Yöntem makalesi

Pulmoner Nodül Malignitesini Değerlendirmek için Multifraktal Spektrum Analizi

DOI:

10.3791/67990

⸱

10 Ocak 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.

Bu makalede

Özet

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

Bu çalışmada pulmoner nodül malignitesini değerlendirmek için multifraktal spektrum analizi tanıtılmıştır. Yöntem, CT-DICOM verilerini kullanarak, erken evre ve geç evre pulmoner nodüller arasında önemli farklılıklar ortaya çıkararak, çoklu voksel ölçeklerinde fraktal boyutları hesaplar.

Özet

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

Pulmoner nodül malignitesinin non-invaziv değerlendirilmesi akciğer kanseri tanısında kritik bir zorluk olmaya devam etmektedir. Geleneksel yöntemler, özellikle erken evrelerde, iyi huylu nodülleri kötü huylu nodüllerden ayırt etmede genellikle kesinlikten yoksundur. Bu çalışma, pulmoner nodül özelliklerini kantitatif olarak değerlendirmek için multifraktal spektrum analizini kullanan bir yaklaşım sunmaktadır.

Bilgisayarlı tomografi (BT)-tıpta dijital görüntüleme ve iletişim (DICOM) verilerini işlemek için fraktal tabanlı bir protokol geliştirildi ve pulmoner nodülün multifraktal spektrumunun üç boyutlu (3D) görselleştirilmesini ve analizini sağladı. Yöntem, 3B hacim rekonstrüksiyonunu, kesin ROI tanımlamasını ve birden fazla ölçekte fraktal boyutların hesaplanmasını içerir. Hem erken evre hem de geç evre akciğer adenokarsinomu nodülleri için multifraktal spektrumlar hesaplandı ve veri ucu aracı kantizasyonu kullanılarak karşılaştırmalı analiz yapıldı.

Analiz, bir pulmoner nodülün 3D dijital matrisinin fraktal boyutunun, farklı voksel ölçeklerine göre sürekli olarak değiştiğini ve belirgin bir multifraktal spektrum oluşturduğunu ortaya koydu. Erken evre ve geç evre nodüller arasında anlamlı farklılıklar gözlendi. Geç evre nodüller, multifraktal spektrumlarında daha geniş bir ölçek aralığı (daha uzun X ekseni) ve daha yüksek uç noktalar gösterdi. Bu ayrımlar nicel olarak doğrulandı ve bu da yöntemin kesin evreleme potansiyelini gösterdi.

Multifraktal spektrum analizi, pulmoner nodüllerin evrelenmesi için oldukça önemli ve kesin bir kantitatif yöntem sağlar ve benign ve malign vakaları etkili bir şekilde ayırt eder. Bu non-invaziv teknik, akciğer kanserinin erken teşhisini ve doğru evrelemesini iyileştirmek için umut vaat etmekte ve pulmoner onkolojide klinik karar vermeyi potansiyel olarak geliştirmektedir.

Giriş

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

Akciğer kanseri, dünya çapında kansere bağlı ölümlerin önde gelen nedenlerinden biri olmaya devam etmekte olup, erken teşhis ve doğru tanı, hasta sonuçlarının iyileştirilmesinde çok önemli roller oynamaktadır1. Sıklıkla tesadüfen veya tarama programları ile tespit edilen pulmoner nodüller, klinisyenler için önemli bir tanı zorluğu oluşturmaktadır. Benign ve malign nodülleri, özellikle erken evrelerinde ayırt etme yeteneği, zamanında müdahale ve uygun tedavi için çok önemlidir2.

Geleneksel olarak, pulmoner nodül malignitesinin teşhisi için kriter standart, biyopsi veya cerrahi rezeksiyon gibi invaziv prosedürler yoluyla histopatolojik inceleme olmuştur. Bu yöntemler kesin tanı sağlarken, pnömotoraks, kanama ve enfeksiyon gibi doğal riskler taşırlar3. Ayrıca, bu prosedürlerin invaziv doğası, hastada rahatsızlık ve endişenin yanı sıra sağlık maliyetlerinin artmasına neden olabilir. Ek olarak, biyopsi prosedürlerinin kendileri, yanlış teşhise yol açabilecek temsili olmayan doku örnekleri elde etme potansiyeli ile örnekleme doğruluğu sorunlarına tabidir. Sonuç olarak, hastaları gereksiz invaziv prosedürlere maruz bırakmadan nodül malignitesini doğru bir şekilde değerlendirebilen non-invaziv tanı tekniklerine acil bir ihtiyaç vardır4.

Bilgisayarlı Tomografi (BT) görüntüleme, pulmoner nodüllerin saptanması ve karakterizasyonunda güçlü bir araç olarak ortaya çıkmıştır5. Bununla birlikte, nodül değerlendirmesi için BT görüntülerinin yorumlanması, radyologlar arasında gözlemciler arası önemli değişkenlik ile zor olmaya devam etmektedir. BT tabanlı nodül değerlendirmesine ilişkin güncel kılavuzlar ve uzman fikir birliği beyanları öncelikle boyut, şekil ve büyüme hızı gibi morfolojik özelliklere dayanmaktadır. Bu kriterler değerli bilgiler sağlarken, özellikle küçük veya belirsiz nodül vakalarında kesin tanı için gerekli hassasiyetten yoksundurlar6.

Son yıllarda, BT tabanlı nodül değerlendirmesinin tanısal doğruluğunu artırmak için genellikle "radyomikler" olarak adlandırılan kantitatif görüntüleme özelliklerinin kullanılmasına artan bir ilgi olmuştur7. Bu yaklaşımlar arasında, fraktal analiz, pulmoner nodüllerin karmaşık yapısal özelliklerini yakalamada umut vaat etmiştir8. Bir nesnenin farklı ölçeklerdeki karmaşıklığının bir ölçüsü olan fraktal boyut, pulmoner nodüllerin karakterizasyonu da dahil olmak üzere çeşitli tıbbi görüntüleme problemlerine uygulanmıştır9.

Bununla birlikte, nodül analizi için mevcut fraktal tabanlı yöntemler tipik olarak her nodül10 için tek bir fraktal boyut hesaplayan tek ölçekli bir yaklaşım kullanır. Bu yaklaşım, iyi huylu ve kötü huylu nodüller arasında ayrım yapmada bir miktar fayda göstermiş olsa da, genellikle iki kategori arasında önemli bir örtüşme ile sonuçlanır ve tanısal hassasiyetini sınırlar. Tek ölçekli fraktal analizin doğasında var olan sınırlama, farklı uzamsal ölçeklerde bir nodül içinde var olabilecek yapısal karmaşıklıkların tam spektrumunu yakalayamamasında yatmaktadır11.

Bu sınırlamaları ele almak için, bu çalışma pulmoner nodül değerlendirmesi için yeni bir yaklaşım olan multifraktal spektrum analizini tanıtmaktadır. Bu yöntem, birden fazla voksel ölçeğinde fraktal boyutları hesaplayarak geleneksel tek ölçekli fraktal analizin ötesine uzanır, böylece nodülün yapısal karmaşıklığını çeşitli ayrıntı seviyelerinde karakterize eden kapsamlı bir spektrum oluşturur12. Bu yaklaşım, tümörler de dahil olmak üzere biyolojik yapıların genellikle farklı ölçeklerde farklı fraktal özellikler sergilediği anlayışına dayanmaktadır, bu da tek ölçekli yöntemlerin yakalayamadığı bir özelliktir13.

Bu multifraktal spektrum analizinin geliştirilmesi, pulmoner nodül malignitesini değerlendirmek için daha kesin, kantitatif ve non-invaziv yöntemlere duyulan ihtiyaçtan kaynaklanmaktadır. Bu yaklaşım, gelişmiş görüntü işleme tekniklerinden ve matematiksel modellerden yararlanarak, BT görüntülerinden daha zengin bir dizi özellik çıkarmayı ve potansiyel olarak iyi huylu ve kötü huylu nodüller arasında geleneksel analiz veya tek ölçekli fraktal yöntemlerle görülemeyebilecek ince farklılıkları ortaya çıkarmayı amaçlamaktadır14.

Bu araştırmanın önemi, erken evre akciğer kanseri tanı ve evrelemesinin doğruluğunu artırma potansiyelinde yatmaktadır. Multifraktal spektrum analizi, nodül yapısının daha incelikli ve kapsamlı bir karakterizasyonunu sağlayarak, klinisyenlerin hasta yönetimi hakkında daha bilinçli kararlar vermelerini sağlayabilir ve malign nodül vakalarında gereksiz invaziv prosedürlere olan ihtiyacı potansiyel olarak azaltırken malign olanlar için zamanında müdahale sağlar15.

Özetle, bu araştırma, pulmoner nodül malignitesini değerlendirmek, mevcut tanı yaklaşımlarının ve tek ölçekli fraktal yöntemlerin sınırlamalarını ele almak için multifraktal spektrum analizini tanıtmaktadır. Bu non-invaziv teknik, nodül özelliklerinin daha kapsamlı ve kesin bir kantitatif değerlendirmesini sağlayarak, akciğer kanserinin erken teşhisini ve doğru evrelemesini iyileştirmeyi, sonuçta pulmoner onkolojide klinik karar vermeyi geliştirmeyi ve daha iyi hasta sonuçlarına katkıda bulunmayı amaçlamaktadır16.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Bu çalışma, Pekin Çin Tıbbı Üniversitesi'ne bağlı Dongzhimen Hastanesi Etik Kurulu tarafından onaylanmıştır (2024DZMEC-165-02). Hasta, Dongzhimen Hastanesi Ateş Polikliniği'nden işe alındı. Hastalar, dijital modelleme yoluyla tanıları için bilgilendirilmiş onam verdiler ve verilerinin bilimsel araştırma amacıyla kullanılmasına izin verdiler. Model yeniden yapılandırma işlevi, ticari olarak temin edilebilen bir yazılım aracından türetilmiştir (bkz. Malzeme Tablosu).

1. Veri hazırlama ve görselleştirme

  1. Hastanın BT taraması DICOM veri dosyalarını içeren klasöre gidin.
  2. Aşağıdaki MATLAB kodunu kullanarak DICOM dosyalarından bir 3B birim matrisi oluşturun:
    f=dir('*.dcm');
    i=1:length(f) için
    V(:,:,i)= dicomread(f(fidx(i)).name);
    son
  3. MATLAB'ın sliceViewer işlevini kullanarak görüntü dizisini görselleştirin: (Şekil 1)
    şekil;
    H=dilimGörüntüleyici(V);
    ColorMap(Gri(1024));
    set(gcf, 'Araç Çubuğu', 'şekil');
  4. 3B hacim görselleştirmesi ile etkileşim kurun.
    1. CT dizisindeki farklı dilimlere göz atmak için grafik kullanıcı arayüzünün (GUI) altındaki kaydırma çubuğunu kullanın (Şekil 1). Sol akciğerde 325. karede 22 mm'lik malign pulmoner nodül varlığına dikkat edin.
    2. Şekil 3'te GUI'nin sağ üst köşesinde yakınlaştırma, uzaklaştırma ve genel görünüme dönme simgelerini bulun. Seçilen pikselin koordinatlarını işaretlemek için Veri İpucu simgesini kullanın. Lezyonların lokal özelliklerini ve çevre dokularla ilişkilerini gözlemlemek için Yakınlaştırma işlevini kullanın.
    3. Varsayılan renk çubuğu gri renk haritasıdır, bu da maviden kırmızıya kadar olan değerlerin düşükten yükseğe değerleri temsil ettiği anlamına gelir. Ortak gri renk haritasını seçmek ve tüm GUI'yi sıfırlamak için açılır menüdeki Renk Çubuğu'na sağ tıklayın.
    4. Filtre efekti memnun değilse, pencere seviyesini ayarlamak için şeklin ortasında yukarı ve aşağı sürüklemek için farenin sol düğmesini kullanın. Pencere genişliğini ayarlamak için sola ve sağa sürükleyin ve ilgili doğru filtreleme aralığı renk çubuğunda görüntülenecektir.
      NOT: Bu etkileşimli kontroller, CT-DICOM veri özelliklerinin hem yoğunluk alanı hem de dizi konumu boyunca esnek bir şekilde incelenmesini sağlar.

2. Pulmoner nodül lezyonlarının lokal 3D matris görselleştirmesi

NOT: Şekil 1'de gösterilen GUI'de pulmoner nodülün dizi konumunu bulduktan sonra, nodülün konumunu tam olarak tanımlamak için Veri İpucu aracını kullanın. Bu adım, lezyon alanı için gri tonlamalı alanın 3B matrisini hesaplamadan önce gereklidir.

  1. Pulmoner nodülün piksel koordinatlarını tam olarak belirlemek için Veri İpucu aracını kullanın.
    1. Şekil 1'de gösterilen GUI'de, nodülü içeren dilime gidin (çerçeve 325).
    2. GUI'nin sağ üst köşesindeki Veri İpucu simgesine tıklayın.
    3. Sınırlarını işaretlemek için nodülün kenarlarına tıklayın (Şekil 2).
    4. Veri ipucu açılır penceresinde görüntülenen X ve Y koordinatlarına dikkat edin.
  2. Pulmoner nodülün gri tonlamalı matrisini çıkarın.
    1. Elde edilen koordinatlara dayanarak, MATLAB komut penceresinde ilgilenilen bölgeyi (ROI) tanımlayın: M = V (304:335, 309:336, 325);
      NOT: Koordinatları (304:335, 309:336, 325) görüntüdeki belirli nodül konumuna göre ayarlayın.
  3. Nodülün yerel 3D matrisini görselleştirin:
    1. Bir 3B yüzey çizimi oluşturmak için aşağıdaki MATLAB komutunu girin: figure; surf(M);
    2. Nodülün gri tonlamalı yoğunluklarının ortaya çıkan 3D görselleştirmesini gözlemleyin (Şekil 3).
  4. 3B görselleştirme GUI ile etkileşim kurun.
    NOT: X ve Y eksenleri, nodülün uzamsal boyutlarını piksel cinsinden temsil eder. Z ekseni gri tonlamalı yoğunluk değerlerini temsil eder.
    1. Yakınlaştırma, uzaklaştırma, döndürme ve varsayılan başlangıç görünümüne (Görünümü Geri Yükle) geri dönme araçlarını GUI'nin sağ üst köşesinde bulun. 3D sayısallaştırılmış pulmoner nodülün hassas muayenesi için bu araçları kullanın.

3. Pulmoner nodülün multifraktal spektrumunun hesaplanması

NOT: Fraktal boyut, farklı ölçeklerde benzersiz değildir, bunun yerine farklı hesaplama ölçeklerine göre değişen çok fraktal bir spektrum oluşturur.

  1. Pix_size, fractal_dimension = PN_fractal_feature(M) fonksiyonunu daha önce elde edilen M matrisi ile girdi olarak çağırın. Bu, farklı ölçeklerde (Pix_size) fraktal boyutları (fractal_dimension) verecektir.
  2. Aşağıdaki kodu kullanarak pulmoner nodülün Multifraktal Spektrumunu (Şekil 4) görselleştirin:
    şekil;
    arsa (Pix_size, fratal_dimention,'Çizgi Genişliği',2);
    xlabel('Fraktal ölçek')
    ylabel('Fraktal Boyut')
  3. 1.1-3.2'deki ile aynı adımları kullanarak, başka bir iyi huylu pulmoner nodül için hesaplayın ve karşılaştırma için farklı bir renk kullanarak aynı koordinat sisteminde çizin. Bu, Şekil 5'i üretecektir.
  4. Farklı iyi huylu ve kötü huylu pulmoner nodüllerin multifraktal spektrumlarını daha kesin bir şekilde karşılaştırmak için, Şekil 5'teki anahtar ekstremum noktaların koordinatlarını işaretlemek için Veri İpucu aracını kullanın.
    NOT: Bu protokol için kullanılan MATLAB kodu Ek Dosya 1 olarak mevcuttur.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Şekil 1, hastanın torasik BT sekansının 3D hacimli bir rekonstrüksiyonunu kullanır ve deneğin pulmoner nodüllerinin uygun şekilde görüntülenmesine ve lokalizasyonuna olanak tanır. Veri İpucu aracı, ilgilenilen nodülün İlgi Bölgesini (ROI) etkili bir şekilde özetleyebilir (Şekil 2). Şekil 3 , nodülün 3B yoğunluk uzayının sayısallaştırılmış bir yapısını sağlar.

Bu çalışma, pratik deneyler yoluyla, fraktal b...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Bu çalışmada sunulan multifraktal spektrum analizi, pulmoner nodül malignitesinin non-invaziv değerlendirmesinde önemli bir ilerlemeyi temsil etmektedir. Bu yöntem önemli avantajlar sunmakta ve pulmoner nodül tanısı ve evrelemesi için mevcut yaklaşımlardaki temel sınırlamaları ele almaktadır17.

Protokoldeki kritik adımlar arasında CT-DICOM verilerinin hassas 3D rekonstrüksiyonu (Şekil 1), ilgilenilen bölgen...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Pulmoner nodülleri değerlendirmek için multifraktal spektrum için yazılım aracı olan Multifractal Spectrum V1.0, Beijing Intelligent Entropy Science & Technology Co., Ltd.'nin bir ürünüdür. Bu yazılım aracının fikri mülkiyet hakları şirkete aittir. Yazarların beyan edebilecekleri herhangi bir çıkar çatışması yoktur.

Teşekkürler

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

Bu araştırma, Pekin Çin Tıbbı Üniversitesi Dongzhimen Hastanesi'nden Klinik Araştırma ve Başarı Dönüşüm Kapasitesini Geliştirme Pilot Projesi (DZMG-MLZY-23008) ve Pekin Çin Tıbbı Üniversitesi'nden Yeni Öğretmenler için Başlangıç Fonu Projesi (2024-BUCMXJKY-052) tarafından desteklenmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
MATLABMathWorks2022BBilgi işlem ve görselleştirme
Multifraktal Spektrum yazılımıAkıllı Entropi, Pekin Akıllı Entropi Bilimi ve Teknoloji Ltd. Şti.CT/MRI füzyonu içinV1.0
Modelleme

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Fraktal BoyutBT G r nt lemeDICOM Verileri3B Hacim Rekonstr ksiyonulgi AlanAkci er AdenokarsinomuMorfolojik AnalizNoninvaziv De erlendirme

İlgili makaleler