Articolo metodologico

Analisi dello spettro multifrattale per la valutazione della malignità del nodulo polmonare

DOI:

10.3791/67990

⸱

10 gennaio 2025

 ,  ,  , 
1Dongzhimen Hospital, Affiliated to Beijing University of Chinese Medicine, 2Fever Outpatient Clinic, Dongzhimen Hospital, Affiliated to Beijing University of Chinese Medicine, 3Beijing Intelligent Entropy Science & Technology Co Ltd.

In questo articolo

Sommario

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo studio introduce l'analisi dello spettro multifrattale per la valutazione della malignità del nodulo polmonare. Utilizzando i dati CT-DICOM, il metodo calcola le dimensioni frattali su più scale di voxel, rivelando differenze significative tra noduli polmonari in stadio iniziale e in stadio avanzato.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La valutazione non invasiva della neoplasia del nodulo polmonare rimane una sfida critica nella diagnosi del cancro del polmone. I metodi tradizionali spesso mancano di precisione nel differenziare i noduli benigni da quelli maligni, in particolare nelle fasi iniziali. Questo studio introduce un approccio che utilizza l'analisi dello spettro multifrattale per valutare quantitativamente le caratteristiche del nodulo polmonare.

È stato sviluppato un protocollo basato su frattali per elaborare i dati DICOM (Digital Imaging and Communications in Medicine) della tomografia computerizzata (TC), consentendo la visualizzazione e l'analisi tridimensionale (3D) dello spettro multifrattale del nodulo polmonare. Il metodo prevede la ricostruzione 3D del volume, la delineazione precisa del ROI e il calcolo delle dimensioni frattali su più scale. Gli spettri multifrattali sono stati calcolati sia per i noduli di adenocarcinoma polmonare in stadio iniziale che in stadio avanzato, con analisi comparative eseguite utilizzando la quantificazione con lo strumento della punta dei dati.

L'analisi ha rivelato che la dimensione frattale della matrice digitale 3D di un nodulo polmonare varia continuamente con diverse scale di voxel, formando uno spettro multifrattale distintivo. Sono state osservate differenze significative tra noduli in stadio iniziale e in stadio avanzato. I noduli in stadio avanzato hanno dimostrato un intervallo di scala più ampio (asse X più lungo) e punti estremi più elevati nei loro spettri multifrattali. Queste distinzioni sono state confermate quantitativamente, indicando il potenziale del metodo per una stadiazione precisa.

L'analisi dello spettro multifrattale fornisce un metodo quantitativo altamente significativo e preciso per la stadiazione dei noduli polmonari, differenziando efficacemente tra casi benigni e maligni. Questa tecnica non invasiva è promettente per migliorare la diagnosi precoce e la stadiazione accurata del cancro del polmone, migliorando potenzialmente il processo decisionale clinico in oncologia polmonare.

Introduzione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Il cancro del polmone rimane una delle principali cause di decessi correlati al cancro in tutto il mondo, con la diagnosi precoce e la diagnosi accurata che svolgono un ruolo cruciale nel migliorare gli esiti dei pazienti1. I noduli polmonari, spesso rilevati incidentalmente o attraverso programmi di screening, rappresentano una sfida diagnostica significativa per i medici. La capacità di distinguere tra noduli benigni e maligni, in particolare nelle loro fasi iniziali, è fondamentale per un intervento tempestivo e una gestione appropriata2.

Tradizionalmente, il criterio standard per la diagnosi di neoplasie del nodulo polmonare è stato l'esame istopatologico attraverso procedure invasive come la biopsia o la resezione chirurgica. Sebbene questi metodi forniscano diagnosi definitive, comportano rischi intrinseci, tra cui pneumotorace, sanguinamento e infezione3. Inoltre, la natura invasiva di queste procedure può portare a disagio e ansia al paziente, nonché a un aumento dei costi sanitari. Inoltre, le procedure di biopsia sono soggette a problemi di accuratezza del campionamento, con la possibilità di ottenere campioni di tessuto non rappresentativi che possono portare a diagnosi errate. Di conseguenza, vi è un urgente bisogno di tecniche diagnostiche non invasive in grado di valutare accuratamente la malignità del nodulo senza sottoporre i pazienti a procedure invasive non necessarie4.

L'imaging con tomografia computerizzata (TC) è emerso come un potente strumento per l'individuazione e la caratterizzazione dei noduli polmonari5. Tuttavia, l'interpretazione delle immagini TC per la valutazione dei noduli rimane impegnativa, con una notevole variabilità tra gli osservatori tra i radiologi. Le attuali linee guida e le dichiarazioni di consenso degli esperti sulla valutazione dei noduli basata sulla TC si basano principalmente su caratteristiche morfologiche come dimensioni, forma e tasso di crescita. Sebbene questi criteri forniscano informazioni preziose, spesso mancano della precisione necessaria per una diagnosi definitiva, in particolare nei casi di noduli piccoli o indeterminati6.

Negli ultimi anni, c'è stato un crescente interesse nell'utilizzo di funzionalità di imaging quantitativo, spesso denominate "radiomica", per migliorare l'accuratezza diagnostica della valutazione dei noduli basata sulla TC7. Tra questi approcci, l'analisi frattale si è dimostrata promettente nel catturare le complesse caratteristiche strutturali dei noduli polmonari8. La dimensione frattale, una misura della complessità di un oggetto su diverse scale, è stata applicata a vari problemi di imaging medico, inclusa la caratterizzazione dei noduli polmonari9.

Tuttavia, i metodi esistenti basati sui frattali per l'analisi dei noduli utilizzano tipicamente un approccio a scala singola, calcolando una singola dimensione frattale per ogni nodulo10. Sebbene questo approccio abbia dimostrato una certa utilità nel differenziare tra noduli benigni e maligni, spesso si traduce in una significativa sovrapposizione tra le due categorie, limitandone la precisione diagnostica. Il limite intrinseco dell'analisi frattale a scala singola risiede nella sua incapacità di catturare l'intero spettro di complessità strutturali che possono esistere all'interno di un nodulo su diverse scale spaziali11.

Per affrontare queste limitazioni, questo studio introduce un nuovo approccio, l'analisi dello spettro multifrattale, per la valutazione dei noduli polmonari. Questo metodo si estende oltre la tradizionale analisi frattale su scala singola calcolando le dimensioni frattali su più scale di voxel, generando così uno spettro completo che caratterizza la complessità strutturale del nodulo a vari livelli di dettaglio12. Questo approccio è radicato nella comprensione che le strutture biologiche, compresi i tumori, spesso mostrano diverse proprietà frattali su scale diverse, una caratteristica che i metodi a scala singola non riescono a catturare13.

Lo sviluppo di questa analisi dello spettro multifrattale è motivato dalla necessità di metodi più precisi, quantitativi e non invasivi per la valutazione della malignità del nodulo polmonare. Sfruttando tecniche avanzate di elaborazione delle immagini e modelli matematici, questo approccio mira a estrarre un insieme più ricco di caratteristiche dalle immagini TC, rivelando potenzialmente sottili differenze tra noduli benigni e maligni che potrebbero non essere evidenti attraverso l'analisi convenzionale o i metodi frattali su scala singola14.

L'importanza di questa ricerca risiede nel suo potenziale per migliorare l'accuratezza della diagnosi e della stadiazione precoce del cancro del polmone. Fornendo una caratterizzazione più sfumata e completa della struttura dei noduli, l'analisi dello spettro multifrattale può consentire ai medici di prendere decisioni più informate sulla gestione del paziente, riducendo potenzialmente la necessità di procedure invasive non necessarie in caso di noduli benigni e garantendo un intervento tempestivo per quelli maligni15.

In sintesi, questa ricerca introduce l'analisi dello spettro multifrattale per valutare la malignità del nodulo polmonare, affrontando i limiti degli attuali approcci diagnostici e dei metodi frattali su scala singola. Fornendo una valutazione quantitativa più completa e precisa delle caratteristiche dei noduli, questa tecnica non invasiva mira a migliorare la diagnosi precoce e la stadiazione accurata del cancro del polmone, migliorando in ultima analisi il processo decisionale clinico in oncologia polmonare e contribuendo a migliorare gli esiti dei pazienti16.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo studio è stato approvato dal Comitato Etico dell'Ospedale Dongzhimen, affiliato all'Università di Medicina Cinese di Pechino (2024DZMEC-165-02). Il paziente è stato reclutato presso la Fever Outpatient Clinic dell'ospedale Dongzhimen. I pazienti hanno fornito il consenso informato per la loro diagnosi attraverso la modellazione digitale e hanno autorizzato l'uso dei loro dati per scopi di ricerca scientifica. La funzione di ricostruzione del modello è derivata da uno strumento software disponibile in commercio (vedi Tabella dei materiali).

1. Preparazione e visualizzazione dei dati

  1. Passare alla cartella contenente i file di dati DICOM della scansione TC del paziente.
  2. Genera una matrice di volume 3D dai file DICOM utilizzando il seguente codice MATLAB:
    f=dir('*.dcm');
    per i=1:lunghezza(f)
    V(:,:,i)= dicomread(f(fidx(i)).nome);
    fine
  3. Visualizzare la sequenza di immagini utilizzando la funzione sliceViewer di MATLAB: (Figura 1)
    figura;
    H=sliceViewer(V);
    mappa dei colori (grigio(1024));
    set(gcf, 'Barra degli strumenti', 'figura');
  4. Interagisci con la visualizzazione 3D del volume.
    1. Utilizzare la barra di scorrimento nella parte inferiore dell'interfaccia utente grafica (GUI) per sfogliare le diverse sezioni nella sequenza CT (Figura 1). Si noti la presenza di un nodulo polmonare maligno di 22 mm nel polmone sinistro al fotogramma 325.
    2. Individuare le icone per lo zoom avanti, indietro e tornare alla vista globale nell'angolo superiore destro della GUI nella Figura 3. Utilizzare l'icona Suggerimento dati per contrassegnare le coordinate del pixel selezionato. Utilizzare la funzione Zoom per osservare le caratteristiche locali delle lesioni e le loro relazioni con i tessuti circostanti.
    3. La barra dei colori predefinita è la mappa dei colori grigia, il che significa che dal blu al rosso rappresenta i valori dal basso all'alto. Fare clic con il pulsante destro del mouse sulla barra dei colori nel menu a comparsa per selezionare la mappa dei colori grigi comune e ripristinare l'intera interfaccia grafica.
    4. Se l'effetto del filtro non è soddisfatto, utilizzare il pulsante sinistro del mouse per trascinare su e giù al centro della figura per regolare il livello della finestra. Trascina a sinistra e a destra per regolare la larghezza della finestra e l'intervallo di filtraggio accurato corrispondente verrà visualizzato sulla barra dei colori.
      NOTA: Questi controlli interattivi consentono un'ispezione flessibile delle caratteristiche dei dati CT-DICOM sia nello spazio di intensità che nella posizione della sequenza.

2. Visualizzazione locale con matrice 3D di lesioni di noduli polmonari

NOTA: Dopo aver individuato la posizione della sequenza del nodulo polmonare nell'interfaccia grafica mostrata nella Figura 1, utilizzare lo strumento Suggerimento dati per delineare con precisione la posizione del nodulo. Questo passaggio è necessario prima di calcolare la matrice 3D dello spazio in scala di grigi per l'area della lesione.

  1. Utilizza lo strumento Suggerimento dati per identificare con precisione le coordinate dei pixel del nodulo polmonare.
    1. Nella GUI mostrata nella Figura 1, passare alla sezione contenente il nodulo (fotogramma 325).
    2. Fare clic sull'icona Suggerimento dati nell'angolo in alto a destra della GUI.
    3. Fare clic sui bordi del nodulo per segnarne i confini (Figura 2).
    4. Prendere nota delle coordinate X e Y visualizzate nel popup del suggerimento dati.
  2. Estrarre la matrice in scala di grigi del nodulo polmonare.
    1. In base alle coordinate ottenute, definire la regione di interesse (ROI) nella finestra di comando di MATLAB: M = V (304:335, 309:336, 325);
      NOTA: Regolare le coordinate (304:335, 309:336, 325) in base alla posizione specifica del nodulo nell'immagine.
  3. Visualizza la matrice 3D locale del nodulo:
    1. Immettere il seguente comando MATLAB per creare un grafico di superficie 3D: figura; surf(M);
    2. Osservare la visualizzazione 3D risultante delle intensità della scala di grigi del nodulo (Figura 3).
  4. Interagisci con l'interfaccia grafica della visualizzazione 3D.
    NOTA: Gli assi X e Y rappresentano le dimensioni spaziali del nodulo in pixel. L'asse Z rappresenta i valori di intensità della scala di grigi.
    1. Nell'angolo in alto a destra della GUI si trovano gli strumenti per ingrandire, rimpicciolire, ruotare e tornare alla vista iniziale predefinita (Ripristina vista). Utilizza questi strumenti per un esame preciso del nodulo polmonare digitalizzato in 3D.

3. Calcolo dello spettro multifrattale del nodulo polmonare

NOTA: La dimensione frattale non è unica su scale diverse, ma piuttosto forma uno spettro multifrattale che varia con diverse scale computazionali.

  1. Chiama la funzione Pix_size, fractal_dimension = PN_fractal_feature(M) con la matrice M precedentemente ottenuta come input. Questo produrrà le dimensioni frattali (fractal_dimension) a scale diverse (Pix_size).
  2. Visualizzare lo spettro multifrattale (Figura 4) del nodulo polmonare utilizzando il seguente codice:
    figura;
    grafico (Pix_size, fratal_dimention,'linewidth',2);
    xlabel('Scala frattale')
    ylabel('Dimensione frattale')
  3. Utilizzando gli stessi passaggi dei punti 1.1-3.2, calcolare la presenza di un altro nodulo polmonare benigno e tracciarlo nello stesso sistema di coordinate utilizzando un colore diverso per il confronto. Questo produrrà la Figura 5.
  4. Per confrontare in modo più preciso gli spettri multifrattali di diversi noduli polmonari benigni e maligni, utilizzare lo strumento Suggerimento dati per contrassegnare le coordinate dei punti chiave degli estremi nella Figura 5.
    NOTA: Il codice MATLAB utilizzato per questo protocollo è disponibile come File supplementare 1.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La Figura 1 utilizza una ricostruzione volumetrica 3D della sequenza TC toracica del paziente, consentendo una comoda visualizzazione e localizzazione dei noduli polmonari del soggetto. Lo strumento Suggerimento dati può delineare in modo efficace la regione di interesse (ROI) del nodulo di interesse (Figura 2). La Figura 3 fornisce una struttura digitalizzata dello spazio di intensità 3D del nodulo.

Ques...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L'analisi dello spettro multifrattale presentata in questo studio rappresenta un progresso significativo nella valutazione non invasiva della neoplasia del nodulo polmonare. Questo metodo offre importanti vantaggi e affronta i principali limiti degli approcci esistenti alla diagnosi e alla stadiazione dei noduli polmonari17.

Le fasi critiche del protocollo includono la ricostruzione 3D precisa dei dati CT-DICOM (Fig...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Lo strumento software per lo spettro multifrattale per la valutazione dei noduli polmonari, Multifractal Spectrum V1.0, è un prodotto di Beijing Intelligent Entropy Science & Technology Co., Ltd. I diritti di proprietà intellettuale di questo strumento software appartengono all'azienda. Gli autori non hanno conflitti di interesse da dichiarare.

Ringraziamenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questa ricerca è stata supportata dal Clinical Research and Achievement Transformation Capacity Enhancement Pilot Project (DZMG-MLZY-23008) dell'Ospedale Dongzhimen dell'Università di Medicina Cinese di Pechino e dallo Start-up Fund Project for New Teachers (2024-BUCMXJKY-052) dell'Università di Medicina Cinese di Pechino.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
MATLABMathWorks2022BCalcolo e visualizzazione
Software per spettro multifrattaleEntropia intelligente, Pechino Entropia intelligente Scienza & Tecnologia Co Ltd.Modellazione V1.0per la fusione TC/MRI

Riferimenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. 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).
  6. 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).
  7. 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).
  8. 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).
  9. Kiryu, S., et al. Impact of hepatocellular carcinoma heterogeneity on computed tomography as a prognostic indicator. Sci Rep. 7, 12689(2017).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. 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).
  15. 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).
  16. 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).
  17. Ganeshan, B., Miles, K. A. Quantifying tumour heterogeneity with CT. Cancer Imaging. 13 (1), 140-149 (2013).
  18. 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).
  19. 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).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Dimensione frattaleimaging TCdati DICOMricostruzione volumetrica 3Dregione di interesseadenocarcinoma polmonareanalisi morfologicavalutazione non invasiva

Articoli correlati