Artykuł metodologiczny

Wielofraktalna analiza widma do oceny złośliwości guzków płuc

DOI:

10.3791/67990

⸱

10 stycznia 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.

W tym artykule

Podsumowanie

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

To badanie wprowadza multifraktalną analizę spektrum do oceny złośliwości guzków płucnych. Wykorzystując dane CT-DICOM, metoda oblicza wymiary fraktalne w wielu skalach wokseli, ujawniając znaczące różnice między guzkami płucnymi we wczesnym i późnym stadium.

Streszczenie

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

Nieinwazyjna ocena złośliwości guzków płucnych pozostaje krytycznym wyzwaniem w diagnostyce raka płuc. Tradycyjnym metodom często brakuje precyzji w odróżnianiu guzków łagodnych od złośliwych, szczególnie we wczesnych stadiach. W niniejszym badaniu przedstawiono podejście wykorzystujące analizę widma multifraktalnego do ilościowej oceny charakterystyki guzków płucnych.

Protokół oparty na fraktalu został opracowany do przetwarzania danych z tomografii komputerowej (CT)-cyfrowego obrazowania i komunikacji w medycynie (DICOM), umożliwiając trójwymiarową (3D) wizualizację i analizę multifraktalnego spektrum guzka płucnego. Metoda obejmuje rekonstrukcję objętości 3D, precyzyjne wyznaczenie zwrotu z inwestycji i obliczenie wymiarów fraktalnych w wielu skalach. Widma wielofraktalne obliczono zarówno dla wczesnego, jak i późnego stadium guzków gruczolakoraka płuc, przy czym analizę porównawczą przeprowadzono przy użyciu narzędzia do kwantyfikacji końcówek danych.

Analiza wykazała, że fraktalny wymiar cyfrowej matrycy 3D guzka płucnego zmienia się w sposób ciągły z różnymi skalami wokseli, tworząc charakterystyczne spektrum multifraktalne. Zaobserwowano istotne różnice między guzkami we wczesnym i późnym stadium. Guzki w późnym stadium wykazywały szerszy zakres skali (dłuższa oś X) i wyższe punkty ekstremalne w swoich widmach multifraktalnych. Rozróżnienia te zostały potwierdzone ilościowo, co wskazuje na potencjał metody w zakresie precyzyjnej oceny stopnia.

Analiza spektrum multifraktalnego dostarcza bardzo istotnej i precyzyjnej metody ilościowej do oceny stopnia zaawansowania guzków płucnych, skutecznie różnicując przypadki łagodne i złośliwe. Ta nieinwazyjna technika daje nadzieję na poprawę wczesnej diagnostyki i dokładnego określenia stopnia zaawansowania raka płuca, potencjalnie usprawniając podejmowanie decyzji klinicznych w onkologii pulmonologicznej.

Wprowadzenie

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

Rak płuc pozostaje jedną z głównych przyczyn zgonów związanych z rakiem na całym świecie, a wczesne wykrycie i dokładna diagnoza odgrywają kluczową rolę w poprawie wyników leczenia pacjentów1. Guzki płucne, często wykrywane przypadkowo lub w ramach programów badań przesiewowych, stanowią poważne wyzwanie diagnostyczne dla klinicystów. Zdolność do rozróżniania guzków łagodnych i złośliwych, szczególnie we wczesnych stadiach, ma kluczowe znaczenie dla szybkiej interwencji i odpowiedniego leczenia2.

Tradycyjnie, kryterium standardowym w diagnozowaniu nowotworu złośliwego guzka płucnego było badanie histopatologiczne za pomocą inwazyjnych procedur, takich jak biopsja czy resekcja chirurgiczna. Chociaż metody te zapewniają ostateczną diagnozę, niosą ze sobą nieodłączne ryzyko, w tym odmę opłucnową, krwawienie i infekcję3. Co więcej, inwazyjny charakter tych procedur może prowadzić do dyskomfortu i niepokoju pacjenta, a także do zwiększenia kosztów opieki zdrowotnej. Ponadto same procedury biopsji są obarczone problemami z dokładnością pobierania próbek, co może prowadzić do uzyskania niereprezentatywnych próbek tkanek, co może prowadzić do błędnej diagnozy. W związku z tym istnieje pilne zapotrzebowanie na nieinwazyjne techniki diagnostyczne, które mogą dokładnie ocenić złośliwość guzka bez poddawania pacjentów niepotrzebnym inwazyjnym procedurom4.

Tomografia komputerowa (CT) stała się potężnym narzędziem do wykrywania i charakteryzowania guzków płucnych5. Jednak interpretacja obrazów TK do oceny guzków pozostaje wyzwaniem, ze znaczną zmiennością między obserwatorami wśród radiologów. Aktualne wytyczne i konsensus ekspertów w sprawie oceny guzków na podstawie tomografii komputerowej opierają się przede wszystkim na cechach morfologicznych, takich jak rozmiar, kształt i tempo wzrostu. Chociaż kryteria te dostarczają cennych informacji, często brakuje im precyzji niezbędnej do ostatecznej diagnozy, szczególnie w przypadku małych lub nieokreślonych guzków6.

W ostatnich latach wzrosło zainteresowanie wykorzystaniem funkcji obrazowania ilościowego, często określanych jako "radiomika", w celu zwiększenia dokładności diagnostycznej oceny guzków na podstawie tomografii komputerowej7. Wśród tych podejść analiza fraktalna okazała się obiecująca w uchwyceniu złożonych cech strukturalnych guzków płucnych8. Wymiar fraktalny, miara złożoności obiektu w różnych skalach, został zastosowany do różnych problemów związanych z obrazowaniem medycznym, w tym do charakterystyki guzków płucnych9.

Jednak istniejące metody analizy guzków oparte na fraktalach zazwyczaj wykorzystują podejście jednoskalowe, obliczając pojedynczy wymiar fraktalny dla każdego guzka10. Chociaż podejście to wykazało pewną przydatność w rozróżnianiu guzków łagodnych i złośliwych, często prowadzi do znacznego nakładania się tych dwóch kategorii, co ogranicza precyzję diagnostyczną. Nieodłącznym ograniczeniem jednoskalowej analizy fraktalnej jest niemożność uchwycenia pełnego spektrum złożoności strukturalnej, która może istnieć w guzku w różnych skalach przestrzennych11.

Aby rozwiązać te ograniczenia, to badanie wprowadza nowatorskie podejście, analizę widma multifraktalnego, do oceny guzków płucnych. Metoda ta wykracza poza tradycyjną jednoskalową analizę fraktalną, obliczając wymiary fraktalne w wielu skalach wokseli, generując w ten sposób kompleksowe spektrum, które charakteryzuje złożoność strukturalną guzka na różnych poziomach szczegółowości12. Podejście to jest zakorzenione w zrozumieniu, że struktury biologiczne, w tym nowotwory, często wykazują różne właściwości fraktalne w różnych skalach, co jest cechą, której metody jednoskalowe nie są w stanie uchwycić13.

Rozwój tej analizy spektrum multifraktalnego jest motywowany potrzebą bardziej precyzyjnych, ilościowych i nieinwazyjnych metod oceny złośliwości guzków płucnych. Wykorzystując zaawansowane techniki przetwarzania obrazów i modele matematyczne, podejście to ma na celu wyodrębnienie bogatszego zestawu cech z obrazów CT, potencjalnie ujawniając subtelne różnice między łagodnymi i złośliwymi guzkami, które mogą nie być widoczne w konwencjonalnej analizie lub jednoskalowych metodach fraktalnych14.

Znaczenie tych badań polega na ich potencjale do zwiększenia dokładności diagnozy i oceny stopnia zaawansowania raka płuc we wczesnym stadium. Zapewniając bardziej zniuansowaną i kompleksową charakterystykę struktury guzków, wielofraktalna analiza widma może umożliwić klinicystom podejmowanie bardziej świadomych decyzji dotyczących postępowania z pacjentem, potencjalnie zmniejszając potrzebę niepotrzebnych procedur inwazyjnych w przypadku łagodnych guzków, zapewniając jednocześnie szybką interwencję w przypadku guzków złośliwych15.

Podsumowując, te badania wprowadzają multifraktalną analizę widma do oceny złośliwości guzków płucnych, odnosząc się do ograniczeń obecnych podejść diagnostycznych i jednoskalowych metod fraktalnych. Zapewniając bardziej kompleksową i precyzyjną ilościową ocenę charakterystyki guzków, ta nieinwazyjna technika ma na celu poprawę wczesnej diagnozy i dokładnego stopnia zaawansowania raka płuc, ostatecznie usprawniając podejmowanie decyzji klinicznych w onkologii pulmonologicznej i przyczyniając się do poprawy wyników leczenia pacjentów16.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

To badanie zostało zatwierdzone przez Komisję Etyki Szpitala Dongzhimen, powiązanego z Pekińskim Uniwersytetem Medycyny Chińskiej (2024DZMEC-165-02). Pacjent został przyjęty do pracy w Poradni Leczenia Gorączki w Szpitalu Dongzhimen. Pacjenci wyrazili świadomą zgodę na diagnozę poprzez modelowanie cyfrowe i wyrazili zgodę na wykorzystanie swoich danych do celów badań naukowych. Funkcja rekonstrukcji modelu wywodzi się z dostępnego na rynku narzędzia programowego (patrz tabela materiałów).

1. Przygotowanie i wizualizacja danych

  1. Przejdź do folderu zawierającego pliki danych DICOM z tomografii komputerowej pacjenta.
  2. Wygeneruj macierz objętości 3D z plików DICOM przy użyciu następującego kodu MATLAB:
    f=dir('*.dcm');
    dla i=1:długość(f)
    V(:,:,i)= dicomread(f(fidx(i)).name);
    koniec
  3. Wizualizuj sekwencję obrazów za pomocą funkcji sliceViewer programu MATLAB: (Rysunek 1)
    postać;
    H=sliceViewer(V);
    mapa kolorów(szary(1024));
    set(gcf, 'Pasek narzędzi', 'postać');
  4. Interakcja z wizualizacją objętości 3D.
    1. Użyj paska przewijania u dołu graficznego interfejsu użytkownika (GUI), aby przeglądać różne wycinki w sekwencji CT (Rysunek 1). Zwróć uwagę na obecność złośliwego guzka płucnego o średnicy 22 mm w lewym płucu w ramie 325.
    2. Znajdź ikony do powiększania, pomniejszania i powrotu do widoku globalnego w prawym górnym rogu graficznego interfejsu użytkownika w Rysunek 3. Użyj ikony Poradki dotyczącej danych, aby oznaczyć współrzędne wybranego piksela. Za pomocą funkcji Zoom można obserwować lokalne cechy zmian chorobowych i ich relacje z otaczającymi tkankami.
    3. Domyślnym paskiem kolorów jest szara mapa kolorów, co oznacza, że wartości od niebieskiego do czerwonego reprezentują wartości od najniższych do najwyższych. Kliknij prawym przyciskiem myszy pasek kolorów w menu podręcznym, aby wybrać wspólną szarą mapę kolorów i zresetować cały graficzny interfejs użytkownika.
    4. Jeśli efekt filtra nie jest spełniony, użyj lewego przycisku myszy, aby przeciągnąć w górę iw dół na środku figury, aby dostosować poziom okna. Przeciągnij w lewo i w prawo, aby dostosować szerokość okna, a odpowiedni dokładny zakres filtrowania zostanie wyświetlony na pasku kolorów.
      UWAGA: Te interaktywne elementy sterujące umożliwiają elastyczną kontrolę charakterystyki danych CT-DICOM zarówno w przestrzeni intensywności, jak i lokalizacji sekwencji.

2. Lokalna wizualizacja matrycowa 3D zmian guzków płucnych

UWAGA: Po zlokalizowaniu pozycji sekwencji guzka płucnego w graficznym interfejsie użytkownika pokazanym w Rysunek 1, użyj narzędzia Wskazówka dotycząca danych, aby precyzyjnie określić pozycję guzka. Ten krok jest konieczny przed obliczeniem macierzy 3D przestrzeni w skali szarości dla obszaru zmiany.

  1. Użyj narzędzia Etykietka dotycząca danych, aby precyzyjnie określić współrzędne pikseli guzka płucnego.
    1. W graficznym interfejsie użytkownika pokazanym w Rysunek 1, przejdź do wycinka zawierającego guzek (klatka 325).
    2. Kliknij ikonę Poradka dotycząca danych w prawym górnym rogu graficznego interfejsu użytkownika.
    3. Kliknij na krawędzie guzka, aby zaznaczyć jego granice (Rysunek 2).
    4. Zanotuj współrzędne X i Y wyświetlane w oknie podręcznym etykietki dotyczącej danych.
  2. Wyodrębnij macierz w skali szarości guzka płucnego.
    1. Na podstawie uzyskanych współrzędnych zdefiniuj obszar zainteresowania (ROI) w oknie poleceń MATLAB: M = V (304:335, 309:336, 325);
      UWAGA: Dostosuj współrzędne (304:335, 309:336, 325) zgodnie z określonym położeniem guzka na obrazie.
  3. Wizualizacja lokalnej macierzy 3D guzka:
    1. Wprowadź następujące polecenie MATLAB, aby utworzyć wykres powierzchni 3D: figure; surf(M);
    2. Obserwuj wynikową wizualizację 3D intensywności skali szarości guzka (Rysunek 3).
  4. Interakcja z graficznym interfejsem użytkownika wizualizacji 3D.
    UWAGA: Osie X i Y reprezentują wymiary przestrzenne guzka w pikselach. Oś Z reprezentuje wartości intensywności skali szarości.
    1. Znajdź narzędzia do powiększania, pomniejszania, obracania i powrotu do domyślnego widoku początkowego (Przywróć widok) w prawym górnym rogu graficznego interfejsu użytkownika. Użyj tych narzędzi do precyzyjnego badania zdigitalizowanego guzka płucnego 3D.

3. Obliczanie multifraktalnego spektrum guzka płucnego

UWAGA: Wymiar fraktalny nie jest unikalny dla różnych skal, ale raczej tworzy widmo multifraktalne, które różni się w zależności od różnych skal obliczeniowych.

  1. Wywołaj funkcję Pix_size, fractal_dimension = PN_fractal_feature(M) z wcześniej uzyskaną macierzą M jako danymi wejściowymi. W ten sposób uzyskamy wymiary fraktalne (fractal_dimension) w różnych skalach (Pix_size).
  2. Wizualizuj spektrum multifraktalne (Rysunek 4) guzka płucnego za pomocą następującego kodu:
    postać;
    plot (Pix_size, fratal_dimention,'szerokość linii',2);
    xlabel('Skala fraktala')
    ylabel('Wymiar fraktalny')
  3. Wykonując te same czynności, co w 1.1-3.2, oblicz inny łagodny guzek płucny i wykreśl go w tym samym układzie współrzędnych, używając innego koloru dla porównania. Spowoduje to Rysunek 5.
  4. Aby dokładniej porównać widma multifraktalne różnych łagodnych i złośliwych guzków płucnych, użyj narzędzia Data Tip, aby zaznaczyć współrzędne kluczowych punktów ekstremów w Rysunek 5.
    UWAGA: Kod MATLAB używany dla tego protokołu jest dostępny jako plik uzupełniający 1.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Rysunek 1 wykorzystuje rekonstrukcję 3D objętościowej sekwencji tomografii komputerowej klatki piersiowej pacjenta, co pozwala na wygodne oglądanie i lokalizację guzków płucnych pacjenta. Narzędzie Data Tip może skutecznie nakreślić obszar zainteresowania (ROI) guzka zainteresowania (Rysunek 2). Rysunek 3 przedstawia cyfrową strukturę przestrzeni intensywności 3D guzka.

To badanie wykazało dzięki praktyczny...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Przedstawiona w tym badaniu analiza spektrum multifraktalnego stanowi znaczący postęp w nieinwazyjnej ocenie złośliwości guzków płuc. Metoda ta oferuje ważne korzyści i rozwiązuje kluczowe ograniczenia w istniejących podejściach do diagnostyki guzków płucnych i oceny stopnia zaawansowania17.

Kluczowe etapy protokołu obejmują precyzyjną rekonstrukcję 3D danych CT-DICOM (rysunek 1), dokładne wyznaczenie obszaru zainteresowania (

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Narzędzie programowe do widma multifraktalnego do oceny guzków płucnych, Multifractal Spectrum V1.0, jest produktem firmy Beijing Intelligent Entropy Science & Technology Co., Ltd. Prawa własności intelektualnej do tego narzędzia programowego należą do firmy. Autorzy nie mają do zadeklarowania konfliktu interesów.

Podziękowania

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

Badania te były wspierane przez Pilotażowy Projekt Zwiększania Zdolności Badań Klinicznych i Transformacji Osiągnięć (DZMG-MLZY-23008) ze Szpitala Dongzhimen Uniwersytetu Medycyny Chińskiej w Pekinie oraz Projekt Funduszu Start-up dla Nowych Nauczycieli (2024-BUCMXJKY-052) z Pekińskiego Uniwersytetu Medycyny Chińskiej.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
MATLABMathWorks2022BObliczenia i wizualizacja
Oprogramowanie do widma multifraktalnegoInteligentna entropia, Pekin Inteligentna nauka o entropii i Technologia Sp. z o.o.Modelowanie V1.0do fuzji CT/MRI

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Wymiar fraktalnyobrazowanie TKdane DICOMtr jwymiarowa rekonstrukcja obj to ciowaobszar zainteresowaniagruczolakorak p ucaanaliza morfologicznaocena nieinwazyjna

Powiązane artykuły