Мультифрактальный анализ спектра для оценки злокачественности легочных узлов

Резюме

В этом исследовании представлен мультифрактальный спектральный анализ для оценки злокачественности легочных узлов. Используя данные CT-DICOM, метод рассчитывает фрактальные размеры в нескольких воксельных масштабах, выявляя значительные различия между легочными узелками на ранних и поздних стадиях.

Аннотация

Неинвазивная оценка злокачественных новообразований легочных узлов остается важнейшей проблемой в диагностике рака легких. Традиционные методы часто не позволяют дифференцировать доброкачественные и злокачественные узелки, особенно на ранних стадиях. В данном исследовании представлен подход с использованием мультифрактального спектрального анализа для количественной оценки характеристик легочных узлов.

Был разработан протокол на основе фракталов для обработки данных компьютерной томографии (КТ) и цифровой визуализации и связи в медицине (DICOM), что позволяет осуществлять трехмерную (3D) визуализацию и анализ мультифрактального спектра легочного узла. Метод включает в себя трехмерную объемную реконструкцию, точное разграничение ROI и расчет фрактальных размеров в нескольких масштабах. Были рассчитаны мультифрактальные спектры для узелков аденокарциномы легкого как на ранней, так и на поздней стадии, при этом был проведен сравнительный анализ с использованием количественного определения с помощью инструмента Data Tip.

Анализ показал, что фрактальная размерность 3D-цифровой матрицы легочного узла непрерывно изменяется с различными масштабами вокселей, образуя характерный мультифрактальный спектр. Наблюдались значительные различия между узелками на ранних и поздних стадиях. Конкреции поздней стадии продемонстрировали более широкий диапазон масштабов (более длинная ось X) и более высокие экстремумы в своих мультифрактальных спектрах. Эти различия были количественно подтверждены, что указывает на потенциал метода для точного определения стадии.

Мультифрактальный анализ спектра обеспечивает высокозначимый и точный количественный метод определения стадии легочных узлов, эффективно дифференцируя доброкачественные и злокачественные случаи. Этот неинвазивный метод обещает улучшить раннюю диагностику и точное определение стадии рака легких, потенциально улучшая принятие клинических решений в области легочной онкологии.

Введение

Рак легких остается одной из основных причин смертности от рака во всем мире, при этом раннее выявление и точная диагностика играют решающую роль в улучшении результатов лечения пациентов¹. Легочные узелки, часто обнаруживаемые случайно или с помощью программ скрининга, представляют собой значительную диагностическую проблему для клиницистов. Способность дифференцировать доброкачественные и злокачественные узелки, особенно на ранних стадиях, имеет первостепенное значение для своевременного вмешательства и надлежащего лечения².

Традиционно стандартным критерием для диагностики злокачественности легочных узлов было гистопатологическое исследование с помощью инвазивных процедур, таких как биопсия или хирургическая резекция. Несмотря на то, что эти методы позволяют поставить окончательный диагноз, они несут в себе неотъемлемые риски, включая пневмоторакс, кровотечение и инфекцию³. Более того, инвазивный характер этих процедур может привести к дискомфорту и беспокойству пациента, а также к увеличению расходов на здравоохранение. Кроме того, сами процедуры биопсии подвержены проблемам с точностью отбора проб, что может привести к получению нерепрезентативных образцов тканей, что может привести к ошибочному диагнозу. Следовательно, существует острая потребность в неинвазивных диагностических методах, которые могут точно оценить злокачественность узелков, не подвергая пациентов ненужным инвазивным процедурам⁴.

Компьютерная томография (КТ) стала мощным инструментом в выявлении и характеризации легочных узлов⁵. Тем не менее, интерпретация изображений КТ для оценки узлов остается сложной задачей из-за значительной вариабельности между наблюдателями среди радиологов. Текущие рекомендации и консенсусные заявления экспертов по оценке узелков на основе КТ в первую очередь основаны на морфологических особенностях, таких как размер, форма и скорость роста. Несмотря на то, что эти критерии предоставляют ценную информацию, им часто не хватает точности, необходимой для постановки окончательного диагноза, особенно в случаях небольших или неопределенных узелков⁶.

В последние годы растет интерес к использованию функций количественной визуализации, часто называемых «радиомикой», для повышения диагностической точности оценки узлов на основе КТ⁷. Среди этих подходов фрактальный анализ показал многообещающие возможности для выявления сложных структурных характеристик легочных узелков⁸. Фрактальная размерность, мера сложности объекта в различных масштабах, применяется к различным задачам медицинской визуализации, включая характеристику легочных^{узелков.}

Тем не менее, существующие методы анализа конкреций на основе фракталов обычно используют одномасштабный подход, вычисляя одну фрактальную размерность для каждого конкреция¹⁰. Несмотря на то, что этот подход показал некоторую полезность в дифференциации доброкачественных и злокачественных узелков, он часто приводит к значительному перекрытию между этими двумя категориями, что ограничивает его диагностическую точность. Неотъемлемое ограничение одномасштабного фрактального анализа заключается в его неспособности охватить весь спектр структурных сложностей, которые могут существовать внутри узелка в различных^{пространственных} масштабах.

Чтобы устранить эти ограничения, в данном исследовании представлен новый подход, мультифрактальный спектральный анализ, для оценки легочных узлов. Этот метод выходит за рамки традиционного одномасштабного фрактального анализа путем вычисления фрактальных размерностей в нескольких воксельных масштабах, тем самым генерируя всеобъемлющий спектр, характеризующий структурную сложность конкреций на различных^{уровнях детализации}. Этот подход основан на понимании того, что биологические структуры, включая опухоли, часто проявляют различные фрактальные свойства на разных масштабах, характеристику, которую одномасштабные методы не^{могут учесть}.

Разработка этого мультифрактального спектрального анализа мотивирована потребностью в более точных, количественных и неинвазивных методах оценки злокачественности легочных узлов. Используя передовые методы обработки изображений и математические модели, этот подход направлен на извлечение более богатого набора признаков из изображений компьютерной томографии, потенциально выявляя тонкие различия между доброкачественными и злокачественными узелками, которые могут быть не очевидны при традиционном анализе или одномасштабных^{фрактальных} методах.

Значение этого исследования заключается в его потенциале для повышения точности диагностики и определения стадии рака легких на ранних стадиях. Обеспечивая более тонкую и всестороннюю характеристику структуры узелков, анализ мультифрактального спектра может позволить клиницистам принимать более обоснованные решения о ведении пациентов, потенциально снижая потребность в ненужных инвазивных процедурах в случаях доброкачественных узлов и обеспечивая своевременное вмешательство при^{злокачественных} узлах.

Таким образом, данное исследование представляет собой мультифрактальный спектральный анализ для оценки злокачественности легочных узлов, устраняя ограничения современных диагностических подходов и одномасштабных фрактальных методов. Обеспечивая более всестороннюю и точную количественную оценку характеристик узелков, этот неинвазивный метод направлен на улучшение ранней диагностики и точного определения стадии рака легких, что в конечном итоге улучшает процесс принятия клинических решений в области легочной онкологии и способствует улучшению исходов лечения пациентов¹⁶.

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

протокол

Это исследование было одобрено Этическим комитетом больницы Дунчжимэнь, аффилированной с Пекинским университетом китайской медицины (2024DZMEC-165-02). Пациент был набран из амбулаторной клиники лихорадки больницы Дунчжимэнь. Пациенты давали информированное согласие на постановку диагноза с помощью цифрового моделирования и разрешали использовать свои данные в научных исследовательских целях. Функция реконструкции модели является производной от коммерчески доступного программного инструмента (см. Таблицу материалов).

1. Подготовка и визуализация данных

1. Перейдите в папку, содержащую файлы данных DICOM-сканирования компьютерной томографии пациента.
2. Сгенерируйте 3D-матрицу объема из файлов DICOM, используя следующий код MATLAB:
   f=dir('*.dcm');
   for i=1:length(f)
   V(:,:,i)= dicomread(f(fidx(i)).name);
   конец
3. Визуализируйте последовательность изображений с помощью функции sliceViewer в MATLAB: (Рисунок 1)
   цифра;
   H=sliceViewer(V);
   colormap(серый(1024));
   set(gcf, 'Панель инструментов', 'рисунок');
4. Взаимодействуйте с объемной 3D-визуализацией.
   1. Используйте полосу прокрутки в нижней части графического интерфейса пользователя (GUI) для просмотра различных срезов в последовательности CT (рисунок 1). Обратите внимание на наличие злокачественного легочного узла диаметром 22 мм в левом легком на кадре 325.
   2. Значки для увеличения, уменьшения масштаба и возврата к глобальному виду находятся в правом верхнем углу графического интерфейса пользователя на рисунке 3. Используйте значок подсказки , чтобы отметить координаты выбранного пикселя. Используйте функцию Zoom для наблюдения за локальными особенностями поражений и их взаимоотношениями с окружающими тканями.
   3. Цветовая полоса по умолчанию представляет собой серую цветовую карту, что означает, что от синего до красного цвета отображаются значения от низкого к высокому. Щелкните правой кнопкой мыши цветовую шкалу во всплывающем меню, чтобы выбрать общую серую цветовую карту и сбросить весь графический интерфейс.
   4. Если эффект фильтра не устраивает, используйте левую кнопку мыши для перетаскивания вверх и вниз в середине рисунка, чтобы настроить уровень окна. Перетаскивайте влево и вправо, чтобы настроить ширину окна, и соответствующий точный диапазон фильтрации будет отображаться на цветовой шкале.
      ПРИМЕЧАНИЕ: Эти интерактивные элементы управления обеспечивают гибкий контроль характеристик данных CT-DICOM как в пространстве интенсивности, так и в местоположении последовательности.

2. Локальная 3D матричная визуализация поражения легочных узлов

ПРИМЕЧАНИЕ: После определения последовательности положения легочного узла в графическом интерфейсе, показанном на рисунке 1, используйте инструмент Data Tip для точного определения положения узла. Этот шаг необходим перед расчетом 3D матрицы пространства в оттенках серого для области поражения.

1. Используйте инструмент Подсказка по данным для точного определения пиксельных координат легочного узла.
   1. В графическом интерфейсе, показанном на рисунке 1, перейдите к срезу, содержащему узел (кадр 325).
   2. Нажмите значок «Подсказки » в правом верхнем углу графического интерфейса.
   3. Щелкните по краям узелка, чтобы отметить его границы (рисунок 2).
   4. Обратите внимание на координаты X и Y, отображаемые во всплывающем окне подсказки по данным.
2. Извлеките матрицу легочного узла в оттенках серого.
   1. На основе полученных координат определим интересующую область (ROI) в командном окне MATLAB: M = V (304:335, 309:336, 325);
      ПРИМЕЧАНИЕ: Настройте координаты (304:335, 309:336, 325) в соответствии с конкретным расположением узелка на изображении.
3. Визуализируем локальную 3D-матрицу узелка:
   1. Введите следующую команду MATLAB для создания 3D-графика поверхности: figure; surf(M);
   2. Наблюдайте за полученной 3D-визуализацией интенсивности оттенков серого узелка (рис. 3).
4. Взаимодействуйте с графическим интерфейсом 3D-визуализации.
   ПРИМЕЧАНИЕ: Оси X и Y представляют пространственные размеры узелка в пикселях. Ось Z представляет значения интенсивности в оттенках серого.
   1. Инструменты для увеличения, уменьшения, поворота и возврата к исходному виду по умолчанию (Восстановить вид) находятся в правом верхнем углу графического интерфейса. Используйте эти инструменты для точного исследования 3D-оцифрованного легочного узла.

3. Расчет мультифрактального спектра легочного узла

Примечание: Фрактальная размерность не уникальна для разных масштабов, а скорее образует мультифрактальный спектр, который изменяется в зависимости от различных вычислительных масштабов.

1. Вызовем функцию Pix_size, fractal_dimension = PN_fractal_feature(M) с ранее полученной матрицей M в качестве входных данных. Это даст фрактальные размеры (fractal_dimension) на разных масштабах (Pix_size).
2. Визуализируйте мультифрактальный спектр (рисунок 4) легочного узла с помощью следующего кода:
   цифра;
   plot (Pix_size, fratal_dimention,'linewidth',2);
   xlabel('Фрактальная шкала')
   ylabel('Фрактальная размерность')
3. Используя те же шаги, что и в пунктах 1.1-3.2, рассчитайте для другого доброкачественного легочного узла и нанесите его на график в той же системе координат, используя другой цвет для сравнения. В результате получится рисунок 5.
4. Чтобы более точно сравнить мультифрактальные спектры различных доброкачественных и злокачественных легочных узелков, используйте инструмент Подсказка , чтобы отметить координаты ключевых точек экстремумов на рисунке 5.
   ПРИМЕЧАНИЕ: Код MATLAB, используемый для этого протокола, доступен в виде дополнительного файла 1.

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

Результаты

На рисунке 1 используется объемная 3D-реконструкция последовательности КТ грудной клетки пациента, что позволяет удобно просматривать и локализовать легочные узлы пациента. Инструмент «Подсказка по данным» может эффективно очертить область интереса...

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

Обсуждение

Мультифрактальный спектральный анализ, представленный в этом исследовании, представляет собой значительный шаг вперед в неинвазивной оценке злокачественных новообразований легочных узлов. Этот метод обладает важными преимуществами и устраняет ключевые ограничен...

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

Материалы

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