Методическая статья

Мультифрактальный анализ спектра для оценки злокачественности легочных узлов

DOI:

10.3791/67990

⸱

10 января 2025 г.

 ,  ,  , 
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.

В этой статье

Краткое содержание

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

В этом исследовании представлен мультифрактальный спектральный анализ для оценки злокачественности легочных узлов. Используя данные CT-DICOM, метод рассчитывает фрактальные размеры в нескольких воксельных масштабах, выявляя значительные различия между легочными узелками на ранних и поздних стадиях.

Аннотация

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

Неинвазивная оценка злокачественных новообразований легочных узлов остается важнейшей проблемой в диагностике рака легких. Традиционные методы часто не позволяют дифференцировать доброкачественные и злокачественные узелки, особенно на ранних стадиях. В данном исследовании представлен подход с использованием мультифрактального спектрального анализа для количественной оценки характеристик легочных узлов.

Был разработан протокол на основе фракталов для обработки данных компьютерной томографии (КТ) и цифровой визуализации и связи в медицине (DICOM), что позволяет осуществлять трехмерную (3D) визуализацию и анализ мультифрактального спектра легочного узла. Метод включает в себя трехмерную объемную реконструкцию, точное разграничение ROI и расчет фрактальных размеров в нескольких масштабах. Были рассчитаны мультифрактальные спектры для узелков аденокарциномы легкого как на ранней, так и на поздней стадии, при этом был проведен сравнительный анализ с использованием количественного определения с помощью инструмента Data Tip.

Анализ показал, что фрактальная размерность 3D-цифровой матрицы легочного узла непрерывно изменяется с различными масштабами вокселей, образуя характерный мультифрактальный спектр. Наблюдались значительные различия между узелками на ранних и поздних стадиях. Конкреции поздней стадии продемонстрировали более широкий диапазон масштабов (более длинная ось X) и более высокие экстремумы в своих мультифрактальных спектрах. Эти различия были количественно подтверждены, что указывает на потенциал метода для точного определения стадии.

Мультифрактальный анализ спектра обеспечивает высокозначимый и точный количественный метод определения стадии легочных узлов, эффективно дифференцируя доброкачественные и злокачественные случаи. Этот неинвазивный метод обещает улучшить раннюю диагностику и точное определение стадии рака легких, потенциально улучшая принятие клинических решений в области легочной онкологии.

Введение

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

Рак легких остается одной из основных причин смертности от рака во всем мире, при этом раннее выявление и точная диагностика играют решающую роль в улучшении результатов лечения пациентов1. Легочные узелки, часто обнаруживаемые случайно или с помощью программ скрининга, представляют собой значительную диагностическую проблему для клиницистов. Способность дифференцировать доброкачественные и злокачественные узелки, особенно на ранних стадиях, имеет первостепенное значение для своевременного вмешательства и надлежащего лечения2.

Традиционно стандартным критерием для диагностики злокачественности легочных узлов было гистопатологическое исследование с помощью инвазивных процедур, таких как биопсия или хирургическая резекция. Несмотря на то, что эти методы позволяют поставить окончательный диагноз, они несут в себе неотъемлемые риски, включая пневмоторакс, кровотечение и инфекцию3. Более того, инвазивный характер этих процедур может привести к дискомфорту и беспокойству пациента, а также к увеличению расходов на здравоохранение. Кроме того, сами процедуры биопсии подвержены проблемам с точностью отбора проб, что может привести к получению нерепрезентативных образцов тканей, что может привести к ошибочному диагнозу. Следовательно, существует острая потребность в неинвазивных диагностических методах, которые могут точно оценить злокачественность узелков, не подвергая пациентов ненужным инвазивным процедурам4.

Компьютерная томография (КТ) стала мощным инструментом в выявлении и характеризации легочных узлов5. Тем не менее, интерпретация изображений КТ для оценки узлов остается сложной задачей из-за значительной вариабельности между наблюдателями среди радиологов. Текущие рекомендации и консенсусные заявления экспертов по оценке узелков на основе КТ в первую очередь основаны на морфологических особенностях, таких как размер, форма и скорость роста. Несмотря на то, что эти критерии предоставляют ценную информацию, им часто не хватает точности, необходимой для постановки окончательного диагноза, особенно в случаях небольших или неопределенных узелков6.

В последние годы растет интерес к использованию функций количественной визуализации, часто называемых «радиомикой», для повышения диагностической точности оценки узлов на основе КТ7. Среди этих подходов фрактальный анализ показал многообещающие возможности для выявления сложных структурных характеристик легочных узелков8. Фрактальная размерность, мера сложности объекта в различных масштабах, применяется к различным задачам медицинской визуализации, включая характеристику легочныхузелков.

Тем не менее, существующие методы анализа конкреций на основе фракталов обычно используют одномасштабный подход, вычисляя одну фрактальную размерность для каждого конкреция10. Несмотря на то, что этот подход показал некоторую полезность в дифференциации доброкачественных и злокачественных узелков, он часто приводит к значительному перекрытию между этими двумя категориями, что ограничивает его диагностическую точность. Неотъемлемое ограничение одномасштабного фрактального анализа заключается в его неспособности охватить весь спектр структурных сложностей, которые могут существовать внутри узелка в различныхпространственных масштабах.

Чтобы устранить эти ограничения, в данном исследовании представлен новый подход, мультифрактальный спектральный анализ, для оценки легочных узлов. Этот метод выходит за рамки традиционного одномасштабного фрактального анализа путем вычисления фрактальных размерностей в нескольких воксельных масштабах, тем самым генерируя всеобъемлющий спектр, характеризующий структурную сложность конкреций на различныхуровнях детализации. Этот подход основан на понимании того, что биологические структуры, включая опухоли, часто проявляют различные фрактальные свойства на разных масштабах, характеристику, которую одномасштабные методы немогут учесть.

Разработка этого мультифрактального спектрального анализа мотивирована потребностью в более точных, количественных и неинвазивных методах оценки злокачественности легочных узлов. Используя передовые методы обработки изображений и математические модели, этот подход направлен на извлечение более богатого набора признаков из изображений компьютерной томографии, потенциально выявляя тонкие различия между доброкачественными и злокачественными узелками, которые могут быть не очевидны при традиционном анализе или одномасштабныхфрактальных методах.

Значение этого исследования заключается в его потенциале для повышения точности диагностики и определения стадии рака легких на ранних стадиях. Обеспечивая более тонкую и всестороннюю характеристику структуры узелков, анализ мультифрактального спектра может позволить клиницистам принимать более обоснованные решения о ведении пациентов, потенциально снижая потребность в ненужных инвазивных процедурах в случаях доброкачественных узлов и обеспечивая своевременное вмешательство призлокачественных узлах.

Таким образом, данное исследование представляет собой мультифрактальный спектральный анализ для оценки злокачественности легочных узлов, устраняя ограничения современных диагностических подходов и одномасштабных фрактальных методов. Обеспечивая более всестороннюю и точную количественную оценку характеристик узелков, этот неинвазивный метод направлен на улучшение ранней диагностики и точного определения стадии рака легких, что в конечном итоге улучшает процесс принятия клинических решений в области легочной онкологии и способствует улучшению исходов лечения пациентов16.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

Это исследование было одобрено Этическим комитетом больницы Дунчжимэнь, аффилированной с Пекинским университетом китайской медицины (2024DZMEC-165-02). Пациент был набран из амбулаторной клиники лихорадки больницы Дунчжимэнь. Пациенты давали информированное согласие на постановку диагноза с помощью цифрового моделирования и разрешали использовать свои данные в научных исследовательских целях. Функция реконструкции модели является производной от коммерчески доступного программного инструмента (см. Таблицу материалов).

1. Подготовка и визуализация данных

  1. Перейдите в папку, содержащую файлы данных DICOM-сканирования компьютерной томографии пациента.
  2. Сгенерируйте 3D-матрицу объема из файлов DICOM, используя следующий код MATLAB:
    f=dir('*.dcm');
    for i=1:length(f)
    V(:,:,i)= dicomread(f(fidx(i)).name);
    конец
  3. Визуализируйте последовательность изображений с помощью функции sliceViewer в MATLAB: (Рисунок 1)
    цифра;
    H=sliceViewer(V);
    colormap(серый(1024));
    set(gcf, 'Панель инструментов', 'рисунок');
  4. Взаимодействуйте с объемной 3D-визуализацией.
    1. Используйте полосу прокрутки в нижней части графического интерфейса пользователя (GUI) для просмотра различных срезов в последовательности CT (рисунок 1). Обратите внимание на наличие злокачественного легочного узла диаметром 22 мм в левом легком на кадре 325.
    2. Значки для увеличения, уменьшения масштаба и возврата к глобальному виду находятся в правом верхнем углу графического интерфейса пользователя на рисунке 3. Используйте значок подсказки , чтобы отметить координаты выбранного пикселя. Используйте функцию Zoom для наблюдения за локальными особенностями поражений и их взаимоотношениями с окружающими тканями.
    3. Цветовая полоса по умолчанию представляет собой серую цветовую карту, что означает, что от синего до красного цвета отображаются значения от низкого к высокому. Щелкните правой кнопкой мыши цветовую шкалу во всплывающем меню, чтобы выбрать общую серую цветовую карту и сбросить весь графический интерфейс.
    4. Если эффект фильтра не устраивает, используйте левую кнопку мыши для перетаскивания вверх и вниз в середине рисунка, чтобы настроить уровень окна. Перетаскивайте влево и вправо, чтобы настроить ширину окна, и соответствующий точный диапазон фильтрации будет отображаться на цветовой шкале.
      ПРИМЕЧАНИЕ: Эти интерактивные элементы управления обеспечивают гибкий контроль характеристик данных CT-DICOM как в пространстве интенсивности, так и в местоположении последовательности.

2. Локальная 3D матричная визуализация поражения легочных узлов

ПРИМЕЧАНИЕ: После определения последовательности положения легочного узла в графическом интерфейсе, показанном на рисунке 1, используйте инструмент Data Tip для точного определения положения узла. Этот шаг необходим перед расчетом 3D матрицы пространства в оттенках серого для области поражения.

  1. Используйте инструмент Подсказка по данным для точного определения пиксельных координат легочного узла.
    1. В графическом интерфейсе, показанном на рисунке 1, перейдите к срезу, содержащему узел (кадр 325).
    2. Нажмите значок «Подсказки » в правом верхнем углу графического интерфейса.
    3. Щелкните по краям узелка, чтобы отметить его границы (рисунок 2).
    4. Обратите внимание на координаты X и Y, отображаемые во всплывающем окне подсказки по данным.
  2. Извлеките матрицу легочного узла в оттенках серого.
    1. На основе полученных координат определим интересующую область (ROI) в командном окне MATLAB: M = V (304:335, 309:336, 325);
      ПРИМЕЧАНИЕ: Настройте координаты (304:335, 309:336, 325) в соответствии с конкретным расположением узелка на изображении.
  3. Визуализируем локальную 3D-матрицу узелка:
    1. Введите следующую команду MATLAB для создания 3D-графика поверхности: figure; surf(M);
    2. Наблюдайте за полученной 3D-визуализацией интенсивности оттенков серого узелка (рис. 3).
  4. Взаимодействуйте с графическим интерфейсом 3D-визуализации.
    ПРИМЕЧАНИЕ: Оси X и Y представляют пространственные размеры узелка в пикселях. Ось Z представляет значения интенсивности в оттенках серого.
    1. Инструменты для увеличения, уменьшения, поворота и возврата к исходному виду по умолчанию (Восстановить вид) находятся в правом верхнем углу графического интерфейса. Используйте эти инструменты для точного исследования 3D-оцифрованного легочного узла.

3. Расчет мультифрактального спектра легочного узла

Примечание: Фрактальная размерность не уникальна для разных масштабов, а скорее образует мультифрактальный спектр, который изменяется в зависимости от различных вычислительных масштабов.

  1. Вызовем функцию Pix_size, fractal_dimension = PN_fractal_feature(M) с ранее полученной матрицей M в качестве входных данных. Это даст фрактальные размеры (fractal_dimension) на разных масштабах (Pix_size).
  2. Визуализируйте мультифрактальный спектр (рисунок 4) легочного узла с помощью следующего кода:
    цифра;
    plot (Pix_size, fratal_dimention,'linewidth',2);
    xlabel('Фрактальная шкала')
    ylabel('Фрактальная размерность')
  3. Используя те же шаги, что и в пунктах 1.1-3.2, рассчитайте для другого доброкачественного легочного узла и нанесите его на график в той же системе координат, используя другой цвет для сравнения. В результате получится рисунок 5.
  4. Чтобы более точно сравнить мультифрактальные спектры различных доброкачественных и злокачественных легочных узелков, используйте инструмент Подсказка , чтобы отметить координаты ключевых точек экстремумов на рисунке 5.
    ПРИМЕЧАНИЕ: Код MATLAB, используемый для этого протокола, доступен в виде дополнительного файла 1.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

На рисунке 1 используется объемная 3D-реконструкция последовательности КТ грудной клетки пациента, что позволяет удобно просматривать и локализовать легочные узлы пациента. Инструмент «Подсказка по данным» может эффективно очертить область интереса (ROI) интересующего узла (рисунок 2). На рисунке 3 представлена оцифрованная структура трехмерного пространства интенсивности конкреция.

В ходе практических эк...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

Мультифрактальный спектральный анализ, представленный в этом исследовании, представляет собой значительный шаг вперед в неинвазивной оценке злокачественных новообразований легочных узлов. Этот метод обладает важными преимуществами и устраняет ключевые ограничения в существующих подходах к диагностике и стадированию легочных узлов17.

Важнейшие шаги в протоколе включают в себя точную 3D-реконструкцию данных CT-DICOM (...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Программное обеспечение для мультифрактального спектра для оценки легочных узлов, Multifractal Spectrum V1.0, является продуктом Beijing Intelligent Entropy Science & Technology Co., Ltd. Права интеллектуальной собственности на данное программное средство принадлежат компании. У авторов нет конфликта интересов, о котором можно было бы заявить.

Благодарности

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

Это исследование было поддержано пилотным проектом по клиническим исследованиям и повышению потенциала трансформации достижений (DZMG-MLZY-23008) от больницы Дунчжимэнь Пекинского университета китайской медицины и проектом Start-up Fund для новых учителей (2024-BUCMXJKY-052) от Пекинского университета китайской медицины.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
MATLABMathWorks2022BВычисления и визуализация
Мультифрактальный спектр программное обеспечениеИнтеллектуальная энтропия, Пекин Интеллектуальная энтропия Наука и ООО «Технологии Ко»V1.0Моделирование для слияния КТ/МРТ

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

DICOM

Похожие статьи