肺結節悪性腫瘍を評価するためのマルチフラクタルスペクトル解析

Baixin Wang; YaWen Xu; Fangliang Xing; Tengxiao Liang

doi:10.3791/67990

このコンテンツを視聴するには、JoVE 購読が必要です。サインイン又は無料トライアルを申し込む。

この記事について

要約
要約
概要
プロトコル
結果
ディスカッション
開示事項
謝辞
資料
参考文献
転載および許可

要約

この研究では、肺結節悪性腫瘍を評価するためのマルチフラクタルスペクトル分析を紹介します。CT-DICOMデータを使用して、この方法は複数のボクセルスケールにわたるフラクタル次元を計算し、初期段階と後期段階の肺結節の間に有意な違いを明らかにします。

要約

肺結節悪性腫瘍の非侵襲的評価は、肺がんの診断において依然として重要な課題です。従来の方法では、特に初期段階では、良性結節と悪性結節を区別する精度が欠けていることがよくあります。本研究では、マルチフラクタルスペクトル解析を用いた肺結節特性の定量的評価手法について紹介します。

フラクタルベースのプロトコルは、コンピューター断層撮影(CT)-デジタルイメージングおよび医療通信(DICOM)データを処理するために開発され、肺結節のマルチフラクタルスペクトルの3次元(3D)視覚化と分析を可能にしました。この方法には、3Dボリューム再構成、正確なROI描写、および複数のスケールにわたるフラクタル寸法の計算が含まれます。マルチフラクタルスペクトルは、初期および後期の肺腺癌結節の両方について計算され、データチップツールの定量化を使用して比較分析が行われました。

解析の結果、肺結節の3Dデジタルマトリックスのフラクタル次元は、ボクセルスケールによって連続的に変化し、特徴的なマルチフラクタルスペクトルを形成することが明らかになりました。初期結節と後期結節の間に有意差が観察された。後期のノジュールは、マルチフラクタルスペクトルにおいて、より広いスケール範囲(より長いX軸)とより高い極値点を示しました。これらの区別は定量的に確認され、この方法が正確な病期分類の可能性を示しています。

マルチフラクタルスペクトル分析は、肺結節の病期分類のための非常に重要で正確な定量的方法を提供し、良性症例と悪性症例を効果的に区別します。この非侵襲的手法は、肺がんの早期診断と正確な病期分類の改善に有望であり、肺腫瘍学における臨床的意思決定を強化する可能性があります。

概要

肺がんは依然として世界中のがん関連死の主な原因の1つであり、早期発見と正確な診断は患者の転帰の改善に重要な役割を果たしています¹。肺結節は、偶発的に、またはスクリーニングプログラムを通じて検出されることが多く、臨床医にとって重大な診断上の課題を提示します。良性結節と悪性結節を区別する能力は、特に初期段階で、タイムリーな介入と適切な管理のために最も重要です²。

従来、肺結節悪性腫瘍の診断基準は、生検や外科的切除などの侵襲的処置による病理組織学的検査でした。これらの方法は確定診断を提供しますが、気胸、出血、感染症などの固有のリスクを伴います³。さらに、これらの手順の侵襲的な性質は、患者の不快感や不安、および医療費の増加につながる可能性があります。さらに、生検手順自体がサンプリング精度の問題にさらされ、代表的でない組織サンプルが取得され、誤診につながる可能性があります。そのため、患者に不必要な侵襲的な処置を施すことなく、結節悪性腫瘍を正確に評価できる非侵襲的な診断技術が急務となっています⁴。

コンピューター断層撮影(CT)イメージングは、肺結節5の検出と特性評価における強力なツールとして浮上^{しています。}しかし、結節評価のためのCT画像の解釈は依然として困難であり、放射線科医間で観察者間にかなりのばらつきがあります。CTベースの結節評価に関する現在のガイドラインと専門家のコンセンサスステートメントは、主にサイズ、形状、成長率などの形態学的特徴に依存しています。これらの基準は貴重な情報を提供する一方で、特に小さな結節または不確定な結節6の場合、確定診断に必要な精度を欠^{いていることが多い。}

近年、CTによる結節評価⁷の診断精度を高めるために、定量的イメージング機能(ラジオミクスと呼ばれることが多い)を活用することへの関心が高まっています。これらのアプローチの中で、フラクタル解析は、肺結節の複雑な構造特性を捉える上で有望であることが示されています⁸。フラクタル次元は、さまざまなスケールにわたるオブジェクトの複雑さの尺度であり、肺結節⁹の特性評価を含むさまざまな医用画像問題に適用されています。

しかし、ノジュール解析のための既存のフラクタルベースの方法は、典型的には、各ノジュール¹⁰について単一のフラクタル次元を計算するシングルスケールアプローチを採用する。このアプローチは、良性結節と悪性結節を区別する上である程度の有用性を示していますが、多くの場合、2つのカテゴリ間で大幅な重複が発生し、診断精度が制限されます。シングルスケールのフラクタル解析の本質的な限界は、異なる空間スケール¹¹のノジュール内に存在する可能性のある構造の複雑さの全範囲を捉えることができないことにある。

これらの制限に対処するために、この研究では、肺結節評価のための新しいアプローチであるマルチフラクタルスペクトル分析を導入します。この方法は、複数のボクセルスケールにわたってフラクタル次元を計算することにより、従来の単一スケールフラクタル解析を超えて拡張され、それにより、さまざまな詳細レベルでのノジュールの構造的複雑さを特徴付ける包括的なスペクトルを生成します¹²。このアプローチは、腫瘍を含む生物学的構造がしばしば異なるスケールで異なるフラクタル特性を示すという理解に根ざしており、これはシングルスケールの方法では捕捉できない特性である¹³。

このマルチフラクタルスペクトル解析の開発は、肺結節悪性腫瘍を評価するためのより正確で定量的、かつ非侵襲的な方法の必要性によって動機付けられています。高度な画像処理技術と数学的モデルを活用することにより、このアプローチは、CT画像からより豊富な特徴のセットを抽出することを目的としており、従来の分析または単一スケールのフラクタル法¹⁴では明らかではない可能性のある良性結節と悪性結節の間の微妙な違いを明らかにする可能性があります。

この研究の意義は、早期肺がんの診断と病期分類の精度を高める可能性にあります。結節構造のより微妙で包括的な特性評価を提供することにより、マルチフラクタルスペクトル分析により、臨床医は患者管理についてより多くの情報に基づいた決定を下すことができ、良性結節の場合の不必要な侵襲的処置の必要性を減らすと同時に、悪性結節に対するタイムリーな介入を確保できる可能性があります¹⁵。

要約すると、この研究では、肺結節悪性腫瘍を評価するためのマルチフラクタルスペクトル分析を導入し、現在の診断アプローチとシングルスケールフラクタル法の限界に対処します。この非侵襲的手法は、結節特性のより包括的かつ正確な定量的評価を提供することにより、肺がんの早期診断と正確な病期分類を改善し、最終的には肺腫瘍学における臨床的意思決定を強化し、患者の転帰の改善に貢献することを目的としています¹⁶。

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

プロトコル

この研究は、北京中医薬大学に所属する東直門病院の倫理委員会によって承認されました (2024DZMEC-165-02)。患者は、東直門病院の発熱外来診療所から募集されました。患者は、デジタルモデリングを通じて診断にインフォームドコンセントを提供し、科学研究目的でのデータの使用を許可しました。モデルの再構築機能は、市販のソフトウェアツールから派生しています( 「材料の表」を参照)。

1. データの準備と視覚化

患者のCTスキャンDICOMデータファイルを含むフォルダに移動します。
次の MATLAB コードを使用して、DICOM ファイルから 3D ボリューム行列を生成します。
f=dir('*.dcm');
i = 1の場合:長さ(f)
V(:,:,i)= dicomread(f(fidx(i)).name);
終わり
MATLAB の sliceViewer 関数を使用して画像シーケンスを可視化します (図 1)
像;
H=スライスビューア(V);
カラーマップ(グレー(1024));
set(gcf, 'ツールバー', 'figure');
3D ボリュームの視覚化を操作します。
1. グラフィカルユーザーインターフェース(GUI)の下部にあるスクロールバーを使用して、CTシーケンスのさまざまなスライスを参照します(図1)。フレーム 325 の左肺に 22 mm の悪性肺結節が存在することに注意してください。
2. 図 3 の GUI の右上隅にある、ズーム・イン、ズーム・アウト、およびグローバル・ビューに戻るためのアイコンを見つけます。データチップアイコンを使用して、選択したピクセルの座標をマークします。ズーム機能を使用して、病変の局所的な特徴と周囲の組織との関係を観察します。
3. デフォルトのカラーバーはグレーのカラーマップで、青から赤は低い値から高い値までを表します。ポップアップメニューの カラーバー を右クリックして、一般的な灰色のカラーマップを選択し、GUI全体をリセットします。
4. フィルター効果が満足できない場合は、マウスの左ボタンを使用して図の中央を上下にドラッグし、ウィンドウレベルを調整します。左右にドラッグしてウィンドウの幅を調整すると、対応する正確なフィルタリング範囲がカラーバーに表示されます。
  注:これらのインタラクティブコントロールにより、強度空間とシーケンス位置の両方でCT-DICOMデータ特性を柔軟に検査できます。

2. 肺結節病変の局所3Dマトリックス可視化

注: 図1に示すGUIで肺結節の配列位置を特定したら、 データチップ ツールを使用して結節の位置を正確に描写します。この手順は、病変領域のグレースケール空間の 3D マトリックスを計算する前に必要です。

データヒントツールを使用して、肺結節のピクセル座標を正確に識別します。
1. 図 1 に示す GUI で、ノジュールを含むスライス (フレーム 325) にナビゲートします。
2. GUI の右上隅にある [Data Tip ] アイコンをクリックします。
3. 結節の端をクリックして、その境界をマークします(図2)。
4. データヒントのポップアップに表示される X 座標と Y 座標に注意してください。
肺結節のグレースケールマトリックスを抽出します。
1. 取得した座標に基づいて、MATLAB コマンドウィンドウで関心領域 (ROI) を定義します: M = V (304:335, 309:336, 325);
  注意: 画像内の特定の結節の位置に応じて、座標(304:335、309:336、325)を調整します。
結節のローカル3D行列を可視化します。
1. 次の MATLAB コマンドを入力して 3D 曲面プロットを作成します: figure; surf(M);
2. 結節のグレースケール強度の結果として得られる3D視覚化を観察します(図3)。
3D ビジュアライゼーション GUI を操作します。
注: X 軸と Y 軸は、結節の空間寸法をピクセル単位で表します。Z 軸はグレースケールの強度値を表します。
1. ズームイン、ズームアウト、回転、およびデフォルトの初期ビューに戻るためのツール(Restore View)は、GUI の右上隅にあります。これらのツールを使用して、3Dデジタル化された肺結節を正確に検査します。

3. 肺結節のマルチフラクタルスペクトルの計算

注:フラクタル次元は、異なるスケール間で一意ではなく、異なる計算スケールによって変化するマルチフラクタルスペクトルを形成します。

関数 (Pix_size fractal_dimension = PN_fractal_feature(M) を、以前に取得した M 行列を入力として呼び出します。これにより、さまざまなスケール(Pix_size)でフラクタル次元(fractal_dimension)が得られます。
次のコードを使用して、肺結節のマルチフラクタルスペクトル(図4)を視覚化します。
像;
プロット (Pix_size, fratal_dimention,'linewidth',2);
xlabel('フラクタルスケール')
ylabel('フラクタル次元')
1.1-3.2と同じ手順を使用して、別の良性肺結節を計算し、比較のために異なる色を使用して同じ座標系でプロットします。これにより、 図 5 が生成されます。
異なる良性および悪性の肺結節のマルチフラクタルスペクトルをより正確に比較するには、 データチップ ツールを使用して、図5の主要な極値点の座標をマークします。
注: このプロトコルに使用される MATLAB コードは、 補足ファイル 1 として入手できます。

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

結果

図1は、患者の胸部CTシーケンスの3Dボリューム再構成を使用しており、被験者の肺結節の観察と位置特定を便利に行うことができます。データヒントツールは、関心のある結節の関心領域(ROI)を効果的に概説できます(図2)。図3 は、ノジュールの3D強度空間のデジタル化された構造を示しています。

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

ディスカッション

この研究で提示されたマルチフラクタルスペクトル分析は、肺結節悪性腫瘍の非侵襲的評価における大幅な進歩を表しています。この方法は重要な利点を提供し、肺結節の診断と病期分類への既存のアプローチにおける主要な制限に対処します¹⁷。

このプロトコルの重要なステップには、CT-DICOMデータの正確な3D再構成(

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

開示事項

肺結節を評価するためのマルチフラクタルスペクトル用のソフトウェアツールであるMultifractal Spectrum V1.0は、Beijing Intelligent Entropy Science & Technology Co., Ltd.の製品です。本ソフトウェアツールの知的財産権は、当社に帰属します。著者は、宣言する利益相反を持っていません。

謝辞

本研究は、北京中医薬大学東直門病院のClinical Research and Achievement Transformation Capacity Enhancement Pilot Project(DZMG-MLZY-23008)と、北京中医薬大学の新人教師向けスタートアップファンドプロジェクト(2024-BUCMXJKY-052)の支援を受けて行われました。

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

資料

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

参考文献

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).
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).
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).
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).
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).
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).
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).
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).
Kiryu, S., et al. Impact of hepatocellular carcinoma heterogeneity on computed tomography as a prognostic indicator. Sci Rep. 7, 12689(2017).
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).
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).
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).
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).
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).
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).
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).
Ganeshan, B., Miles, K. A. Quantifying tumour heterogeneity with CT. Cancer Imaging. 13 (1), 140-149 (2013).
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).
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.

転載および許可

このJoVE論文のテキスト又は図を再利用するための許可を申請します

許可を申請

さらに記事を探す

JoVE 215

This article has been published

Video Coming Soon

Keep me updated: