En este estudio se presenta el análisis del espectro multifractal para evaluar la malignidad de los nódulos pulmonares. Utilizando datos de CT-DICOM, el método calcula las dimensiones fractales a través de múltiples escalas de vóxeles, revelando diferencias significativas entre los nódulos pulmonares en etapa temprana y tardía.
Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de método
Análisis del espectro multifractal para evaluar la neoplasia maligna de nódulos pulmonares
En este artículo
Resumen
Resumen
La evaluación no invasiva de la neoplasia maligna de los nódulos pulmonares sigue siendo un desafío crítico en el diagnóstico del cáncer de pulmón. Los métodos tradicionales a menudo carecen de precisión para diferenciar los nódulos benignos de los malignos, particularmente en las primeras etapas. Este estudio presenta un enfoque que utiliza el análisis de espectro multifractal para evaluar cuantitativamente las características de los nódulos pulmonares.
Se desarrolló un protocolo basado en fractales para procesar datos de tomografía computarizada (TC) e imágenes digitales y comunicaciones en medicina (DICOM), lo que permite la visualización tridimensional (3D) y el análisis del espectro multifractal del nódulo pulmonar. El método implica la reconstrucción de volúmenes en 3D, la delineación precisa del ROI y el cálculo de las dimensiones fractales en múltiples escalas. Se calcularon espectros multifractales para los nódulos de adenocarcinoma de pulmón en estadio temprano y tardío, y se realizó un análisis comparativo mediante la cuantificación de la herramienta de punta de datos.
El análisis reveló que la dimensión fractal de la matriz digital 3D de un nódulo pulmonar varía continuamente con diferentes escalas de vóxeles, formando un espectro multifractal distintivo. Se observaron diferencias significativas entre los nódulos en estadio temprano y tardío. Los nódulos en etapa tardía mostraron un rango de escala más amplio (eje X más largo) y puntos extremos más altos en sus espectros multifractales. Estas distinciones se confirmaron cuantitativamente, lo que indica el potencial del método para una estadificación precisa.
El análisis del espectro multifractal proporciona un método cuantitativo altamente significativo y preciso para la estadificación de los nódulos pulmonares, diferenciando eficazmente entre casos benignos y malignos. Esta técnica no invasiva es prometedora para mejorar el diagnóstico precoz y la estadificación precisa del cáncer de pulmón, lo que podría mejorar la toma de decisiones clínicas en oncología pulmonar.
Introducción
El cáncer de pulmón sigue siendo una de las principales causas de muerte relacionadas con el cáncer en todo el mundo, y la detección precoz y el diagnóstico preciso desempeñan un papel crucial en la mejorade los resultados de los pacientes. Los nódulos pulmonares, a menudo detectados de forma incidental o a través de programas de detección, presentan un desafío diagnóstico significativo para los médicos. La capacidad de diferenciar entre nódulos benignos y malignos, particularmente en sus primeras etapas, es primordial para una intervención oportuna y un manejo adecuado2.
Tradicionalmente, el criterio estándar para el diagnóstico de neoplasia maligna de nódulos pulmonares ha sido el examen histopatológico mediante procedimientos invasivos como la biopsia o la resección quirúrgica. Si bien estos métodos proporcionan diagnósticos definitivos, conllevan riesgos inherentes, como neumotórax, hemorragia e infección3. Además, la naturaleza invasiva de estos procedimientos puede provocar malestar y ansiedad en el paciente, así como un aumento de los costes sanitarios. Además, los procedimientos de biopsia en sí mismos están sujetos a problemas de precisión de muestreo, con la posibilidad de obtener muestras de tejido no representativas que pueden conducir a un diagnóstico erróneo. En consecuencia, existe una necesidad apremiante de técnicas diagnósticas no invasivas que puedan evaluar con precisión la malignidad de los nódulos sin someter a los pacientes a procedimientos invasivos innecesarios4.
La tomografía computarizada (TC) se ha convertido en una herramienta poderosa en la detección y caracterización de nódulos pulmonares5. Sin embargo, la interpretación de las imágenes de TC para la evaluación de nódulos sigue siendo un desafío, con una considerable variabilidad entre observadores entre los radiólogos. Las directrices actuales y las declaraciones de consenso de expertos sobre la evaluación de nódulos basada en TC se basan principalmente en características morfológicas como el tamaño, la forma y la tasa de crecimiento. Si bien estos criterios proporcionan información valiosa, a menudo carecen de la precisión necesaria para el diagnóstico definitivo, particularmente en los casos de nódulos pequeños o indeterminados6.
En los últimos años, ha habido un creciente interés en la utilización de características de imagen cuantitativas, a menudo denominadas "radiómica", para mejorar la precisión diagnóstica de la evaluación de nódulos basada en TC7. Entre estos enfoques, el análisis fractal se ha mostrado prometedor para capturar las complejas características estructurales de los nódulos pulmonares8. La dimensión fractal, una medida de la complejidad de un objeto a diferentes escalas, se ha aplicado a varios problemas de imagen médica, incluida la caracterización de nódulos pulmonares9.
Sin embargo, los métodos existentes basados en fractales para el análisis de nódulos suelen emplear un enfoque de escala única, calculando una sola dimensión fractal para cada nódulo10. Si bien este enfoque ha demostrado cierta utilidad para diferenciar entre nódulos benignos y malignos, a menudo da lugar a una superposición significativa entre las dos categorías, lo que limita su precisión diagnóstica. La limitación inherente del análisis fractal a una sola escala radica en su incapacidad para capturar todo el espectro de complejidades estructurales que pueden existir dentro de un nódulo a través de diferentes escalas espaciales11.
Para abordar estas limitaciones, este estudio presenta un enfoque novedoso, el análisis de espectro multifractal, para la evaluación de nódulos pulmonares. Este método se extiende más allá del análisis fractal tradicional de una sola escala mediante el cálculo de dimensiones fractales a través de múltiples escalas de vóxel, generando así un espectro integral que caracteriza la complejidad estructural del nódulo en varios niveles de detalle12. Este enfoque se basa en la comprensión de que las estructuras biológicas, incluidos los tumores, a menudo exhiben diferentes propiedades fractales a diferentes escalas, una característica que los métodos de una sola escala no logran capturar13.
El desarrollo de este análisis de espectro multifractal está motivado por la necesidad de métodos más precisos, cuantitativos y no invasivos para evaluar la neoplasia maligna de los nódulos pulmonares. Al aprovechar técnicas avanzadas de procesamiento de imágenes y modelos matemáticos, este enfoque tiene como objetivo extraer un conjunto más rico de características de las imágenes de TC, lo que podría revelar diferencias sutiles entre nódulos benignos y malignos que pueden no ser evidentes a través del análisis convencional o los métodos fractales de una sola escala14.
La importancia de esta investigación radica en su potencial para mejorar la precisión del diagnóstico y la estadificación del cáncer de pulmón en estadio temprano. Al proporcionar una caracterización más matizada y completa de la estructura del nódulo, el análisis del espectro multifractal puede permitir a los médicos tomar decisiones más informadas sobre el manejo del paciente, lo que podría reducir la necesidad de procedimientos invasivos innecesarios en los casos de nódulos benignos y garantizar una intervención oportuna para los malignos15.
En resumen, esta investigación introduce el análisis del espectro multifractal para evaluar la malignidad de los nódulos pulmonares, abordando las limitaciones de los enfoques diagnósticos actuales y los métodos fractales de una sola escala. Al proporcionar una evaluación cuantitativa más completa y precisa de las características de los nódulos, esta técnica no invasiva tiene como objetivo mejorar el diagnóstico precoz y la estadificación precisa del cáncer de pulmón, mejorando en última instancia la toma de decisiones clínicas en oncología pulmonar y contribuyendo a mejorar los resultados de los pacientes16.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Protocolo
Este estudio fue aprobado por el Comité de Ética del Hospital de Dongzhimen, afiliado a la Universidad de Medicina China de Beijing (2024DZMEC-165-02). El paciente fue reclutado de la Clínica Ambulatoria de Fiebre del Hospital de Dongzhimen. Los pacientes dieron su consentimiento informado para su diagnóstico a través de la modelación digital y autorizaron el uso de sus datos con fines de investigación científica. La función de reconstrucción del modelo se deriva de una herramienta de software disponible comercialmente (ver Tabla de Materiales).
1. Preparación y visualización de datos
- Navegue a la carpeta que contiene los archivos de datos DICOM de la tomografía computarizada del paciente.
- Genere una matriz de volumen 3D a partir de los archivos DICOM utilizando el siguiente código de MATLAB:
f=dir('*.dcm');
para i = 1: longitud (f)
V(:,:,i)= dicomread(f(fidx(i)).nombre);
fin - Visualice la secuencia de imágenes utilizando la función sliceViewer de MATLAB: (Figura 1)
figura;
H = Visor de rebanadas (V);
mapa de colores (gris(1024));
set(gcf, 'Barra de herramientas', 'figura'); - Interactúe con la visualización de volúmenes 3D.
- Utilice la barra de desplazamiento en la parte inferior de la interfaz gráfica de usuario (GUI) para navegar a través de diferentes cortes en la secuencia de TC (Figura 1). Nótese la presencia de un nódulo pulmonar maligno de 22 mm en el pulmón izquierdo en el fotograma 325.
- Busque los iconos para acercar, alejar y volver a la vista global en la esquina superior derecha de la GUI en la Figura 3. Utilice el icono de sugerencia de datos para marcar las coordenadas del píxel seleccionado. Utilice la función Zoom para observar las características locales de las lesiones y sus relaciones con los tejidos circundantes.
- La barra de color predeterminada es el mapa de colores gris, lo que significa que de azul a rojo representa valores de menor a mayor. Haga clic con el botón derecho en la barra de colores en el menú emergente para seleccionar el mapa de colores de gris común y restablecer toda la GUI.
- Si el efecto de filtro no se cumple, utilice el botón izquierdo del ratón para arrastrar hacia arriba y hacia abajo en el centro de la figura para ajustar el nivel de la ventana. Arrastre hacia la izquierda y hacia la derecha para ajustar el ancho de la ventana, y el rango de filtrado preciso correspondiente se mostrará en la barra de color.
NOTA: Estos controles interactivos permiten una inspección flexible de las características de los datos CT-DICOM tanto en el espacio de intensidad como en la ubicación de la secuencia.
2. Visualización matricial local en 3D de lesiones de nódulos pulmonares
NOTA: Después de ubicar la posición de la secuencia del nódulo pulmonar en la GUI que se muestra en la Figura 1, utilice la herramienta Sugerencia de datos para delinear con precisión la posición del nódulo. Este paso es necesario antes de calcular la matriz 3D del espacio en escala de grises para el área de la lesión.
- Utilice la herramienta Información sobre datos para identificar con precisión las coordenadas de píxeles del nódulo pulmonar.
- En la GUI que se muestra en la Figura 1, navegue hasta el segmento que contiene el nódulo (fotograma 325).
- Haga clic en el icono de sugerencia de datos en la esquina superior derecha de la GUI.
- Haga clic en los bordes del nódulo para marcar sus límites (Figura 2).
- Tenga en cuenta las coordenadas X e Y que se muestran en la ventana emergente de sugerencia de datos.
- Extraiga la matriz en escala de grises del nódulo pulmonar.
- En función de las coordenadas obtenidas, defina la región de interés (ROI) en la ventana de comandos de MATLAB: M = V (304:335, 309:336, 325);
NOTA: Ajuste las coordenadas (304:335, 309:336, 325) de acuerdo con la ubicación específica del nódulo en la imagen.
- En función de las coordenadas obtenidas, defina la región de interés (ROI) en la ventana de comandos de MATLAB: M = V (304:335, 309:336, 325);
- Visualice la matriz 3D local del nódulo:
- Introduzca el siguiente comando de MATLAB para crear un trazado de superficie 3D: figure; surf(M);
- Observe la visualización 3D resultante de las intensidades en escala de grises del nódulo (Figura 3).
- Interactúe con la interfaz gráfica de usuario de visualización 3D.
NOTA: Los ejes X e Y representan las dimensiones espaciales del nódulo en píxeles. El eje Z representa los valores de intensidad de la escala de grises.- Encuentre las herramientas para acercar, alejar, rotar y volver a la vista inicial predeterminada (Restaurar vista) en la esquina superior derecha de la GUI. Utilice estas herramientas para un examen preciso del nódulo pulmonar digitalizado en 3D.
3. Cálculo del espectro multifractal del nódulo pulmonar
NOTA: La dimensión fractal no es única en las diferentes escalas, sino que forma un espectro multifractal que varía con las diferentes escalas computacionales.
- Llame a la función Pix_size, fractal_dimension = PN_fractal_feature(M) con la matriz M obtenida previamente como entrada. Esto producirá las dimensiones fractales (fractal_dimension) a diferentes escalas (Pix_size).
- Visualice el espectro multifractal (Figura 4) del nódulo pulmonar utilizando el siguiente código:
figura;
gráfico (Pix_size, fratal_dimention,'ancho de línea',2);
xlabel('Escala fractal')
ylabel('Dimensión fractal') - Usando los mismos pasos que en 1.1-3.2, calcule para otro nódulo pulmonar benigno y represéntelo en el mismo sistema de coordenadas usando un color diferente para comparar. Esto producirá la Figura 5.
- Para comparar con mayor precisión los espectros multifractales de diferentes nódulos pulmonares benignos y malignos, utilice la herramienta Sugerencia de datos para marcar las coordenadas de los puntos extremos clave en la Figura 5.
NOTA: El código de MATLAB utilizado para este protocolo está disponible como archivo complementario 1.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Resultados
La Figura 1 utiliza una reconstrucción de volumen en 3D de la secuencia de TC torácica del paciente, lo que permite una visualización y localización convenientes de los nódulos pulmonares del sujeto. La herramienta de sugerencia de datos puede delinear de manera efectiva la región de interés (ROI) del nódulo de interés (Figura 2). La Figura 3 proporciona una estructura digitalizada del espacio de intensidad 3D del nódulo.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Discusión
El análisis de espectro multifractal presentado en este estudio representa un avance significativo en la evaluación no invasiva de la neoplasia maligna de nódulos pulmonares. Este método ofrece ventajas importantes y aborda las limitaciones clave en los enfoques existentes para el diagnóstico y la estadificación de los nódulos pulmonares17.
Los pasos críticos en el protocolo incluyen la reconstrucción precisa en 3D de los datos CT-DICOM...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Divulgaciones
La herramienta de software para el espectro multifractal para evaluar nódulos pulmonares, Multifractal Spectrum V1.0, es un producto de Beijing Intelligent Entropy Science & Technology Co., Ltd. Los derechos de propiedad intelectual de esta herramienta de software pertenecen a la empresa. Los autores no tienen conflictos de intereses que declarar.
Agradecimientos
Esta investigación contó con el apoyo del Proyecto Piloto de Mejora de la Capacidad de Transformación de la Investigación Clínica y los Logros (DZMG-MLZY-23008) del Hospital Dongzhimen de la Universidad de Medicina China de Beijing, y el Proyecto de Fondo de Puesta en Marcha para Nuevos Profesores (2024-BUCMXJKY-052) de la Universidad de Medicina China de Beijing.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| MATLAB | MathWorks | 2022B | Computación y visualización |
| Software de espectro multifractal | Entropía inteligente, Pekín Entropía inteligente Ciencia y Tecnología Co Ltd. | Modelado V1.0 | para la fusión de TC/RM |
Referencias
- Naik, A., Edla, D. R., Dharavath, R. Prediction of malignancy in lung nodules using a combination of deep, fractal, and gray-level co-occurrence matrix features. Big Data. 9 (6), 480-498 (2021).
- Al-Kadi, O. S. Prediction of FDG-PET stage and uptake for non-small cell lung cancer on non-contrast enhanced CT scans via fractal analysis. Clin Imaging. 65, 54-59 (2020).
- Ferreira-Junior, J. R., et al. CT-based radiomics for prediction of histologic subtype and metastatic disease in primary malignant lung neoplasms. Int J Comput Assist Radiol Surg. 15 (1), 163-172 (2020).
- Ryan, S. M., et al. Radiomic measures from chest high-resolution computed tomography associated with lung function in sarcoidosis. Eur Respir J. 54 (2), 1900371(2019).
- Kravchenko, V. F., Ponomaryov, V. I., Pustovoit, V. I., Rendon-Gonzalez, E. Classification of lung nodules using CT images based on texture features and fractal dimension transformation. Dokl Math. 99 (2), 235-239 (2019).
- Digumarthy, S. R., Padole, A. M., Lo Gullo, R., Sequist, L. V., Kalra, M. K. Can CT radiomic analysis in NSCLC predict histology and EGFR mutation status. Medicine (Baltimore). 98 (1), e13963(2019).
- Xiao, X., et al. An automated segmentation method for lung parenchyma image sequences based on fractal geometry and convex hull algorithm. Appl Sci (Basel). 8 (5), 832(2018).
- Xue, X., et al. Use of a radiomics model to predict tumor invasiveness of pulmonary adenocarcinomas appearing as pulmonary ground-glass nodules. Biomed Res Int. 2018, 6803971(2018).
- Kiryu, S., et al. Impact of hepatocellular carcinoma heterogeneity on computed tomography as a prognostic indicator. Sci Rep. 7, 12689(2017).
- Bashir, U., Siddique, M. M., Mclean, E., Goh, V., Cook, G. J. Imaging heterogeneity in lung cancer: techniques, applications, and challenges. Am J Roentgenol. 207 (3), 534-543 (2016).
- Niehaus, R., Raicu, D. S., Furst, J., Armato, S. III Toward understanding the size dependence of shape features for predicting spiculation in lung nodules for computer-aided diagnosis. J Digit Imaging. 28 (6), 704-717 (2015).
- Feng, C., Zhang, J., Liang, R. A method for lung boundary correction using split Bregman method and geometric active contour model. Comput Math Methods Med. 2015, 789485(2015).
- Alic, L., Niessen, W. J., Veenland, J. F. Quantification of heterogeneity as a biomarker in tumor imaging: a systematic review. PLoS One. 9 (10), e110300(2014).
- Miwa, K., et al. FDG uptake heterogeneity evaluated by fractal analysis improves the differential diagnosis of pulmonary nodules. Eur J Radiol. 83 (4), 715-719 (2014).
- 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).
- Lin, P., Huang, P., Lee, C., Wu, M. Automatic classification for solitary pulmonary nodule in CT image by fractal analysis based on fractional Brownian motion model. Pattern Recognit. 46 (12), 3279-3287 (2013).
- Ganeshan, B., Miles, K. A. Quantifying tumour heterogeneity with CT. Cancer Imaging. 13 (1), 140-149 (2013).
- 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).
- Wang, H., et al. Multilevel binomial logistic prediction model for malignant pulmonary nodules based on texture features of CT image. Eur J Radiol. 74 (1), 124-129 (2010).
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Reimpresiones y permisos
