JoVE Logo
发表
联系我们

登录

需要订阅 JoVE 才能查看此. 登录或开始免费试用。

本文内容

  • 摘要
  • 摘要
  • 引言
  • 研究方案
  • 结果
  • 讨论
  • 披露声明
  • 致谢
  • 材料
  • 参考文献
  • 转载和许可

摘要

本研究引入了用于评估肺结节恶性肿瘤的多分形谱分析。该方法使用 CT-DICOM 数据计算多个体素尺度的分形维度，揭示了早期和晚期肺结节之间的显着差异。

摘要

肺结节恶性肿瘤的无创评估仍然是肺癌诊断中的关键挑战。传统方法在区分良性结节和恶性结节方面往往缺乏精确性，尤其是在早期阶段。本研究介绍了一种使用多分形谱分析来定量评估肺结节特征的方法。

开发了一种基于分形的协议来处理计算机断层扫描 （CT） 数字成像和医学通信 （DICOM） 数据，从而能够对肺结节的多分形频谱进行三维 （3D） 可视化和分析。该方法涉及 3D 体积重建、精确的 ROI 描绘以及跨多个尺度的分形维度计算。计算早期和晚期肺腺癌结节的多重分形光谱，并使用数据提示工具量化进行比较分析。

分析表明，肺结节的 3D 数字矩阵的分形维数随不同的体素尺度不断变化，形成独特的多分形光谱。在早期和晚期结节之间观察到显著差异。晚期结节在其多分形光谱中表现出更宽的尺度范围 （更长的 X 轴） 和更高的极值点。这些区别得到了定量证实，表明该方法具有精确分期的潜力。

多分形谱分析为肺结节分期提供了一种高度显著和精确的定量方法，可有效区分良恶病例。这种非侵入性技术有望改善肺癌的早期诊断和准确分期，从而可能增强肺肿瘤学的临床决策。

引言

肺癌仍然是全球癌症相关死亡的主要原因之一，早期检测和准确诊断在改善患者预后方面发挥着关键作用1。肺结节通常是偶然发现的或通过筛查计划发现的，给临床医生带来了重大的诊断挑战。区分良性和恶性结节的能力，尤其是在早期阶段，对于及时干预和适当管理至关重要2。

传统上，诊断肺结节恶性肿瘤的标准是通过侵入性作（例如活检或手术切除）进行组织病理学检查。虽然这些方法提供了明确的诊断，但它们具有固有的风险，包括气胸、出血和感染3。此外，这些手术的侵入性会导致患者的不适和焦虑，以及增加医疗保健成本。此外，活检程序本身会受到采样准确性问题的影响，有可能获得不具代表性的组织样本，从而导致误诊。因此，迫切需要能够准确评估结节恶性肿瘤而无需让患者接受不必要的侵入性手术的无创诊断技术4。

计算机断层扫描 （CT） 成像已成为检测和表征肺结节的有力工具5。然而，用于结节评估的 CT 图像解释仍然具有挑战性，放射科医生之间的观察者间差异很大。目前关于基于 CT 的结节评估的指南和专家共识声明主要依赖于形态学特征，例如大小、形状和生长速度。虽然这些标准提供了有价值的信息，但它们往往缺乏明确诊断所需的精确性，尤其是在小结节或不确定结节的情况下6。

近年来，人们越来越关注利用定量成像功能（通常称为"放射组学"）来提高基于 CT 的结节评估的诊断准确性7。在这些方法中，分形分析在捕获肺结节的复杂结构特征方面显示出前景8。分形维数是衡量物体在不同尺度上复杂性的指标，已被应用于各种医学成像问题，包括肺结节的表征9。

然而，现有的基于分形的结节分析方法通常采用单尺度方法，为每个结节计算单个分形维数10。虽然这种方法在区分良性和恶性结节方面显示出一定的实用性，但它通常会导致两类结节之间有明显的重叠，从而限制了其诊断精度。单尺度分形分析的固有局限性在于它无法捕捉不同空间尺度上结节内可能存在的所有结构复杂性11。

为了解决这些局限性，本研究引入了一种新方法，即多分形谱分析，用于肺结节评估。这种方法通过计算多个体素尺度的分形维度，超越了传统的单尺度分形分析，从而生成了一个全面的光谱，可以在各种细节层次上描述结节的结构复杂性12。这种方法植根于这样一种理解，即包括肿瘤在内的生物结构通常在不同的尺度上表现出不同的分形特性，这是单一尺度方法无法捕捉的特征13。

这种多分形谱分析的发展是由于需要更精确、定量和非侵入性方法来评估肺结节恶性肿瘤。通过利用先进的图像处理技术和数学模型，该方法旨在从 CT 图像中提取更丰富的特征，从而可能揭示良性和恶性结节之间的细微差异，这些差异可能无法通过常规分析或单尺度分形方法明显14。

这项研究的意义在于其提高早期肺癌诊断和分期准确性的潜力。通过提供更细致和全面的结节结构特征，多分形谱分析可能使临床医生能够对患者管理做出更明智的决策，从而可能减少良性结节对不必要的侵入性手术的需求，同时确保对恶性结节的及时干预15。

综上所述，本研究引入了多分形谱分析来评估肺结节恶性肿瘤，解决了当前诊断方法和单尺度分形方法的局限性。通过提供更全面、更精确的结节特征定量评估，这种非侵入性技术旨在改善肺癌的早期诊断和准确分期，最终增强肺肿瘤学的临床决策，并有助于改善患者预后16。

Access restricted. Please log in or start a trial to view this content.

研究方案

本研究经北京中医药大学附属东直门医院伦理委员会批准 （2024DZMEC-165-02）。患者从东直门医院发热门诊招募。患者通过数字建模为他们的诊断提供了知情同意，并授权将他们的数据用于科学研究目的。模型重建函数源自市售软件工具（参见 材料表）。

1. 数据准备和可视化

  1. 导航到包含患者 CT 扫描 DICOM 数据文件的文件夹。
  2. 使用以下 MATLAB 代码从 DICOM 文件生成 3D 体积矩阵:
    f=dir（'*.dcm'）;
    对于 i=1:长度 （f）
    V（:，:，i）= dicomread（f（fidx（i））.name）;
    结束
  3. 使用 MATLAB 的 sliceViewer 函数可视化图像序列:（图 1）
    数字;
    H=切片查看器（V）;
    colormap（灰色（1024））;
    set（gcf， '工具栏'， '数字'）;
  4. 与 3D 体积可视化交互。
    1. 使用图形用户界面 （GUI） 底部的滚动条浏览 CT 序列中的不同切片（图 1）。请注意，在第 325 帧的左肺中存在一个 22 mm 的恶性肺结节。
    2. 在 图 3 的 GUI 右上角找到用于放大、缩小和返回到全局视图的图标。使用 Data Tip 图标标记所选像素的坐标。使用 Zoom 功能观察病变的局部特征及其与周围组织的关系。
    3. 默认颜色条是灰色颜色图，这意味着蓝色到红色表示从低到高的值。右键单击弹出菜单中的 Color Bar 以选择常见的灰色颜色图并重置整个 GUI。
    4. 如果滤镜效果不满意，用鼠标左键在图中中间上下拖动，调整窗口级别。左右拖动调整窗口宽度，相应的准确过滤范围会显示在彩条上。
      注:这些交互式控件可以灵活地检查强度空间和序列位置的 CT-DICOM 数据特性。

2. 肺结节病变的局部 3D 矩阵可视化

注:在 图 1 所示的 GUI 中找到肺结节的序列位置后，使用 数据提示 工具精确描绘结节的位置。在计算病变区域的灰度空间的 3D 矩阵之前，此步骤是必要的。

  1. 使用 数据提示 工具精确识别肺结节的像素坐标。
    1. 在 图 1 所示的 GUI 中，导航到包含结节的切片（第 325 帧）。
    2. 单击 GUI 右上角的 Data Tip 图标。
    3. 单击结节的边缘以标记其边界（图 2）。
    4. 请注意数据提示弹出窗口中显示的 X 和 Y 坐标。
  2. 提取肺结节的灰度矩阵。
    1. 根据获得的坐标，在 MATLAB 命令窗口中定义感兴趣区域 （ROI）: M = V （304:335， 309:336， 325）;
      注意:根据图像中的特定结节位置调整坐标（304:335、309:336、325）。
  3. 可视化结节的局部 3D 矩阵:
    1. 输入以下 MATLAB 命令以创建 3D 曲面图: figure; surf（M）;
    2. 观察结核灰度强度的 3D 可视化结果（图 3）。
  4. 与 3D 可视化 GUI 交互。
    注意:X 轴和 Y 轴表示结节的空间尺寸（以像素为单位）。Z 轴表示灰度强度值。
    1. 在 GUI 的右上角找到用于放大、缩小、旋转和返回到默认初始视图 （Restore View） 的工具。使用这些工具精确检查 3D 数字化肺结节。

3. 计算肺结节的多分形谱

注意:分形维数在不同尺度上并不是唯一的，而是形成一个随不同计算尺度而变化的多重分形谱。

  1. 调用函数 Pix_size，fractal_dimension = PN_fractal_feature（M）， 以之前获取的 M 矩阵作为输入。这将产生不同尺度 （Pix_size） 的分形维数 （fractal_dimension）。
  2. 使用以下代码可视化肺结节的多重分形谱（图 4）:
    数字;
    plot （Pix_size， fratal_dimention，'linewidth'，2）;
    xlabel（'分形尺度'）
    ylabel（'分形维度'）
  3. 使用与 1.1-3.2 中相同的步骤，计算另一个良性肺结节，并使用不同的颜色在同一坐标系中绘制它以进行比较。这将产生 图 5。
  4. 为了更精确地比较不同良性和恶性肺结节的多分形光谱，请使用 数据提示 工具标记 图 5 中关键极值点的坐标。
    注意:用于此协议的 MATLAB 代码作为 补充文件 1 提供。

Access restricted. Please log in or start a trial to view this content.

结果

图 1 使用患者胸部 CT 序列的 3D 体积重建，可以方便地查看和定位受试者的肺结节。数据提示工具可以有效地勾勒出感兴趣结节的感兴趣区域 （ROI）（图 2）。 图 3 提供了结节 3D 强度空间的数字化结构。

这项研究通过实际实验发现，分形维数在不同的体素尺度上并不是唯一的，而是...

Access restricted. Please log in or start a trial to view this content.

讨论

本研究中提出的多分形谱分析代表了肺结节恶性肿瘤无创评估的重大进展。这种方法提供了重要的优势，并解决了现有肺结节诊断和分期方法的主要局限性17。

该协议中的关键步骤包括 CT-DICOM 数据的精确 3D 重建（图 1）、感兴趣区域的准确描绘（图 2）以及跨多个体素尺度的分形分析的?...

Access restricted. Please log in or start a trial to view this content.

披露声明

用于评估肺结节的多重分形光谱软件工具，多重分形光谱V1.0，是北京智能熵科技有限公司的产品。本软件工具的知识产权归本公司所有。作者没有需要声明的利益冲突。

致谢

本研究得到了北京中医药大学东直门医院临床研究和成果转化能力提升试点项目 （DZMG-MLZY-23008） 和北京中医药大学新教师启动基金项目 （2024-BUCMXJKY-052） 的支持。

Access restricted. Please log in or start a trial to view this content.

材料

NameCompanyCatalog NumberComments
MATLABMathWorks2022BComputing and visualization
Multifractal Spectrum softwareIntelligent Entropy, Beijing Intelligent Entropy Science & Technology Co Ltd.V1.0Modeling for CT/MRI fusion

参考文献

  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).

Access restricted. Please log in or start a trial to view this content.

转载和许可

请求许可使用此 JoVE 文章的文本或图形

请求许可

探索更多文章

JoVE 215

This article has been published

Video Coming Soon

JoVE Logo

政策

使用条款

隐私

联系我们

向图书馆推荐

JoVE 新闻简报

科研

教育

发表

图书馆员

关于 JoVE

版权所属 © 2025 MyJoVE 公司版权所有，本公司不涉及任何医疗业务和医疗服务。