摘要：基于计算机断层扫描（CT）图像检查使用计算机工具对2019年冠状病毒病（COVID-19）严重程度进行分级的可行性。

 

材料和方法：回顾性分析了44例确诊的COVID-19病例。所有病例分别由放射科医生（视觉）和通过内部计算机软件进行评估。放射科医生对5个肺叶的病变程度进行视觉评分，结果如下：0，无病变；1，<1/3受累；2，>1/3和   2/3受累；3，>2/3受累。根据毛玻璃样混浊（GGO），病变的实变和纤维化的比例评估病变密度。使用计算机工具获得的参数包括全肺、右肺、左肺和每个肺叶的肺体积（mL）、病变体积（mL）、病变百分率（%）和平均病变密度（HU）。对放射科医生的评分与计算机软件生成的定量结果进行相关性检验。采用卡方检验检验右/左肺、上/下肺叶和5个肺叶中每个肺叶的放射科和计算机衍生病变百分比的一致性。

 

结果：结果表明，放射科医生和计算机软件获得的病变百分比评分之间存在强至中等的相关性，GGO与病灶平均密度、实变率与病灶平均密度呈中等相关性。计算机辅助定量显示，与放射科医生的评估相比，下肺叶的损伤百分比显著增加。

 

结论：我们的实验表明，该计算机工具可以可靠，准确地评估CT扫描中肺炎的严重程度和分布。

 

 

1、简介：放射学检查，特别是胸部电脑断层扫描（CT），已成为早期诊断和评估疾病进程的重要手段，并在显示COVID-19的特征方面显示出卓越的性能。影像学可显示：（1）病灶数目（常多于三个）；（2）病灶大小（斑片状、大块、结节状、肿块状等）；（3）病灶密度（毛玻璃密度、铺路石样改变、实变、纤维化等）；（4）病灶分布（胸膜下或沿支气管血管束）；（5）其他伴发征象（空气支气管造影、罕见胸腔积液、纵隔淋巴结肿大等）。然而，对于人类专家来说，要从视觉上评估疾病的严重程度及其随时间的进展并不容易。由于计算机断层扫描（CT）检查的迅速增加以及对COVID-19肺炎的准确评估或分级的需求，迫切需要一种有效且准确的评估方法。根据所涉及的肺叶数目（5个肺叶，每个肺叶得分1-5，总范围：0 [无]至25），最近一项针对COVID-19肺炎的动态变化的研究表明，肺组织受累 在症状发作后约10天达到峰值。由于患者数量的迅速增加，反复检查以及该疾病的迅速发展，因此需要进行有效而准确的评估。因此，有必要开发新的解决方案来提高诊断性能和效率。在这项研究中，我们通过比较放射科医生和计算机工具的结果，验证了一种新开发的计算机工具的性能，该工具旨在利用CT图像定量评估COVID-19肺炎。

 

2.1、患者：本研究回顾性分析了从2020年1月22日至2020年2月7日确诊的44例COVID-19患者的CT图像。COVID-19的诊断标准基于中华人民共和国国家卫生委员会的诊断和治疗方案。确诊病例符合以下标准：（1）在过去14天内曾到武汉及其周边地区或其他社区就诊并确诊COVID-19病例；（2）在过去14天内与其他确诊COVID-19（核酸检测阳性）病例接触；（3） 与武汉及其周边地区或其他社区的人员接触，在过去14天内报告有发烧或呼吸系统症状；或（4）参与公众集会后出现症状。严重呼吸困难（呼吸频率>30次/min）、低SpO2（<93%）和PaO2/FiO2 ≤ 300 mmHg需要氧气治疗或机械通气的患者被定义为严重疾病。

所有的CT图像都由放射科医生进行评估，并用内部计算机软件进行处理。评估并比较病灶占肺体积的百分比、病灶密度和病灶分布

 

 

2.2、CT图像采集: 用多探头CT采集CT图像. 所有患者均在仰卧位扫描，吸气结束时屏住呼吸。视野从肺尖到肺底。电压和电流分别为120 kV和30–140 mA。所有的数据都用标准的重建核进行重建。重建矩阵为512 × 512，重建截面的层厚在0.625 mm和1 mm之间。在优化的窗口设置下查看图像，以评估肺实质.

 

2.3、严重性评估：由放射科医生和计算机工具分别评估肺炎的严重程度。COVID-19指标包括病变程度、平均病变密度和病变分布。

 

2.3.1、放射科医生评估严重程度：评估病变占肺叶大小的百分比。这项研究超出了先前描述的方法的范围，在0-3（0：无病变，1：<1/3肺叶体积，2：>1/3，<2/3肺叶体积，3：>2/3肺叶体积）的范围内对5个肺叶（即右上肺叶、右中肺叶、右下肺叶、左上肺叶和左下肺叶）中的每一个进行视觉评分。这样做是为了减少观察者之间的不一致性。每个病例的CT总分是5个肺叶的总分之和，最大可能得分为5 × 3 = 15。CT评分的两个例子如图2所示。放射科医生定义的全肺、右上叶、右中叶、右下叶、左上叶和左下叶的病变百分比分别记录为RLPWL, RLPRUL, RLPRML, RLPRLL, RLPLUL, and RLPLLL。

 

图2 放射科医生评估严重程度的例子

（A，B）：来自确诊COVID-19的60岁女性患者的图像。 可以在左上叶看到纯的GGO病变（A，红色箭头）。 当病变占左上叶的1/3以下时，病变百分比得分为1。在右下叶中可以看到另一个GGO（B，红色箭头）。 病变百分比得分也为1。GGO，实变和纤维化的比例分别为10、0和0。

（C，D）：来自确诊COVID-19的66岁女性患者的图像。 观察到GGO（C，红色箭头； D，红色箭头）和双侧多灶性实变（C，绿色箭头； D，绿色箭头）。 GGO，实变和纤维化评分分别为3、7和0。手动评估病变密度是基于三个主要CT征象的比例，即磨玻璃样混浊（GGO）、实变和纤维化，这些征象是根据Fleischner Society glossary定义的国际标准命名法和病毒性肺炎的同行评审文献来判断的。每个CT征象的组成按0-10分进行评估，总分为10分。GGO、实变和纤维化的比例分别记录为PGGO, Pconsolidation, and Pfibrosis。

两位有5年以上胸部影像分析经验的放射科医生以双盲的方式评估影像的严重性。两位放射科医生之间的任何分歧都由另一位经验更丰富的放射科医生解决。

 

采用计算机定量方法评估COVID-19的严重程度。该方案包括四个主要阶段：（1）分割肺和5个叶； （2）肺血管的分割； （3）从肺部减去肺血管； （4）肺炎的检测（图3）。最后两个步骤的细节已在其他地方介绍。

图3 病变鉴别图解

第一步是对双肺进行分割，结果显示为三维模型（如图a所示，右肺为绿色，左肺为蓝色）。第二步是分割肺血管（如B所示，血管为蓝色）。从肺区域减去肺血管后，第四步也是最后一步是肺炎病变的分割（C所示）。 由于该病变分割，观察到红色的不规则结节状。

 

根据阈值和适应性区域的增长对病变区域进行分割。分割的结果由具有10年以上经验的放射科医生审查。删除假阳性，手动添加假阴性。计算机参数包括肺体积（mL）、病灶体积（mL）、病灶体积与相应肺或肺叶体积之比（百分比）、全肺、右肺、左肺及5个肺叶的平均病灶密度（HU）。COVID-19早期、进展期和严重期病变的分割和三维重建如图4所示。

图4 用计算机软件实现病变分割 （A，B，C）：60岁女性患者早期COVID-19的图像。双肺（A，红色箭头）可见多灶性毛玻璃样阴影（GGO）。所有GGO病变均被分割，如同一冠状面所示（B，红线内）。所有病灶（C，红色结节）均能在三维重建图像上看到。

（D，E，F）：来自一名40岁女性患者的COVID-19进展期图像。可观察到多灶性GGOs（D，红色箭头）、斑片状实变（D，绿色箭头）和纤维化（D，蓝色箭头）。所有病变均被分割，如同一冠状面所示（E，红线内）。F代表病变的三维重建。

（G，H，I）：来自一名50岁男性患者的COVID-19严重期图像。双肺可见弥漫性GGO（G，红色箭头）和实变（G，绿色箭头）。所有病变均被分割，如同一冠状面所示（H，红色）。I代表病变的三维重建。

 

3、1 入选患者的一般肺特征：我们共检查了44名患者（男性21名，女性23名）。重症患者的全肺和每个肺叶的CT评分明显高于非重症患者。对于整个肺，右肺和右下叶，使用计算机工具量化的肺部容积在患有严重疾病的患者中明显低于未发生严重疾病的患者。严重疾病组用计算机工具量化的病灶体积明显增大。在重症组中，用计算机工具量化的肺/肺叶体积百分比（百分比）明显高于正常对照组，但不适用于右肺中叶。

 

 Pearson相关分析显示，放射科医生确定的病变百分比与计算机软件之间存在中等至强相关性。GGO比例与平均病灶密度呈中度负相关，实变比例与平均病灶密度呈中度正相关。

 

图5. 放射科医生和计算机软件得出的病变百分比的相关性

散点图（A-H，用红色倒三角形绘制）显示了放射科医生和计算机软件评估的整个肺（A）、右肺（B）、左肺（C）、右上叶（D）、右中叶（E）、右下叶（F）、左上叶（G）和左下叶（H）的病变百分比之间的相关性。WL，全肺；RL，右肺；LL，左肺；RUL，右上叶；RML，右中叶；LUL，左上叶；LLL，左下叶。RLP，放射科医生评估病变百分比；CLP，计算机评估病变百分比。

 

图6 放射科医生推算病灶密度与计算机软件的相关性

散点图（A-B，红色圆圈）显示GGO比例与平均病变密度呈中度负相关（如A所示），而实变比例与平均病变密度呈中度正相关（如B所示）。PGGO，磨玻璃样混浊占病变总面积的比例；

 

放射科医生观察到的左、右肺病变的分布与使用计算机软件得到的相似。然而，通过计算机辅助量化得到的下肺叶病变的分布与放射科医生得到的结果有显著差异。放射科医生所观察到的五个肺叶之间的病变分布与计算机辅助定量所得到的相似。病变分布以右下叶最高，其次为左下叶、左上叶、右上叶和右中叶。

 

结论：总之，计算机辅助量化是一种准确、简便、可行的方法，可将COVID-2019病例按严重程度分级。

 

原文出自：https://www.sciencedirect.com/science/article/pii/S2095177920302264