Name: 用于评估肺结节恶性肿瘤的多分形谱分析 (视频) | JoVE Journal
Uploaded: 2025-01-10T15:00:00.000+00:00
Duration: 5 min 24 s
Description: 了解多分形谱分析方法用于评估肺结节恶性肿瘤，通过CT图像分析实现无创定量诊断。该方法可区分良恶性结节，减少侵入性活检需求，为肺部肿瘤早期检测提供可靠工具。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

本研究由北京中医药大学东直门医院临床研究与成果转化能力提升试点项目（DZMG-MLZY-23008）以及北京中医药大学新教师启动基金项目（2024-BUCMXJKY-052）资助。

本研究经北京中医药大学东直门医院伦理委员会批准（2024DZMEC-165-02）。患者来自东直门医院发热门诊。患者已知情同意通过数字建模方式进行诊断，并授权将其数据用于科学研究。模型重建功能来源于一款 commercially available software tool（见材料表）。
1. 数据准备与可视化
<ol>
	<li>导航至包含患者 CT 扫描 DICOM 数据文件的文件夹。</li>
	<li>使用以下 MATLAB 代码从 DICOM 文件生成三维体数据矩阵： 
	f=dir('*.dcm'); 
	for i=1:length(f) 
	V(:,:,i)= dicomread(f(fidx(i)).name); 
	end</li>
	<li>使用 MATLAB 的 sliceViewer 函数可视化图像序列：（图 1） 
	figure; 
	H=sliceViewer(V); 
	colormap(gray(1024)); 
	&#8203;set(gcf, 'Toolbar', 'figure');</li>
	<li>与三维体数据可视化界面进行交互。
	<ol>
		<li>使用图形用户界面（GUI）底部的滚动条浏览 CT 序列中的不同切片（图 1）。注意在第 325 帧中左肺存在一个 22 mm 的恶性肺结节。</li>
		<li>在 图 3 所示 GUI 的右上角找到放大、缩小和恢复全局视图的图标。使用 数据提示 图标标记所选像素的坐标。使用 缩放 功能观察病灶的局部特征及其与周围组织的关系。</li>
		<li>默认的颜色条为灰度 colormap，表示从蓝色到红色对应数值由低到高。在弹出菜单中右键单击 颜色条，选择常用的灰度 colormap 并重置整个 GUI。</li>
		<li>如果滤波效果不理想，使用鼠标左键在图像中部上下拖动以调整窗位，左右拖动以调整窗宽，相应的精确滤波范围将显示在颜色条上。 
		注意：这些交互式控件可在强度空间和序列位置上灵活地检查 CT-DICOM 数据的特征。</li>
	</ol>
	</li>
</ol>
2. 肺结节病变的局部三维基质可视化
注意：在 图1 所示的图形用户界面中找到肺结节的序列位置后，使用 数据提示 工具精确定义结节的位置。在计算病灶区域灰度空间的三维矩阵之前，必须完成此步骤。
<ol>
	<li>使用数据提示工具精确定位肺结节的像素坐标。
	<ol>
		<li>在图1所示的图形用户界面中，导航至包含结节的切片（第325帧）。</li>
		<li>单击图形用户界面右上角的数据提示图标。</li>
		<li>单击结节边缘以标记其边界（图2）。</li>
		<li>记录数据提示弹出窗口中显示的X和Y坐标。</li>
	</ol>
	</li>
	<li>提取肺结节的灰度矩阵。
	<ol>
		<li>根据获得的坐标，在MATLAB命令窗口中定义感兴趣区域（ROI）：M = V (304:335, 309:336, 325); 
		注意：根据图像中结节的具体位置调整坐标（304:335, 309:336, 325）。</li>
	</ol>
	</li>
	<li>可视化结节的局部三维矩阵：
	<ol>
		<li>输入以下MATLAB命令以创建三维曲面图：figure; surf(M);</li>
		<li>观察结节灰度强度的三维可视化结果（图3）。</li>
	</ol>
	</li>
	<li>与三维可视化图形用户界面进行交互。 
	注意：X轴和Y轴表示结节的空间尺寸（单位为像素），Z轴表示灰度强度值。
	<ol>
		<li>在图形用户界面右上角找到用于放大、缩小、旋转以及恢复默认初始视图（恢复视图）的工具。使用这些工具对数字化的三维肺结节进行精确观察。</li>
	</ol>
	</li>
</ol>
3. 计算肺结节的多重分形谱
注意：分形维数在不同尺度下并非唯一，而是形成随不同计算尺度变化的多重分形谱。
<ol>
	<li>调用函数 Pix_size, fractal_dimension = PN_fractal_feature(M)，输入前述获得的 M 矩阵，将得到不同尺度（Pix_size）下的分形维数（fractal_dimension）。</li>
	<li>使用以下代码可视化肺结节的多重分形谱（图4）： 
	figure; 
	plot (Pix_size, fractal_dimension,'linewidth',2); 
	xlabel('分形尺度') 
	ylabel('分形维数')</li>
	<li>按照 1.1–3.2 中相同的步骤，计算另一个良性肺结节的分形特征，并使用不同颜色在同一坐标系中绘制以进行比较，从而得到 图5。</li>
	<li>为了更精确地比较不同良性和恶性肺结节的多重分形谱，使用 数据提示 工具在 图5 中标记关键极值点的坐标。 
	注：本实验方案所用的 MATLAB 代码作为 补充文件1 提供。</li>
</ol>

Fractal-Based CT Analysis for Lung Cancer Diagnosis and Staging

<ol><li>Naik, A., Edla, D. R., Dharavath, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prediction+of+malignancy+in+lung+nodules+using+a+combination+of+deep%2C+fractal%2C+and+gray-level+co-occurrence+matrix+features%5BTitle%5D)+AND+%22Big+Data%22%5BJournal%5D)">Prediction of malignancy in lung nodules using a combination of deep, fractal, and gray-level co-occurrence matrix features.</a> Big Data. 9 (6), 480-498 (2021).</li>
<li>Al-Kadi, O. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prediction+of+FDG-PET+stage+and+uptake+for+non-small+cell+lung+cancer+on+non-contrast+enhanced+CT+scans+via+fractal+analysis%5BTitle%5D)+AND+%22Clin+Imaging%22%5BJournal%5D)">Prediction of FDG-PET stage and uptake for non-small cell lung cancer on non-contrast enhanced CT scans via fractal analysis.</a> Clin Imaging. 65, 54-59 (2020).</li>
<li>Ferreira-Junior, J. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((CT-based+radiomics+for+prediction+of+histologic+subtype+and+metastatic+disease+in+primary+malignant+lung+neoplasms%5BTitle%5D)+AND+%22Int+J+Comput+Assist+Radiol+Surg%22%5BJournal%5D)">CT-based radiomics for prediction of histologic subtype and metastatic disease in primary malignant lung neoplasms.</a> Int J Comput Assist Radiol Surg. 15 (1), 163-172 (2020).</li>
<li>Ryan, S. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Radiomic+measures+from+chest+high-resolution+computed+tomography+associated+with+lung+function+in+sarcoidosis%5BTitle%5D)+AND+%22Eur+Respir+J%22%5BJournal%5D)">Radiomic measures from chest high-resolution computed tomography associated with lung function in sarcoidosis.</a> Eur Respir J. 54 (2), 1900371(2019).</li>
<li>Kravchenko, V. F., Ponomaryov, V. I., Pustovoit, V. I., Rendon-Gonzalez, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Classification+of+lung+nodules+using+CT+images+based+on+texture+features+and+fractal+dimension+transformation%5BTitle%5D)+AND+%22Dokl+Math%22%5BJournal%5D)">Classification of lung nodules using CT images based on texture features and fractal dimension transformation.</a> Dokl Math. 99 (2), 235-239 (2019).</li>
<li>Digumarthy, S. R., Padole, A. M., Lo Gullo, R., Sequist, L. V., Kalra, M. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Can+CT+radiomic+analysis+in+NSCLC+predict+histology+and+EGFR+mutation+status%5BTitle%5D)+AND+%22Medicine+%28Baltimore%29%22%5BJournal%5D)">Can CT radiomic analysis in NSCLC predict histology and EGFR mutation status.</a> Medicine (Baltimore). 98 (1), e13963(2019).</li>
<li>Xiao, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+automated+segmentation+method+for+lung+parenchyma+image+sequences+based+on+fractal+geometry+and+convex+hull+algorithm%5BTitle%5D)+AND+%22Appl+Sci+%28Basel%29%22%5BJournal%5D)">An automated segmentation method for lung parenchyma image sequences based on fractal geometry and convex hull algorithm.</a> Appl Sci (Basel). 8 (5), 832(2018).</li>
<li>Xue, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Use+of+a+radiomics+model+to+predict+tumor+invasiveness+of+pulmonary+adenocarcinomas+appearing+as+pulmonary+ground-glass+nodules%5BTitle%5D)+AND+%22Biomed+Res+Int%22%5BJournal%5D)">Use of a radiomics model to predict tumor invasiveness of pulmonary adenocarcinomas appearing as pulmonary ground-glass nodules.</a> Biomed Res Int. 2018, 6803971(2018).</li>
<li>Kiryu, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Impact+of+hepatocellular+carcinoma+heterogeneity+on+computed+tomography+as+a+prognostic+indicator%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">Impact of hepatocellular carcinoma heterogeneity on computed tomography as a prognostic indicator.</a> Sci Rep. 7, 12689(2017).</li>
<li>Bashir, U., Siddique, M. M., Mclean, E., Goh, V., Cook, G. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Imaging+heterogeneity+in+lung+cancer%3A+techniques%2C+applications%2C+and+challenges%5BTitle%5D)+AND+%22Am+J+Roentgenol%22%5BJournal%5D)">Imaging heterogeneity in lung cancer: techniques, applications, and challenges.</a> Am J Roentgenol. 207 (3), 534-543 (2016).</li>
<li>Niehaus, R., Raicu, D. S., Furst, J., Armato, S. III <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Toward+understanding+the+size+dependence+of+shape+features+for+predicting+spiculation+in+lung+nodules+for+computer-aided+diagnosis%5BTitle%5D)+AND+%22J+Digit+Imaging%22%5BJournal%5D)">Toward understanding the size dependence of shape features for predicting spiculation in lung nodules for computer-aided diagnosis.</a> J Digit Imaging. 28 (6), 704-717 (2015).</li>
<li>Feng, C., Zhang, J., Liang, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+method+for+lung+boundary+correction+using+split+Bregman+method+and+geometric+active+contour+model%5BTitle%5D)+AND+%22Comput+Math+Methods+Med%22%5BJournal%5D)">A method for lung boundary correction using split Bregman method and geometric active contour model.</a> Comput Math Methods Med. 2015, 789485(2015).</li>
<li>Alic, L., Niessen, W. J., Veenland, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantification+of+heterogeneity+as+a+biomarker+in+tumor+imaging%3A+a+systematic+review%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Quantification of heterogeneity as a biomarker in tumor imaging: a systematic review.</a> PLoS One. 9 (10), e110300(2014).</li>
<li>Miwa, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((FDG+uptake+heterogeneity+evaluated+by+fractal+analysis+improves+the+differential+diagnosis+of+pulmonary+nodules%5BTitle%5D)+AND+%22Eur+J+Radiol%22%5BJournal%5D)">FDG uptake heterogeneity evaluated by fractal analysis improves the differential diagnosis of pulmonary nodules.</a> Eur J Radiol. 83 (4), 715-719 (2014).</li>
<li>Image feature extraction based on multifractal theory. Liu, G., Chen, N., Ou, C., Liao, Y., Yu, Y. 2014 IEEE Workshop on Electronics, Computer and Applications, Ottawa, ON, Canada, , 1023-1026 (2014).</li>
<li>Lin, P., Huang, P., Lee, C., Wu, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+classification+for+solitary+pulmonary+nodule+in+CT+image+by+fractal+analysis+based+on+fractional+Brownian+motion+model%5BTitle%5D)+AND+%22Pattern+Recognit%22%5BJournal%5D)">Automatic classification for solitary pulmonary nodule in CT image by fractal analysis based on fractional Brownian motion model.</a> Pattern Recognit. 46 (12), 3279-3287 (2013).</li>
<li>Ganeshan, B., Miles, K. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantifying+tumour+heterogeneity+with+CT%5BTitle%5D)+AND+%22Cancer+Imaging%22%5BJournal%5D)">Quantifying tumour heterogeneity with CT.</a> Cancer Imaging. 13 (1), 140-149 (2013).</li>
<li>A classification system of lung nodules in CT images based on fractional Brownian motion model. Huang, P., Lin, P., Lee, C., Kuo, C. 2013 IEEE International Conference on System Science and Engineering (ICSSE, Budapest, Hungary, , 37-40 (2013).</li>
<li>Wang, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multilevel+binomial+logistic+prediction+model+for+malignant+pulmonary+nodules+based+on+texture+features+of+CT+image%5BTitle%5D)+AND+%22Eur+J+Radiol%22%5BJournal%5D)">Multilevel binomial logistic prediction model for malignant pulmonary nodules based on texture features of CT image.</a> Eur J Radiol. 74 (1), 124-129 (2010).</li>
</ol>

用于评估肺结节的多重分形谱软件工具 Multifractal Spectrum V1.0 是北京智熵科技有限公司的产品。该软件工具的知识产权归该公司所有。作者声明无利益冲突。

本研究中呈现的多重分形谱分析代表了肺结节恶性程度无创评估领域的重要进展。该方法在肺结节诊断与分期的现有技术基础上，提供了重要的优势，并解决了若干关键局限性17。
该方案的关键步骤包括对CT-DICOM数据进行精确的三维重建（图1）、准确勾画感兴趣区域（图2），以及在多个体素尺度上创新性地应用分形分析（图4）。使用数据提示工具进行感兴趣区域识别，可精确分离结节结构，这对实现准确分析至关重要。在不同尺度上计算分形维数以形成多重分形谱，是一项关键创新，相较于单尺度分形分析，能够更全面地表征结节的复杂性18。
为改进该方法，可考虑采用机器学习算法实现感兴趣区域（ROI）选择的自动化，从而降低操作者依赖性并提高可重复性。对于对比度较低的结节或邻近其他结构的结节，可能...

肺癌仍然是全球癌症相关死亡的主要原因之一，早期发现和准确诊断对改善患者预后具有关键作用1。肺结节常为偶然发现或通过筛查项目检出，对临床医生构成了重大的诊断挑战。在良性和恶性结节之间进行鉴别，尤其是在早期阶段，对于及时干预和恰当管理至关重要2。
传统上，诊断肺结节恶性程度的金标准是通过活检或手术切除等侵入性操作进行组织病理学检查。尽管这些方法能够提供明确的诊断结果，但其本身存在固有风险，包括气胸、出血和感染3。此外，这些侵入性操作可能引起患者的不适与焦虑，并增加医疗成本。同时，活检操作本身也存在取样准确性问题，有可能获取到不具代表性的组织样本，从而导致误诊。因此，迫切需要一种无创的诊断技术，能够在不使患者接受不必要的侵入性操作的前提下，准确评估结节的恶性程度4。
计算机断层扫描（CT）成像已成为肺结节检测与表征的有力工具5。然而，放射科医生在解读CT图像以评估结节时仍面临挑战，不同观察者之间存在显著的判读差异。目前基于CT的结节评估指南和专家共识主要依赖于结节的形态学特征，如大小、形状和生长速率。尽管这些标准提供了有价值的信息，但在需要明确诊断的情况下，其精确性往往不足，尤其是在小结节或性质不确定的结节病例中6。
近年来，人们日益关注利用定量成像特征（常称为&#34;放射组学&#34;）来提高基于CT的结节评估的诊断准确性7。在这些方法中，分形分析在捕捉肺结节复杂结构特征方面展现出良好前景8。分形维度是衡量物体在不同尺度下复杂程度的指标，已被应用于多种医学影像问题，包括肺结节的表征9。
然而，现有的基于分形的结节分析方法通常采用单尺度方法，为每个结节计算单一的分形维数10。尽管这种方法在区分良性和恶性结节方面显示出一定效用，但两类结节之间常存在显著重叠，限制了其诊断准确性。单尺度分形分析的固有局限性在于其无法捕捉结节在不同空间尺度下可能存在的全部结构复杂性11。
为解决这些局限性，本研究引入了一种用于肺结节评估的新型方法——多重分形谱分析。该方法通过在多个体素尺度上计算分形维数，超越了传统的单尺度分形分析，从而生成一个全面的谱图，用以表征肺结节在不同细节层次上的结构复杂性12。该方法基于以下认识：包括肿瘤在内的生物结构在不同尺度上通常表现出不同的分形特性，而单尺度方法无法捕捉这一特征13。
开发这种多重分形谱分析方法，是出于对更精确、定量且无创的肺结节恶性程度评估手段的需求。通过利用先进的图像处理技术和数学模型，该方法旨在从CT图像中提取更丰富的特征信息，有望揭示良性和恶性结节之间细微的差异，而这些差异可能无法通过传统分析或单尺度分形方法显现出来14。
本研究的意义在于其有望提高早期肺癌诊断和分期的准确性。通过提供对结节结构更细致和全面的表征，多重分形谱分析可能帮助临床医生更合理地制定患者管理决策，从而在良性结节情况下减少不必要的侵入性操作，同时确保对恶性结节及时进行干预15。
综上所述，本研究引入了多重分形谱分析方法用于评估肺结节的恶性程度，弥补了当前诊断方法及单尺度分形分析技术的局限性。该无创技术通过对结节特征进行更全面、精确的定量评估，旨在提高肺癌的早期诊断和准确分期水平，从而改善肺部肿瘤学领域的临床决策，促进患者预后改善16。

<table><tbody><tr><td>MATLAB</td><td>MathWorks</td><td>2022B</td><td>计算与可视化</td></tr><tr><td>多重分形谱软件</td><td>智能熵，北京智能熵科技 &amp;安普科技有限公司</td><td>V1.0</td><td>CT/MRI 融合建模</td></tr></tbody></table>

用于评估肺结节恶性程度的多重分形谱分析

Multifractal Spectrum Analysis for Assessing Pulmonary Nodule Malignancy

肺结节恶性程度的无创评估在肺癌诊断中仍是一个关键挑战。传统方法在区分良性和恶性肺结节方面通常缺乏足够的精确性，尤其是在早期阶段。本研究提出一种基于多重分形谱分析的方法，用于定量评估肺结节的特征。
开发了一种基于分形的协议，用于处理计算机断层扫描（CT）医学数字成像和通信（DICOM）数据，实现肺结节多重分形谱的三维（3D）可视化与分析。该方法包括三维体积重建、精确的感兴趣区域（ROI）勾画，以及在多个尺度上计算分形维数。对早期和晚期肺腺癌结节均计算了多重分形谱，并利用数据提示工具进行定量比较分析。
分析显示，肺结节三维数字矩阵的分形维数随不同体素尺度连续变化，形成特征性的多重分形谱。早期与晚期结节之间存在显著差异。晚期结节的多重分形谱具有更宽的尺度范围（更长的横轴）以及更高的极值点。这些差异已通过定量分析得到证实，表明该方法在精确分期方面具有潜在应用价值。
多重分形谱分析为肺结节的分期提供了一种高度显著且精确的定量方法，能够有效区分良性和恶性病例。这种非侵入性技术在提高肺癌早期诊断和准确分期方面具有潜力，有望增强肺部肿瘤学领域的临床决策能力。

图1 使用患者胸部CT序列的三维容积重建，便于观察和定位患者的肺结节。数据提示（Data Tip）工具可有效勾画出目标结节的兴趣区域（Region of Interest, ROI）（图2）。图3 提供了该结节三维强度空间的数字化结构。
本研究通过实际实验发现，分形维数在不同体素尺度下并非唯一，而是随着不同计算尺度变化形成一个多重分形谱。图4展示了来自一名III期肺腺癌患者结节的多重分形谱（图2）。
图5 比较了一名早期肺腺癌患者的多重分形谱。一方面可以看出，晚期患者结节的X轴更长，表明其尺度范围更大；另一方面，晚期患者大多数极值点显著高于早期患者。这一差异还通过 <str...

本研究引入多重分形谱分析方法用于评估肺结节的恶性程度。该方法利用CT-DICOM数据，在多个体素尺度上计算分形维数，揭示了早期与晚期肺结节之间存在的显著差异。

肺结节恶性程度的无创评估在肺癌诊断中仍是一项关键挑战。传统方法在...

我们的研究探索肺结节的无创性评估。通过CT图像的多特征谱分析，旨在阐明多特征参数为何能够可靠地区分良性和恶性肺结节，从而可能减少对侵入性诊断操作的需求。近期进展包括基于人工智能的径向混合方法用于肺结节表征，但这些方法通常仅专注于病理图像或形态学分析之一。我们的多重分形谱分析弥合了影像学与病理学发现之间的鸿沟。我们证实，肺结节在不同阶段表现出 distinct 的多重分形谱特征，晚期结节具有更宽的尺度范围和更高的极值点，从而实现对恶性程度的定量区分。本方案通过同时分析形态学特征和组织异质性，提供了一种无创的肺结节恶性程度定量评估方法，减少了对侵入性活检的依赖。这些发现有助于更精确地对肺结节进行分期，并实现恶性肿瘤的早期检测，从而有可能改善肺肿瘤学领域的临床决策和患者预后。首先，获取患者的计算机断层扫描（CT）数据的 DICOM 文件，并在 MATLAB 中生成三维体矩阵。使用 MATLAB 的切片查看器函数对图像序列进行可视化。使用图形用户界面底部的滚动条浏览 CT 序列中的不同切片。在适当的帧中识别肺部是否存在恶性肺结节。查找并使用放大、缩小以及返回全局视图的图标。激活数据提示图标以标记所选区域的像素坐标。右键单击颜色条以使用常见的灰度颜色图，并选择适当选项。如果滤波效果不理想，可使用鼠标左键在图像中间上下拖动以调整窗宽窗位。左右拖动以调整窗口宽度，颜色条上将显示相应的精确滤波范围。标记结节边缘后，确定其像素坐标，并记录数据提示弹窗中显示的 X 和 Y 坐标。定义感兴趣区域（ROI）后，使用 MATLAB 命令创建三维曲面图。观察肺结节的三维灰度强度。使用放大、缩小、旋转和恢复视图工具进行详细检查。调用函数 pic_size、fractal_dimension 等于 PN_fractal_feature M，并以前述获得的 M 矩阵作为输入。这将计算不同尺度下的分形维数。使用代码可视化肺结节的多重分形谱。使用相同步骤计算另一个良性肺结节的多重分形谱。使用不同颜色在同一个坐标系中绘制结果以进行比较，生成不同肺结节之间的多重分形谱对比图。最后，利用数据提示工具标记关键极值点的坐标，以精确比较良性和恶性肺结节。恶性结节的分形维数表现出多重分形谱，其极值点更高，尺度范围更广，相较于良性结节。早期肺腺癌结节的多重分形谱表现出比晚期结节更窄的分形尺度范围和更低的极值点。

multifractal-spectrum-analysis-for-assessing-pulmonary-nodule

Research

科研

JoVE Journal

Medicine

医学

用于评估肺结节恶性肿瘤的多分形谱分析

我们展示了在早期乳腺X线摄影中检测结构扭曲的方法。通过使用Gabor滤波器和相位图分析有方向性的结构，以检测放射状组织模式的病灶。对每个病灶通过表征放射状结构的度量指标进行特征提取和分类。这些方法有助于乳腺癌的检测。...

在既往乳腺X线摄影中检测结构扭曲 通过 定向模式分析

我们介绍了电磁导航引导下经胸针吸活检在人肺结节病理学评估中的创新应用。...

使用电磁导航经胸壁穿刺针吸活检（E-TTNA）对肺结节进行取样

本研究的目的是开发一种新型的肺结节三维数字模型，该模型可作为医生与患者之间沟通的桥梁，同时也是用于诊断前评估和预后评价的前沿工具。...

一种用于肺结节诊断与治疗的三维数字模型

本研究介绍了一种针对早期多发性肺结节患者全肺的三维（3D）重建方法。该方法可全面可视化肺结节的分布情况及其与肺组织的相互关系，有助于简化对这些患者的诊断和预后评估。...

早期多发性肺结节全肺三维重建

支气管热成形术是一种用于重度持续性哮喘的非药物治疗手段，通过精确控制的方式向气道壁输送热能，以减少过度的气道平滑肌。减少气道平滑肌可降低气道收缩能力，从而减少哮喘发作的频率。...

支气管热成形术：一种治疗重症哮喘的新型治疗方法

低氧性肺血管收缩（HPV）是一种重要的生理现象，通过该机制在肺泡低氧时使肺灌注与通气相匹配。参与 HPV 的主要血管节段是肺泡内小动脉。本文中，我们描述了一种用于分析直径为 20–100 μm 的小鼠肺血管 HPV...

利用小鼠精密切割肺片进行肺内动脉缺氧性肺血管收缩的视频形态计量分析

该论文描述了在小鼠中进行异位心脏移植所需的步骤。...

小鼠异位心脏移植技术

肺动脉高压与肺动脉脉动性、收缩性和弹性的显著降低相关，这会导致肺动脉压力和肺血管阻力升高。本研究利用低氧幼猪模型证明，使用一种新开发的脉动导管改善肺动脉可塑性，可有效改善低氧性肺动脉高压。...

增加肺动脉搏动性血流可改善仔猪低氧性肺动脉高压

本实验方案的目的是评估抗癌药物的特异性 体外...

评估抗癌药物的特异性 体外

本文介绍了一种使用染料标记进行肺结节定位的实验方案 通过...

电磁导航经胸结节定位在微创胸外科手术中的应用

了解多分形谱分析方法用于评估肺结节恶性肿瘤，通过CT图像分析实现无创定量诊断。该方法可区分良恶性结节，减少侵入性活检需求，为肺部肿瘤早期检测提供可靠工具。

用于评估肺结节恶性程度的多重分形谱分析

探索更多视频