Multifraktale Spektrumanalyse zur Beurteilung der Malignität von Lungenknoten

Zusammenfassung

In dieser Studie wird die multifraktale Spektrenanalyse zur Beurteilung der Malignität von Lungenknoten vorgestellt. Unter Verwendung von CT-DICOM-Daten berechnet die Methode fraktale Dimensionen über mehrere Voxelskalen hinweg, wobei signifikante Unterschiede zwischen Lungenknoten im Frühstadium und im Spätstadium aufgedeckt werden.

Zusammenfassung

Die nicht-invasive Beurteilung der Malignität von Lungenknoten ist nach wie vor eine entscheidende Herausforderung bei der Diagnose von Lungenkrebs. Traditionelle Methoden sind vor allem im Frühstadium oft nicht präzise bei der Unterscheidung zwischen gutartigen und bösartigen Knoten. In dieser Studie wird ein Ansatz vorgestellt, der die multifraktale Spektrenanalyse zur quantitativen Bewertung der Eigenschaften von Lungenknoten verwendet.

Es wurde ein fraktalbasiertes Protokoll entwickelt, um Daten aus der Computertomographie (CT) und der digitalen Bildgebung und Kommunikation in der Medizin (DICOM) zu verarbeiten, das eine dreidimensionale (3D) Visualisierung und Analyse des multifraktalen Spektrums von Lungenknoten ermöglicht. Die Methode umfasst die 3D-Volumenrekonstruktion, die präzise ROI-Abgrenzung und die Berechnung fraktaler Dimensionen über mehrere Skalen. Multifraktale Spektren wurden sowohl für Lungenadenokarzinomknoten im Frühstadium als auch im Spätstadium berechnet, wobei eine vergleichende Analyse mit Hilfe der Quantifizierung von Datenspitzenwerkzeugen durchgeführt wurde.

Die Analyse zeigte, dass die fraktale Dimension der digitalen 3D-Matrix eines Lungenknotens kontinuierlich mit verschiedenen Voxelskalen variiert und ein ausgeprägtes multifraktales Spektrum bildet. Es wurden signifikante Unterschiede zwischen Knötchen im Frühstadium und im Spätstadium beobachtet. Knötchen im Spätstadium zeigten einen größeren Skalenbereich (längere X-Achse) und höhere Extrempunkte in ihren multifraktalen Spektren. Diese Unterscheidungen wurden quantitativ bestätigt, was auf das Potenzial der Methode für ein präzises Staging hinweist.

Die multifraktale Spektrenanalyse stellt eine hochsignifikante und präzise quantitative Methode zur Stadieneinteilung von Lungenknoten dar, die effektiv zwischen gutartigen und bösartigen Fällen unterscheidet. Diese nicht-invasive Technik ist vielversprechend für die Verbesserung der Frühdiagnose und des genauen Staging von Lungenkrebs und verbessert möglicherweise die klinische Entscheidungsfindung in der Lungenonkologie.

Einleitung

Lungenkrebs ist nach wie vor eine der häufigsten krebsbedingten Todesursachen weltweit, wobei Früherkennung und genaue Diagnose eine entscheidende Rolle bei der Verbesserung der Patientenergebnisse spielen¹. Lungenknoten, die oft zufällig oder durch Screening-Programme entdeckt werden, stellen eine große diagnostische Herausforderung für Ärzte dar. Die Fähigkeit, zwischen gutartigen und bösartigen Knoten zu unterscheiden, insbesondere in den frühen Stadien, ist für eine rechtzeitige Intervention und ein angemessenes Management von größter Bedeutung².

Traditionell ist der Kriteriumsstandard für die Diagnose von Lungenknotenmalignität die histopathologische Untersuchung durch invasive Verfahren wie Biopsie oder chirurgische Resektion. Diese Methoden liefern zwar endgültige Diagnosen, bergen aber inhärente Risiken, einschließlich Pneumothorax, Blutungen und Infektionen³. Darüber hinaus kann der invasive Charakter dieser Verfahren zu Unbehagen und Ängsten der Patienten sowie zu erhöhten Gesundheitskosten führen. Darüber hinaus unterliegen Biopsieverfahren selbst Problemen mit der Genauigkeit der Probenahme, wobei die Möglichkeit besteht, nicht repräsentative Gewebeproben zu erhalten, die zu Fehldiagnosen führen können. Folglich besteht ein dringender Bedarf an nicht-invasiven Diagnosetechniken, die die Malignität von Knoten genau beurteilen können, ohne dass die Patienten unnötigen invasiven Verfahren unterzogen^{werden müssen 4}.

Die Computertomographie (CT) hat sich zu einem leistungsfähigen Werkzeug bei der Erkennung und Charakterisierung von Lungenknoten entwickelt⁵. Die Interpretation von CT-Bildern für die Beurteilung von Knoten bleibt jedoch eine Herausforderung, da die Variabilität zwischen den Beobachtern unter Radiologen erheblich ist. Aktuelle Leitlinien und Expertenkonsensus zur CT-basierten Knotenbewertung stützen sich in erster Linie auf morphologische Merkmale wie Größe, Form und Wachstumsrate. Diese Kriterien liefern zwar wertvolle Informationen, aber es fehlt ihnen oft an der Präzision, die für eine endgültige Diagnose erforderlich ist, insbesondere bei kleinen oder unbestimmten Knötchen⁶.

In den letzten Jahren gab es ein wachsendes Interesse an der Verwendung quantitativer Bildgebungsmerkmale, die oft als "Radiomics" bezeichnet werden, um die diagnostische Genauigkeit der CT-basierten Knotenbeurteilung zu verbessern⁷. Unter diesen Ansätzen hat sich die fraktale Analyse als vielversprechend erwiesen, um die komplexen strukturellen Eigenschaften von Lungenknoten^{zu erfassen 8}. Die fraktale Dimension, ein Maß für die Komplexität eines Objekts über verschiedene Skalen hinweg, wurde auf verschiedene Probleme der medizinischen Bildgebung angewendet, einschließlich der Charakterisierung von Lungenknoten⁹.

Bestehende fraktalbasierte Methoden zur Knollenanalyse verwenden jedoch typischerweise einen einskaligen Ansatz, bei dem für jeden Knollen¹⁰ eine einzelne fraktale Dimension berechnet wird. Obwohl sich dieser Ansatz bei der Unterscheidung zwischen gutartigen und bösartigen Knoten als nützlich erwiesen hat, führt er oft zu einer erheblichen Überlappung zwischen den beiden Kategorien, was die diagnostische Präzision einschränkt. Die inhärente Einschränkung der einskaligen fraktalen Analyse liegt in ihrer Unfähigkeit, das gesamte Spektrum der strukturellen Komplexitäten zu erfassen, die innerhalb eines Knotens über verschiedene räumliche Skalen hinweg vorhanden sein können¹¹.

Um diese Einschränkungen zu beheben, wird in dieser Studie ein neuartiger Ansatz, die multifraktale Spektrenanalyse, für die Beurteilung von Lungenknoten eingeführt. Diese Methode geht über die traditionelle Fraktalanalyse auf einer Skala hinaus, indem sie fraktale Dimensionen über mehrere Voxelskalen berechnet und dadurch ein umfassendes Spektrum erzeugt, das die strukturelle Komplexität des Knotens auf verschiedenen Detailebenen charakterisiert¹². Dieser Ansatz basiert auf der Erkenntnis, dass biologische Strukturen, einschließlich Tumoren, oft unterschiedliche fraktale Eigenschaften auf verschiedenen Skalen aufweisen, eine Eigenschaft, die einskalige Methoden nicht erfassen können¹³.

Die Entwicklung dieser multifraktalen Spektrenanalyse ist motiviert durch den Bedarf an präziseren, quantitativen und nicht-invasiven Methoden zur Beurteilung der Malignität von Lungenknoten. Durch den Einsatz fortschrittlicher Bildverarbeitungstechniken und mathematischer Modelle zielt dieser Ansatz darauf ab, eine reichhaltigere Menge an Merkmalen aus CT-Bildern zu extrahieren und möglicherweise subtile Unterschiede zwischen gutartigen und bösartigen Knoten aufzudecken, die durch herkömmliche Analysen oder einskalige fraktale Methoden möglicherweise nicht erkennbar sind¹⁴.

Die Bedeutung dieser Forschung liegt in ihrem Potenzial, die Genauigkeit der Diagnose und des Staging von Lungenkrebs im Frühstadium zu verbessern. Durch eine nuanciertere und umfassendere Charakterisierung der Knotenstruktur kann die multifraktale Spektrumanalyse Klinikern ermöglichen, fundiertere Entscheidungen über das Patientenmanagement zu treffen, wodurch möglicherweise der Bedarf an unnötigen invasiven Eingriffen bei gutartigen Knoten reduziert und gleichzeitig eine rechtzeitige Intervention bei bösartigen Knoten sichergestellt^{wird 15}.

Zusammenfassend lässt sich sagen, dass diese Studie die multifraktale Spektrenanalyse zur Beurteilung der Malignität von Lungenknoten einführt und dabei die Grenzen aktueller diagnostischer Ansätze und einskaliger fraktaler Methoden berücksichtigt. Durch eine umfassendere und präzisere quantitative Beurteilung der Knotenmerkmale zielt diese nicht-invasive Technik darauf ab, die Früherkennung und das genaue Staging von Lungenkrebs zu verbessern, was letztendlich die klinische Entscheidungsfindung in der Lungenonkologie verbessert und zu verbesserten Patientenergebnissen beiträgt¹⁶.

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

Protokoll

Diese Studie wurde von der Ethikkommission des Dongzhimen Krankenhauses genehmigt, das der Beijing University of Chinese Medicine angegliedert ist (2024DZMEC-165-02). Der Patient wurde aus der Fieberambulanz des Dongzhimen-Krankenhauses rekrutiert. Die Patienten gaben eine Einverständniserklärung für ihre Diagnose durch digitale Modellierung und genehmigten die Verwendung ihrer Daten für wissenschaftliche Forschungszwecke. Die Modellrekonstruktionsfunktion wurde von einem kommerziell erhältlichen Softwaretool abgeleitet (siehe Materialtabelle).

1. Datenaufbereitung und Visualisierung

1. Navigieren Sie zu dem Ordner, der die CT-Scan-DICOM-Datendateien des Patienten enthält.
2. Generieren Sie eine 3D-Volumenmatrix aus den DICOM-Dateien mit dem folgenden MATLAB-Code:
   f=Verzeichnis('*.dcm');
   für i=1:length(f)
   V(:,:,i)= dicomread(f(fidx(i)).name);
   Ende
3. Visualisieren Sie die Bildsequenz mit der sliceViewer-Funktion von MATLAB: (Abbildung 1)
   Abbildung;
   H=SliceViewer(V);
   colormap(grau(1024));
   set(gcf, 'Symbolleiste', 'Figur');
4. Interagieren Sie mit der 3D-Volumenvisualisierung.
   1. Verwenden Sie die Bildlaufleiste am unteren Rand der grafischen Benutzeroberfläche (GUI), um durch die verschiedenen Slices in der CT-Sequenz zu blättern (Abbildung 1). Man beachte das Vorhandensein eines 22 mm großen malignen Lungenknotens in der linken Lunge bei Frame 325.
   2. Die Symbole zum Vergrößern, Verkleinern und Zurückkehren zur globalen Ansicht finden Sie in der oberen rechten Ecke der GUI in Abbildung 3. Verwenden Sie das Datentipp-Symbol , um die Koordinaten des ausgewählten Pixels zu markieren. Verwenden Sie die Zoom-Funktion , um die lokalen Merkmale der Läsionen und ihre Beziehungen zum umgebenden Gewebe zu beobachten.
   3. Die Standardfarbleiste ist die graue Farbtabelle, was bedeutet, dass Blau bis Rot Werte von niedrig bis hoch darstellt. Klicken Sie mit der rechten Maustaste auf die Farbleiste im Popup-Menü, um die übliche graue Farbzuordnung auszuwählen und die gesamte GUI zurückzusetzen.
   4. Wenn der Filtereffekt nicht erfüllt ist, ziehen Sie mit der linken Maustaste in der Mitte der Figur nach oben und unten, um die Fensterebene anzupassen. Ziehen Sie nach links und rechts, um die Fensterbreite anzupassen, und der entsprechende genaue Filterbereich wird in der Farbleiste angezeigt.
      HINWEIS: Diese interaktiven Bedienelemente ermöglichen eine flexible Inspektion der CT-DICOM-Dateneigenschaften sowohl über den Intensitätsraum als auch über die Sequenzposition.

2. Lokale 3D-Matrix-Visualisierung von Lungenknotenläsionen

HINWEIS: Nachdem Sie die Sequenzposition des Lungenknotens in der in Abbildung 1 gezeigten GUI lokalisiert haben, verwenden Sie das Datentipp-Tool, um die Position des Knotens genau abzugrenzen. Dieser Schritt ist notwendig, bevor die 3D-Matrix des Graustufenraums für den Läsionsbereich berechnet wird.

1. Verwenden Sie das Werkzeug "Datentipp ", um die Pixelkoordinaten des Lungenknotens genau zu identifizieren.
   1. Navigieren Sie in der in Abbildung 1 gezeigten GUI zu dem Slice, der den Knoten enthält (Frame 325).
   2. Klicken Sie auf das Datentipp-Symbol in der oberen rechten Ecke der GUI.
   3. Klicken Sie auf die Kanten des Knotens, um seine Grenzen zu markieren (Abbildung 2).
   4. Notieren Sie sich die X- und Y-Koordinaten, die im Popup-Fenster mit dem Datentipp angezeigt werden.
2. Extrahieren Sie die Graustufenmatrix des Lungenknotens.
   1. Definieren Sie basierend auf den erhaltenen Koordinaten den Bereich of Interest (ROI) im MATLAB-Befehlsfenster: M = V (304:335, 309:336, 325);
      HINWEIS: Passen Sie die Koordinaten (304:335, 309:336, 325) entsprechend der spezifischen Position der Knötchen im Bild an.
3. Visualisieren Sie die lokale 3D-Matrix des Knotens:
   1. Geben Sie den folgenden MATLAB-Befehl ein, um ein 3D-Oberflächendiagramm zu erstellen: figure; surf(M);
   2. Beobachten Sie die resultierende 3D-Visualisierung der Graustufenintensität des Knotens (Abbildung 3).
4. Interagieren Sie mit der 3D-Visualisierungs-GUI.
   HINWEIS: Die X- und Y-Achsen stellen die räumlichen Abmessungen des Knötchens in Pixeln dar. Die Z-Achse stellt die Werte für die Graustufenintensität dar.
   1. In der oberen rechten Ecke der GUI finden Sie die Werkzeuge zum Vergrößern, Verkleinern, Drehen und Zurückkehren zur Standard-Anfangsansicht (Ansicht wiederherstellen). Verwenden Sie diese Werkzeuge für eine präzise Untersuchung des 3D-digitalisierten Lungenknotens.

3. Berechnung des multifraktalen Spektrums von Lungenknoten

HINWEIS: Die fraktale Dimension ist über verschiedene Skalen hinweg nicht eindeutig, sondern bildet ein multifraktales Spektrum, das je nach Rechenskala variiert.

1. Rufen Sie die Funktion Pix_size, fractal_dimension = PN_fractal_feature(M) mit der zuvor erhaltenen M-Matrix als Eingabe auf. Dadurch ergeben sich die fraktalen Dimensionen (fractal_dimension) in verschiedenen Maßstäben (Pix_size).
2. Visualisieren Sie das multifraktale Spektrum (Abbildung 4) des Lungenknotens mit dem folgenden Code:
   Abbildung;
   plot (Pix_size, fratal_dimention,'Linienbreite',2);
   xlabel('Fraktale Skala')
   ylabel('Fraktale Dimension')
3. Berechnen Sie mit den gleichen Schritten wie in 1.1-3.2 einen anderen gutartigen Lungenknoten und stellen Sie ihn im selben Koordinatensystem mit einer anderen Farbe zum Vergleich dar. Daraus ergibt sich Abbildung 5.
4. Um die multifraktalen Spektren verschiedener gutartiger und bösartiger Lungenknoten genauer zu vergleichen, verwenden Sie das Datentipp-Tool , um die Koordinaten der wichtigsten Extrempunkte in Abbildung 5 zu markieren.
   HINWEIS: Der für dieses Protokoll verwendete MATLAB-Code ist als ergänzende Datei 1 verfügbar.

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

Ergebnisse

Abbildung 1 verwendet eine 3D-Volumenrekonstruktion der thorakalen CT-Sequenz des Patienten, die eine bequeme Betrachtung und Lokalisierung der Lungenknoten des Probanden ermöglicht. Mit dem Tool "Datentipp" kann der Region of Interest (ROI) des interessierenden Knotens effektiv skizziert werden (Abbildung 2). Abbildung 3 zeigt eine digitalisierte Struktur des 3D-Intensitätsraums des Knotens.

...

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

Diskussion

Die in dieser Studie vorgestellte multifraktale Spektrenanalyse stellt einen bedeutenden Fortschritt in der nicht-invasiven Beurteilung der Malignität von Lungenknoten dar. Diese Methode bietet wichtige Vorteile und behebt die wichtigsten Einschränkungen bestehender Ansätze zur Diagnose und zum Staging von Lungenknoten¹⁷.

Zu den kritischen Schritten des Protokolls gehören die präzise 3D-Rekonstruktion von CT-DICOM-Daten (

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

Materialien

Name	Company	Catalog Number	Comments
MATLAB	MathWorks	2022B	Computing and visualization
Multifractal Spectrum software	Intelligent Entropy, Beijing Intelligent Entropy Science & Technology Co Ltd.	V1.0	Modeling for CT/MRI fusion