Extracto
histomorfometría cuantitativa (QH) se refiere a la aplicación de análisis de imagen computacional avanzada para describir la enfermedad de forma reproducible aparición en imágenes digitalizadas de histopatología. QH tanto, podría servir como un medio complementario importante para los patólogos en el interrogatorio y la interpretación de la morfología del cáncer y los tumores malignos. En los EE.UU., cada año, más de 60.000 pacientes con cáncer de próstata sometidos a tratamiento prostatectomía radical. Alrededor de 10.000 de estos hombres experimentan recurrencia bioquímica dentro de los 5 años de la cirugía, un marcador de recurrencia de la enfermedad local o distante. La capacidad de predecir el riesgo de recurrencia bioquímica poco después de la cirugía podría permitir terapias adyuvantes que se determinará, según sea necesario para mejorar los resultados del tratamiento a largo plazo. La hipótesis subyacente con nuestro enfoque, co-produciendo glándula angularidad (CGA), es que en el cáncer de próstata benigna o menos agresivos, las orientaciones de las glándulas dentro de los vecindarios locales son similares entre sí, pero están dispuestos más caóticamente en la enfermedad agresiva. Al modelar la extensión de la enfermedad, podemos diferenciar las secciones de tejido de la próstata quirúrgicamente removidos de (a) las regiones benignas y malignas y (b) más y menos agresivo cáncer de próstata. Para una cohorte de 40 de riesgo intermedio (en su mayoría suma de Gleason 7) curado quirúrgicamente pacientes con cáncer de próstata donde la mitad sufrió una recidiva bioquímica, las características CGA fueron capaces de predecir la recurrencia bioquímica con un 73% de precisión. Además, para 80 regiones de interés escogidos de los 40 estudios, que corresponden a los dos casos normales y cancerosas, las características CGA produjeron una precisión de 99%. CGA mostraron ser estadísticamente signicativamente () mejor para predecir BCR comparación con los métodos QH estado de la técnica y nomogramas de cáncer de próstata postoperatorias
Visto:. Lee G, R Sparks, Ali S, Shih Centro Nacional de Nutrición, Feldman MD, Spangler E, et al. (2014) Concurrentes Glándula Angulosidad en Subgrafos localizadas: La predicción de la recidiva bioquímica del cáncer de próstata en pacientes de riesgo intermedio. PLoS ONE 9 (5): e97954. doi: 10.1371 /journal.pone.0097954
Editor: Zhuang Zuo, UT MD Anderson Cancer Center, Estados Unidos de América
Recibido: 27 de enero de 2014; Aceptado: April 27, 2014; Publicado: 29 de mayo de 2014
Copyright: © 2014 Lee et al. Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution License, que permite el uso ilimitado, distribución y reproducción en cualquier medio, siempre que el autor original y la fuente se acreditan
Financiación:. Este trabajo fue apoyado por el Departamento de Defensa (W81XWH-12-1-0171); Departamento de Defensa (W81XWH-11-1-0179); Instituto Nacional del Cáncer de los Institutos Nacionales de Salud, bajo los números de adjudicación R01CA136535-01, R01CA140772-01, y R21CA167811-01; el Instituto Nacional de Imágenes Biomédicas y Bioingeniería de los Institutos Nacionales de la Salud con el número R43EB015199-01 premio; la Fundación Nacional de Ciencia con el número premio PII-1248316; y el premio QED del Centro de Ciencias de la Universidad de la Ciudad y la Universidad de Rutgers. Los donantes no tenía papel en el diseño del estudio, la recogida y análisis de datos, decisión a publicar, o la preparación del manuscrito
Conflicto de intereses:.. Los autores han declarado que no existen intereses en competencia
Introducción
Cada año en los Estados Unidos, cerca de 60.000 hombres diagnosticados con cáncer de próstata (CaP) se someten a una prostatectomía radical (PR) [1]. En casos en los que no hay pruebas antes de propagación de la enfermedad, el tratamiento de la NAC con RP se ha traducido generalmente en resultado favorable a largo plazo [2]. Sin embargo, para el 15-40% de los pacientes con RP, recurrencia bioquímica (BCR) se produce dentro de los 5 años de la cirugía [1]. BCR se define comúnmente como una persistencia detectable de antígeno prostático específico (PSA) de al menos 0,2 ng /ml y es sugestiva de recidiva local o distante de la enfermedad que requiere tratamiento adicional [3]. En consecuencia, es importante ser capaz de predecir el riesgo de BCR pronto después de la cirugía, de modo que si es necesario, los tratamientos adyuvantes se pueden iniciar
.
Gleason de puntuación [4] es un sistema de clasificación basado patología basa en la visual El análisis de la morfología glandular y nuclear. Las puntuaciones bajas de Gleason se han asociado con el pronóstico a largo plazo más favorable para el cáncer de próstata, mientras que lo contrario es cierto para los mayores [5] puntuaciones de Gleason. Gleason puntuación combina el grado de los patrones más comunes más comunes y segunda dentro de la sección de tejido, lo que resulta en una suma de Gleason que van desde 2 (menos agresivo) a 10 (más agresivo). puntuación de Gleason es considerado actualmente como el mejor biomarcador para predecir la agresividad de la enfermedad y largo plazo, resultado post-quirúrgica del paciente [4]. Por desgracia, resultado post-quirúrgico de los pacientes con cáncer de próstata con puntuaciones intermedias Gleason puede variar considerablemente [6]. Algunas tablas estadísticas indican una tasa de supervivencia libre de BCR 5 años tan bajo como 43% en los hombres con suma de Gleason 7 [5]. Por otra parte, Gleason de puntuación está sujeto a una gran variabilidad inter-revisor [7]. Allsbrook et al. [7] reportaron un coeficiente kappa de 0,4 que representa moderada acuerdo entre patólogos de clasificación de Gleason 7 patrones. Por lo tanto, el valor pronóstico de Gleason anotando solo para predecir BCR en pacientes con RP con puntuaciones de Gleason intermedias parece ser limitado.
Durante las dos últimas décadas, muchos nomogramas postoperatorias se han desarrollado para incorporar variables clínicas adicionales tales como un tumor etapa, PSA preoperatorio, o los márgenes quirúrgicos positivos [5], [8] - [11] con el fin de predecir la evolución del paciente y la enfermedad. El nomograma de Kattan [8] incorpora estos parámetros para predecir 80 meses BCR supervivencia libre después de la prostatectomía radical. Han et al. [5] incorporado suma de Gleason, estadio tumoral y PSA preoperatorio en una serie de tablas de probabilidad, conocidas como las Tablas de Han. Posteriormente, el nomograma Stephenson [9] añade la fecha de la cirugía como una variable de pronóstico. La Universidad de California en San Francisco construyó su propio predictor puntuación de riesgo (CAPRA) [10] para separar los pacientes con NAC postoperatorias en categorías de alto riesgo bajo, medio, y. Aparte de los parámetros utilizados en el nomograma de Kattan, la puntuación CAPRA también incluyó el porcentaje de biopsias positivas en su evaluación de riesgos. Hinev et al. [11] realizó un estudio independiente que aboga por el uso del nomograma Memorial Sloan Kettering Cancer Center (MS-KCC), desarrollado por Kattan y Stephenson, lo que sugiere la predicción superior del BCR 5 años en comparación con las tablas han. El nomograma MS-KCC añade variables adicionales tales como la edad y el tiempo libre de cáncer. Estos nomogramas representan el estado de la técnica en la predicción de CaP postoperatoria del BCR, pero todavía dependen en gran medida de la puntuación de Gleason, que se deriva de la interpretación patólogo.
La reciente llegada de los escáneres conjunto de diapositivas digitales ha permitido alta resolución de digitalización de diapositivas de tejidos. Estas imágenes de diapositivas digitalizadas pueden ser sometidos posteriormente a la histomorfometría cuantitativa (QH). Una variedad de herramientas QH se han empleado anteriormente para describir, clasificar y diagnosticar los patrones de enfermedad a partir de imágenes de histopatología [12]. En el contexto de muestras de patología de la próstata extirpadas, QH se ha utilizado con éxito en una amplia gama de aplicaciones, desde la detección del cáncer con el pronóstico, Monaco et al. desarrollado y empleado un algoritmo de Markov campo aleatorio (MRF) para la detección de cáncer de próstata [13].
Algunos investigadores han explorado también el papel de la textura de la imagen en la caracterización de la aparición de la morfología de la PAC. Para los fines de la clasificación automatizada CaP, Jafari-Khouzani et al. [14] examinó el papel de segundo orden características de textura de intensidad de imagen basados en matrices de co-ocurrencia. matrices de co-ocurrencia evaluar la frecuencia con la que aparecen dos intensidades de imagen dentro de una distancia predefinida de la otra dentro de un barrio. Una serie de características estadísticas de segundo orden (por ejemplo, la entropía) [15] para describir la matriz de co-ocurrencia se puede extraer y sirven para describir la textura de la imagen local. Otras características de textura tales como primera orden intensidad de la imagen estadística y filtros de gradiente orientables (por ejemplo Gabor filtros) [16] también se han utilizado para predecir CaP. Características de textura, mientras que han demostrado ser útiles para caracterizar la morfología de CaP, a menudo sufren de una falta de transparencia y la interpretación.
Otra clase de enfoques han intentado explícitamente modelo de apariencia CaP interrogando a la disposición espacial de individuo Los núcleos y las glándulas. Tabesh et al. [17] Color investigado, la textura y la morfología estructural para llevar a cabo automatizados Gleason anotar en la histopatología de la próstata. En Doyle et al. [16], se mostró que los descriptores morfológicos tales como el tamaño de la glándula y la relación de perímetro para distinguir regiones histológicas benignas y malignas. Veltri et al. [18] investigaron la morfología nuclear utilizando un descriptor de llamada variación de redondez nuclear para predecir la recurrencia bioquímica en los hombres con cáncer de próstata.
Muchos investigadores también han tratado de modelar la arquitectura del tejido QH, a través del uso de las redes gráficos para caracterizar el espacio disposición de los núcleos y de las glándulas [16], [19] - [21]. Christens-Barry et al. Voronoi- usados y los mosaicos de gráficos basados en Delaunay para describir la arquitectura del tejido en cáncer de próstata histología [19]. Doyle et al. [16] mostró que el mínimo Spanning Trees, además de Voronoi, las características de Delaunay parecía estar fuertemente correlacionada con el grado de Gleason. Sin embargo, estas características se derivan de gráficos totalmente conectados. Este enfoque sugiere que los núcleos incrustados dentro de las regiones del estroma y epiteliales se conectan a través de estas gráficas y por lo tanto los bordes del gráfico atravesarán las interfaces estromales epiteliales y regiones [22]. Por lo tanto las características extraídas de Voronoi o Delaunay gráficos representan el "promedio" de atributos tanto del estroma y la arquitectura epitelial, y por lo tanto pasa por alto las contribuciones locales del estroma y el epitelio de forma independiente dentro de los gráficos. Como alternativa, el análisis de subgrafos locales [20], [21], [23], [24], que a diferencia de los gráficos globales (por ejemplo, de Voronoi y Delaunay) que tienen como objetivo capturar una firma de arquitectura global para el tumor, puede permitir la cuantificación de los locales interacciones dentro de los barrios localizados flexibles. Gunduz et al. [23] observó un agrupamiento natural de las células y utilizados gráficos celulares para modelar los gliomas y diferenciar el tejido inflamado canceroso, sano, y no neoplásicas. Demir et al. [25] y otros [20], [23], [24] han desarrollado un conjunto de funciones de gráficos de cuantificar las células-gráficos locales. Bilgin et al. [20] Del mismo modo características extraídas de diferentes tipos de gráficos celulares locales para la clasificación de tejido mamario. Características se extrajeron de las células-gráficos simples, probablilistic, y jerárquicas, así como una combinación híbrida de métodos sencillos y jerárquicos. Del mismo modo, Ali et al [21], los atributos utilizados de gráficos por células de racimo probabilísticos para diferenciar cánceres de la orofaringe. Estos subgraphs ofrecen la ventaja de ser capaz de modelar de forma explícita e independientemente arquitectura espacial de los núcleos y las glándulas dentro de las regiones epiteliales y del estroma.
En este trabajo se describe una nueva metodología QH que tiene como objetivo utilizar la direccionalidad de las glándulas y el trastorno asociado en la glándula orientaciones para predecir el grado de malignidad y, posteriormente, el riesgo de recurrencia bioquímica post-quirúrgica en pacientes con NAC. La hipótesis es que las glándulas benignas normales, se suman a con respecto al estroma fibromusclar, y por lo tanto muestran una direccionalidad coherente. glándulas prostáticas malignas, sin embargo, pierden su capacidad de orientarse y mostrar ninguna direccionalidad preferida. Además, con el aumento del grado de malignidad y agresividad de la enfermedad, la coherencia de las orientaciones de las glándulas localizadas dentro de las regiones está completamente interrumpida. En otras palabras, la entropía (que captura trastorno) en orientaciones de la glándula tiende a aumentar como función de la malignidad.
Las características CGA objetivo para capturar la información de dirección en las redes de las glándulas localizadas en las secciones de histopatología extirpados para caracterizar las diferencias en la orientación de la glándula entre (a) regiones malignas y benignas y (b) los pacientes con NAC que hacen y no experimentan recurrencia bioquímica después de la PR. La metodología CGA comprende las siguientes etapas principales.
Para los CGA, un algoritmo de segmentación se emplea primero en forma individual los límites de la glándula segmento de secciones de patología digitalizadas. Para cada glándula, atribuimos un ángulo que refleja la orientación dominante de la glándula con sede fuera del eje mayor, como se muestra en la Figura 1 (a). A continuación, subgrafo se construye para unir glándulas proximal entre sí en una red glándula como se ilustra en la Figura 1 (b). Los subgraphs, a diferencia de los gráficos para Voronoi, Delaunay y árboles de expansión mínima que se han utilizado previamente para caracterizar la arquitectura glandular mundial [26], permite la caracterización de disposición glándula local. El uso de subgrafos locales evitar que los bordes del gráfico de atravesar las regiones de tejido heterogéneos tales como estroma y el epitelio. La matriz de co-ocurrencia, utilizado previamente para caracterizar texturas intensidad de la imagen, se utiliza para capturar las estadísticas de segundo orden de la glándula orientaciones dentro de cada red glándula en la imagen. Por lo tanto cada matriz de co-ocurrencia captura la frecuencia con la que co-producen orientaciones de dos glándulas proximales entre sí. características de co-ocurrencia tales como entropía se extraen de la matriz de co-ocurrencia asociada con cada red glándula para capturar el grado en que las orientaciones de las glándulas proximales son similares o divergentes entre sí. Por lo tanto, un barrio con un alto valor de entropía reflejaría un alto grado de desorden entre las orientaciones de la glándula mientras que un valor bajo de entropía refleja que los ángulos de las glándulas parecen estar alineados más o menos en la misma dirección
.
(a) Para cada glándula , se calcula el ángulo entre el eje mayor de la glándula () y el eje x. (B) Subgrafos conectan los centroides de las glándulas en las redes conectadas localmente la glándula vecina.
Dado que esperamos ver el desorden glandular ángulo en (a) malignos vs regiones benignas y (b) los casos de recurrencia bioquímica frente casos no repetición, de segundo orden rasgos angulosos estadísticos como entropía representan una novela, reproducible y forma interpretable para caracterizar aparición de la enfermedad en la histopatología. A diferencia de las estadísticas de primer orden de los ángulos, las características angulares co-produciendo la glándula son capaces de captar de manera implícita las propiedades cíclicas de la orientación de la glándula. El uso de subgrafos locales generados por una función de ayuda en descomposición probabilístico definir las redes locales de las glándulas dentro de los cuales las características CGA pueden ser extraídos y analizados
En este trabajo, se demuestra la utilidad de la CGA dispone de las siguientes tareas de clasificación.: 1) la diferenciación de las regiones de tejido de próstata cancerosas y no cancerosas, y 2) distinguir los pacientes con CaP con y sin recidiva bioquímica después de la prostatectomía radical
la figura 2 muestra dos estudios representativos:. una recurrencia bioquímica (BCR) y una no recurrencia bioquímica caso (NR). Para el caso de BCR, podemos ver un mayor desorden en la orientación de la glándula se ilustra a través de la trama del vector en la Figura 2 (f). El mapa de colores basada en el ángulo con respecto a BCR caracteriza el trastorno en los casos BCR, como lo demuestra el gran espectro de colores, cada color representa una orientación diferente. Por el contrario, para el caso de NR, (Figura 2 (n)), el mapa de colores muestra un rango menor de colores, lo que sugiere menos variación en la direccionalidad de la glándula. Las diferencias de direccionalidad glándula también se reflejan en las figuras 2 (d), (l) a través de la matriz de co-ocurrencia angular. El brillo de los elementos fuera de la diagonal de la matriz de reflejar una mayor co-ocurrencias de los ángulos de las glándulas orientados diferencialmente para el caso BCR (Figura 2 (d)) en comparación con el caso NR (Figura 2 (l)). Estas diferencias en las matrices de co-ocurrencia angulares son detectados por los estadísticos de segundo orden, como en las figuras 2 (h), (p) ilustran diferentes patrones de color en función del valor de las estadísticas en cada subgrafo.
(b ), (j) Automatizado glándula segmentación de los límites de la glándula. (C), (k) Subgrafos que muestra las conexiones entre las glándulas vecinas. Una vista ampliada de la región en caja en (a) y (i), respectivamente, ilustra (e), (m) glándulas segmentados, (f), (n) los ángulos de la glándula, y (g), (o) subgraphs red glándula. (F), (n) Las flechas indican la direccionalidad de cada glándula. colores de contorno (azul a rojo) corresponden a ángulos de 180 °]. (G), (o) localizada redes glándula definen la región de cada matriz de co-ocurrencia angular. (D), (l) Resumirse angular matrices de co-ocurrencia denotan la frecuencia con la que dos glándulas de dos direccionalidades co-ocurren en todos los barrios (elementos blancos reflejan una mayor co-ocurrencia). valores Diagonal co-ocurrencia se han omitido para proporcionar un mejor contraste en comparación con los componentes fuera de la diagonal. (H), (p) Mapa de colores de los subgrafos glándula corresponden a la media de intensidad en cada barrio.
Puede también observarse en las figuras 2 (c), (k) que capturan subgraphs glándula locales barrios. Desde la subgraphs se localizan y se limita a las regiones epiteliales por sí solos, las contribuciones de las regiones dentro del estroma se reducen al mínimo. Por consiguiente, la CGA proporcionar una representación compacta, interpretable y cuantitativa de la arquitectura de la glándula y la morfología de cáncer de próstata que se puede emplear para distinguir (a) cáncer de regiones benignas y (b) BCR de los casos NR.
El resto de este documento está estructurado de la siguiente manera. En primer lugar, introducimos la teoría y la metodología para la CGA. Materiales y Métodos se describe el proceso de obtención de las cohortes del estudio y proporciona detalles sobre el flujo de trabajo y metodologías comparativas utilizadas en este estudio. Resultados experimentales y discusión proporciona casos específicos en los que nos ponen a prueba nuestra metodología CGA. Por último, Observaciones finales discute nuestras contribuciones globales y el trabajo futuro.
histomorfometría cuantitativa a través de co-produciendo la glándula Angulosidad (CGA)
Notación
Definimos una escena de la imagen como, en su la escena de la imagen se describe por una rejilla espacial de sitios, cada uno de los cuales están asociados con un valor de intensidad único. Para imágenes de intensidad y para imágenes en color. Definimos una sub-región, dentro de la escena, donde un subgrafo se puede definir.
Cada uno está compuesto por una serie de glándulas, que se representan como nodos, donde, en donde es el número de glándulas en . También podemos definir como el conjunto de puntos de los límites asociados a la glándula.
Por lo tanto podemos definir formalmente, donde representa el conjunto de glándulas y es el conjunto de aristas que conectan con otras glándulas adyacentes dentro. Cada entonces se puede representar a través de un vector de atributo de características CGA. Un clasificador entonces puede ser entrenado para identificar cualquier como pertenecientes a una de dos clases. En este trabajo, el clasificador será entrenado para distinguir cada una como (a) maligno o benigno o (b) BCR o no
. El cálculo de los ángulos de la glándula
Para determinar la direccionalidad de cada glándula, , llevamos a cabo análisis de componentes principales [27] en un conjunto de puntos de los límites para obtener los componentes principales. El primer componente principal describe la direccionalidad de la glándula en forma de eje mayor, a lo largo de la que se produce la mayor varianza dentro. El eje principal se expresa como vector, de un solo direccionalidad, y se define como (1) en la que representa la dirección en el dirección x, y representa la dirección en el dirección x. se convierte posteriormente en un ángulo calculado en sentido antihorario a partir del vector de (2) Una representación del proceso para la estimación de las orientaciones de la glándula se muestra en la Figura 1 (a).
Definición de Subgrafos locales sobre las glándulas
relaciones espaciales pares entre glándulas se definen a través de gráficos sparsified. Para el subgrafo definido en región, los bordes individuales se pueden definir entre todos los pares de a través de una función de descomposición probabilístico se describe en Gunduz et al. [20], [23]. (3) en la que representa la distancia euclidiana entre y. controla la densidad de la gráfica, donde se aproxima 0 representa una alta probabilidad de conectar nodos mientras se aproximaba representa una baja probabilidad. es un umbral de borde determinado empíricamente. Un ejemplo de una red subgrafo glandular resultante se muestra en la Figura 1 (b).
Matrices
Glándula Angulosidad de co-ocurrencia
Los objetos de interés para el cálculo de características CGA se dan por una discretización de la ángulos, de tal manera que, cuando es un factor de discretización derivada empíricamente. Grande proporcionar menos especificidad para el recuento de los ángulos de las glándulas concurrentes y más pequeños no pueden expresar ángulos concurrentes dentro de los barrios individuales. El óptimo se basa fuera elegido un 3 veces aleatorizado de validación cruzada de los parámetros. se estableció a ser 10 en este trabajo, lo que permite ángulos para discretizar en cada 10 grados.
Los vecinos definidos por los subgrafos locales, nos permitirá definir los barrios para cada uno. Para cada uno, definimos un barrio, para incluir a todos, donde existe un camino entre y, a través de la gráfica.
Una matriz de co-ocurrencia angular posteriormente captura pares de ángulos de la glándula, y, cuando y es el número de glándulas adentro, que co-ocurrir dentro de cada barrio. Por tanto, este se puede expresar de la siguiente manera. (4) donde, el número de intervalos angulares discretos. Un ejemplo de una matriz de co-ocurrencia angular se muestra en las figuras 2 (d) y (l).
segundo prensa Estadísticas de ángulo ordenar antes de
Estamos posteriormente extraer las características estadísticas de segundo orden (energía contraste, Contraste momento inversa, contrastar la media, la varianza de contraste, contraste entropía, de intensidad media, la varianza de intensidad, intensidad entropía, entropía, energía, Correlación, y dos medidas de información) de cada matriz de co-ocurrencia angular. Las formulaciones de estas segundas características de orden se describen en la Tabla 1. La figura 2 ilustra la visualización de la medida de la intensidad media de cada imagen digitalizada en una histopatología.
Materiales y Métodos
Declaración de Ética
los pacientes incluidos en el estudio fueron obtenidos de fuentes independientes. Una cohorte fue recogido por los Dres. Tomaszewski y Feldman obtuvieron a partir del estudio del IRB "Análisis de los cambios genéticos en los cánceres genitourinarios" Protocolo#707863. La cohorte B era parte del proyecto de próstata Score, dirigido por el Dr. Rebbeck, y aprobado por el IRB estudio UPCC 13808 "Epidemiología molecular del cáncer de próstata" Protocolo#36142. Toda la aprobación del IRB se obtuvo de la Universidad de Pennsylvania, donde se recogieron los datos de los pacientes. Se obtuvo el consentimiento por escrito de todos los pacientes para el seguimiento a largo plazo. De-identificada muestras de patología digital y datos de recurrencia bioquímica utilizadas para este estudio se obtuvo a partir de datos recogidos en virtud de consentimiento informado. Dado que se utilizaron los datos sin identificación, no se requiere el consentimiento del IRB.
Adquisición de datos y datos Descripción
Los conjuntos de datos (obtenidos del Hospital de la Universidad de Pennsylvania) se compone de 40 pacientes con NAC que se había sometido a un tratamiento de RP. Estos estudios se eligieron de una cohorte mucho más grande de más de 3000 casos archivados en el Hospital de la Universidad de Pennsylvania. Los casos se elige para que tenga una división equitativa de los casos con BCR y NR después de la PR. Además, la búsqueda se limita sólo a las puntuaciones de Gleason 6-8 y el estadio patológico pT2 y pT3.
Para todos los pacientes con NAC, después de la PR, la próstata extirpado se seccionó, se tiñeron con hematoxilina y eosina (HE), y digitalizada a una resolución de 0,5 m por píxel o 20 aumentos utilizando un Aperio
® escáner de diapositivas conjunto. Para cada imagen digitalizada, regiones de CaP fueron anotados por un patólogo, como se muestra en la Figura 3. 56 regiones de cáncer fueron anotados en 40 pacientes, 28 de los pacientes BCR y 28 de pacientes NR. Dado que no hay hombres sin prostatectomía radical documentado y biopsia de cáncer de próstata confirmado someterse, no hubo regiones en este estudio que no se originó a partir de un paciente sin cáncer. En su lugar, las 24 regiones de control fueron sacrificados fuera de las regiones no cancerosas de la próstata extirpada para estos pacientes.
metodología CGA (destacado dentro de las líneas discontinuas) aprovecha la segmentación de la glándula para calcular características CGA. (B) cálculo de ángulo y (c) subgrafo cálculo se realiza en la imagen segmentada. (D) los agregados angular de la matriz de co-ocurrencia co-produciendo ángulos de las glándulas dentro de las redes de glándulas localizadas. (E) media, la desviación estándar y el rango de las estadísticas de segundo orden (que se muestra a través de redes de glándulas diferencialmente de colores) crear un conjunto de características CGA para la región. (F) Un clasificador basado en CGA entonces se puede construir utilizando las características obtenidas de (e) para distinguir las categorías de interés (ya sea el cáncer en comparación con las regiones benignas o BCR frente NR).
CGA Extracción de flujo de trabajo
Como se ha descrito anteriormente en la notación, cada región se caracteriza por una CGA características vector. El se usa para entrenar un clasificador de aprendizaje automático para distinguir entre (a) canceroso de las regiones benignas y (b) BCR de los pacientes no respondedores. El método de extracción y formación se describe a continuación y se resumen en la Figura 4.
En este estudio, el análisis histomorfométrico cuantitativo se realiza sólo en estas regiones.
Identificación de los límites glandulares.
la detección y segmentación de los límites de la glándula se limita a sólo aquellas regiones anotados manualmente por el patólogo en las secciones de histopatología digitalizados. Un algoritmo de segmentación automática glándula región de crecimiento basado próstata [13] se utiliza para detectar y segmentar límites glandulares en la imagen histológica como se ilustra en la Figura 5. Monaco et al. [13] previamente fue capaz de identificar con precisión regiones de cáncer de próstata en 93% de precisión a través del procedimiento de segmentación glándula describe a continuación. La segmentación se lleva a cabo utilizando el canal de luminancia en el espacio de color CIELAB. En el canal de luminancia, glándulas aparecen como regiones de píxeles contiguos, de alta intensidad bordeadas por los bordes afilados como los límites. Para identificar las glándulas, la imagen de luminancia se convolución con un núcleo de Gauss a escalas múltiples mm para dar cuenta de múltiples tamaños de las glándulas. Los picos (máximos) de las imágenes de luminancia suavizados resultantes se utilizan como semillas para un procedimiento región de cultivo descrito brevemente a continuación.
Un cuadro delimitador se inicializa alrededor de cada pixel de arranque inicial, que representa la región actual ( CR), con 8-conectados píxeles circundantes CR, denotados como el límite de corriente (CB).
a continuación, el píxel en el CB con la intensidad más alta se retira de CB y se incorporan en CR. Los 8 píxeles circundantes de este nuevo píxel CR, que no se encuentren en CR, se incorporan en CB.
La fuerza límite se identifica en cada iteración como se muestra en la Figura 5. Se define el límite interno (IB) como todos los píxeles CR adyacentes a CB. la fuerza límite se define como la intensidad media de los píxeles de IB menos la intensidad de los píxeles significa en CB.
Los pasos 2 y 3 se repiten hasta que el algoritmo intenta añadir un píxel fuera del cuadro delimitador.
la región óptima se define como región de CR en la iteración, donde se logró la máxima resistencia límite.
las regiones superpuestas posteriormente se resuelven mediante la eliminación de la región con la fuerza límite más bajo. Un ejemplo de nuestros resultados pueden verse en la Figura 4 (b).
CGA extracción de características.
Sobre la base de la segmentación de la glándula se detalla en la sección, identificación de límites glandulares, se calculan las características CGA como se describe en la sección anterior, Quantitative histomorfometría a través de Co-produciendo Glándula Angularidad (CGA). Los parámetros óptimos fueron elegidos en base de un 3 veces aleatorio procedimiento de validación cruzada para y. La mejor combinación se encontró que era, y, que se utilizó para construir la matriz de co-ocurrencia ángulo para todos los casos en estos experimentos. , La desviación estándar media y el rango de la CGA funciones que se describen en la sección Segunda Estadísticas ángulo Orden glándula se calculan. Esto produce que es un conjunto de 39 características CGA.
La construcción de un clasificador basado en CGA.
Para cada tarea de clasificación (ver Resultados experimentales y discusión), un conjunto de entrenamiento de las categorías positivas y negativas fueron compilados a partir del conjunto de los 40 casos (véase la Tabla 2). El conjunto de entrenamiento se utilizó para entrenar un clasificador en conjunción con distinguir entre las categorías de interés. A continuación se utilizó el clasificador entrenado para asignar a cada región o estudiar en clases basadas en las tareas de clasificación (a) el cáncer de distinción de ser benigno o (b) BCR de los pacientes no respondedores. 3 veces al azar de validación cruzada se utilizó para entrenar y evaluar la robustez clasificador. Esto implicó dividir al azar todo el conjunto de datos en 3 series de igual tamaño con 2 subconjuntos utilizados para la formación y el 1 subconjunto utilizado para la evaluación independiente. Este procedimiento se repitió 100 veces. En todos los experimentos se utilizó un clasificador de bosque aleatorio (una agregación de múltiples clasificadores boostrapped árbol de decisión). Remitimos al lector a [28] para más detalles sobre el clasificador azar forestal.
comparativo Metodologías
Con el fin de comparar el rendimiento de la CGA cuenta para las diferentes tareas de clasificación descritos en los resultados experimentales y discusión, hemos modelado de forma explícita y evaluado un Nunber de otro estado de la técnica (a) características QH y (b) nomogramas, se describe a continuación.
histomorfométricos atributos cuantitativos.
Glándula Morfología (
):
descriptores morfológicos [16] se extraen de los límites glandulares segmentados obtenidos en textbfIdentification de los límites glandulares estadísticas tales como la relación de área, perímetro de la relación, y la relación de la distancia se derivan de la información de la glándula del contorno y la media, la desviación estándar, mediana, y la relación entre los valores mínimos y máximos se calculan a través de todas las glándulas [16]. Estas características se resumen en la Tabla 3.
Diagrama de Voronoi (
):
diagramas de Voronoi dividen cada región en polígonos no se solapan, cada uno asociado con una glándula , donde cada borde divide dos centroides de las glándulas vecinos y, en su. Un ejemplo del diagrama de Voronoi construye en la parte superior de una imagen digitalizada patología con los centros de las glándulas que sirve como nodos /vértices de se muestra en la Figura 6 (b). Estadísticas (Ver Tabla 3), tales como el área, perímetro y longitud de la cuerda se registran para cada polígono y la media, la desviación estándar, el desorden y la relación entre los valores mínimo y máximo se calcula en todos los polígonos en la imagen.
QH características se extraen a partir de (a) una región anotado en un portaobjetos de histología de la próstata digitalizada después de la prostatectomía radical. Los gráficos para (b) de Voronoi, (c) Delaunay, y (d) Mínimo Spanning Trees, así como (e) una característica imagen de la textura se muestran desde la zona indicada por un cuadro azul en (a).