Систематизация фильтров реконструкции при компьютерной томографии для алгоритмов искусственного интеллекта на примере органов грудной клетки и головного мозга: ретроспективное исследование

Выбор фильтра реконструкции (convolution kernel) компьютерно-томографических (КТ) изображений напрямую влияет на результат работы алгоритмов искусственного интеллекта (ИИ). Формирование единых требований к данному параметру осложнено тем фактом, что такие фильтры уникальны для разработчиков оборудования. Цель работы – составить таблицу соответствия фильтров реконструкции между различными производителями оборудования для направления алгоритмам ИИ той серии изображений, на которой при КТ органов грудной клетки (ОГК) и головного мозга (ГМ) количественный анализ будет наиболее воспроизводимым. Произведена выгрузка и проведен анализ DICOM тегов 0018,1210 (Convolution Kernel), 0008,0070 (Manufacturer), 0018,0050 (Slice Thickness) КТ-изображений из Единого радиологического информационного сервиса города Москвы. Критерии включения: возраст старше 18 лет; срезы толщиной ≤ 3 мм. Анализ данных представлен в виде сводных таблиц сопоставления фильтров реконструкции различных производителей для КТ ОГК и ГМ, ряда клинических задач, а также описательной статистики их распределения по области сканирования и производителю. В анализ включено 1905 КТ ОГК ("CHEST" и "LUNG") и 490 КТ ГМ ("HEAD", "BRAIN"). При КТ ОГК была распространена реконструкция полученных изображений в виде серий для оценки легочной паренхимы и структур средостения. При КТ ГМ была распространена реконструкция полученных изображений в виде серий для оценки паренхимы головного мозга и костных структур. Проведена систематизация фильтров реконструкции при КТ ОГК и КТ ГМ. Полученные данные позволят корректно маршрутизировать серии проведенных исследований для количественной обработки алгоритмами ИИ.

1. Васильев Ю.А., Владзимирский А.В., Бондарчук Д.В., Кожихина Д.Д., Решетников Р.В., Блохин И.А., Соловьев А.В., Гатин Д.В. Значение технологий искусственного интеллекта для профилактики дефектов в работе врача-рентгенолога. Врач и информационные технологии. 2023;(2):16–27. https://doi.org/10.25881/18110193_2023_2_16

2. Schaller S., Wildberger J.E., Raupach R., Niethammer M., Klingenbeck-Regn K., Flohr T. Spatial domain filtering for fast modification of the tradeoff between image sharpness and pixel noise in computed tomography. IEEE Transactions on Medical Imaging. 2003;22(7):846–853. https://doi.org/10.1109/tmi.2003.815073

3. Блохин И.А., Румянцев Д.А., Сучилова М.М., Гончар А.П., Омелянская О.В. Низкодозная компьютерная томография органов грудной клетки в диагностике COVID-19: обзор литературы. Digital Diagnostics. 2023;4(1):25–37. https://doi.org/10.17816/DD119870

4. Boedeker K.L., McNitt-Gray M.F., Rogers S.R., Truong D.A., Brown M.S., Gjertson D.W., Goldin J.G. Emphysema: Effect of Reconstruction Algorithm on CT Imaging Measures. Radiology. 2004;232(1):295–301. https://doi.org/10.1148/radiol.2321030383

5. Wang Y., De Bock G.H., Van Klaveren R.J., Van Ooyen P., Tukker W., Zhao Y., et al. Volumetric measurement of pulmonary nodules at low-dose chest CT: effect of reconstruction setting on measurement variability. European Radiology. 2010;20(5):1180–1187. https://doi.org/10.1007/s00330-009-1634-9

6. Behrendt F.F., Das M., Mahnken A.H., Kraus T., Bakai A., Stanzel S., et al. Computer-Aided Measurements of Pulmonary Emphysema in Chest Multidetector-Row Spiral Computed Tomography: Effect of Image Reconstruction Parameters. Journal of Computer Assisted Tomography. 2008;32(6):899–904. https://doi.org/10.1097/rct.0b013e31815ade64

7. Васильев Ю.А. и др. Компьютерное зрение в лучевой диагностике: первый этап Московского эксперимента. Издательские решения; 2023. 376 с.

8. Mackin D., Ger R., Gay S., Dodge C., Zhang L., Yang J., et al. Matching and Homogenizing Convolution Kernels for Quantitative Studies in Computed Tomography. Investigative Radiology. 2019;54(5):288–295. https://doi.org/10.1097/rli.0000000000000540

9. Dalrymple N.C., Prasad S.R., El-Merhi F.M., Chintapalli K.N. Price of Isotropy in Multidetector CT. RadioGraphics. 2007;27(1):49–62. https://doi.org/10.1148/rg.271065037

10. Kauermann G., Küchenhoff H. Stichproben: Methoden und praktische Umsetzung mit R. Heidelberg: Springer Berlin; 2010. 261 p. https://doi.org/10.1007/978-3-642-12318-4

11. Блохин И.А., Коденко М.Р., Шумская Ю.Ф., Гончар А.П., Решетников Р.В. Проверка гипотез исследования с использованием языка R. Digital Diagnostics. 2023;4(2):238–247. https://doi.org/10.17816/dd121368

12. Fu B., Wang G., Wu M., Li W., Zheng Y., Chu Z., et al. Influence of CT effective dose and convolution kernel on the detection of pulmonary nodules in different artificial intelligence software systems: A phantom study. European Journal of Radiology. 2020;126. https://doi.org/10.1016/j.ejrad.2020.108928

13. Hoang-Thi T.-N., Vakalopoulou M., Christodoulidis S., Paragios N., Revel M.P., Chassagnon G. Deep learning for lung disease segmentation on CT: Which reconstruction kernel should be used? Diagnostic and Interventional Imaging. 2021;102(11):691–695. https://doi.org/10.1016/j.diii.2021.10.001

14. Lu L., Ehmke R.C., Schwartz L.H., Zhao B. Assessing Agreement between Radiomic Features Computed for Multiple CT Imaging Settings. PLoS ONE. 2016;11(12). https://doi.org/10.1371/journal.pone.0166550

15. Berenguer R., Pastor-Juan M. del R., Canales-Vázquez J., Castro-García M., Villas M.V., Mansilla Legorburo F., Sabater S. Radiomics of CT Features May Be Nonreproducible and Redundant: Influence of CT Acquisition Parameters. Radiology. 2018;288(2):407–415. https://doi.org/10.1148/radiol.2018172361