Abstract
Kvantitativ histomorfometri (QH) refererer til anvendelse av avansert beregningsbildeanalyse til reproduserbart beskrive sykdom opptreden på digitaliserte histopatologiske bilder. QH dermed kan tjene som en viktig supplerende verktøy for patologer i avhør og tolke kreft morfologi og malignitet. I USA årlig over 60.000 prostatakreftpasienter gjennomgå radikal prostatektomi behandling. Rundt 10.000 av disse mennene opplever biokjemisk tilbakefall innen 5 år etter operasjon, en markør for lokal eller fjern tilbakefall av sykdommen. Evnen til å forutsi risikoen for biokjemisk tilbakefall snart etter operasjonen kan tillate for adjuvant terapi for å være foreskrevet som er nødvendig for å forbedre langsiktig behandlingsresultatene. Den underliggende hypotesen med vår tilnærming, co-forekommende kjertel angularity (CGA), er at i godartet eller mindre aggressiv prostatakreft, kjertel retninger innenfor lokale nabolag er lik hverandre, men er mer kaotisk arrangert i aggressiv sykdom. Ved å modellere graden av den sykdom, kan vi skille kirurgisk fjernet prostata vevssnitt fra (a) godartede og ondartede regioner og (b) mer eller mindre aggressiv prostatakreft. For en kohort av 40 middels risiko (for det meste Gleason sum 7) kirurgisk kurert prostatakreftpasienter der halvparten led biokjemisk tilbakefall, CGA funksjonene var i stand til å forutsi biokjemisk tilbakefall med 73% nøyaktighet. I tillegg, for 80 regioner av interesse er valgt fra de 40 studier, svarende til både normale og kreft tilfeller er CGA egenskaper ga en 99% nøyaktighet. CGAS ble vist å være statistisk signicantly () bedre til å forutsi BCR forhold til state-of-the-art QH metoder og postoperative prostatakreft nomogrammer
Citation. Lee G, Sparks R, Ali S, Shih NNC, Feldman MD, Spangler E, et al. (2014) co-forekommende Gland angularity i lokaliserte Subgraphs: Å forutsi Biokjemisk Tilbakefall i Intermediate-R prostatakreftpasienter. PLoS ONE 9 (5): e97954. doi: 10,1371 /journal.pone.0097954
Redaktør: Zhuang Zuo, UT MD Anderson Cancer Center, USA
mottatt: 27 januar 2014; Godkjent: 27 april 2014; Publisert: 29. mai 2014
Copyright: © 2014 Lee et al. Dette er en åpen-tilgang artikkelen distribueres under betingelsene i Creative Commons Attribution License, som tillater ubegrenset bruk, distribusjon og reproduksjon i ethvert medium, forutsatt den opprinnelige forfatteren og kilden krediteres
Finansiering:. Dette arbeidet ble støttet av Department of Defense (W81XWH-12-1-0171); Department of Defense (W81XWH-11-1-0179); National Cancer Institute of National Institutes of Health i henhold til tildelings tall R01CA136535-01, R01CA140772-01, og R21CA167811-01; National Institute of Biomedical Imaging og bioteknologi av National Institutes of Health i henhold award nummer R43EB015199-01; National Science Foundation i henhold til pris antall IIP-1248316; og QED prisen fra University City Science Center og Rutgers University. Finansiører hadde ingen rolle i studiedesign, datainnsamling og analyse, beslutning om å publisere, eller utarbeidelse av manuskriptet
Konkurrerende interesser:.. Forfatterne har erklært at ingen konkurrerende interesser eksisterer
Innledning
Hvert år i USA, nesten 60.000 menn diagnostisert med prostatakreft (CAP) gjennomgå radikal prostatektomi (RP) [1]. I tilfeller der det ikke er før tegn på sykdom spredning, har behandling av Cap med RP generelt resulterte i gunstige langsiktige utfall [2]. Men for 15-40% av pasientene RP, biokjemiske tilbakefall (BCR) forekommer innen 5 år etter kirurgi [1]. BCR er vanligvis definert som en påvisbar persistens av prostata spesifikt antigen (PSA) på minst 0,2 ng /ml og antyder enten lokalt eller fjernt tilbakefall av sykdommen nødvendiggjør ytterligere behandling [3]. Derfor er det viktig å være i stand til å forutsi risikoen for BCR snart etter operasjonen, slik at hvis det er nødvendig, hjelpestoff-behandlinger kan initieres.
Gleason scoringen [4] er en patologi basert graderingssystem basert på visuell analyse av kjertel og kjernefysisk morfologi. Lave Gleason score har vært forbundet med gunstigere lengre sikt prognose for prostatakreft, mens det motsatte er tilfelle for høyere Gleason score [5]. Gleason score kombinerer karakteren av de vanligste og nest mest vanlige mønstre i vevet delen, noe som resulterer i en Gleason sum som varierer fra to (minst aggressiv) til 10 (mest aggressive). Gleason score er ansett som den beste biomarkør for å forutsi sykdom aggressivitet og lengre sikt, postoperativ pasient utfall [4]. Dessverre kan post-kirurgiske resultatet av prostatakreftpasienter med mellom Gleason score varierer betydelig [6]. Noen statistiske tabeller foreslå en 5-årig BCR overlevelse pris så lav som 43% hos menn med Gleason sum 7 [5]. Videre er Gleason score beheftet med betydelig inter-anmelder variabilitet [7]. Allsbrook et al. [7] rapporterte en kappa-koeffisient på 0,4 representerer moderat enighet blant patologer for gradering Gleason score 7 mønstre. Derfor synes den prognostiske verdien av Gleason ledelsen alene for å forutsi BCR i RP pasienter med mellomliggende Gleason score for å være begrenset.
I løpet av de siste to tiårene har mange postoperative nomogrammer blitt utviklet for å innlemme flere kliniske variabler som svulsten trinn, pre-operative PSA, eller positive kirurgiske marginer [5], [8] – [11] for å forutsi pasienten og sykdomsforløp. Den Kattan nomogram [8] innlemmet disse parametrene for å forutsi 80 måned BCR overlevelse etter radikal prostatektomi. Han et al. [5] innarbeidet Gleason sum, tumorstadium, og preoperativ PSA i en serie av sannsynlighetstabeller, kjent som Han-Tables. Deretter, Stephenson nomogram [9] lagt dato for operasjonen som en prognostisk variabel. The University of California i San Francisco bygget sitt eget risikoscore prediktor (CAPRA) [10] for å skille postoperative Cap pasienter inn i lav, middels og høy risiko kategorier. Bortsett fra de parametrene som brukes i Kattan nomogram, den CAPRA poengsum også inkludert andelen positive biopsi kjerner i sin risikovurdering. Hinev et al. [11] utførte en uavhengig studie oppfordre til bruk av Memorial Sloan Kettering Cancer Center (MS-KCC) nomogram, utviklet av Kattan og Stephenson, noe som tyder overlegen prediksjon av fem års BCR forhold til Han-tabellene. MS-KCC nomogram tilføyer ytterligere variabler som alder og tid fri for kreft. Disse nomogrammer representerer state-of-the-art i postoperativ Cap prediksjon av BCR, men fortsatt avhengige av Gleason score, som er avledet fra patolog tolkning.
Den nylige advent av digitale hele lysbilde skannere har gjort det mulig for høyoppløselig digitalisering av vev lysbilder. Disse digitaliserte lysbildene kan senere kastet kvantitativ histomorfometri (QH). En rekke QH verktøy har tidligere blitt benyttet for å beskrive, klassifisere, og diagnostisere sykdomsmønster fra histopatologiske bilder [12]. I sammenheng med skåret prostata patologi prøver, har QH vært brukt med hell i et bredt spekter av applikasjoner fra kreft gjenkjenning til prognose, Monaco et al. utviklet og ansatt en Markov tilfeldig felt (MRF) algoritme for påvisning av prostatakreft [13].
Enkelte forskere har også undersøkt hvilken rolle bilde tekstur i karakter utseendet på Cap morfologi. For hensikten med automatisert Cap gradering, Jafari-Khouzani et al. [14] undersøkte rollen som andre ordens bildeintensitet tekstur funksjoner basert på co-forekomst matriser. Samtidig forekomst matriser vurdere hvor ofte to bildeintensitet vises i løpet av en forhåndsdefinert avstand fra hverandre i et nabolag. En rekke andre-ordens statistiske egenskaper (f.eks entropi) [15] for å beskrive den samtidig forekomst matrise kan deretter ekstraheres, og tjener til å beskrive den lokale bildet tekstur. Andre tekstur funksjoner som første bestillingen statistisk bilde intensitet og styrgraderingsfiltre (f.eks Gabor filter) [16] har også blitt brukt til å forutsi Cap. Texture funksjoner, mens de har vist seg å være nyttig for å karakter Cap morfologi, ofte lider av en mangel på åpenhet og interpretability.
En annen klasse av tilnærminger har forsøkt å eksplisitt modell Cap utseende ved avhør romlig organisering av individuell kjerner og kjertler. Tabesh et al. [17] undersøkte farge, tekstur og strukturelle morfologi å utføre automatisert Gleason ledelsen i prostata histopatologi. I Doyle et al. [16], morfologiske beskrivelser som kjertel størrelse og omkrets ratio ble vist å skille godartede og ondartede histologiske regioner. Veltri et al. [18] undersøkte kjernemorfologi bruker en descriptor kalt kjernefysisk rundhet varians å forutsi biokjemisk tilbakefall hos menn med prostatakreft.
Mange forskere har også forsøkt å modellere QH vevsarkitektur, via bruk av grafer nettverk for å karakterisere den romlige ordning av kjerner og kjertler [16], [19] – [21]. Chris-Barry et al. brukte Voronoi- og Delaunay-baserte grafiske tessellations å beskrive vevsarkitektur i Cap histologi [19]. Doyle et al. [16] viste at Minimum Spanning Trees, i tillegg til Voronoi, Delaunay funksjoner syntes å være sterkt korrelert til Gleason grad. Imidlertid er disse funksjonene avledet fra fullt tilkoblede grafer. Denne tilnærmingen antyder at kjerner innebygd i stromale og epiteliale regioner vil bli koblet via disse grafene og dermed grafen kanter vil gå gjennom de epiteliale stromale grensesnitt og regioner [22]. Derav funksjoner hentet fra Voronoi eller Delaunay grafer representerer «gjennomsnitt» attributtene til både stromal og epitelial arkitektur, og dermed har utsikt over de lokale bidragene fra stroma og epitel selvstendig innenfor grafene. Alternativt kan analyser av lokale subgraphs [20], [21], [23], [24], som i motsetning til de globale grafer (f.eks Voronoi og Delaunay) som tar sikte på å fange opp en global arkitektonisk signatur for tumoren, kan tillate for kvantifisering av lokal interaksjoner innen fleksible lokaliserte nabolag. Gunduz et al. [23] observerte en naturlig gruppering av celler og benyttes celle grafer å modellere hjernesvulst og differensiere kreft, sunn og ikke-neoplastisk betent vev. Demir et al. [25] og andre [20], [23], [24] har utviklet et sett med grafiske funksjoner for å kvantifisere de lokale celle-grafer. Bilgin et al. [20] på samme måte hentet trekk fra ulike typer lokale celle grafer for klassifisering av brystvev. Funksjoner ble ekstrahert fra enkle, probablilistic, og hierarkiske celle grafer, så vel som en hybrid kombinasjon av enkle og hierarkiske tilnærminger. Tilsvarende Ali et al [21], som brukes attributter av sannsynlighets celle-cluster grafer for å differensiere orofaryngeal kreft. Disse subgraphs tilbyr fordelen av å kunne eksplisitt og uavhengig modell romlig arkitektur kjerner og kjertler innenfor epitel og stromal regioner.
I denne artikkelen beskriver vi en ny QH metodikk som tar sikte på å utnytte den retningen av kjertler og førsteamanuensis uorden i kjertel orienteringer å forutsi graden av malignitet og senere risiko for postoperativ biokjemisk tilbakefall i Cap pasienter. Hypotesen er at vanlige godartet kjertler innrette seg i forhold til fibromusclar stroma, og således viser en sammenhengende retningen. Ondartet prostata kjertler, men mister sin evne til å orientere seg og vise ingen foretrukne retningen. I tillegg med økende grad av malignitet og sykdom aggressivitet, er sammenhengen i kjertel retninger innenfor lokaliserte regioner helt forstyrret. Med andre ord, entropi (som fanger lidelse) i kjertel orienteringer tendens til å øke som en funksjon av malignitet.
CGA funksjoner som mål å fange retningsinformasjon i lokaliserte kjertel nettverk skåret histopatologiske seksjoner for å karakterforskjeller kjertel orientering mellom (a) ondartede og godartede regioner og (b) CAP pasienter som gjør det og ikke opplever biokjemisk residiv etter RP. Den CGA metodikk består av følgende hovedtrinn.
For CGAS, en segmentering algoritmen er først ansatt for å individuelt segment kjertel grensene fra digitaliserte patologi seksjoner. Til hver kjertel, tilskrive vi en vinkel som gjenspeiler den dominerende orientering av kjertelen basert utenfor hovedaksen, som vist i figur 1 (a). En sub-graf blir deretter konstruert for å knytte sammen glands proksimalt til hverandre inn i en pakkboks nettverk som illustrert i figur 1 (b). De subgraphs, i motsetning til grafer for Voronoi, Delaunay og minimum spenntrær som tidligere har blitt brukt til å karakterisere global kjertel arkitektur [26], åpner for karakterisering av lokale kjertel arrangement. Bruk av lokale subgraphs hindre grafen kanter fra traversering heterogene vev regioner som stroma og epitel. Samtidig forekomst matrise, som tidligere ble brukt for å karakterisere bildeintensitet teksturer, blir brukt til å fange andre-ordens statistikk av pakkboks orienteringer i hver kjertel nettverk i bildet. Derfor hver co-forekomst matrise fanger hvor ofte orienteringer av to kjertler proksimale til hverandre co-skje. Samtidig forekomst funksjoner som entropi ekstraheres fra det samtidig forekomst matrise knyttet til hver kjertel nettverk for å fange opp den grad til hvilken proksimale pakkboks orienteringer er lik eller avvikende til hverandre. Derav et nabolag med en høy entropi verdi ville reflektere en høy grad av lidelse blant kjertel orientering mens en lav entropi verdi gjenspeiler at kjertelen vinkler ser ut til å være på linje omtrent i samme retning.
(a) For hver kjertel er vinkelen mellom den store akse av kjertelen () og x-aksen beregnes. (B) Subgraphs koble centroids av nabo kjertler i lokalt tilkoblede kjertel nettverk.
Gitt at vi forventer å se kjertel vinkel lidelse (a) ondartet versus godartede regioner og (b) biokjemisk tilbakefall tilfeller versus non-tilbakefall tilfeller, andre-ordens statistiske kantete funksjoner som entropi representerer en roman, reproduserbar, og tolke måten å karakterisere sykdommen utseende på histopatologi. I motsetning til første ordens statistikk vinkler, co-forekommende kjertel kantete funksjoner er i stand til å implisitt fange de sykliske egenskapene kjertel orientering. Bruken av lokale subgraphs generert av en sannsynlighets råtnende funksjon hjelp definere lokale kjertel nettverk innen hvilke CGA funksjonene kan trekkes ut og analyseres
I dette arbeidet viser vi nytten av CGA har for følgende klassifisering oppgaver.: 1) å skille kreft og ikke-kreft prostata vev regioner, og 2) å skille Cap pasienter med og uten biokjemisk tilbakefall etter radikal prostatektomi
Figur 2 viser to representative studier: a. biokjemisk tilbakefall (BCR) og en ikke- biokjemisk tilbakefall (NR) tilfelle. For BCR tilfelle, kan vi se mer uorden i kjertelen orientering som er vist til ved vektoren plottet i figur 2 (f). Vinkelen-baserte fargekart for BCR karakteriserer sykdommen i BCR tilfeller, som dokumentert av et stort spekter av farger, hver farge representerer en annen retning. Omvendt, for NR tilfellet (figur 2 (n)), fargekartet viser et mindre utvalg av farger, noe som tyder på mindre variasjon i kjertelen retningen. De kjertel Retnings Forskjellene gjenspeiles også i figur 2 (d), (l) via vinkel co-forekomst matrise. Lysstyrken på diagonalen elementene i matrisen reflektere større ko-forekomster av forskjellig orienterte kjertel vinkler for BCR tilfellet (figur 2 (d)) sammenlignet med NR tilfellet (figur 2 (l)). Disse forskjellene i vinkel co-forekomst matriser blir oppdaget av andre ordens statistikk, som figur 2 (h), (p) illustrere forskjellige fargemønstre basert på verdien av statistikken i hvert sub-graf.
(b ), (j) Automatisert kjertel segmentering av kjertel grenser. (C), (k) Subgraphs som viser forbindelsene mellom nabo kjertler. Et forstørret riss av den eske regionen i (a) og (i) respektivt, viser (e), (m) segmentert kjertler, (f), (n) kjertel vinkler, og (g), (o) kjertel nettverks subgraphs. (F), (n) Filer angir retningen på hver kjertel. Grense farger (blå til rød) tilsvare vinkler 180 °]. (G), (o) Lokalisert kjertel nettverk definere området for hver vinkel samtidig forekomst matrise. (D), (l) Summert vinkel co-forekomst matriser betegne hvor ofte to kjertler av to directionalities co-skje på tvers av alle bydeler (hvite elementer reflektere høyere co-forekomst). Diagonal co-forekomst verdier er utelatt for å gi bedre kontrast i forhold til på diagonalen komponenter. (H), (p) Fargekart av pakkboks subgraphs svarer til intensiteten gjennomsnittet i nærliggende områder.
Det kan også observeres i figur 2 (c), (k) at subgraphs fange opp lokal kjertel nabolag. Siden subgraphs er lokalisert og begrenset til de epiteliale regionene alene, er bidragene fra innenfor stromal regioner minimert. Den CGAS gir derfor en kompakt, tolke og kvantitativ representasjon av kjertel arkitektur og prostatakreft morfologi som kan anvendes til å skille (a) kreft fra godartede regioner og (b) fra BCR NR tilfeller.
Resten av denne papir er strukturert som følger. Vi introduserer først teori og metodikk for CGAS. Materialer og metoder skisserer prosessen med å skaffe de studiekohorter og gir detaljer for arbeidsflyt og komparative metoder som brukes i denne studien. Eksperimentelle Resultater og diskusjon gir konkrete tilfeller der vi tester våre CGA metodikk. Endelig Avsluttende Merknader diskuterer våre samlede bidrag og fremtidig arbeid.
Kvantitativ Histomorfometri via Co-forekommende Gland angularity (CGA)
Notation
Vi definerer et bilde scene som der bilde scene beskrives av et romlig gitter av steder, som hver er forbundet med en unik intensitetsverdi. For intensitet bilder og for fargebilder. Vi definerer en sub-område, innenfor scenen, hvor en sub-graf kan defineres.
hver utgjøres av et antall kjertler, som er representert som noder, der, der er antall kjertler . Vi kan også definere som det sett av grensepunkter forbundet med kjertel.
Derfor kan vi formelt definere hvor representerer settet av kjertler og er sett av kanter som kobles til andre tilstøtende kjertler innenfor. Hvert kan da representeres via en attributt vektor for CGA egenskaper. En klassifiserings kan deretter trenes til å identifisere en hvilken som helst som tilhører en av to klasser. I dette arbeidet vil klassifikator bli opplært til å skille hvert som (a) ondartet eller godartet eller (b) BCR eller ikke.
Beregning Gland Angles
For å bestemme retningen for hver kjertel, , utfører vi prinsipal komponent analyse [27] på et sett av grensepunkter for å oppnå de hovedkomponenter. Den første hovedkomponent beskriver retningen av kjertel i form av den store akse, langs hvilken den største avviket skjer innenfor. Hovedaksen er uttrykt som vektor, av en enkelt retningen, og er definert som (1) hvor representerer den retning i -direction, og representerer den retning i -direction. omdannes deretter til en vinkel regnet mot urviseren fra vektoren med (2) en fremstilling av fremgangsmåten for beregning av gland orienteringer er vist i figur 1 (a).
Definere Lokale Subgraphs på Kjertler
parvise romlige relasjoner mellom kjertlene er definert via sparsified grafer. For sub-graf definert region, kan de individuelle kantene være definert mellom alle par av ved hjelp av en sannsynlighetsfunksjon råtnende beskrevet i Gunduz et al. [20], [23]. (3) der representerer den euklidske avstanden mellom og. styrer tettheten av grafen, der nærmer seg 0 representerer en høy sannsynlighet for å koble noder mens nærmer representerer en lav sannsynlighet. er en empirisk bestemt kant terskel. Et eksempel på en resulterende kjertel sub-graf nettverket er vist i figur 1 (b).
Gland angularity Samtidig forekomst matriser
De gjenstander av interesse for beregning CGA funksjoner er gitt av en diskretisering av vinkler, slik at der er en empirisk avledet diskretisering faktor. Større gi mindre spesifisitet for telling co-forekommende kjertel vinkler og mindre kan ikke uttrykke co-forekommende vinkler innenfor de enkelte bydelene. Den optimale ble valgt på bakgrunn av en 3-ganger randomisert kryss-validering av parametere. ble satt til å være 10 i dette arbeidet, slik at for vinkler som skal diskretisert på hver 10 grader.
Naboer definert av de lokale subgraphs, tillate oss å definere nabolag for hver. For hver, vi definerer et nabolag, for å inkludere alle der finnes en vei mellom og via i grafen.
En vinkel co-forekomst matrise senere fanger kjertel vinkel par, og der og er antall kjertler i, som co-skje innen nærliggende områder. Det kan derfor uttrykkes på følgende måte. (4) der, antall diskrete vinkel binger. Et eksempel på en vinkel co-forekomst matrise er vist i figur 2 (d) og (l).
Second Order Gland Angle statistikker
Vi har senere trekke andre ordens statistiske funksjoner (Kontrast energi, Kontrast inverse øyeblikk, Kontrast gjennomsnitt, Kontrast varians, Kontrast entropi, Intensitet gjennomsnitt Intensitet varians, Intensitet entropi, entropi, Energi, korrelasjon, og to mål av informasjon) fra hvert vinkel co-forekomst matrise. Formuleringer av disse andre ordens funksjoner er beskrevet i tabell 1. Figur 2 viser visualisering av gjennomsnittsintensiteten mål hver på en digitalisert histopatologi bilde.
Materialer og metoder
Etikk Statement
Pasientene inkludert i studien ble innhentet fra uavhengige kilder. Cohort A ble samlet av legene. Tomaszewski og Feldman hentet fra IRB studien «Analyse av genetiske endringer i urin Kreft» Protokoll # 707863. Cohort B var en del av Score prostata-prosjektet, som drives av Dr. Rebbeck, og godkjent av IRB studie UPCC 13808 «Molecular epidemiology of prostatakreft» Protokoll # 36142. All IRB godkjennelse er innhentet fra University of Pennsylvania, hvor pasienten dataene ble samlet inn. Skriftlig samtykke ble innhentet for alle pasienter for langsiktig oppfølging. De identifiserte digital patologi prøver og biokjemiske tilbakefall data som brukes for denne studien ble avledet fra data samlet inn i henhold til informert samtykke. Siden avidentifiserte data ble brukt, ble IRB samtykke ikke er nødvendig.
datainnsamling og data Beskrivelse
De datasett (hentet fra sykehuset ved University of Pennsylvania) besto av 40 Cap pasienter som hadde gjennomgått RP behandling. Disse studiene ble valgt ut fra en mye større kohort av over 3000 tilfeller arkivert på sykehuset ved University of Pennsylvania. Sakene ble valgt til å ha en lik fordeling av saker med BCR og NR følgende RP. I tillegg ble søket begrenset til bare Gleason score 6-8 og patologisk stadium pT2 og pT3.
For All Cap pasienter, etter RP, det utskårede prostata ble seksjonert, farget med hematoxylin og eosin (HE), og digitalisert med en oppløsning på 0,5 m per piksel eller 20x forstørrelse ved hjelp av en Aperio
® hele lysbilde skanner. For hver digitalisert bilde, ble hetten regioner kommentert av en patolog, som vist i Figur 3. 56 kreft regioner ble kommentert over 40 pasienter, 28 fra BCR pasienter og 28 fra NR pasienter. Siden ingen menn uten dokumentert og biopsi bekreftet prostatakreft gjennomgå radikal prostatektomi, var det ingen områder i denne studien som ikke stammer fra en pasient uten kreft. I stedet ble det 24 kontrollregioner hentet ut fra ikke-kreft regioner i det utskårede prostata for disse pasientene.
CGA metodikk (uthevet innenfor de stiplede linjer) utnytter kjertel segmentering å beregne CGA funksjoner. (B) Vinkel beregning og (c) sub-graf beregningen utføres på den segmenterte bildet. (D) Beslag co-forekomst matrise aggregater co-forekommende kjertel vinkler innenfor lokaliserte kjertel nettverk. (E) gjennomsnitt, standardavvik og rekke andre ordens statistikk (vist via forskjellig fargede kjertelen nettverk) lage et sett med CGA har for regionen. (F) En CGA-basert klassifikator kan deretter bygges ved hjelp av funksjoner hentet fra (e) å skille kategoriene av interesse (enten kreft versus godartede regioner eller BCR versus NR).
CGA Utvinning arbeidsflyt
Som tidligere beskrevet i Notation, hver region er preget av en CGA har vektor. Den blir brukt til å trene en maskinlæring sorteringsapparat for å skille mellom (a) cancer fra benigne regioner og (b) fra BCR NR pasienter. Prosedyren for å trekke ut og opplæring er beskrevet nedenfor og oppsummert i figur 4.
I denne studien, kvantitativ histomorphometric analyse utføres bare i disse regionene.
Identifikasjon av kjertler grenser.
deteksjon og segmentering av kjertel grenser er begrenset til de regionene manuelt kommentert av patologen på de digitaliserte histopatologiske seksjoner. En automatisk region voksende basert prostatakjertel segmenteringsalgoritme [13] anvendes for å påvise og segmentere kjertelgrenser på histologiske bildet som er vist på figur 5. Monaco et al. [13] tidligere var i stand til å nøyaktig identifisere prostatakreft regioner på 93% nøyaktighet via kjertelen segmentering prosedyren beskrevet nedenfor. En slik oppdeling er utført ved hjelp av luminans-kanalen i CIELAB-fargerommet. I luminans kanal, kjertler fremstå som sammenhengende, høy intensitet pixel regioner avgrenset av skarpe kanter som grenser. Å identifisere kjertler, er luminans bilde foldet med en gaussisk kjerne på flere skalaer mm for å ta høyde for flere kjertel størrelser. Toppene (maxima) av de resulterende glattet luminans bilder brukes som frø for en region voksende prosedyre kort beskrevet nedenfor.
En markeringsramme er initialisert rundt hver innledende frø pixel, som representerer den aktuelle regionen ( CR), med 8-tilkoblede piksler rundt CR, betegnet som gjeldende grense (CB).
Deretter pikselen i CB med høyest intensitet er fjernet fra CB og innarbeidet i CR. De 8 omgivende bildeelementer i denne nye CR bildeelement, som ikke allerede er i CR, er innarbeidet i CB.
grense styrke er identifisert ved hver iterasjon, som vist i figur 5. Vi definerer den indre avgrensningsflate (IB) som alle CR piksler i tilknytning til CB. Boundary styrke er definert som den gjennomsnittlige intensiteten av pikslene i IB minus bety intensiteten av pikslene i CB.
trinn 2 og 3 gjentas inntil algoritmen prøver å legge til en piksel utenfor markeringsrammen.
den optimale region er definert som region CR ved iterasjon der maksimal grense styrke ble oppnådd.
overlappende områdene senere blir løst ved å fjerne regionen med lavest grense styrke. Et eksempel på våre resultater kan sees i figur 4 (b).
CGA funksjonen utvinning.
Basert på kjertelen segmentering beskrevet i avsnittet, Identifisering av Kjertel grenser, CGA funksjoner beregnes som beskrevet i forrige avsnitt, Kvantitativ histomorfometri via Co-forekommende Gland angularity (CGA). De optimale parametrene ble valgt basert av en tre-fold randomisert kryssvalidering prosedyre for og. Den beste kombinasjonen ble funnet å være, og som ble brukt til å bygge vinkel samtidig forekomst matrise for alle tilfeller i disse eksperimentene. Gjennomsnitt, standardavvik, og omfanget av CGA funksjoner beskrevet i avsnittet Second Order Gland Angle Statistikk beregnes. Dette gir som er et sett av 39 CGA funksjoner.
Bygge en CGA-baserte klassifikator.
For hver klassifisering oppgave (se Eksperimentell Resultater og Diskusjon), en trening sett av positive og negative kategorier ble samlet fra settet av 40 tilfeller (se tabell 2). Treningssettet ble brukt til å trene en klassifikator i forbindelse med å skille mellom kategorier av interesse. Den trent klassifikator ble så brukt til å tilordne hver region eller studere i klasser basert på klassifiseringsoppgaver (a) skille kreft fra godartet eller (b) BCR fra NR pasienter. 3-fold randomisert kryssvalidering ble brukt til å trene og evaluere klassifikator robusthet. Dette innebar tilfeldig splitte hele datasettet inn i 3 like store sett med 2 undergrupper som brukes til trening og en delmengde brukes for uavhengig evaluering. Denne prosedyren ble gjentatt 100 ganger. I alle våre eksperimenter et tilfeldig skog klassifikator (a boostrapped aggregering av flere beslutningstre klassifiserere) ble anvendt. Vi henviser leseren til [28] for flere detaljer om tilfeldig skogen klassifikator.
Comparative metoder
For å sammenligne ytelsen til CGA funksjoner for de ulike klassifiserings oppgaver beskrevet i eksperimentelle Resultater og diskusjon, vi eksplisitt modellert og evaluert en nunber av andre state of the art (a) QH funksjoner og (b) nomogrammer, beskrevet nedenfor.
Kvantitative histomorphometric attributter.
Gland morfologi (
):
Morfologiske beskrivelsene [16] er hentet fra segmenterte kjertel grenser oppnådd i textbfIdentification av glandular Boundaries statistikk som arealforholdet, omkrets ratio, og avstand forholdet er utledet fra kjertelen grenseinformasjon og den midlere, standardavvik, median, og forholdet mellom de laveste og høyeste verdier er beregnet på tvers av alle kjertler [16]. Disse funksjonene er oppsummert i tabell 3.
Voronoi diagram (
):
Voronoi diagrammer dele hver region i ikke-overlappende polygoner, hver knyttet til en kjertel , hvor hver kant halverer avstanden mellom to nabo kjertel centroids og der. Et eksempel på Voronoi Diagram bygget på toppen av et digitalisert bilde patologi med pakkboks sentre som tjener som noder /topp-punkt, er vist i figur 6 (b). Statistisk (se tabell 3), slik som det areal, omkrets og kordelengden er registrert for hver polygon og gjennomsnitt, standardavvik, uorden, og forholdet mellom de laveste og høyeste verdier er beregnet på tvers av alle polygoner i bildet.
QH funksjoner er hentet fra (a) en annotert region på en digitalisert prostata histologi lysbilde etter radikal prostatektomi. Grafer for (b) Voronoi, (c) Delaunay, og (d) Minimum Spanning Trees samt (e) en tekstur bilde funksjon vises fra området merket med en blå boks i (a).
