грудной клетки (рис. 24⇓).

    Карциноматозный лимфангит

    Злокачественная инфильтрация лимфатических сосудов и перилимфатической соединительной ткани обычно асимметрична и узловатая, и ее следует дифференцировать от левожелудочковой недостаточности.Лучше всего это демонстрируется при сканировании КТВР (рис. 25⇓).

    Стадия мелкоклеточного рака легкого

    SCLC отличается от NSCLC своим быстрым временем удвоения опухоли, развитием ранних широко распространенных метастазов и почти исключительным возникновением у курильщиков 130. Он разделен на две стадии: ограниченное заболевание, которое ограничивается ипсилатеральным гемитораксом в пределах одного переносимого порта лучевой терапии. и обширное заболевание, которое охватывает все другие заболевания, включая отдаленные метастазы.Системная терапия требуется всем пациентам с МКРЛ, даже если заболевание ограничено. Лучевая терапия средостения не всегда показана пациентам с обширным заболеванием, поэтому важно различать эти две стадии. Чтобы избежать исчерпывающего поиска обширного заболевания ( например, КТ грудной клетки, печени, надпочечников и черепа, сканирование костей, аспират костного мозга и т. Д. ), альтернативный подход состоит в том, чтобы позволить клинические симптомы направлять визуализацию, прекращая обнаружение обширного заболевания. 130.Учитывая тот факт, что краниальная КТ при МРЛ дает положительный результат примерно у 15% пациентов на момент постановки диагноза, у одной трети из которых симптомы отсутствуют, а раннее лечение метастазов в головной мозг снижает частоту хронической неврологической заболеваемости, кажется разумным начать любое внелегочное стадирование. с визуализацией головного мозга 32, 130.

    Игольная биопсия под визуальным контролем

    Трансторакальная пункционная биопсия первичной опухоли легкого вызывает споры при рассмотрении одиночного узелка или образования. Отрицательный результат биопсии необходимо повторить, и пациент обязательно перейдет к операции, если не будет получен положительный доброкачественный результат.Биопсия полезна для определения типа клеток при неоперабельном заболевании, чтобы направлять дальнейшую терапию, и необходима для подтверждения наличия отдаленного метастатического заболевания.

    Игольная биопсия обычно выполняется под контролем УЗИ или КТ. Биопсия под ультразвуковым контролем выполняется быстро и позволяет оператору направлять иглу под прямым контролем, но может использоваться только с периферическими опухолями, которые примыкают к плевре или вторгаются в стенку грудной клетки. В таком случае обычно можно получить сердцевину ткани с помощью режущей иглы № 18, хотя можно использовать FNA.Биопсия под контролем КТ занимает больше времени, и для поддержания режима пациента может потребоваться системная анальгезия и седация.

    КТ обеспечивает хорошую визуализацию всех структур грудной клетки, а биопсия под контролем КТ имеет точность диагностики злокачественных новообразований 80–95% 131, 132. Это процедура выбора для отбора образцов периферических узелков (<2 см в диаметре) в качестве результата трансбронхиального исследования. Игольная биопсия при отсутствии эндобронхиального поражения снижается с 92–95% до 50–80% 132. FNA является предпочтительным методом отбора проб паренхиматозных узелков для снижения частоты осложнений и, как известно, имеет аналогичную чувствительность в Обнаружение злокачественных новообразований с помощью основной биопсии 131.Однако небольшие фрагменты ткани для гистологической оценки обычно можно получить с помощью игл 19–22 размера у 40–75% пациентов 132. Такая оценка ценна, поскольку она придает уверенность цитологической диагностике рака, определению типа клеток и надежность отрицательного результата 131, 132. При обнаружении кавитационного или некротического поражения рекомендуется забор стенки для получения жизнеспособного опухолевого материала. Единичный отрицательный результат биопсии не исключает злокачественности и требует повторной биопсии.

    При выполнении биопсии поражений средостения обычно можно использовать режущую иглу 18-го размера после выбора безопасного маршрута. Это особенно важно при диагностике лимфом. Режущие иглы также используются при биопсии предполагаемых метастазов в печень и надпочечники, хотя FNA последних может потребоваться при небольших поражениях (рис. 26 и 27⇓⇓).

    Заключение

    Рак легких — распространенное заболевание с неблагоприятным прогнозом.Выживаемость обратно пропорциональна стадии, а раннее выявление и диагностика являются ключом к достижению хирургического излечения. Визуализация поперечного сечения в настоящее время является основным радиологическим методом оценки. Рентгенография грудной клетки по-прежнему важна и часто позволяет установить первый диагноз, но ее относительная нечувствительность привела к тому, что компьютерная томография в настоящее время оценивается в скрининговых исследованиях.

    В настоящее время практически нет выбора между КТ и МРТ для определения стадии заболевания, хотя КТ более широко доступна и менее дорога.ПЭТ-визуализация обеспечивает повышенную чувствительность как для выявления первичного злокачественного новообразования, так и для выявления распространения заболевания, хотя она не является 100% точной и доступна только в нескольких центрах. КТ-сканеры становятся все более сложными по конструкции и универсальности и, вероятно, останутся основным методом визуализации при этом заболевании в ближайшем будущем.

    Рисунок 1.-

    a) Диффузное затенение альвеол в правой нижней доле у ​​мужчины 58 лет с неизлечимой пневмонией.б) Воздушные бронхограммы (черные стрелки) и низкая прозрачность (открытая стрелка) в апикальной «консолидации», позже подтвержденной как бронхоальвеолярная карцинома.

    Рис. 2.—

    Женщина 50 лет с нерегулярной кавитирующей плоскоклеточной карциномой в правой верхней доле (стрелки).

    Рис. 3.—

    a) Женщина 55 лет с одышкой. Рентгенограмма грудной клетки демонстрирует расширенное средостение, особенно справа, с уменьшенной васкуляризацией правого легкого.б) Компьютерная томография с контрастным усилением, показывающая образование центрального средостения, прорастающее в правую легочную артерию. Мелкоклеточная карцинома была подтверждена при чрескожной биопсии.

    Рис. 4.—

    а) Пленка на вдохе с асимметричной васкуляризацией. б) Снимок выдоха, подтверждающий задержку воздуха из-за карциноидной опухоли в левом главном бронхе.

    Рис. 5.—

    Повышенная ретрокардиальная плотность из-за коллапса левой нижней доли с инферомедиальным смещением ворот.

    Рис. 6.—

    a) Переформатирование коронки из мультиспиральной компьютерной томографии (КТ), демонстрирующее средостенные лимфатические узлы (стрелка) и некротическую опухолевую массу в легком. б) Трехмерная реконструкция опухоли легкого с плевральной меткой (стрелка) (изображения любезно предоставлены Т. МакАртуром, отдел радиологии, больницы университетского колледжа, Лондон). c) Реконструкция тонкого среза в аксиальной плоскости по данным спиральной компьютерной томографии позволяет правильно идентифицировать вдыханную рыбную кость (стрелка) у другого пациента, предположительно опухолью при бронхоскопии.

    Рис. 7.—

    Некротические лимфатические узлы средостения с нерегулярными увеличивающимися краями (стрелки).

    Рис. 8.—

    а) Образование средостения, сужающее левый нижнедолевой бронх и вторгающееся в левое предсердие. б) Дистальные бронхи, заполненные жидкостью (стрелки), видны в спавшейся нижней доле из-за проксимальной опухоли.

    Рис. 9.—

    Коронарная магнитно-резонансная томография, показывающая аденокарциному у молодого мужчины, инфильтрирующую аортопульмональное окно. Имеется потеря жировой плоскости относительно аорты (стрелки) и инвазия в главную легочную артерию (наконечник стрелки).

    Рис. 10.—

    T1-взвешенных изображений, демонстрирующих превосходные возможности магнитно-резонансной томографии в демонстрации потери жировой ткани (стрелка) в а) аксиальной и б) сагиттальной плоскостях.

    Рис. 11.—

    Активное поглощение 18 F-2-дезокси-d-глюкозы в левой апикальной опухоли (стрелка).

    Рис. 12.—

    Диффузно кальцинированный четко очерченный узелок, типичный для гамартомы.

    Рис. 13.—

    Шиповидная масса, типичная для карциномы.

    Рис. 14.—

    а) Коллапс левого легкого со смещением средостения и узелком правой средней зоны (стрелка).б) Перихилярная аденокарцинома низкой аттенуации (стрелки) с дистальным усилением коллапса легкого у того же пациента.

    Рис. 15.—

    Центральное образование с золотым знаком «S» проксимального отдела опухоли (стрелки) и дистального коллапса.

    Рис. 16.—

    a) Эрозия ребра (большая стрелка) из-за периферической опухоли (маленькие стрелки), предполагающая, по крайней мере, заболевание Т3. б) Соответствующая компьютерная томография, показывающая массовую эрозию ребра и тела позвонка (стрелки), подтверждающая статус Т4 и неоперабельность.

    Рис. 17.—

    Большое центральное образование (стрелки), сужающее левый главный бронх и охватывающее левую легочную артерию, что указывает на статус Т4.Отмечается плевральный выпот.

    Рис. 18.—

    Инвазия грудной клетки Франка крупной периферической опухолью.

    Рис. 19.—

    а) Компьютерная томография, показывающая инфильтрацию плеврального жира (стрелки). б) Отсутствие движения относительно грудной стенки (стрелки) подтверждает вторжение.

    Рис. 20.—

    Корональная Т1-взвешенная магнитно-резонансная томография, показывающая небольшую опухоль Панкоста (открытая стрелка) с распространением в верхнюю борозду и эрозией тела соседнего позвонка (стрелка).

    Рис. 21.—

    Женщина средних лет с а) образованием в правом корне (стрелка) и б) сомнительным прекаринальным лимфатическим узлом (стрелка).c) Позитронно-эмиссионная томография (ПЭТ) показывает повышенное поглощение в узлах средостения (стрелки) и небольших периферических узелках (открытая стрелка). Биопсия прикорневой массы подтвердила немелкоклеточный рак легкого. (Изображения ПЭТ любезно предоставлены Дж. Боманджи, Институт ядерной медицины, Университетский колледж Лондона).

    Рис. 22.—

    Компьютерная томография увеличения церебральных метастазов с выраженным отеком и масс-эффектом.

    Рис. 23.—

    Массивные метастазы в левый надпочечник (открытая стрелка) и печеночные метастазы (стрелки). Болезнь М1, IV стадия.

    Рис. 24.—

    Метастаз в теле позвонка.

    Рис. 25.—

    Характерное узловое утолщение перегородки на снимках с высоким разрешением, типичное для карциноматозного лимфангита.

    Рис. 26.—

    Универсальность трансторакальной игольной биопсии с кончиком иглы в а) новообразовании средостения (обратите внимание на безопасный доступ) и б) периферическом одиночном узле.

    Рис. 27.—

    а) Надпочечник с низким затуханием (стрелки) с нормальным правым надпочечником (открытая стрелка), который при биопсии подтвердил метастатические отложения.

    Таблица 1

    Данные скрининговых исследований низкой дозы компьютерной томографии

    Таблица 2

    Классификация опухоли, узла, метастаза (TNM)

    Таблица 3

    Классификация стадий

    Таблица 4

    Совокупная выживаемость в процентах через 5 лет после лечения по клинической стадии

    Сноски

    • Предыдущие статьи из этой серии: No.1: Baldacci S, Omenaas E, Oryszcyn MP. Маркеры аллергии в респираторной эпидемиологии. Eur Respir J 2001; 17: 773–790. No. 2: Antó JM, Vermeire P, Vestbo J, Sunyer J. Эпидемиология хронической обструктивной болезни легких. Eur Respir J 2001; 17: 982–994. № 3: Кувелье А., Мьюир Дж-Ф. Неинвазивная вентиляция и обструктивные заболевания легких. Eur Respir J 2001; 17: 1271–1281. № 4: Высоцкий М., Антонелли М. Неинвазивная механическая вентиляция легких при острой гипоксемической дыхательной недостаточности. Eur Respir J 2001; 18: 209–220. No. 5: Østerlind K. Химиотерапия при мелкоклеточном раке легкого. Eur Respir J 2001; 18: 1026–1043. № 6: Jaakkola MS. Экологический табачный дым и здоровье пожилых людей. Eur Respir J 2002; 19: 172–181.

    • Получено 11 сентября 2001 г.
    • Принято 11 сентября 2001 г.

    Список литературы

    1. Landis SH, Murray T, Bolden S, Wingo PA.Статистика рака. Ca: Онкологический журнал для клиницистов 1998; 48: 6–29.

    2. Patz EF Jr, Goodman PC, Bepler G. Скрининг на рак легких. N Engl J Med 2000; 343: 1627–1633.

    3. Richards MA, Stockton D, Babb P, Coleman MP. Сколько смертей удалось избежать благодаря повышению выживаемости при раке? BMJ 2000; 320: 895–898.

    4. Mountain CF.Изменения в Международной системе определения стадии рака легких. Сундук 1997; 111: 1710–1717.

    5. Смит И.Е. Скрининг на рак легких: время думать о позитиве. Ланцет 1999; 354: 86–87.

    6. Токман М. Выживаемость и смертность от рака легких в скрининговой популяции: исследование Джона Хопкинса. Сундук 1986; 89: 324S – 326S.

    7. Фонтана Р.С., Сандерсон Д.Р., Вулнер Л.Б., Тейлор В.Ф., Миллер В.Е., Мухм-младший.Скрининг рака легких: программа Майо. J Occup Med 1986; 28: 746–750.

    8. Frost JK, Ball WC Jr, Levin ML, et al. Раннее выявление рака легких: результаты первоначального (распространенного) радиологического и цитологического скрининга в исследовании Джона Хопкинса. Амер Рев Респир Дис 1984; 130: 549–554.

    9. Меламед М.Р., Флехингер Б.Дж., Заман М.Б., Хилан Р.Т., Перчик В.А., Мартини Н. Скрининг на ранний рак легких.Результаты исследования Мемориала Слоуна-Кеттеринга в Нью-Йорке. Сундук 1984; 86: 44–53.

    10. Кубик А., Паркин Д.М., Хлат М., Эрбан Дж., Полак Дж., Адамек М. Отсутствие пользы от полугодового скрининга на рак легкого: последующий отчет рандомизированного контролируемого исследования на популяции высокого риска мужчины в Чехословакии. Int J Cancer 1990; 45: 26–33.

    11. Henschke CI, McCauley DI, Yankelevitz DF, et al. Проект действий по борьбе с раком легких на ранней стадии: общий план и результаты базового скрининга. Ланцет 1999; 354: 99–105.

    12. Канеко М., Эгути К., Омацу Х., и др. Периферический рак легкого: скрининг и обнаружение с помощью спиральной КТ с низкой дозой по сравнению с рентгенографией . Радиология 1996; 201: 798–802.

    13. Sone S, Takashima S, Li F, et al. Массовый скрининг рака легких с помощью мобильного спирального компьютерного томографа.Ланцет 1998; 351: 1242–1245.

    14. Wan H, Karesen R, Hervik A, Thoresen SO. Маммографический скрининг в Норвегии: результаты первого раунда скрининга в четырех округах и рентабельность смоделированного скрининга в масштабах всей страны. Контроль причин рака 2001; 12: 39–45.

    15. Sone S, Li F, Yang ZG, et al. Результаты трехлетней программы массового обследования на рак легких с использованием передвижного низкодозного спирального компьютерного томографа.Br J Cancer 2001; 84: 25–32.

    16. Предварительная оценка немелкоклеточного рака легкого. Американское торакальное общество и Европейское респираторное общество. Amer J Respir Crit Care Med 1997; 156: 320–332.

    17. Армстронг П. Новообразования легких, дыхательных путей и плевры. In : Armstrong P, Wilson AG, Dee P, Hansell DM, редакторы. Визуализация болезней грудной клетки. 3-е издание.Лондон, Мосби (Харкорт), 2000; С. 305–401.

    18. Чаудхури MR. Первичные кавитирующие карциномы легких. Thorax 1973; 28: 354–366.

    19. Woodring JH, Стеллинг CB. Аденокарцинома легкого: опухоль с изменяющимся плеоморфным характером. Am J Roentgenol 1983; 140: 657–664.

    20. Аоки Т., Наката Х., Ватанабе Х., и др. Развитие аденокарцином периферических легких: результаты КТ коррелировали с гистологией и временем удвоения опухоли. Am J Roentgenol 2000; 174: 763–768.

    21. Bonomo L, Storto ML, Ciccotosto C, et al. Бронхиолоальвеолярный рак легкого. Eur Radiol 1998; 8: 996–1001.

    22. Zwirewich CV, Vedal S, Miller RR, Muller NL. Одиночный легочный узел: КТ высокого разрешения и рентгенопатологическая корреляция.Радиология 1991; 179: 469–476.

    23. Кларк Л.Р., Стулл Массачусетс, Твигг Х.Л. Комод дня. Бронхоальвеолярный рак легкого. Am J Roentgenol 1990; 154: 1318–1319.

    24. Aquino SL, Chiles C, Halford P. Отличие консолидированной бронхиолоальвеолярной карциномы от пневмонии: работают ли критерии КТ? Am J Roentgenol 1998; 171: 359–363.

    25. Kazerooni EA, Bhalla M, Shepard JA, McLoud TC.Аденосквамозная карцинома легкого: рентгенологические данные. Am J Roentgenol 1994; 163: 301–306.

    26. Берд Р.Б., Миллер В.Е., Карр Д.Т., Пейн В.С., Вулнер LB. Рентгенографический вид плоскоклеточного рака бронха. Протоколы клиники Мэйо, 1968; 43: 327–332.

    27. Форстер Б. Б., Мюллер Н. Л., Миллер Р. Р., Нелемс Б., Эванс К. Г.. Нейроэндокринные карциномы легкого: клиническая, рентгенологическая и патологическая корреляция.Радиология 1989; 170: 441–445.

    28. Перлберг Дж. Л., Сандлер М. А., Льюис Дж. В. Младший, Бойте Г. Х., Альперн МБ. Мелкоклеточная бронхогенная карцинома: оценка КТ. Am J Roentgenol 1988; 150: 265–268.

    29. Dahnert W. Заболевания грудной клетки. In : Dahnert W, ed. Руководство по обзору радиологии. 3-е издание. Балтимор, Уильямс и Уилкинс, 1996; С. 346–346.

    30. Fraser RG, Parre JAP.Диагностика заболеваний грудной клетки. 4-е издание. Филадельфия, W.B. Сондерс, 1999; С. 1142–1143.

    31. Шин М.С., Джексон Л.К., Шелтон Р.В. Младший, Грин Р. Гигантоклеточный рак легкого. Клинические и рентгенографические проявления. Сундук 1986; 89: 366–369.

    32. Hyer JD, Silvestri G. Диагностика и определение стадии рака легких. Clin Chest Med 2000; 21: 95–106.

    33. Уэбб WR.Рентгенологическая оценка одиночного легочного узелка. Am J Roentgenol 1990; 154: 701–708.

    34. Реми-Жардин М., Реми Дж., Жиро Ф., Маркетт Ш. Легочные узелки: обнаружение толстым спиральным CT по сравнению с обычным CT . Радиология 1993; 187: 513–520.

    35. Tillich M, Kammerhuber F, Reittner P, Riepl T., Stoeffler G, Szolar DH. Обнаружение легочных узелков с помощью спиральной компьютерной томографии: сравнение фильмов и фильмов.Am J Roentgenol 1997; 169: 1611–1614.

    36. Brink JA, Heiken JP, Semenkovich J, Teefey SA, McClennan BL, Sagel SS. Патологии диафрагмы и прилегающих структур: результаты многоплоскостной спиральной компьютерной томографии. Am J Roentgenol 1994; 163: 307–310.

    37. Курияма К., Татейши Р., Куматани Т., и др. Плевральная инвазия периферической бронхогенной карциномой: оценка с помощью трехмерной спиральной компьютерной томографии.Радиология 1994; 191: 365–369.

    38. Aquino SL, Vining DJ. Виртуальная бронхоскопия. Clin Chest Med 1999; 20: 725–730.

    39. Ohnesorge B, Flohr T, Schaller S, et al. Технические основы и использование многосрезового КТ. Радиолог 1999; 39: 923–931.

    40. McCollough CH, Zink FE. Оценка производительности многосрезовой компьютерной томографии.Med Phys 1999; 26: 2223–2230.

    41. Patz EF Jr, Erasmus JJ, McAdams HP, et al. Стадия и лечение рака легкого: сравнение спиральной компьютерной томографии грудной клетки с контрастированием и без усиления. Радиология 1999; 212: 56–60.

    42. Cascade PN, Gross BH, Kazerooni EA, et al. Вариабельность в обнаружении увеличенных лимфатических узлов средостения при стадировании рака легкого: сравнение КТ с контрастированием и без усиления.Am J Roentgenol 1998; 170: 927–931.

    43. Gefter WB. Магнитно-резонансная томография в оценке рака легких. Семин Рентген 1990; 25: 73–84.

    44. Hatabu H, Stock KW, Sher S, et al. Магнитно-резонансная томография грудной клетки. Прошлое, настоящее и будущее. Clin Chest Med 1999; 20: 775–803.

    45. Batra P, Brown K, Steckel RJ, Collins JD, Ovenfors CO, Aberle D.МРТ грудной клетки: сравнение аксиальной, корональной и сагиттальной плоскостей визуализации. J Comp Assist Tomogr 1988; 12: 75–81.

    46. Эйткен К., Армстронг П. Клиническая визуализация для определения стадии рака легкого. Imaging 1992; 4: 15–22.

    47. Webb WR, Jensen BG, Sollitto R, et al. Бронхогенная карцинома: стадия МРТ по сравнению с стадией КТ и хирургическим вмешательством. Радиология 1985; 156: 117–124.

    48. Padovani B, Mouroux J, Seksik L, et al. Инвазия грудной стенки бронхогенной карциномой: оценка с помощью МРТ. Радиология 1993; 187: 33–38.

    49. Erasmus JJ, Patz EF Jr. Позитронно-эмиссионная томография грудной клетки. Clin Chest Med 1999; 20: 715–724.

    50. Duhaylongsod FG, Lowe VJ, Patz EF Jr, Vaughn AL, Coleman RE, Wolfe WG.Рост опухоли легкого коррелирует с метаболизмом глюкозы, измеренным с помощью позитронно-эмиссионной томографии фторид-18 фтордезоксиглюкозы. Анналы торакальной хирургии 1995; 60: 1348–1352.

    51. Lowe VJ, Fletcher JW, Gobar L, et al. Проспективное исследование позитронно-эмиссионной томографии узелков в легких. Дж. Клин Онкол 1998; 16: 1075–1084.

    52. Lowe VJ, Duhaylongsod FG, Patz EF, et al. Легочные аномалии и анализ данных ПЭТ: ретроспективное исследование. Радиология 1997; 202: 435–439.

    53. Conti PS, Lilien DL, Hawley K, Keppler J, Grafton ST, Bading JR. ПЭТ и [18F] ‐FDG в онкологии: обновленная клиническая информация. Nucl Med Biol 1996; 23: 717–735.

    54. Гупта, Северная Каролина, Франк А.Р., Деван Н.А., и др. Одиночные легочные узелки: выявление злокачественных новообразований с помощью ПЭТ с 2- [F-18] -фтор-2-дезокси-D-глюкозой.Радиология 1992; 184: 441–444.

    55. Gupta NC, Maloof J, Gunel E. Вероятность злокачественного образования единичных легочных узелков с использованием фтор-18-ФДГ и ПЭТ. J Nucl Med 1996; 37: 943–948.

    56. Hubner KF, Buonocore E, Gould HR, et al. Дифференциация доброкачественных и злокачественных поражений легких с использованием «количественных» параметров изображений ПЭТ с ФДГ. Clin Nucl Med 1996; 21: 941–949.

    57. Patz EF Jr, Lowe VJ, Hoffman JM, et al. Очаговые легочные аномалии: оценка с помощью ПЭТ-сканирования с фтордезоксиглюкозой F-18. Радиология 1993; 188: 487–490.

    58. Скотт В. Дж., Швабе Дж. Л., Гупта, Северная Каролина, Деван Н. А., Риб С. Д., Сугимото Дж. Т.. Позитронно-эмиссионная томография опухолей легких и лимфатических узлов средостения с использованием [18F] фтордезоксиглюкозы. Члены исследовательской группы по изучению опухолей легких. Анналы торакальной хирургии 1994; 58: 698–703.

    59. Erasmus JJ, McAdams HP, Patz EF Jr.Немелкоклеточный рак легкого: визуализация FDG-PET. J Thorac Imaging 1999; 14: 247–256.

    60. Erasmus JJ, McAdams HP, Patz EF Jr, Coleman RE, Ahuja V, Goodman PC. Оценка первичных карциноидных опухолей легких с использованием FDG PET. Am J Roentgenol 1998; 170: 1369–1373.

    61. Jang HJ, Lee KS, Kwon OJ, Rhee CH, Shim YM, Han J. Бронхиолоальвеолярная карцинома: очаговая область ослабления матового стекла при КТ тонких срезов как ранний признак.Радиология 1996; 199: 485–488.

    62. Steinert HC, Hauser M, Allemann F, et al. Немелкоклеточный рак легкого: узловая стадия с FDG PET по сравнению с CT с корреляционным картированием лимфатических узлов и взятием образцов. Радиология 1997; 202: 441–446.

    63. Vansteenkiste JF, Stroobants SG, De Leyn PR, et al. Определение стадии средостения лимфатических узлов с помощью ФДГ-ПЭТ у пациентов с потенциально операбельным немелкоклеточным раком легкого: проспективный анализ 50 случаев.Leuven Lung Cancer Group. Сундук 1997; 112: 1480–1486.

    64. Guhlmann A, Storck M, Kotzerke J, Moog F, Sunder-Plassmann L, Reske SN. Стадия лимфатических узлов при немелкоклеточном раке легкого: оценка с помощью позитронно-эмиссионной томографии (ПЭТ) [18F] FDG. Thorax 1997; 52: 438–441.

    65. Двамена BA, Sonnad SS, Angobaldo JO, Wahl RL. Метастазы немелкоклеточного рака легкого: стадирование средостения в 1990-е годы — метааналитическое сравнение ПЭТ и КТ.Радиология 1999; 213: 530–536.

    66. Valk PE, Pounds TR, Hopkins DM, et al. Определение стадии немелкоклеточного рака легкого с помощью позитронно-эмиссионной томографии всего тела. Ann Thorac Surg 1995; 60: 1573–1581.

    67. Льюис П., Гриффин С., Марсден П., и др. Позитронно-эмиссионная томография всего тела с 18F-фтордезоксиглюкозой в предоперационной оценке рака легких. Ланцет 1994; 344: 1265–1266.

    68. Weder W, Schmid RA, Bruchhaus H, Hillinger S, von Schulthess GK, Steinert HC. Обнаружение внегрудных метастазов с помощью позитронно-эмиссионной томографии при раке легкого. Ann Thorac Surg 1998; 66: 886–892.

    69. Маром Э.М., Макадамс Х.П., Эразмус Дж. Дж., и др. Определение стадии немелкоклеточного рака легкого с помощью ПЭТ всего тела. Радиология 1999; 212: 803–809.

    70. Gambhir SS, Shepherd JE, Shah BD, et al. Аналитическая модель решения для экономичного лечения одиночных легочных узлов. Дж. Клин Онкол 1998; 16: 2113–2125.

    71. Бери Т., Корхей Дж. Л., Дуйсинкс Б., и др. Значение ФДГ-ПЭТ в обнаружении остаточного или рецидивирующего немелкоклеточного рака легкого. Eur Respir J 1999; 14: 1376–1380.

    72. Франк А., Лефковиц Д., Джегер С., и др. Схема принятия решения о повторном лечении бессимптомного рецидива рака легкого на основе результатов позитронно-эмиссионной томографии.Int J Radiat Oncol Bio Phys 1995; 32: 1495–1512.

    73. Blum J, Handmaker H, Lister-James J, Rinne N. Многоцентровое испытание аналога соматостатина 99mTc Depreotide при оценке одиночных легочных узелков. Chest 2000; 117: 1232–1238.

    74. Viggiano RW, Swensen SJ, Rosenow EC III. Оценка и лечение одиночных и множественных легочных узелков. Clin Chest Med 1992; 13: 83–95.

    75. Уэбб WR. Одиночный легочный узел. В : Фрейндлих И.М., Брэгг Д.Г., редакторы. Радиологический подход к заболеваниям грудной клетки. Балтимор, Уильямс и Уильямс, 1997; С. 101–108.

    76. McLoud TC, Swenson SJ. Карцинома легкого. Clin Chest Med 1999; 20: 697–713.

    77. Im JG, Gamsu G, Gordon D, et al. КТ-денситометрия легочных узелков в замороженной грудной клетке человека. Am J Roentgenol 1988; 150: 61–66.

    78. Siegelman SS, Khouri NF, Scott WW Jr, et al. Легочная гамартома: результаты компьютерной томографии. Радиология 1986; 160: 313–317.

    79. Siegelman SS, Khouri NF, Leo FP, Fishman EK, Braverman RM, Zerhouni EA. Одиночные легочные узелки: КТ. Радиология 1986; 160: 307–312.

    80. Swensen SJ, Viggiano RW, Midthun DE, et al. Увеличение узелков в легких на КТ: многоцентровое исследование. Радиология 2000; 214: 73–80.

    81. Зерхуни Э.А., Ститик Ф.П., Сигельман С.С., и др. КТ легочного узелка: совместное исследование. Радиология 1986; 160: 319–327.

    82. Westcott JL. Чрескожная трансторакальная пункционная биопсия. Радиология 1988; 169: 593–601.

    83. Huston J III, Muhm JR.Солитарные помутнения легких: обзорная томография. Радиология 1987; 163: 481–485.

    84. Zerhouni EA, Boukadoum M, Siddiky MA, et al. Стандартный фантом для количественного КТ-анализа легочных узелков. Радиология 1983; 149: 767–773.

    85. Ginsberg MS, Griff SK, Go BD, Yoo HH, Schwartz LH, Panicek DM. Легочные узелки, удаленные при видеоассистированной торакоскопической хирургии: этиология у 426 пациентов.Радиология 1999; 213: 277–282.

    86. Onitsuka H, ​​Tsukuda M, Araki A, Murakami J, Torii Y, Masuda K. Дифференциация центральной опухоли легкого от постобструктивного долевого коллапса с помощью быстрой компьютерной томографии. J Thorac Imaging 1991; 6: 28–31.

    87. Woodring JH, Johnson PJ. Компьютерная томография различения центральных грудных масс. J Thorac Imaging 1991; 6: 32–39.

    88. Вудринг JH.Определение причины ателектаза легких: сравнение рентгенографии и компьютерной томографии. Am J Roentgenol 1988; 150: 757–763.

    89. Берд РБ, Карр Д.Т., Миллер В.Е., Пейн В.С., Вулнер LB. Рентгенологические аномалии карциномы легкого в зависимости от гистологического типа клеток. Thorax 1969; 24: 573–575.

    90. Webb WR, Gamsu G, Glazer G. Компьютерная томография аномальных ворот легкого.J Comput Assist Tomogr 1981; 5: 485–490.

    91. Льюис Дж. У. младший, Перлберг Дж. Л., Бойте Г. Х., и др. Может ли компьютерная томография рака легкого стадии грудной клетки? Да и нет. Энн Торак Сург 1990; 49: 591–595.

    92. Gdeedo A, Van Schil P, Corthouts B, Van Mieghem F, Van Meerbeeck J, Van Marck E. Сравнение визуализации TNM [(i) TNM] и патологического TNM [pTNM] в стадировании бронхогенной карциномы.Eur J Cardiothoracic Surg 1997; 12: 224–227.

    93. Laroche C, Wells F, Coulden R, et al. Повышение скорости хирургической резекции при раке легкого. Thorax 1998; 53: 445–449.

    94. Quint LE, Francis IR. Радиологическая стадия рака легкого. J Thorac Imaging 1999; 14: 235–246.

    95. Glazer HS, Kaiser LR, Anderson DJ, et al. Неопределенная инвазия средостения при бронхогенной карциноме: оценка КТ. Радиология 1989; 173: 37–42.

    96. Йокои К., Мори К., Миядзава Н., Сайто Ю., Окуяма А., Сасагава М. Инвазия опухоли в грудную стенку и средостение при раке легких: оценка с помощью КТ пневмоторакса. Радиология 1991; 181: 147–152.

    97. Ватанабе А., Симоката К., Сака Х., Номура Ф., Сакаи С. КТ грудной клетки в сочетании с искусственным пневмотораксом: значение для определения происхождения и степени опухоли.Am J Roentgenol 1991; 156: 707–710.

    98. Webb WR, Gatsonis C, Zerhouni EA, et al. КТ и МРТ для определения стадии немелкоклеточной бронхогенной карциномы: отчет группы радиологической диагностической онкологии. Радиология 1991; 178: 705–713.

    99. Piehler JM, Pairolero PC, Weiland LH, Offord KP, Payne WS, Bernatz PE. Бронхогенная карцинома с инвазией грудной стенки: факторы, влияющие на выживаемость после резекции единым блоком.Энн Торак Сург 1982; 34: 684–691.

    100. Мурата К., Такахаши М., Мори М., и др. Инвазия грудной стенки и средостения при раке легких: оценка с помощью многосекционной экспираторной динамической КТ. Радиология 1994; 191: 251–255.

    101. Сузуки Н., Сайто Т., Китамура С. Инвазия опухоли в грудную стенку при раке легких: диагностика с помощью УЗИ. Радиология 1993; 187: 39–42.

    102. Heelan RT, Demas BE, Caravelli JF, et al. Опухоли верхней борозды: КТ и МРТ. Радиология 1989; 170: 637–641.

    103. McLoud TC, Filion RB, Edelman RR, Shepard JA. МРТ карциномы верхней борозды. J Comput Assist Tomogr 1989; 13: 233–239.

    104. Пирсон Ф.Г. Стадирование средостения. Роль медиастиноскопии и компьютерной томографии. Сундук 1993; 103: 346S – 348S.

    105. Libshitz HI, McKenna RJ Jr.Размер средостенных лимфатических узлов при раке легких. Am J Roentgenol 1984; 143: 715–718.

    106. Staples CA, Muller NL, Miller RR, Evans KG, Nelems B. Узлы средостения при бронхогенной карциноме: сравнение КТ и медиастиноскопии. Радиология 1988; 167: 367–372.

    107. Дейлс Р.Э., Старк Р.М., Раман С. Компьютерная томография для определения стадии рака легкого. Подходя к противоречию с помощью метаанализа. Амер Рев Респир Дис 1990; 141: 1096–1101.

    108. McLoud TC, Bourgouin PM, Greenberg RW, et al. Бронхогенная карцинома: анализ стадирования средостения с помощью КТ путем корреляционного картирования лимфатических узлов и отбора проб. Радиология 1992; 182: 319–323.

    109. Исследование заболевания средостения у пациентов с явно операбельным раком легкого. Канадская группа онкологии легких. Анналы торакальной хирургии 1995; 60: 1382–1389.

    110. Сили Дж. М., Мэйо Дж. Р., Миллер Р. Р., Мюллер Н. Л.. Рак легкого T1: распространенность метастазов в средостенные лимфоузлы и диагностическая точность КТ. Радиология 1993; 186: 129–132.

    111. Кирш М.М., Кан Д.Р., Гаго О, и др. Лечение бронхогенной карциномы с метастазами средостения. Анналы торакальной хирургии 1971; 12: 11–21.

    112. Martini N, Flehinger BJ, Zaman MB, Beattie EJ Jr.Результаты резекции не овсяноклеточного рака легкого с метастазами в средостенные лимфатические узлы. Анналы хирургии 1983; 198: 386–397.

    113. Silvestri GA, Littenberg B, Colice GL. Клиническая оценка для выявления метастатического рака легких. Метаанализ. Amer J Respir Crit Care Med 1995; 152: 225–230.

    114. Sider L, Horejs D. Частота внегрудных метастазов бронхогенной карциномы у пациентов с лимфатическими узлами нормального размера и средостения на КТ.Am J Roentgenol 1988; 151: 893–895.

    115. Грант Д., Эдвардс Д., Голдстроу П. Компьютерная томография мозга, грудной клетки и брюшной полости в предоперационной оценке немелкоклеточного рака легкого. Thorax 1988; 43: 883–886.

    116. Hillers TK, Sauve MD, Guyatt GH. Анализ опубликованных исследований по обнаружению внегрудных метастазов у ​​пациентов с предположительно операбельным немелкоклеточным раком легкого.Thorax 1994; 49: 14–19.

    117. Quint LE, Tummala S, Brisson LJ, et al. Распространение отдаленных метастазов от недавно диагностированного немелкоклеточного рака легкого. Энн Торак Сург 1996; 62: 246–250.

    118. Ferrigno D, Buccheri G. Компьютерная томография черепа как часть процедур начальной стадии для пациентов с немелкоклеточным раком легкого. Сундук 1994; 106: 1025–1029.

    119. Salvatierra A, Baamonde C, Llamas JM, Cruz F, Lopez-Pujol J.Внегрудная стадия бронхогенной карциномы. Сундук 1990; 97: 1052–1058.

    120. Kormas P, Bradshaw JR, Jeyasingham K. Предоперационная компьютерная томография мозга при немелкоклеточной бронхогенной карциноме. Thorax 1992; 47: 106–108.

    121. Карновский Д.А., Бурченал JH. Клиническая оценка химиотерапевтических средств при раке. В : Macleod CM, ed. Оценка химиотерапевтических агентов.Нью-Йорк, издательство Колумбийского университета, 1949; С. 199–205.

    122. Colice GL, Birkmeyer JD, Black WC, Littenberg B, Silvestri G. Экономическая эффективность КТ головы у пациентов с раком легких без клинических доказательств метастазов. Сундук 1995; 108: 1264–1271.

    123. Earnest F, Ryu JH, Miller GM, et al. Подозрение на немелкоклеточный рак легкого: частота скрытых метастазов в головной мозг и скелет и эффективность визуализации для пилотного исследования.Радиология 1999; 211: 37–145.

    124. Ремер Е.М., Обуховски Н., Эллис Д.Д., Райс Т.В., Адельштейн Д.Д., Бейкер МЭ. Оценка массы надпочечников у пациентов с карциномой легких: анализ экономической эффективности. Am J Roentgenol 2000; 174: 1033–1039.

    125. Gillams A, Roberts CM, Shaw P, Spiro SG, Goldstraw P. Значение компьютерной томографии и чрескожной тонкоигольной аспирации образований надпочечников при подтвержденном биопсией раке легкого.Clin Radiol 1992; 46: 18–22.

    126. Коробкин М., Ломбарди Т.Дж., Айсен А.М., и др. Характеристика образований надпочечников с помощью химического сдвига и МРТ с усилением гадолиния. Радиология 1995; 197: 411–418.

    127. Schwartz LH, Panicek DM, Koutcher JA, et al. Образования надпочечников у пациентов со злокачественными новообразованиями: проспективное сравнение эхопланарной, быстрой спин-эхо и МРТ с химическим сдвигом.Радиология 1995; 197: 421–425.

    128. Erasmus JJ, Patz EF Jr, McAdams HP, et al. Оценка образований надпочечников у пациентов с бронхогенной карциномой с помощью позитронно-эмиссионной томографии 18F-фтордезоксиглюкоза. Am J Roentgenol 1997; 168: 1357–1360.

    129. Шаффер К. Радиологическая оценка рака легкого: диагностика и стадирование. Сундук 1997; 112: 235S – 238S.

    130. Илия нашей эры.Мелкоклеточный рак легкого: современная терапия в 1996 г. Chest 1997; 112: 251S – 258S.

    131. Klein JS, Salomon G, Stewart EA. Трансторакальная пункционная биопсия с коаксиально размещенной автоматической режущей иглой 20 калибра: результаты у 122 пациентов. Радиология 1996; 198: 715–720.

    132. Salazar AM, Westcott JL. Роль трансторакальной игольной биопсии для диагностики и определения стадии рака легкого.Clin Chest Med 1993; 14: 99–110.

    (PDF) Сегментация легких по изображениям компьютерной томографии для ранней диагностики рака легких

    Точность края легкого может быть потеряна при сглаживании

    , и, таким образом, точный контур не может быть сохранен.

    ССЫЛКИ

    [1] М. А. Хаваджа, Мухаммед Захир Азиз, Надим Икбал, «Эффективная сегментация легких

    для систем CAD с использованием изображений компьютерной томографии»,

    Труды IEEE, Конференция INMIC, FAST Lahore, 2004.

    [2] Робин Н. Стрикленд, «Методы обработки изображений для обнаружения опухолей

    », Марсель Деккер Инк. Нью-Йорк, 2002.

    [3] Р. Викмкер, доктор философии, П. Рогалла, доктор медицинских наук, Т. Блафферт, доктор философии, «Аспекты of

    Компьютерное обнаружение (CAD) и объемный анализ легочных узелков

    с использованием мультиспиральной компьютерной томографии », Британский журнал радиологии (BJR), vol. 78,

    pp. 46-56, 2005.

    [4] Малин Доллингер, «Руководство для каждого по терапии рака; Как диагностировать, лечить и лечить рак

    », 4-е издание, Andrews McMeel

    Publishing Kansas, USA, 2002.

    [5] Атам П. Дхаван, «Анализ медицинских изображений», серия прессы IEEE в

    Биомедицинская инженерия, John Wiley & Sons. Inc. Publications, 2003.

    [6] Ядвига Коговска, «Обзор и основы сегментации медицинских изображений

    », Справочник по медицинской визуализации, Academic Press, San

    Diego, pp. 69-85, 2000.

    [7] Сэмюэл Г. Армато III, Мэриеллен Л. Гигер и Кэтрин Дж. Моран,

    «Компьютерное обнаружение легочных узелков на компьютерной томографии»,

    RadioGraphics, vol.19, pp. 1303-1311, 1999.

    [8] Джулиан Керр, «Метод TRACE для сегментации легких из

    КТ изображений грудной клетки с помощью детерминированного соединения краев», Университет Нового

    Южный Уэльс, Департамент искусственного интеллекта , Австралия,

    2000.

    [9] Шиинг Ху, Эрик А. Хаффман и Джозеф М. Рейнхардт, «Автоматическая сегментация легких

    для точной количественной оценки объемных рентгеновских снимков

    КТ», IEEE Transactions on Медицинская визуализация, т.20, No. 6,

    June 2001.

    [10] Риккардо Босколо, Мэтью С. Браун, Майкл Ф. Макнитт-Грей,

    «Сегментация медицинских изображений с помощью надежных активных активных

    контуров на основе знаний», Радиография, т. 22, pp. 437-448, 2002.

    [11] Айман Эль-Баз, Али А. Фараг, доктор философии, Роберт Фальк, доктор медицины, и Ренато Ла

    Rocc, «Обнаружение, визуализация и идентификация легких.

    Аномалии при сканировании грудной клетки по спирали: фаза 1 », Международная конференция

    по биомедицинской инженерии, Каир, Египет, 12-1-2002.

    [12] Биншенг Чжао, Гордон Гамсу, Мишель С. Гинзберг, «Автоматическое обнаружение

    малых узелков легких на КТ с использованием алгоритма максимальной локальной плотности

    », Журнал прикладной клинической медицинской физики, том.

    4, № 3, лето 2003.

    [13] Айман Эль-Баз, Али А. Фараг, доктор философии, Роберт Фальк, доктор медицины и Ренато Ла

    Rocc, «Единый подход к обнаружению, визуализации. , и

    выявление аномалий легких при спиральной компьютерной томографии грудной клетки », Proc.

    Компьютерная радиология и хирургия, Лондон, 2003.

    [14] Шу-Йен Ван, Уильям Э. Хиггинс, «Рост симметричной области»,

    IEEE Transactions on Image Processing, Vol. 12, No. 8 августа 2003 года.

    Нисар Ахмед Мемон получил степень бакалавра наук в Мехранском университете

    Инженерия и технологии. В настоящее время он является доктором философии на факультете

    компьютерных наук и инженерии Института Гулама Исхака Хана

    инженерных наук и технологий, Пакистан.Он также является преподавателем

    Университета инженерных наук и технологий Quaid-e-Awam,

    Paksitan. Его исследовательские интересы включают обработку медицинских изображений, нанесение водяных знаков на медицинские изображения Digital

    , аутентификацию данных и безопасность.

    Доктор Анвар Маджид Мирза сильно интересуется областями дизайна и

    анализа нейронечетких систем, обработки изображений, искусственного интеллекта

    и вычислительной физики. В настоящее время он руководит четырьмя спонсируемыми HEC стипендиатами

    с докторской степенью, работающими в области эволюционного программирования, распознавания образов

    , восстановления изображений, медицинской визуализации и вейвлет- и конечных

    Элементных решений уравнений в частных производных.Он также был

    , курируя как магистрантов, так и студентов бакалавриата в институте GIK в областях

    эволюционной робототехники, компьютерного зрения и моделирования и

    моделирования. Его докторская исследовательская работа по моделированию и моделированию была

    цитирована во многих источниках, включая книгу под названием «Finite Element

    Methods for Particle Transport», опубликованную John Wiley & Sons в 1997 году.

    Доктор Асиф Мехмуд Гилани специализируется на область обработки изображений

    , особенно в вопросах безопасности данных.Его исследование было сосредоточено на исследовании

    водяных знаков цифровых изображений для защиты авторских прав. Кроме того,

    он занимается исследованиями в других приложениях безопасности, таких как проверка подлинности данных и стеганография изображений

    . Также есть интерес к области Computer

    Моделирование физических систем. Он участвовал в обучении и исследованиях

    на уровне бакалавриата и магистратуры и в течение десяти лет руководил

    студентами как в Пакистане, так и за его пределами.Доктор

    Гилани был удостоен звания магистра и доктора философии, стипендии

    от Греческого государства. Он опубликовал ряд исследований

    статей на международном уровне и включен в список кандидатов наук, утвержденных HEC и PCST.

    Руководители.

    ПРОЦЕДУРЫ ВСЕМИРНОЙ АКАДЕМИИ НАУКИ, ТЕХНОЛОГИИ И ТЕХНОЛОГИИ ОБЪЕМ 14 АВГУСТА 2006 ГОДА ISSN 1307-6884

    ТОМ PWASET 14 АВГУСТА 2006 ГОДА ISSN 1307-6884

    Введение в обработку медицинских изображений с помощью Python 9: CT4 и сегментация сосудов легких Пришло время для практического руководства по медицинской визуализации.Однако на этот раз мы будем использовать не сумасшедший AI, а базовые алгоритмы обработки изображений. Цель — познакомить читателя с концепциями медицинской визуализации и, в частности, компьютерной томографии (КТ).

    Очень важно понять, как далеко можно пройти без глубокого обучения , чтобы понять, когда лучше всего его использовать. Новые врачи склонны игнорировать эту часть, но анализ медицинских изображений по-прежнему является обработкой трехмерных изображений.

    Я также включаю части кода, чтобы облегчить понимание моего мыслительного процесса.

    Здесь можно найти прилагаемый блокнот Google colab для запуска кода, показанного в этом руководстве. Также доступен репозиторий Github. Пометьте наше репо, если оно вам понравилось!

    Чтобы глубже понять, как ИИ используется в медицине, вы не ошибетесь, выбрав онлайн-курс «ИИ для медицины», предлагаемый Coursera.

    Мы начнем с основ компьютерной томографии. Вы можете пропустить этот раздел, если вы уже знакомы с компьютерной томографией.

    КТ-изображение

    Физика КТ-сканирования

    Компьютерная томография (КТ) использует рентгеновские лучи для получения трехмерных пикселей человеческого тела.Нагретый катод испускает пучки высокой энергии (электроны), которые, в свою очередь, выделяют свою энергию в виде рентгеновского излучения. Рентгеновские лучи проходят через ткани человеческого тела и попадают в детектор с другой стороны. Плотная ткань (например, кости) будет поглощать больше излучения, чем мягкие ткани (например, жир). Когда рентгеновские лучи не поглощаются телом (то есть в воздушной области внутри легких) и достигают детектора, мы видим их черными, похожими на черную пленку. Напротив, плотные ткани изображаются белым цветом.

    Таким образом, компьютерная томография может распознавать разницу в плотности и создавать трехмерное изображение тела .

    Источник: Кристофер П. Хесс, доктор медицинских наук, и Дерк Перселл, доктор медицины, Отдел радиологии и биомедицинской визуализации в UCSF

    Вот 1-минутное видео, которое я нашел очень кратким:

    Интенсивность КТ и Хаунсфилд ед.

    Поглощение рентгеновских лучей измеряется по шкале Хаунсфилда. В этой шкале мы устанавливаем интенсивность воздуха на -1000 и воды на 0. Важно понимать, что Хаусенфилд — это абсолютная шкала, в отличие от МРТ, где у нас есть относительная шкала от 0 до 255.

    На изображении показаны некоторые основные ткани и соответствующие им значения интенсивности. Учтите, что изображения получаются зашумленными. На реальных изображениях цифры могут незначительно отличаться.

    Шкала Хаунсфилда. Изображение автора.

    Кости обладают высокой интенсивностью. Обычно мы обрезаем изображение, чтобы иметь верхний максимальный диапазон. Например, по практическим соображениям максимальное значение может быть 1000.

    Проблема: библиотеки визуализации работают в масштабе [0,255].Было бы не очень разумно визуализировать все шкалы Хаунсфилда (от -1000 до 1000+) до 256 шкал для медицинской диагностики.

    Вместо этого мы ограничиваем наше внимание различными частями этого диапазона и сосредотачиваемся на нижележащих тканях.

    Визуализация данных КТ: уровень и окно

    В медицинских изображениях принято ограничивать диапазон Хаусенфилда путем выбора центральной интенсивности, называемой уровнем и окном, как показано:

    На самом деле это довольно неприятное соглашение для компьютерных ученых.Нам просто нужны минимальное и максимальное значения диапазона:

    max = уровень + окно / 2max = уровень + окно / 2max = уровень + окно / 2

    min = уровень — окно / 2min = уровень — окно / 2min = уровень −window / 2

     

    import matplotlib.pyplot as plt

    import numpy as np

    def show_slice_window (slice, level, window):

    "" "

    Функция для отображения фрагмента изображения

    Вход - numpy 2D-массив

    "" "

    max = уровень + окно / 2

    min = уровень - окно / 2

    slice = slice.clip (min, max)

    plt.figure ()

    plt.imshow (slice.T, cmap = "gray", origin = "lower")

    plt.savefig ('L' + str (level) + 'W' + str (window))

    Если вы не уверены, следующее изображение убедит вас в том, что одно и то же КТ-изображение более богатое, чем обычный канал изображения:

    Окно и выравнивание в КТ могут дать вам совершенно разные изображения. 2 мм2.Для этого нам нужно найти реальный размер в пикселях. У каждого изображения может быть свое (pixdim в отличном заголовочном файле). Давайте сначала посмотрим на файл заголовка:

     

    import nibabel as nib

    ct_img = nib.load (exc_path)

    print (ct_img.header)

    Здесь я покажу только некоторые важные поля заголовка:

     

    объект, endian = '<'

    sizeof_hdr: 348

    dim: [2 512 512 1 1 1 1 1]

    тип данных: int16

    bitpix: 16

    pixdim [1.0,78515625 0,78515625 1. 1. 1. 1. 1.]

    srow_x: [-0.78515625 0. 0. 206.60742]

    srow_y: [0. -0.78515625 0. 405.60742]

    srow_z: [0. 0. 1. -304.5]

    Для записи srow_x, srow_y, srow_z — это аффинная матрица изображения. Bitpix — это количество битов, которые мы используем для представления интенсивности каждого пикселя.

    Итак, давайте определим функцию, которая считывает эту информацию из файла заголовка.2

     

    def find_pix_dim (ct_img):

    "" "

    Получите pixdim изображения CT.

    Общее решение, которое получает pixdim, указанный из размеров изображения. Из последних двух размеров изображения мы получаем их размер в пикселях.

    Args:

    ct_img: nib image

    Возвращает: список размеров в 2 пикселя

    "" "

    pix_dim = ct_img.header [" pixdim "]

    dim = ct_img.header [" "]

    max_indx = np.argmax (dim)

    pixdimX = pix_dim [max_indx]

    dim = np.delete (dim, max_indx)

    pix_dim = np.delete (pix_dim, max_indx)

    max_indy000 (9 = dimargmax)

    max_indy = np.argm pix_dim [max_indy]

    return [pixdimX, pixdimY]

    Шаг 2: преобразование изображения в двоичную форму с использованием порогового значения интенсивности

    Мы ожидаем, что легкие будут в диапазоне единиц Хаусендфилда [-1000, -300]. Для этого нам нужно обрезать диапазон изображений до [-1000, -300] и преобразовать значения в двоичную форму до 0 и 1, поэтому мы получим что-то вроде этого:

    Изображение автора

    Шаг 3: Нахождение контура

    Давайте сначала проясним, что такое контур:

    Для компьютерного зрения контур — это набор точек, которые описывают линию или область.Таким образом, для каждого обнаруженного контура мы получим не полную двоичную маску, а набор с набором значений x и y.

    Хорошо, как мы можем выделить желаемую область? Хммм … давай подумаем. Мы заботимся о тех областях легких, которые показаны на белом. Если бы мы могли найти алгоритм для определения близких множеств или любых контуров на изображении, это могло бы помочь. После некоторого поиска в Интернете я нашел метод маршевых квадратов, который находит контуры с постоянными значениями на изображении из скимейджа, названный скимэджем.measure.find_contours () .

    После использования этой функции я визуализирую обнаруженные контуры на исходном КТ-изображении:

    Изображение автора

    Вот функция!

     

    def depth_seg (ct_numpy, min = -1000, max = -300):

    clipped = clip_ct (ct_numpy, min, max)

    return measure.find_contours (clipped, 0.95)

    Шаг 4: Найдите область легких из набора возможных контуров

    Обратите внимание, что я использовал другое изображение, чтобы показать крайний случай, когда тело пациента не является замкнутым набором точек.Хорошо, не совсем то, что мы хотим, но давайте посмотрим, сможем ли мы с этим разобраться.

    Поскольку мы заботимся только о легких, мы должны установить какие-то ограничения, чтобы исключить нежелательные области.

    Для этого я сначала извлек из контура выпуклый многоугольник с помощью scipy. После я предполагаю 2 ограничения:

    Это может включать или не включать контур тела, в результате чего получается более 3 контуров. Когда это происходит, тело легко отбрасывается, имея наибольший объем контура, который удовлетворяет заранее описанным предположениям.

     

    def find_lungs (contours):

    "" "

    Выбирает контуры, соответствующие легким и телу

    Сначала мы исключаем незамкнутые множества-контуры

    Затем мы предполагаем некоторую минимальную площадь и объем равными исключить мелкие контуры

    Затем тело исключается как закрытый набор наибольшего объема

    Остальные области соответствуют легким

    Args:

    контуры: все обнаруженные контуры

    Возвращает: контуры, соответствующие области легких

    "" "

    body_and_lung_contours = []

    vol_contours = []

    для контура в контурах:

    hull = ConvexHull (контур)

    для корпуса.volume> 2000 и set_is_closed (contour):

    body_and_lung_contours.append (contour)

    vol_contours.append (hull.volume)

    if len (body_and_lung_contours) == 2:

    return body_and_lung_contours) 9_lung_contours (body_and_lung_contours) 2:

    vol_contours, body_and_lung_contours = (list (t) для t в

    zip (* sorted (zip (vol_contours, body_and_lung_contours))))

    body_and_lung_contours.pop (-1)

    return body_and_lung_contours

    В качестве крайнего случая я показываю, что алгоритм не ограничен только двумя областями легких. Осмотрите синий контур ниже:

    Изображение автора

    Шаг 5: Контур в двоичную маску

    Затем мы сохраняем его как отличный файл, поэтому нам нужно преобразовать набор точек в двоичную маску легкого. Для этого я использовал подушку python lib, которая рисует многоугольник и создает маску двоичного изображения.Затем объединяю все маски уже найденных контуров легких.

     

    import numpy as np

    from PIL import Image, ImageDraw

    def create_mask_from_polygon (image, contours):

    "" "

    Создает двоичную маску с размерами изображения и

    преобразует список полигонов -контурирует в двоичные маски и объединяет их вместе

    Args:

    image: изображение, к которому относятся контуры

    contours: список контуров

    Возвращает:

    "" "

    легкое_mask = np.array (Image.new ('L', image.shape, 0))

    для контура в контурах:

    x = contour [:, 0]

    y = contour [:, 1]

    polygon_tuple = list ( zip (x, y))

    img = Image.new ('L', image.shape, 0)

    ImageDraw.Draw (img) .polygon (polygon_tuple, outline = 0, fill = 1)

    mask = np.array (img)

    легкая_маска + = маска

    легкая_маска [легкая_маска> 1] = 1

    вернуть легкую_маску.2 мм2 - это просто количество ненулевых элементов, умноженное на два пиксельных размера соответствующего изображения.

    Области легких сохраняются в файле csv вместе с именем изображения.

    Наконец, чтобы сохранить маску как отличную, я использовал значение 255 для области легких вместо 1, чтобы ее можно было отобразить в отличном средстве просмотра. Более того, я сохраняю изображение с аффинным преобразованием исходного CT-среза, чтобы его можно было отображать осмысленно (выровненное без каких-либо конфликтов вращения).

     

    def save_nifty (img_np, name, affine):

    "" "

    двоичные маски должны быть преобразованы в 255, чтобы их можно было отобразить в программе просмотра nii

    мы передаем аффинность исходного изображения, чтобы убедиться, что оно выходит в том же пространстве координат

    изображения

    Args:

    img_np: двоичная маска

    name: имя вывода

    affine: 4x4 np array

    Возвращает:

    "" "

    img_np = 1 ] = 255

    ni_img = nib.Nifti1Image (img_np, affine)

    nib.save (ni_img, name + '.nii.gz')

    Наконец, я открыл маску с помощью обычного изящного средства просмотра для Linux, чтобы убедиться, что все в порядке. Вот снимки для среза номер 4:

    Изображение автора

    Я использовал бесплатную программу просмотра медицинских изображений под названием Aliza в Linux.

    Сегментируйте основные сосуды и вычислите отношение сосудов к площади легких

    Если в области легких есть пиксель со значением интенсивности более -500 HU, то мы будем рассматривать его как сосуд.

    Сначала мы выполняем поэлементное умножение между КТ-изображением и маской легких, чтобы получить только легкие. После этого мы устанавливаем нули, полученные в результате поэлементного умножения, на -1000 (AIR в HU) и, наконец, сохраняем только интенсивности, которые больше -500, как сосуды.

     

    def create_vessel_mask (light_mask, ct_numpy, noise = False):

    сосудов = маска_легкого * ct_numpy

    сосудов [сосудов == 0] = -1000

    сосудов [сосудов> = -500] = 1

    сосудов [ сосуды <-500] = 0

    show_slice (сосуды)

    если шумоподавление:

    return noise_vessels (легкие_контур, сосуды)

    show_slice (сосуды)

    возвратные сосуды

    Один из примеров этого процесса можно проиллюстрировать ниже:

    Маска судна с некоторым шумом.Изображение автора.

    Анализ и улучшение результата сегментации

    Как видите, у нас есть некоторые части контура легких, которых, я думаю, мы бы хотели избежать. С этой целью я создал функцию шумоподавления , которая учитывает расстояние маски до всех точек контура. Если он меньше 0,1, я выставляю значение пикселя на 0 и в результате исключаю их из обнаруженных сосудов.

     

    def Noise_vessels (контур_легкого, сосуды):

    Vessel_coords_x, Vessel_coords_y = np.ненулевое значение (сосуды)

    для контура в легком_контур:

    x_points, y_points = contour [:, 0], contour [:, 1]

    для (корд_х, координата_y) в zip (cabin_coords_x, cabin_coords_y):

    для ( x, y) в zip (x_points, y_points):

    d = euclidean_dist (x - Coord_x, y - Coord_y)

    , если d <= 0.1:

    судна [corre_x ,ordin_y] = 0

    судов возврата

    Ниже вы можете увидеть разницу между изображением шумоподавления справа и исходной маской:

    Изображение автора

    Если наложить маску на исходное КТ-изображение, мы получим:

    Автор изображения

     

    def overlay_plot (im, mask):

    plt. 2

    "" "

    маска [маска> = 1] = 1

    легких_пикселей = np.sum (mask)

    return lung_pixels * pixdim [0] * pixdim [1]

    Коэффициенты сохраняются в файле csv в записной книжке.

    Заключение и дальнейшие чтения

    Я считаю, что теперь у вас есть твердое представление о КТ-изображениях и их особенностях. С такой обширной информацией о 3D-изображениях мы можем делать много удивительных вещей.

    Поддержите нас, запустив наш проект на GitHub. Наконец, для более сложных руководств см. Наши статьи о медицинской визуализации.

    Меня попросили пройти большой практический курс по искусственному интеллекту.Я подумываю написать книгу по медицинской визуализации в 2021 году. А пока вы можете учиться на курсе курса «Искусственный интеллект для медицины».

    Введение в глубокое обучение и нейронные сети

    Для более полного понимания фундаментальных архитектур глубокого обучения ознакомьтесь с нашим интерактивным курсом.

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *

    Авторское право © 2021 Es picture - Картинки
    top