Захарова Анна Валерьевна — ассистент кафедры медицинской биофизики Санкт-Петербургского государственного педиатрического медицинского университета; врач-рентгенолог отдела лучевой диагностики Городской многопрофильной больницы № 2
Санкт-Петербургский государственный педиатрический медицинский университет, 194100, Санкт-Петербург, Литовская ул., д. 2
Городская многопрофильная больница № 2, 194354, Санкт-Петербург, Учебный пер., д. 5
Anna V. Zakharova — Assistant Professor of the Department of Medical Biophysics. St Petersburg State Pediatric Medical University; Radiologist, Department of Radiology Diagnostics of City Multidisciplinary Hospital No. 2
St. Petersburg State Pediatric Medical University, 194100, St. Petersburg, Litovskaya Str. 2
City Multidisciplinary Hospital No. 2, 194354, St. Petersburg, Uchebny lane, 5
ВВЕДЕНИЕ: В последнее десятилетие возрос интерес к новым диагностическим методикам оценки количественных показателей в лучевой диагностике. В частности, точные количественные значения могут быть полезными для оценки анатомических или физиологических изменений в легких у пациентов, перенесших COVID-19.
ЦЕЛЬ: Апробация алгоритма количественной полуавтоматической обработки КТ-изображений пациентов с подтвержденной COVID-19 инфекцией и сопоставление результатов с данными МР-перфузии легких после перенесенной коронавирусной инфекции.
МАТЕРИАЛЫ И МЕТОДЫ: Ретроспективно проанализированы данные 100 СКТ органов грудной клетки пациентов, перенесших COVID-19. Проводилась 3D-сегментация легких с автоматическим подсчетом числа выделенных пикселей на каждом срезе. Для количественного анализа данных использовалась классификация, основанная на значении плотности каждого пикселя в соответствии со шкалой Хаунсфилда. Полученные данные сопоставлялись с количественными параметрами легочной МР-перфузии этих пациентов.
Статистика. Использовались обобщенная аддитивная модель с бета-распределением, коэффициент корреляции Спирмена, поправка Беньямини–Йекутили использовалась для коррекции полученных p-значений. Результаты признавались статистически значимыми при p<0,05.
РЕЗУЛЬТАТЫ: Наблюдается корреляция между данными количественного анализа СКТ (долями пикселей, соответствующих невентилируемой и гиповентилируемой легочной ткани) и распределением данных СКТ по группам в соответствии с эмпирической визуальной шкалой. Получена корреляция между функциональными параметрами перфузии и КТ-картиной: rMTT — 0,35 (p=0,001), rPBF — 0,23 (p=0,038) и rPBV — 0,35 (p=0,001).
ОБСУЖДЕНИЕ: Использование предложенного в работе алгоритма количественной полуавтоматической обработки КТ-изображений позволяет получить числовые данные, объективно отражающие процент пораженной легочной ткани, что особенно актуально в диагностике COVID-19 пневмонии. Полученная корреляция между функциональными параметрами перфузии и КТ-картиной может потенциально являться маркером патологических изменений легких после перенесенной COVID-19 пневмонии, что требует дальнейших исследований.
ЗАКЛЮЧЕНИЕ: Количественная обработка КТ-изображений позволила корректно сопоставить КТ-картину поражения легких при COVID-19 с данными МР-перфузии легких после перенесенной COVID-19 инфекции, что потенциально может иметь прогностическое значение.
INTRODUCTION: In the last decade, there has been an increased interest in new diagnostic techniques for assessing quantitative values in radiology. In particular, accurate quantitative values may be useful to assess anatomical or physiological changes in the lungs in patients with previously treated COVID-19 infection.
OBJECTIVE: To test a quantitative semi-automated algorithm for CT imaging in patients with confirmed COVID-19 infection and to compare the results to MR lung perfusion after coronavirus infection.
MATERIALS AND METHODS: The data from 100 chest CT scans of patients with COVID-19 were retrospectively analyzed. 3D segmentation of the lungs was carried out with automatic counting of the number of separated pixels in each slice. For quantitative data analysis, classification based on the density value of each pixel according to the Hounsfield scale was used. The obtained data were compared with quantitative parameters of pulmonary MR perfusion in these patients.
Statistics. Generalized additive model with beta distribution, Spearman correlation coefficient was used, Benjamini-Yekuteli correction was used to correct obtained p-values. Comparisons were determined as statistically significant when p<0.05.
RESULTS: There was a correlation between quantitative CT data (fractions of pixels corresponding to non-ventilated and hypo-ventilated lung tissue) and the distribution of CT data into groups according to an empirical visual scale. We obtained a correlation between the functional perfusion parameters and the CT images: rMTT — 0.35 (p=0.001), rPBF — 0.23 (p=0.038) and rPBV — 0.35 (p=0.001).
DISCUSSION: Using the algorithm of quantitative semi-automatic processing of CT-images suggested in this work allows to obtain numerical data, objectively reflecting percentage of affected lung tissue, that is especially relevant for diagnostics of COVID-19 pneumonia. The obtained correlation between functional perfusion parameters and CT picture can be potentially a marker of the lung pathological changes after COVID-19 pneumonia, that requires further investigations.
CONCLUSION: Quantitative processing of CT-images allowed to correctly compare the CT scans of lung lesions in COVID-19 with MR lung perfusion data after COVID-19 infection which could potentially be of prognostic value.
The authors declare that there are no conflicts of interest present.