Корреляция МР-перфузии легких у пациентов с перенесенной COVID-19 с количественной оценкой КТ-изображений острой фазы заболевания

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.

1. Черняк А.В. Карчевская Н.А., Скоробогач И.М., Лещинская О.В., Калманова Е.Н., Зыков К.А., Петриков С.С. Функциональные и количественные компьютерно-томографические изменения бронхолегочной системы у пациентов, перенесших COVID-19 // Медицинский совет. 2022. Т. 16, № 18. С. 113–121. doi: 10.21518/2079-701X-2022-16-18-113-121.

2. Захарова А.В., Гвоздецкий А.Н., Поздняков А.В., Позднякова О.Ф. Методика оценки легочной перфузии у пациентов с ранее перенесенной COVID-19 пневмонией: клиническое контролируемое нерандомизированное исследование // Лучевая диагностика и терапия. 2023. Т. 14, № 3. С. 46–52

3. Cressoni M., Gallazzi E., Chiurazzi C., et al. Limits of normality of quantitative thoracic CT analysis // Crit. Care. 2013. Vol. 17, No. 3. P. R93. doi: 10.1186/cc12738.

4. Gattinoni L., Chiumello D., Cressoni M., Valenza F. Pulmonary computed tomography and adult respiratory distress syndrome // Swiss Med. Wkly. 2005. doi: 10.4414/smw.2005.10936.

5. Сперанская A.A. Лучевые проявления новой коронавирусной инфекции COVID-19 // Лучевая диагностика и терапия. 2020. Т. 11, № 1. С. 18–25. doi: 10.22328/2079-5343-2020-11-1-18-25.

6. Сперанская А.А., Осипов Н.П., Лыскова Ю.А., Амосова О.В. КТ-диагностика последствий COVID-19 поражения легких // Лучевая диагностика и терапия. 2022. Т. 12, № 4. С. 58–64. doi: 10.22328/2079-5343-2021-12-4-58-64.

7. Shalmon T., Salazar P., Horie M., et al. Predefined and data driven CT densitometric features predict critical illness and hospital length of stay in COVID-19 patients // Sci. Rep. 2022. Vol. 12, No. 1. P. 8143. doi: 10.1038/s41598-022-12311-4.

8. Lanza E., Muglia R., Bolengo I., et al. Quantitative chest CT analysis in COVID-19 to predict the need for oxygenation support and intubation // Eur. Radiol. 2020. Vol. 30, No. 12. P. 6770–6778. doi: 10.1007/s00330-020-07013-2.

9. Caruso D., Zerunian M., Polici M., et al. Diagnostic performance of CT lung severity score and quantitative chest CT for stratification of COVID-19 patients // Radiol. Med. (Torino). 2022. Vol. 127, No. 3. P. 309–317. doi: 10.1007/s11547-022-01458-9.

10. Шариати Ф., Завъялов С.В., Павлов В.А., Первунина В.А. INF-SEG: Автоматический метод сегментации и количественного определения для диагностики COVID-19 на основе КТ // Computing, Telecommunication and Control. 2022. Т. 15, № 3. С. 7–21.doi: 10.18721/JCSTCS.15301.

11. Shen C., Yu N., Cai Sh., et al. Quantitative computed tomography analysis for stratifying the severity of Coronavirus Disease 2019 // J. Pharm. Anal. 2020. Vol. 10, No. 2. P. 123–129. doi: 10.1016/j.jpha.2020.03.004.