JoVE Logo
Authors
Contact Us

Sign In

A subscription to JoVE is required to view this content. Sign in or start your free trial.

In This Article

  • Summary
  • Abstract
  • Introduction
  • Protocol
  • תוצאות
  • Discussion
  • Disclosures
  • Acknowledgements
  • Materials
  • References
  • Reprints and Permissions

Summary

מחקר זה מציג ניתוח ספקטרום מולטיפרקטלי להערכת ממאירות קשרית ריאתית. באמצעות נתוני CT-DICOM, השיטה מחשבת את ממדי הפרקטל על פני סולמות ווקסל מרובים, וחושפת הבדלים משמעותיים בין גושים ריאתיים בשלב מוקדם ובשלב מאוחר.

Abstract

הערכה לא פולשנית של ממאירות קשריות ריאה נותרה אתגר קריטי באבחון סרטן ריאות. שיטות מסורתיות לעתים קרובות חוסר דיוק בהבחנה בין גושים שפירים לממאירים, במיוחד בשלבים המוקדמים. מחקר זה מציג גישה המשתמשת בניתוח ספקטרום מולטיפרקטלי להערכה כמותית של מאפייני קשריות ריאתיות.

פרוטוקול מבוסס פרקטל פותח לעיבוד נתוני טומוגרפיה ממוחשבת (CT)-הדמיה דיגיטלית ותקשורת ברפואה (DICOM), המאפשר הדמיה תלת ממדית (3D) וניתוח של הספקטרום הרב-פרקטלי של קשריות ריאה. השיטה כוללת שחזור נפח תלת ממדי, תיחום ROI מדויק וחישוב ממדי פרקטל על פני קני מידה מרובים. ספקטרום מולטיפרקטלי חושב עבור גושי אדנוקרצינומה ריאתיים בשלב מוקדם ומאוחר, עם ניתוח השוואתי שבוצע באמצעות כימות כלי עצות נתונים.

ניתוח גילה כי הממד הפרקטלי של מטריצה דיגיטלית תלת-ממדית של גולם ריאתי משתנה ברציפות עם סולמות ווקסל שונים, ויוצר ספקטרום רב-פרקטלי ייחודי. הבדלים משמעותיים נצפו בין גושים בשלב מוקדם ובשלב מאוחר. גושים בשלב מאוחר הדגימו טווח סקאלה רחב יותר (ציר X ארוך יותר) ונקודות קיצון גבוהות יותר בספקטרום הרב-פרקטלי שלהם. הבחנות אלה אושרו כמותית, והצביעו על הפוטנציאל של השיטה לבימוי מדויק.

ניתוח הספקטרום הרב-פרקטלי מספק שיטה כמותית משמעותית ומדויקת ביותר לביצוע גושים ריאתיים, תוך הבחנה יעילה בין מקרים שפירים לממאירים. טכניקה לא פולשנית זו מראה הבטחה לשיפור האבחון המוקדם וההיערכות המדויקת של סרטן הריאות, מה שעשוי לשפר את קבלת ההחלטות הקליניות באונקולוגיה ריאתית.

Introduction

סרטן ריאות נותר אחד הגורמים המובילים למוות הקשור לסרטן ברחבי העולם, כאשר גילוי מוקדם ואבחון מדויק ממלאים תפקיד מכריע בשיפור תוצאות החולים1. גושים ריאתיים, המתגלים לעתים קרובות באופן מקרי או באמצעות תוכניות סקר, מהווים אתגר אבחוני משמעותי עבור רופאים. היכולת להבחין בין גושים שפירים וממאירים, במיוחד בשלביהם המוקדמים, היא בעלת חשיבות עליונה להתערבות בזמן ולניהול מתאים2.

באופן מסורתי, תקן הקריטריון לאבחון ממאירות קשרית ריאתית היה בדיקה היסטופתולוגית באמצעות הליכים פולשניים כגון ביופסיה או כריתה כירורגית. בעוד שיטות אלה מספקות אבחנות סופיות, הן נושאות סיכונים אינהרנטיים, כולל דלקת ריאות, דימום וזיהום3. יתר על כן, האופי הפולשני של הליכים אלה יכול להוביל לאי נוחות וחרדה של המטופל, כמו גם עלויות בריאות מוגברות. בנוסף, הליכי הביופסיה עצמם כפופים לבעיות דיוק הדגימה, עם פוטנציאל לקבלת דגימות רקמה לא מייצגות שעלולות להוביל לאבחון שגוי. כתוצאה מכך, יש צורך דחוף בטכניקות אבחון לא פולשניות שיכולות להעריך במדויק את ממאירות הגושים מבלי לחשוף את החולים להליכים פולשניים מיותרים4.

הדמיית טומוגרפיה ממוחשבת (CT) התפתחה ככלי רב עוצמה באיתור ואפיון גושים ריאתיים5. עם זאת, פענוח צילומי CT להערכת קשריות נותר מאתגר, עם שונות ניכרת בין צופים בין רדיולוגים. ההנחיות הנוכחיות והצהרות הקונצנזוס של מומחים לגבי הערכת קשריות מבוססות CT מסתמכות בעיקר על תכונות מורפולוגיות כגון גודל, צורה וקצב צמיחה. בעוד קריטריונים אלה מספקים מידע רב ערך, לעתים קרובות הם חסרים את הדיוק הדרוש לאבחון סופי, במיוחד במקרים של גושים קטנים או לא מוגדרים6.

בשנים האחרונות, יש עניין גובר בשימוש בתכונות הדמיה כמותיות, המכונות לעתים קרובות "רדיומיקה", כדי לשפר את דיוק האבחון של הערכת קשריות מבוססת CT7. בין גישות אלה, ניתוח פרקטלי הראה הבטחה בלכידת המאפיינים המבניים המורכבים של גושים ריאתיים8. ממד פרקטלי, מדד למורכבות האובייקט בסקאלות שונות, יושם על בעיות הדמיה רפואיות שונות, כולל אפיון גושים ריאתיים9.

עם זאת, שיטות קיימות מבוססות פרקטל לניתוח קשריות משתמשות בדרך כלל בגישה בקנה מידה יחיד, ומחשבים ממד פרקטלי יחיד עבור כל גולם10. בעוד שגישה זו הראתה תועלת מסוימת בהבחנה בין גושים שפירים וממאירים, היא גורמת לעתים קרובות לחפיפה משמעותית בין שתי הקטגוריות, ומגבילה את דיוק האבחון שלה. המגבלה המובנית של ניתוח פרקטלי בקנה מידה יחיד נעוצה בחוסר יכולתו ללכוד את מלוא הספקטרום של מורכבויות מבניות שעשויות להתקיים בתוך גולם על פני קני מידה מרחביים שונים11.

כדי להתמודד עם מגבלות אלה, מחקר זה מציג גישה חדשנית, ניתוח ספקטרום מולטיפרקטלי, להערכת קשריות ריאתיות. שיטה זו משתרעת מעבר לניתוח פרקטלי מסורתי בקנה מידה יחיד על ידי חישוב ממדי פרקטל על פני סקאלות ווקסל מרובות, ובכך יוצרת ספקטרום מקיף המאפיין את המורכבות המבנית של הגולם ברמות שונות של פירוט12. גישה זו מושרשת בהבנה כי מבנים ביולוגיים, כולל גידולים, מפגינים לעתים קרובות תכונות פרקטליות שונות בקני מידה שונים, מאפיין ששיטות בקנה מידה יחיד אינן מצליחות ללכוד13.

הפיתוח של ניתוח ספקטרום מולטיפרקטלי זה מונע על ידי הצורך בשיטות מדויקות, כמותיות ולא פולשניות יותר להערכת ממאירות קשרית ריאתית. על ידי מינוף טכניקות עיבוד תמונה מתקדמות ומודלים מתמטיים, גישה זו שואפת לחלץ קבוצה עשירה יותר של תכונות מתמונות CT, ולחשוף הבדלים עדינים בין גושים שפירים וממאירים שאולי אינם נראים לעין באמצעות ניתוח קונבנציונלי או שיטות פרקטליות בקנה מידה יחיד14.

חשיבותו של מחקר זה טמונה בפוטנציאל שלו לשפר את הדיוק של אבחון והיערכות סרטן ריאות בשלב מוקדם. על ידי מתן אפיון דק ומקיף יותר של מבנה הגוש, ניתוח הספקטרום הרב-פרקטלי עשוי לאפשר לקלינאים לקבל החלטות מושכלות יותר לגבי ניהול המטופל, מה שעשוי להפחית את הצורך בפרוצדורות פולשניות מיותרות במקרים של גושים שפירים תוך הבטחת התערבות בזמן עבור גושים ממאירים15.

לסיכום, מחקר זה מציג ניתוח ספקטרום מולטיפרקטלי להערכת ממאירות קשריות ריאתיות, תוך התייחסות למגבלות של גישות האבחון הנוכחיות ושיטות פרקטליות בקנה מידה יחיד. על ידי מתן הערכה כמותית מקיפה ומדויקת יותר של מאפייני קשריות, טכניקה לא פולשנית זו שואפת לשפר את האבחון המוקדם ואת ההיערכות המדויקת של סרטן הריאות, ובסופו של דבר לשפר את קבלת ההחלטות הקליניות באונקולוגיה ריאתית ולתרום לשיפור תוצאות המטופלים16.

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

Protocol

מחקר זה אושר על ידי ועדת האתיקה של בית החולים דונגג'ימן, המסונף לאוניברסיטת בייג'ינג לרפואה סינית (2024DZMEC-165-02). החולה גויס ממרפאת החוץ לחום, בית החולים דונגג'ימן. המטופלים נתנו הסכמה מדעת לאבחנה שלהם באמצעות מודלים דיגיטליים ואישרו את השימוש בנתונים שלהם למטרות מחקר מדעי. פונקציית שחזור המודל נגזרת מכלי תוכנה זמין מסחרית (ראה טבלת חומרים).

1. הכנת נתונים והדמיה

  1. נווט אל התיקיה המכילה את קבצי נתוני DICOM של סריקת CT של המטופל.
  2. צור מטריצת נפח תלת-ממדית מקובצי DICOM באמצעות קוד MATLAB הבא:
    f=dir('*.dcm');
    עבור i=1:length(f)
    V(:,:,i)= dicomread(f(fidx(i)).name);
    קצה
  3. דמיינו את רצף התמונות באמצעות פונקציית sliceViewer של MATLAB: (איור 1)
    איור;
    H=sliceViewer(V);
    מפת צבעים (אפור(1024));
    set(gcf, 'סרגל כלים', 'דמות');
  4. קיים אינטראקציה עם התצוגה החזותית של אמצעי האחסון התלת-ממדיים.
    1. השתמש בפס הגלילה בתחתית ממשק המשתמש הגרפי (GUI) כדי לדפדף בין פרוסות שונות ברצף CT (איור 1). שימו לב לנוכחות של קשרית ריאתית ממאירה בקוטר 22 מ"מ בריאה השמאלית במסגרת 325.
    2. מצא את הסמלים להגדלה, להקטנת התצוגה ולחזרה לתצוגה הכללית בפינה השמאלית העליונה של ממשק המשתמש הגרפי באיור 3. השתמש בסמל תיאור נתונים כדי לסמן את הקואורדינטות של הפיקסל שנבחר. השתמש בפונקציית זום כדי לבחון את המאפיינים המקומיים של הנגעים ואת היחסים שלהם עם הרקמות הסובבות.
    3. סרגל הצבע המוגדר כברירת מחדל הוא מפת הצבעים האפורה, כלומר כחול לאדום מייצג ערכים מנמוך לגבוה. לחצו לחיצה ימנית על סרגל הצבע בתפריט הנפתח כדי לבחור במפת הצבעים האפורה הנפוצה ולאפס את ממשק המשתמש הגרפי כולו.
    4. אם אפקט המסנן אינו מרוצה, השתמש בלחצן העכבר השמאלי כדי לגרור למעלה ולמטה באמצע האיור כדי להתאים את רמת החלון. גרור שמאלה וימינה כדי להתאים את רוחב החלון, וטווח הסינון המדויק המתאים יוצג בסרגל הצבע.
      הערה: פקדים אינטראקטיביים אלה מאפשרים בדיקה גמישה של מאפייני נתוני CT-DICOM הן במרחב העוצמה והן במיקום הרצף.

2. הדמיה מקומית של מטריצה תלת ממדית של נגעים גושים ריאתיים

הערה: לאחר איתור מיקום הרצף של הקשרית הריאה בממשק המשתמש הגרפי המוצג באיור 1, השתמש בכלי תיאור נתונים כדי לשרטט במדויק את מיקום הגולם. שלב זה נחוץ לפני חישוב המטריצה התלת-ממדית של שטח גווני האפור עבור אזור הנגע.

  1. השתמש בכלי תיאור נתונים כדי לזהות במדויק את קואורדינטות הפיקסלים של גולם הריאות.
    1. בממשק המשתמש הגרפי המוצג באיור 1, נווט אל הפרוסה המכילה את הגולם (מסגרת 325).
    2. לחץ על סמל תיאור נתונים בפינה השמאלית העליונה של ממשק המשתמש הגרפי.
    3. לחצו על קצוות הגולם כדי לסמן את גבולותיו (איור 2).
    4. שים לב לקואורדינטות X ו- Y המוצגות בחלון המוקפץ של תיאור הנתונים.
  2. חלץ את מטריצת גווני אפור של גולם ריאתי.
    1. בהתבסס על הקואורדינטות המתקבלות, הגדר את אזור העניין (ROI) בחלון הפקודה של MATLAB: M = V (304:335, 309:336, 325);
      הערה: התאם את הקואורדינטות (304:335, 309:336, 325) בהתאם למיקום הגולם הספציפי בתמונה.
  3. דמיינו את המטריצה התלת-ממדית המקומית של הגולם:
    1. הזינו את פקודת MATLAB הבאה ליצירת התוויית משטח תלת-ממדית: איור; גלישה (M);
    2. התבוננו בהדמיה התלת-ממדית המתקבלת של עוצמות גווני האפור של הגולם (איור 3).
  4. קיים אינטראקציה עם ממשק המשתמש הגרפי של התצוגה החזותית התלת-ממדית.
    הערה: צירי X ו- Y מייצגים את הממדים המרחביים של הגולם בפיקסלים. ציר Z מייצג את ערכי העוצמה בגווני אפור.
    1. מצא את הכלים להגדלה, להקטנת התצוגה, לסיבוב ולחזרה לתצוגת ברירת המחדל הראשונית (שחזור תצוגה) בפינה השמאלית העליונה של ממשק המשתמש הגרפי. השתמש בכלים אלה לבדיקה מדויקת של גולם ריאתי דיגיטלי 3D.

3. חישוב הספקטרום הרב-פרקטלי של קשרית ריאתית

הערה: ממד הפרקטל אינו ייחודי על פני קני מידה שונים אלא יוצר ספקטרום רב-פרקטלי המשתנה עם קני מידה חישוביים שונים.

  1. קרא לפונקציה Pix_size, fractal_dimension = PN_fractal_feature(M) עם מטריצת M שהתקבלה בעבר כקלט. זה יניב את ממדי הפרקטל (fractal_dimension) בסקאלות שונות (Pix_size).
  2. דמיינו את הספקטרום הרב-פרקטלי (איור 4) של קשרית הריאה באמצעות הקוד הבא:
    איור;
    עלילה (Pix_size, fratal_dimention,'רוחב קו',2);
    xlabel ('סולם פרקטלי')
    ylabel ('ממד פרקטלי')
  3. באמצעות אותם שלבים כמו ב- 1.1-3.2, חשב עבור קשרית ריאתית שפירה אחרת והתווה אותה באותה מערכת קואורדינטות באמצעות צבע שונה להשוואה. זה ייצור איור 5.
  4. כדי להשוות בצורה מדויקת יותר את הספקטרום הרב-פרקטלי של גושים ריאתיים שפירים וממאירים שונים, השתמשו בכלי תיאור נתונים כדי לסמן את הקואורדינטות של נקודות קיצון מרכזיות באיור 5.
    הערה: קוד MATLAB המשמש לפרוטוקול זה זמין כקובץ משלים 1.

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

תוצאות

איור 1 משתמש בשחזור תלת-ממדי של רצף CT בית החזה של המטופל, מה שמאפשר צפייה נוחה ולוקליזציה של גושי הריאה של הנבדק. הכלי תיאור נתונים יכול לתאר ביעילות את אזור העניין (ROI) של גולם העניין (איור 2). איור 3 מספק מבנה דיגיטלי של מרחב ה...

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

Discussion

ניתוח הספקטרום הרב-פרקטלי המוצג במחקר זה מהווה התקדמות משמעותית בהערכה הלא פולשנית של ממאירות קשריות ריאתיות. שיטה זו מציעה יתרונות חשובים ונותנת מענה למגבלות מרכזיות בגישות הקיימות לאבחון קשריות ריאתיות והיערכות17.

שלבים קריטיים בפרוטוקול...

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

Disclosures

כלי התוכנה לספקטרום מולטיפרקטלי להערכת גושים ריאתיים, Multifractal Spectrum V1.0, הוא תוצר של Beijing Intelligent Entropy Science & Technology Co., Ltd. זכויות הקניין הרוחני של כלי תוכנה זה שייכות לחברה. למחברים אין ניגודי עניינים להצהיר.

Acknowledgements

מחקר זה נתמך על ידי פרויקט הפיילוט לשיפור יכולת המחקר הקליני והטרנספורמציה של הישגים (DZMG-MLZY-23008) מבית החולים דונגז'ימן באוניברסיטת בייג'ינג לרפואה סינית, ופרויקט קרן הסטארט-אפ למורים חדשים (2024-BUCMXJKY-052) מאוניברסיטת בייג'ינג לרפואה סינית.

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

Materials

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

References

  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.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Explore More Articles

JoVE215

This article has been published

Video Coming Soon

JoVE Logo

Privacy

Terms of Use

Policies

Contact Us

Recommend to library

JoVE NEWSLETTERS

Research

Education

Authors

Librarians

ABOUT JoVE

Copyright © 2025 MyJoVE Corporation. All rights reserved