Der Chirurg

, Volume 81, Issue 9, pp 833–840 | Cite as

Dreidimensionale Rekonstruktion von zentralen Lungentumoren basierend auf CT-Daten

Erste klinische Erfahrungen
First clinical experiences
  • S. Limmer
  • V. Dicken
  • P. Kujath
  • S. Krass
  • C. Stöcker
  • N. Wendt
  • L. Unger
  • M. Hoffmann
  • F. Vogt
  • M. Kleemann
  • H.-P. Bruch
  • H.-O. Peitgen
Originalien

Zusammenfassung

Hintergrund

Als Standardverfahren zur präoperativen bildmorphologischen Diagnostik bei Patienten mit zentralen malignen Lungentumoren ist das axiale 2-D-Computertomogramm des Thorax akzeptiert und etabliert. Tumorausdehnung, Infiltration von zentralen Strukturen oder segmentaler Bezug sind entscheidende Parameter zur Abklärung der technischen Operabilität und des Resektionsausmaßes. Durch computergestützte Methoden der Segmentierung anatomischer Strukturen in CT-Daten (Fraunhofer MeVis, Bremen) ist erstmals eine selektive dreidimensionale Visualisierung möglich.

Patienten und Methodik

Im Zeitraum zwischen 08/07 und 06/09 wurden 22 Patienten mit zentralem Lungentumor in der Thoraxchirurgischen Abteilung der Universität Schleswig-Holstein, Campus Lübeck, behandelt. 15 Männer, 7 Frauen, mittleres Alter bei Diagnosestellung 60,2 Jahre (Spannweite 41–74 Jahre). Lediglich 4 von 22 Patienten waren Nichtraucher gewesen, die übrigen 18 Patienten hatten eine zum Teil erhebliche Raucheranamnese. 20 Patienten hatten ein primäres Bronchialkarzinom, je ein Patient hatte ein Lokalrezidiv nach Tumorlobektomie bzw. eine zentrale Lungenmetastase eines extrapulmonalen Primarius. In allen Fällen wurde präoperativ ein Dünnschicht-MSDCT (Multi-slice detector computer tomogramm) angefertigt. Die Daten wurden mittels computerassistierter Software dreidimensional rekonstruiert und visualisiert. Lungenfunktionstests, geschätzte postoperative Lungenrestfunktion, Bronchoskopiebefund, Allgemeinzustand des Patienten sowie die 3-D-rekonstruierten CT-Datensätze wurden zur individuellen präoperativen Risikoanalyse und Auswahl der Operationstaktik verwendet.

Ergebnisse

Vierzehn der 22 Patienten wurden aufgrund der durchgeführten Risikoanalyse operiert, 7 Patienten wurden als funktionell inoperabel eingestuft, ein Patient war technisch inoperabel. Insgesamt wurden 5 Pneumonektomien, 4 Bi-/Lobektomien, 3 erweiterte Lobektomien und jeweils eine atypische Resektion und eine Manschettenresektion durchgeführt. 2 Patienten wurden im Stadium I operiert, 7 Patienten im Stadium II und 3 Patienten im Stadium IIIa. Der mediane stationäre Aufenthalt betrug 8,5±33,0 Tage. Die Hospitalletalität betrug bei 0%. Die 3-D-Visualisierung des Tumors sowie der anatomische Bezug zu Nachbarstrukturen waren in allen Fällen exakt möglich. Intraoperativ konnte die 3-D-Rekonstruktion zu 100% validiert werden.

Schlussfolgerung

Die computerassistierte 3-D-Rekonstruktion eines Thorax-CT ist eine neuartige und vielversprechende Methode zur präoperativen Darstellung und Risikoanalyse von zentralen Lungentumoren. Die 3-D-Visualisierung des Tumors in Kombination mit farbkodierter Lappenzugehörigkeit, beweglich in allen Ebenen, ermöglicht dem Chirurgen eine differenzierte Strategieplanung bei zentralen Lungentumoren.

Schlüsselwörter

3-D-Rekonstruktion Risikoanalyse Thoraxchirurgie Lungentumor Lungenvolumenbestimmung 

Three-dimensional reconstruction of central lung tumors based on CT data

Abstract

Background

CT scanning of the lungs is the standard procedure for preoperative evaluation of central lung tumors. The extent of the tumor and infiltration of central lung structures or lung segments are decisive parameters to clarify whether surgery is possible and the extent of resection. With computer-assisted methods for the segmentation of anatomical structures based on CT data (Fraunhofer MeVis, Bremen) an enhanced, three-dimensional selective visualization is now possible.

Patients and methods

From August 2007 through June 2009, 22 patients with central lung tumors were treated at the department of thoracic surgery, University of Schleswig-Holstein, campus Lübeck. There were 15 males and 7 females with a mean age of 60.2 years (range 41–74 years), 18 patients had a long history of smoking, while 4 patients had never smoked. Of the patients 20 had a primary lung carcinoma, 1 patient had local recurrent lung cancer after lobectomy and 1 patient had a central lung metastasis from a non-pulmonary primary carcinoma. A multi-slice detector computer tomogram (MSDCT) scan was performed in all cases. All data were three-dimensionally reconstructed and visualized using special computer-aided software (Fraunhofer MeVis, Bremen). Pulmonary lung function tests, computed postoperative lung volume, bronchoscopic findings, general condition of the patients and the three-dimensionally reconstructed CT data were used for an individual risk analysis and surgical planning.

Results

According to the risk analysis 14 out of the 22 patients were surgically treated, 7 patients were staged as functionally inoperable and 1 as technically inoperable. A pneumonectomy was performed in 5 cases, a lobectomy/bilobectomy in 4 cases, an extended lobectomy in 3 cases and 1 case each of a wedge resection and a sleeve resection. Of the 14 patients 2 were classified as stage Ia/b, 7 patients as stage IIa/b and 5 patients as stage IIIa. The median length of time spent in hospital was 8.5±33 days and the mortality rate was 0%. The three-dimensional visualization of the tumor and its anatomical relationship to central pulmonary vessels and the airway system was feasible in all cases. The three-dimensional reconstruction was confirmed in all cases by surgical exploration.

Conclusion

Three-dimensional reconstruction of CT scan data is a new and promising method for preoperative presentation and risk analysis of central lung tumors. The three-dimensional visualization with anatomical reformatting and color-coded segmentation enables the surgeon to make a more precise strategic approach for central lung tumors.

Keywords

3D imaging Risk assessment Thoracic surgery Pulmonary neoplasm Lung volume measurements 

Literatur

  1. 1.
    Beyer F, Heindel W, Hoffknecht P et al (2006) CT-Based Software-Supported Prediction of the Postoperative Lung Function after Partial Resection of the Lung. Fortsch Röntgenstr 178:872–879CrossRefGoogle Scholar
  2. 2.
    Bornemann L, Dicken V, Kuhnigk JM et al (2007) OncoTREAT: a software assistant for cancer therapy monitoring. JCARS 5(1):231–242Google Scholar
  3. 3.
    Bourquain H, Schenk A, Link F et al (2002) Hepavision2: A software assistant for preoperative planning in living-related liver transplantation and oncologic liver surgery. Comput Assist Radiol Surg 341–346Google Scholar
  4. 4.
    Bourquain H, Schenk A, Peitgen H-O (2003) Computer-assisted planning and decision-making in living-donor liver transplantation. In: Tanaka K, Inomata Y, Kaihara S (eds) Living-donor liver transplantation – Surgical techniques and innovations. Prous Science, Barcelona, pp 23–28Google Scholar
  5. 5.
    Fetita C, Preteux F, Beigelman-Aubry C, Grenier P (2003) 3D Automated Lung Nodule Segmentation in HRCT. In: Ellmer A, Peters TM (eds) MICCAI – Medical Image Computing and Computer-Assisted Intervention, LNCS 2878. Springer, Berlin, pp 626–634Google Scholar
  6. 6.
    Handels H, Ehrhardt J, Plötz W, Pöppl SJ (2001) Three-dimensional planning and simulation of hip operations and computer-assisted construction of endoprostheses in bone tumor surgery. Comput Aided Surg 6(2):65–76CrossRefPubMedGoogle Scholar
  7. 7.
    Hemminger BM, Molina PL, Egan TM et al (2005) Assessment of real-time 3D visualization for cardiothoracic diagnostic evaluation and surgery planning. J Digit Imaging 18(2):145–153CrossRefPubMedGoogle Scholar
  8. 8.
    Hu S, Hoffman EA, Reinhardt JM (2001) Automatic lung segmentation for accurate quantitation of volumetric xray ct images. IEEE Trans Med Imaging 20:490–498CrossRefPubMedGoogle Scholar
  9. 9.
    Kitasaka T, Mori K, Hasegawa J, Toriwaki J (1999) Automated extraction of the lung area from 3-D chest X-ray CT images based upon the 3-D shape model deformation. In: Lemke HU, Vannier MW, Inamura K (eds) Computer Assisted Radiology and Surgery. Elsevier, Amsterdam, pp 194–198Google Scholar
  10. 10.
    Kostis WJ, Reeves AP, Yankelevitz DF, Henschke CI (2003) Three-dimensional segmentation and growth-rate estimation of small pulmonary nodules in helical CT images. IEEE Trans Med Imaging 22(10):1259–1274CrossRefPubMedGoogle Scholar
  11. 11.
    Kuhnigk JM, Dicken V, Zidowitz S, Krass S et al (2005) Tools for computer assistance in thoracic CT. Part 1. Functional analysis of lungs, lung lobes, and bronchopulmonary segments. RadioGraphics 25:525–536CrossRefPubMedGoogle Scholar
  12. 12.
    Lang H, Radtke A, Hindennach M et al (2005) Impact of virtual tumor resection and computer-assisted risk analysis on operation planning and intraoperative strategy in major hepatic resection. Arch Surg 140:629–638CrossRefPubMedGoogle Scholar
  13. 13.
    Okada K, Comaniciu D, Krishan A (2005) Robust anisotropic gaussian fitting for volumetric characterization of pulmonary nodules in multislice CT. IEEE Trans Med Imaging 24(3):409–423CrossRefPubMedGoogle Scholar
  14. 14.
    Oldhafer KJ, Högemann D, Stamm G et al (1999) Dreidimensionale (3D) Visualisierung der Leber zur Planung erweiterter Leberresektionen. Chirurg 70(3):233–238CrossRefPubMedGoogle Scholar
  15. 15.
    Preim B, Spindler W, Peitgen HO, Oldhafer KJ (2000) Visualisierungs- und Interaktionstechniken zur Entscheidungsunterstützung in der präoperativen Planung, Bildverarbeitung für die Medizin (München, März 2000), Informatik aktuell, Springer, Berlin, S 163–167Google Scholar
  16. 16.
    Preim B, Spindler W, Oldhafer K, Peitgen H-O (2001) 3D-interaction techniques for planning of oncologic soft tissue operations. No description on Graphics Interface. Canadian Information Processing Society, Toronto, Canada, pp 183–190Google Scholar
  17. 17.
    Preim B, Sonnet H, Spindler W et al (2001) Interaktive und automatische Vermessung von 3D-Visualisierungen für die Planung chirurgischer Eingriffe, Bildverarbeitung für die Medizin (Lübeck, März 2001) Informatik aktuell. Springer, Berlin, S 19–23Google Scholar
  18. 18.
    Prêteux F, Fetita C, Grenier P, Capderou A (1999) Modeling, segmentation and caliber estimation of bronchi in high-resolution computerized tomography. J Electronic Imaging 8(1):36–45CrossRefGoogle Scholar
  19. 19.
    Tao JX, Hawes-Ebersole S, Baldwin M et al (2009) The accuracy and reliability of 3D CT/MRI co-registration in planning epilepsy surgery. Clin Neurophysiol 120(4):748–753CrossRefPubMedGoogle Scholar
  20. 20.
    Tschirren J, Palágyi K, Reinhardt JM et al (2002) Segmentation, skeletonization, and branchpoint matching – A fully automated quantitative evaluation of human intrathoracic airway trees. In: Dohi T, Kikinis R (eds) Lecture Notes in Computer Science 2489. Springer, Berlin, pp 12–19Google Scholar
  21. 21.
    Volterrani L, Mazzei MA, Scialpi M et al (2006) Three-dimensional analysis of pulmonary nodules by MSCT with Advanced Lung Analysis (ALA1) software. Radiol Med 111:343–354CrossRefPubMedGoogle Scholar
  22. 22.
    Watanabe S, Arai K, Watanabe T et al (2003) Use of three-dimensional computed tomographic angiography of pulmonary vessels for lung resections. Ann Thorac Surg 75(2):388–392; discussion 392CrossRefPubMedGoogle Scholar
  23. 23.
    Way TW, Hadjiiski LM, Sahiner B et al (2006) Computer-aided diagnosis of pulmonary nodules on CT scans: segmentation and classification using 3D active contours. Med Phys 33(7):2323–2337CrossRefPubMedGoogle Scholar
  24. 24.
    Wormanns D, Beyer F, Hoffknecht P et al (2005) Clinical value of CT-based preoperative software assisted lung lobe volumetry for predicting postoperative pulmonary function after lung surgery. In: Medical Imaging 2005: Physics of Medical Imaging. SPIE, Bellingham, pp 78–83Google Scholar

Copyright information

© Springer Medizin Verlag 2010

Authors and Affiliations

  • S. Limmer
    • 1
  • V. Dicken
    • 2
  • P. Kujath
    • 1
  • S. Krass
    • 2
  • C. Stöcker
    • 2
  • N. Wendt
    • 3
  • L. Unger
    • 1
  • M. Hoffmann
    • 1
  • F. Vogt
    • 4
  • M. Kleemann
    • 1
  • H.-P. Bruch
    • 1
  • H.-O. Peitgen
    • 2
  1. 1.Klinik für ChirurgieUniversitätsklinikum Schleswig-Holstein, Campus LübeckLübeckDeutschland
  2. 2.Fraunhofer MEVIS, BremenBremenDeutschland
  3. 3.MeVis Medical Solutions AGBremenDeutschland
  4. 4.Klinik für Radiologie und NuklearmedizinUniversitätsklinikum Schleswig-Holstein, Campus LübeckLübeckDeutschland

Personalised recommendations