Methodenartikel

Multifractale spectrumanalyse voor het beoordelen van maligniteit van longknobbels

DOI:

10.3791/67990

⸱

10 januari 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 dit artikel

Samenvatting

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

Deze studie introduceert multifractale spectrumanalyse voor het beoordelen van maligniteit van longknobbels. Met behulp van CT-DICOM-gegevens berekent de methode fractale dimensies over meerdere voxelschalen, waarbij significante verschillen tussen longknobbeltjes in een vroeg en laat stadium worden onthuld.

Samenvatting

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

Niet-invasieve beoordeling van maligniteit van longknobbels blijft een kritieke uitdaging bij de diagnose van longkanker. Traditionele methoden missen vaak precisie bij het onderscheiden van goedaardige van kwaadaardige knobbeltjes, vooral in de vroege stadia. Deze studie introduceert een benadering waarbij gebruik wordt gemaakt van multifractale spectrumanalyse om de kenmerken van longknobbels kwantitatief te evalueren.

Er is een op fractal gebaseerd protocol ontwikkeld om gegevens van computertomografie (CT)-digitale beeldvorming en communicatie in de geneeskunde (DICOM) te verwerken, waardoor driedimensionale (3D) visualisatie en analyse van het multifractale spectrum van longknobbeltjes mogelijk wordt. De methode omvat 3D-volumereconstructie, nauwkeurige ROI-afbakening en berekening van fractale afmetingen over meerdere schalen. Multifractale spectra werden berekend voor zowel longadenonoomknobbeltjes in een vroeg als in een laat stadium, waarbij vergelijkende analyse werd uitgevoerd met behulp van kwantificering van datatiptools.

Analyse toonde aan dat de fractale dimensie van de 3D digitale matrix van een longknobbel continu varieert met verschillende voxelschalen, waardoor een onderscheidend multifractaal spectrum ontstaat. Er werden significante verschillen waargenomen tussen knobbeltjes in een vroeg en laat stadium. Knobbeltjes in een laat stadium vertoonden een breder schaalbereik (langere X-as) en hogere extreme punten in hun multifractale spectra. Deze verschillen werden kwantitatief bevestigd, wat wijst op het potentieel van de methode voor nauwkeurige enscenering.

De multifractale spectrumanalyse biedt een zeer significante en nauwkeurige kwantitatieve methode voor het stadiëren van longknobbeltjes, waarbij effectief onderscheid wordt gemaakt tussen goedaardige en kwaadaardige gevallen. Deze niet-invasieve techniek is veelbelovend voor het verbeteren van de vroege diagnose en nauwkeurige stadiëring van longkanker, waardoor de klinische besluitvorming in de longoncologie mogelijk wordt verbeterd.

Inleiding

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

Longkanker blijft wereldwijd een van de belangrijkste oorzaken van kankergerelateerde sterfgevallen, waarbij vroege opsporing en nauwkeurige diagnose een cruciale rol spelen bij het verbeteren van de patiëntresultaten1. Longknobbeltjes, vaak incidenteel of via screeningprogramma's gedetecteerd, vormen een aanzienlijke diagnostische uitdaging voor clinici. Het vermogen om onderscheid te maken tussen goedaardige en kwaadaardige knobbeltjes, vooral in hun vroege stadia, is van het grootste belang voor tijdige interventie en passend beheer2.

Traditioneel is histopathologisch onderzoek de criteriumstandaard voor het diagnosticeren van maligniteit van de longknobbels door middel van invasieve procedures zoals biopsie of chirurgische resectie. Hoewel deze methoden definitieve diagnoses stellen, brengen ze inherente risico's met zich mee, waaronder pneumothorax, bloedingen en infectie3. Bovendien kan het invasieve karakter van deze procedures leiden tot ongemak en angst voor de patiënt, evenals hogere zorgkosten. Bovendien zijn biopsieprocedures zelf onderhevig aan problemen met de nauwkeurigheid van de bemonstering, met de mogelijkheid om niet-representatieve weefselmonsters te verkrijgen die tot een verkeerde diagnose kunnen leiden. Daarom is er een dringende behoefte aan niet-invasieve diagnostische technieken die de maligniteit van knobbeltjes nauwkeurig kunnen beoordelen zonder patiënten te onderwerpen aan onnodige invasieve procedures4.

Computertomografie (CT) beeldvorming is naar voren gekomen als een krachtig hulpmiddel bij de detectie en karakterisering van longknobbeltjes5. De interpretatie van CT-beelden voor de beoordeling van knobbeltjes blijft echter een uitdaging, met aanzienlijke variabiliteit tussen waarnemers tussen radiologen. De huidige richtlijnen en consensusverklaringen van experts over de evaluatie van knobbeltjes op basis van CT zijn voornamelijk gebaseerd op morfologische kenmerken zoals grootte, vorm en groeisnelheid. Hoewel deze criteria waardevolle informatie opleveren, missen ze vaak de precisie die nodig is voor een definitieve diagnose, vooral in gevallen van kleine of onbepaalde knobbeltjes6.

In de afgelopen jaren is er een groeiende belangstelling voor het gebruik van kwantitatieve beeldvormingsfuncties, vaak aangeduid als "radiomics", om de diagnostische nauwkeurigheid van CT-gebaseerde knobbelbeoordeling te verbeteren7. Van deze benaderingen is fractale analyse veelbelovend gebleken bij het vastleggen van de complexe structurele kenmerken van longknobbeltjes8. Fractale dimensie, een maat voor de complexiteit van een object op verschillende schalen, is toegepast op verschillende medische beeldvormingsproblemen, waaronder de karakterisering van longknobbeltjes9.

Bestaande op fractal gebaseerde methoden voor knobbelanalyse maken echter doorgaans gebruik van een benadering op één schaal, waarbij voor elke knobbel een enkele fractale dimensie wordt berekend10. Hoewel deze benadering enig nut heeft bewezen bij het maken van onderscheid tussen goedaardige en kwaadaardige knobbeltjes, resulteert het vaak in een aanzienlijke overlap tussen de twee categorieën, waardoor de diagnostische precisie wordt beperkt. De inherente beperking van fractale analyse op één schaal ligt in het onvermogen om het volledige spectrum van structurele complexiteiten vast te leggen die binnen een knobbel op verschillende ruimtelijke schalen kunnen bestaan11.

Om deze beperkingen aan te pakken, introduceert deze studie een nieuwe benadering, multifractale spectrumanalyse, voor de beoordeling van longknobbels. Deze methode gaat verder dan traditionele fractale analyse op één schaal door fractale dimensies te berekenen over meerdere voxelschalen, waardoor een uitgebreid spectrum wordt gegenereerd dat de structurele complexiteit van de knobbel op verschillende detailniveaus kenmerkt12. Deze benadering is geworteld in het inzicht dat biologische structuren, waaronder tumoren, vaak verschillende fractale eigenschappen vertonen op verschillende schalen, een kenmerk dat methoden op één schaal niet kunnen vastleggen13.

De ontwikkeling van deze multifractale spectrumanalyse is ingegeven door de behoefte aan preciezere, kwantitatieve en niet-invasieve methoden voor het beoordelen van maligniteit van longknobbels. Door gebruik te maken van geavanceerde beeldverwerkingstechnieken en wiskundige modellen, beoogt deze benadering een rijkere reeks kenmerken uit CT-beelden te halen, waardoor mogelijk subtiele verschillen tussen goedaardige en kwaadaardige knobbeltjes worden onthuld die mogelijk niet duidelijk zijn met conventionele analyse of fractale methoden op één schaal14.

Het belang van dit onderzoek ligt in het potentieel ervan om de nauwkeurigheid van de diagnose en stadiëring van longkanker in een vroeg stadium te verbeteren. Door een meer genuanceerde en uitgebreide karakterisering van de knobbelstructuur te bieden, kan de multifractale spectrumanalyse clinici in staat stellen beter geïnformeerde beslissingen te nemen over patiëntbeheer, waardoor mogelijk de behoefte aan onnodige invasieve procedures in gevallen van goedaardige knobbeltjes wordt verminderd en tegelijkertijd tijdige interventie voor kwaadaardige knobbels wordt gegarandeerd15.

Samenvattend introduceert dit onderzoek multifractale spectrumanalyse voor het beoordelen van maligniteit van longknobbeltjes, waarbij de beperkingen van de huidige diagnostische benaderingen en single-scale fractale methoden worden aangepakt. Door een uitgebreidere en preciezere kwantitatieve beoordeling van knobbelkenmerken te bieden, heeft deze niet-invasieve techniek tot doel de vroege diagnose en nauwkeurige stadiëring van longkanker te verbeteren, wat uiteindelijk de klinische besluitvorming in de longoncologie verbetert en bijdraagt aan betere patiëntresultaten16.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

Deze studie werd goedgekeurd door de ethische commissie van het Dongzhimen-ziekenhuis, verbonden aan de Beijing University of Chinese Medicine (2024DZMEC-165-02). De patiënt werd gerekruteerd vanuit de Koortspolikliniek van het Dongzhimen Ziekenhuis. De patiënten gaven geïnformeerde toestemming voor hun diagnose door middel van digitale modellering en gaven toestemming voor het gebruik van hun gegevens voor wetenschappelijke onderzoeksdoeleinden. De modelreconstructiefunctie is afgeleid van een in de handel verkrijgbare softwaretool (zie Materiaaltabel).

1. Gegevensvoorbereiding en visualisatie

  1. Navigeer naar de map met de DICOM-gegevensbestanden van de CT-scan van de patiënt.
  2. Genereer een 3D-volumematrix op basis van de DICOM-bestanden met behulp van de volgende MATLAB-code:
    f=dir('*.dcm');
    voor i=1:lengte(f)
    V(:,:,i)= dicomread(f(fidx(i)).naam);
    einde
  3. Visualiseer de beeldreeks met behulp van de sliceViewer-functie van MATLAB: (Figuur 1)
    cijfer;
    H=sliceViewer(V);
    kleurenkaart (grijs (1024));
    set(gcf, 'Werkbalk', 'figuur');
  4. Interactie met de 3D-volumevisualisatie.
    1. Gebruik de schuifbalk onder aan de grafische gebruikersinterface (GUI) om door verschillende segmenten in de CT-reeks te bladeren (Afbeelding 1). Let op de aanwezigheid van een kwaadaardige longknobbel van 22 mm in de linkerlong bij frame 325.
    2. Zoek de pictogrammen voor inzoomen, uitzoomen en terugkeren naar de globale weergave in de rechterbovenhoek van de GUI in afbeelding 3. Gebruik het pictogram Gegevenstip om de coördinaten van de geselecteerde pixel te markeren. Gebruik de zoomfunctie om de lokale kenmerken van de laesies en hun relaties met de omliggende weefsels te observeren.
    3. De standaard kleurenbalk is de grijze kleurenkaart, wat betekent dat blauw naar rood waarden van laag naar hoog vertegenwoordigt. Klik met de rechtermuisknop op de kleurenbalk in het pop-upmenu om de gemeenschappelijke grijze kleurenkaart te selecteren en de hele GUI opnieuw in te stellen.
    4. Als het filtereffect niet wordt bereikt, gebruikt u de linkermuisknop om in het midden van de afbeelding omhoog en omlaag te slepen om het vensterniveau aan te passen. Sleep naar links en rechts om de vensterbreedte aan te passen en het bijbehorende nauwkeurige filterbereik wordt weergegeven op de kleurenbalk.
      OPMERKING: Deze interactieve bedieningselementen maken flexibele inspectie mogelijk van CT-DICOM-gegevenskenmerken in zowel de intensiteitsruimte als de sequentielocatie.

2. Lokale 3D-matrixvisualisatie van longknobbellaesies

OPMERKING: Nadat u de sequentiepositie van de longknobbel in de GUI hebt gevonden die wordt weergegeven in afbeelding 1, gebruikt u de Data Tip-tool om de positie van de knobbel nauwkeurig af te bakenen. Deze stap is nodig voordat de 3D-matrix van de grijswaardenruimte voor het laesiegebied wordt berekend.

  1. Gebruik de tool Gegevenstip om de pixelcoördinaten van de longknobbel nauwkeurig te identificeren.
    1. Navigeer in de GUI in afbeelding 1 naar het plakje met de knobbel (frame 325).
    2. Klik op het pictogram Gegevenstip in de rechterbovenhoek van de GUI.
    3. Klik op de randen van de knobbel om de grenzen te markeren (Figuur 2).
    4. Let op de X- en Y-coördinaten die worden weergegeven in de pop-up met gegevenstip.
  2. Extraheer de grijswaardenmatrix van de longknobbel.
    1. Definieer op basis van de verkregen coördinaten het interessegebied (ROI) in het MATLAB-opdrachtvenster: M = V (304:335, 309:336, 325);
      OPMERKING: Pas de coördinaten (304:335, 309:336, 325) aan op basis van de specifieke knobbellocatie in de afbeelding.
  3. Visualiseer de lokale 3D-matrix van de knobbel:
    1. Voer het volgende MATLAB-commando in om een 3D-oppervlakteplot te maken: figure; surf(M);
    2. Bekijk de resulterende 3D-visualisatie van de grijswaardenintensiteiten van de knobbel (Figuur 3).
  4. Interactie met de GUI van 3D-visualisatie.
    OPMERKING: De X- en Y-as geven de ruimtelijke afmetingen van de knobbel weer in pixels. De Z-as geeft de intensiteitswaarden in grijswaarden weer.
    1. Zoek de hulpmiddelen voor inzoomen, uitzoomen, roteren en terugkeren naar de standaard eerste weergave (Weergave herstellen) in de rechterbovenhoek van de GUI. Gebruik deze hulpmiddelen voor nauwkeurig onderzoek van de 3D-gedigitaliseerde longknobbel.

3. Berekening van het multifractale spectrum van longknobbel

OPMERKING: De fractale dimensie is niet uniek op verschillende schalen, maar vormt eerder een multifractaal spectrum dat varieert met verschillende computationele schalen.

  1. Roep de functie Pix_size, fractal_dimension = PN_fractal_feature(M) met de eerder verkregen M-matrix als invoer. Dit levert de fractale dimensies (fractal_dimension) op verschillende schalen (Pix_size) op.
  2. Visualiseer het multifractale spectrum (Figuur 4) van de longknobbel met behulp van de volgende code:
    cijfer;
    perceel (Pix_size, fratal_dimention,'lijnbreedte',2);
    xlabel('Fractale schaal')
    ylabel("Fractale dimensie")
  3. Gebruik dezelfde stappen als in 1.1-3.2 om te berekenen of er nog een goedaardige longknobbel is en zet deze uit in hetzelfde coördinatensysteem met een andere kleur ter vergelijking. Dit levert figuur 5 op.
  4. Om de multifractale spectra van verschillende goedaardige en kwaadaardige longknobbeltjes nauwkeuriger te vergelijken, gebruikt u de Data Tip-tool om de coördinaten van de belangrijkste extremapunten in Figuur 5 te markeren.
    OPMERKING: De MATLAB-code die voor dit protocol wordt gebruikt, is beschikbaar als aanvullend bestand 1.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

Figuur 1 maakt gebruik van een 3D-volumereconstructie van de thoracale CT-sequentie van de patiënt, waardoor de longknobbeltjes van de proefpersoon gemakkelijk kunnen worden bekeken en gelokaliseerd. De Data Tip-tool kan de Region of Interest (ROI) van de knobbel van interesse effectief schetsen (Figuur 2). Figuur 3 geeft een gedigitaliseerde structuur van de 3D-intensiteitsruimte van de knobbel.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

De multifractale spectrumanalyse die in deze studie wordt gepresenteerd, vertegenwoordigt een aanzienlijke vooruitgang in de niet-invasieve beoordeling van maligniteit van longknobbels. Deze methode biedt belangrijke voordelen en pakt de belangrijkste beperkingen aan in bestaande benaderingen van de diagnose en stadiëring van longknobbels17.

Kritieke stappen in het protocol zijn onder meer nauwkeurige 3D-reconstructie van CT-DICOM-gegev...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De softwaretool voor multifractaal spectrum voor het beoordelen van longknobbeltjes, Multifractal Spectrum V1.0, is een product van Beijing Intelligent Entropy Science & Technology Co., Ltd. De intellectuele eigendomsrechten van deze softwaretool behoren toe aan het bedrijf. De auteurs hebben geen belangenconflicten te melden.

Dankbetuigingen

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

Dit onderzoek werd ondersteund door het Clinical Research and Achievement Transformation Capacity Enhancement Pilot Project (DZMG-MLZY-23008) van het Dongzhimen Hospital van de Beijing University of Chinese Medicine, en het Start-up Fund Project for New Teachers (2024-BUCMXJKY-052) van de Beijing University of Chinese Medicine.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
MATLABMathWorks2022BComputeren en visualisatie
Multifractal Spectrum softwareIntelligent Entropy, Beijing Intelligent Entropy Science & Technology Co Ltd.V1.0Modellering voor CT/MRI-fusie

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Fractale DimensieCT beeldvormingDICOM gegevens3D volumereconstructieRegion Of Interestlongadenocarcinoommorfologische analyseniet invasieve beoordeling

Gerelateerde artikelen