PLoS ONE: Multi Texture analyysi peräsuolen syövän Continuum käyttäminen monispektriset -kuvat
tiivistelmä
Tarkoitus
Tässä asiakirjassa ehdotetaan luonnehtia jatkumoon peräsuolen syöpä (CRC) käyttämällä useita Tekstuuripiirteiden uutettu monispektriset optinen mikroskopia kuvia. Kolmenlaisia patologisten kudosten (PT) katsotaan: hyvänlaatuinen liikakasvu, intraepiteliaalisten neoplasian ja syöpä.
Materiaalit ja menetelmät
ehdotettua lähestymistapaa, sillä alueella, joka sisältää PT ensin uutetaan monispektriset kuvien aktiivinen ääriviivat segmentointia. Tämä alue on sitten koodattu käyttäen Tekstuuripiirteiden perustuu Laplace-of-Gaussin (log) suodatin, diskreetti wavelets (DW) ja harmaa tason yhteistyötä esiintyminen matriisit (GLCM). Merkityksen arvioimiseksi textural eroja PT tyyppejä, tilastollinen analyysi perustuu Kruskal-Wallisin testi suoritetaan. Hyödyllisyys Tekstuuripiirteiden sitten määrällisesti mitattuna niiden kyky ennustaa PT tyypit käytetään eri luokittelija malleja.
Tulokset
Alustavat tulokset osoittavat huomattavia tekstuuri eroja PT tyyppejä, kaikille Tekstuuripiirteiden (
p
-arvo 0,01). Yksittäin GLCM Tekstuuripiirteiden parempia loki ja DW piirteitä suhteen PT tyyppiä ennustuksen. Kuitenkin korkeampi suorituskyky voidaan saavuttaa yhdistämällä kaikki Tekstuuripiirteiden, jolloin keskimääräinen luokittelun tarkkuus 98,92%, herkkyys 98,12%, ja spesifisyys 99,67%.
Johtopäätökset
Nämä tulokset osoittavat tehokkuutta ja vaikuttavuutta yhdistämällä useita tekstuurin ominaisuuksia kuvaavat jatkumoa CRC ja kohdella eri patologinen kudosten spektrikuviin.
Citation: Chaddad A, Desrosiers C, Bouridane A, Toews M, Hassan L, Tanougast C (2016) Multi tekstuurianalyysiin paksusuolisyövän Continuum käyttäminen monispektriset -kuvat. PLoS ONE 11 (2): e0149893. doi: 10,1371 /journal.pone.0149893
Editor: Masaru Katoh, National Cancer Center, JAPAN
vastaanotettu: 27 marraskuu 2015; Hyväksytty: 05 helmikuu 2016; Julkaistu: 22 helmikuu 2016
Copyright: © 2016 Chaddad et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.
Data Saatavuus: Tiedot ovat saatavana S1 (https://figshare.com/s/5e9c65848bb0aa1f4032 tai DOI: 10,6084 /m9.figshare.2076220).
rahoitus: kirjoittajat eivät tuki ja rahoitus raportoida.
kilpailevat edut: kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.
Johdanto
peräsuolen syöpä (CRC) on yleinen maligniteetti, jolla on lisääntyvä monissa kehittyneissä maissa. Se on kolmanneksi yleisin äskettäin diagnosoitu syöpä, jonka osuus 8% uusista tapauksista vuosittain, ja myös kolmanneksi yleisin syy syövän kuolemaan sekä miehillä että naisilla [1]. Arviolta 26270 miestä ja 24040 naista kuoli ja peräsuolen syöpä vuonna 2014, on raportoinut American Cancer Society. Kirurginen resektio primaarikasvaimen kovettuneen tarkoituksena on mahdollista vain 70%: lla potilaista [2, 3]. Valitettavasti jopa 30% CRC potilailla, joille tehdään kirurginen resektio primaarikasvaimen kokemus myöhemmällä uusiutumisen kolmen vuoden kuluessa, ajan mediaani kuolemaan 12 kuukauden [4]. Imaging tutkimukset ovat usein käytetään arvioimaan potilaiden seulontaan ja lavastus peräsuolen syövän. Poikkileikkauksen kuvantamismenetelmät kuten tietokonetomografia (CT) [4], magneettikuvaus (MRI) [5] ja mikroskopia antaa anatomisia ja morfologisia tietoa rakenteesta ja kuviot kasvain [6]. Tässä tieto, kuva rakenne, ja erityisesti rakenne heterogeenisuus, on näkyvä piirre CRC joka ilmenee suurien solutiheyden.
Viimeaikainen laskennallisen suuntaus on ollut analyysi korkean resoluution koko levyn kuvia tuotettu digitaalinen patologian dioja [7, 8]. Tekstuuripiirteiden uutettu kuten Kuvat ovat tulona tärkeä laskennallisia sovelluksia, kuten tietokoneavusteinen diagnoosi patologian. Varhainen tutkimus Esgiar et al. osoittivat, että entropia Tekstuuripiirteiden uutettu harmaa-tason yhteistyötä esiintyminen matriisit (GLCM) kykenivät erottelemaan normaalin ja syöpäkudoksen [6]. Seurantatutkimukseen tutkimuksen samojen tekijöiden sisällytetty fraktaali ulottuvuuksia ominaisuuden analyysin herkkyyden parantamiseksi ja spesifisyys luokittelu [9]. Värien kanava histogrammit, GLCM ja rakenteelliset piirteet, Kalkan et al. saavutettu tarkkuus 75,15% luokituksessa neljän tyyppisiä paksusuolen kudoksiin: normaali, syöpä-, adenomatous ja tulehduksellinen [10]. Jiao et ai. Ehdotettu menetelmä automaattiseen paksusuolensyöpä havaitseminen käyttäen GLCM ja rakenne louhinta ja tukivektorikoneet (SVM) luokittelua. Tämä menetelmä saavuttaa tarkkuus 96.67% erotella syöpä- ja ei-syöpä kuvia [11]. Hilado et ai. käytetyt 2D diskreetti Wavelet (DW) muunnos ominaisuuksia luokitella koko dia paksusuolensyöpä kuvia normaaleihin, syöpä- ja adenomatoottisen polyyppi tapauksissa raportointi 91,11% tarkkuudella [12]. Francesca et ai. käytetyt koko kasvain Tekstuuripiirteiden, lasketaan käyttäen Laplace-of-Gaussin (log) suodattimet arvioimaan heterogeenisuus CRC [4]. Myöhemmässä tutkimuksessa, Rao et ai. harkittu LoG Tekstuuripiirteiden syrjiä CRC potilaiden ja ilman maksametastaaseja [13]. Erilaiset lähestymistavat käyttämällä paikallisia kuvaajia on myös ehdotettu, mukaan lukien menetelmät perustuvat mittakaavassa-invariant ominaisuus muunnos (SIFT) [14], muoto yhteydessä [15], ja histogrammeja suuntautunut kaltevuus (HOG) kuvaajia [16]. Koska he luottavat keskeisiä kohtia, jotka voivat vaihdella aiheesta toiseen, avainkohta-pohjainen SEULOA ja muoto yhteydessä on tarjolla menetelmät eivät aina sovellu arviointiin solujen poikkeavuudet peräisin valomikroskooppi järjestelmiä. Samoin menetelmät, jotka perustuvat HOG ei ole muuttumaton kierrosta, jotka esiintyvät mikroskooppiset kuvat. On siis vahvoja perusteita tukemalla käyttää kierto-invariant Tekstuuripiirteiden johdettu GLCM, loki ja DW tämän erityisen ongelman.
Koska yleiset menetelmät, sairaan kudoksen (PT) johtuvat solujen poikkeavuudet CRC, kuten hyvänlaatuisen liikakasvun (BH), intraepiteliaalinen neoplasia (IN) ja syövän (Ca), voidaan havaita klassisen optisella mikroskopialla käyttävät erilaisia kuvankäsittelyn tekniikoita [17-19]. Tutkimuksessa ehdotetaan mallintaa jatkumoon CRC käyttää rikas, informatiivinen Tekstuuripiirteiden saatu monispektriset optinen mikroskopia kuvia. Erotteluärsykeominaisuuksiin kyky tekstuurin ominaisuuksia voidaan ymmärtää kuvio 1, jossa histogrammi pikselin intensiteettien on esitetty kuvia BH, IN ja Ca tyyppejä. Voidaan nähdä, että BH, IN ja Ca kudosten osoittavat selvästi eri intensiteetin profiilit, tukee ajatusta siitä, että tällainen ominaisuus voidaan käyttää erottamaan nämä PT tyyppejä. Uutta tässä työssä piilee vertaileva analyysi ja yhdistelmä kolmesta eri Tekstuuripiirteiden perustuu GLCM [17], log [4] ja DW [20], ennustamiseksi PT tyyppejä. Kuten näkyy meidän kokeissa käytetään usean tekstuurisiin tieto voi parantaa havaitsemista ja luokittelu patologisten kudosten, ja tarjota entistä kattavampi käsitys välisen yhteyden CRC ja kudoksen heterogeenisyys. Mahdolliset vaikutukset Tämän työn parantamiseen sairaanhoito ovat kahtalaiset. Yhdessä standardin seulonta lähestymistapojen CRC, ehdotettu menetelmä voisi parantaa taudin havaitsemisen sen alkuvaiheessa, mikä lisää mahdollisuuksia onnistuneen hoidon. Mukaan American Cancer Society, 5 vuoden suhteellinen pysyvyys on noin 90%, kun CRC voidaan havaita ennen kuin se on levinnyt [21]. Luokittelu solujen poikkeavuuksien patologinen kudoksissa on myös tärkeää arvioida etenemistä CRC ja valitse sopiva hoitokuuri. Käyttämällä Tekstuuripiirteiden, meidän menetelmä tarjoaa tehokkaan tavan luonnehtia kudoksen ominaisuuksien solutasolla. Mittaaminen textural tiedot eri ajankohtina voisi auttaa seuraamaan taudin etenemistä ja arvioida tehokkuutta tietyn hoidon.
(a) hyvänlaatuinen liikakasvu; (B) epiteelinsisäisen neoplasian; (C) syöpä; (D, e, ja f) histogrammit osoittavat pikseli intensiteettijakaumien kullekin.
Materiaalit ja menetelmät
Tutkimus hyväksyi Institutional Review Board of Anatomical patologian (Anapath ) Osasto on CHU Nancy-Brabois sairaala. Tarkastelu hallitus luopua tarvetta kirjallinen suostumus osallistujilta. Osa tiedoista on käytetty aiemmissa tutkimuksissa [18, 22, 23].
Ehdotettu kehys, kuvassa 2, koostuu sarjasta viisi vaihetta: 1) näytteen valmistus ja kuva hankinta, 2) ROI segmentointi, 3) tekstuuri piirteiden poimintaa, 4) PT luokittelu, ja 5) suorituskyvyn arviointiin. Yksityiskohtainen esittely jokainen kohta on annettu seuraavissa kappaleissa.
(a) Optinen mikroskopia järjestelmä, värjäys, leikkaamista, ja skannaus. (B) monispektriset kuva hankinta kautta CCD-kamera monilla visuaalisen spektrikaistoiksi. (C) Aktiivinen ääriviivat segmentointialgoritmi rajaamista varten ROI. (D) GLCM, lokin ja DW kuvan tekstuurin piirreirrotuksen. (E) Valvottu luokitus automaattiseen ennustamiseen epänormaalin kudoksen tyypit uusia näytteitä.
Näytteiden valmistus ja kuva hankinta
CRC tiedot kerättiin Anatomical patologia (Anapath) Osasto klo CHU Nancy-Brabois sairaala. Kudosnäytteet saatu peräkkäinen asemointia kaksoispisteitä 30 potilasta, joilla peräsuolen syöpä. Osiot on 5 um paksuisia uutetaan ja värjättiin laajalti käytetty hematoksyliinillä ja eosiinilla (H 0,0001). Samoin keskimääräinen sijoitus IN on suurempi kuin BH, lukuun ottamatta toimintoja
c
ja
Ent
f
. Tämä tukee ajatusta, että PT tyypit ovat erilaiset rakenneominaisuuksien ja ominaisuudet perustuvat LoG voidaan syrjiä tämäntyyppisiä kudoksen epämuodostumasta.
Samanlainen analyysi suoritettiin GLCM ominaisuuksia (taulukko 3) ja DW ominaisuuksia (taulukko 4). Sillä GLCM keskimääräinen sijoitus ominaisuudet
f
1,
f
2,
f
4,
f
8
f
11 ja
f
12 on merkittävästi suurempi Ca kuin iN ja BH tyyppejä. Sen sijaan keskimääräinen sijoitus ominaisuus
f
9
on suurempi IN verrattuna BH ja Ca Lisäksi keskimääräinen sijoitus ominaisuudet
f
5
f
6,
f
7 ja
f
10 havaittiin olevan merkittävästi korkeampi BH kuin iN (
p
-arvo 0,0001). Karttakohteille eristettiin käyttäen DW-muunnos, huomasimme, että ominaisuudet
f
1DW_db, ja f
1DW_sym oli korkeampi keskimääräinen sijoitus IN kuin BH ja Ca tyyppejä, ja että keskimääräinen sijoitus ominaisuuksia
f
1DW_coif, f
2DW_db,
f
2DW_coif,
f
2DW_sym,
f
3DW_db,
f
3DW_coif ja
f
3DW_sym oli suurempi BH kuin iN ja Ca tyypit (
p
-arvo 0,001) .
Kaiken kaikkiaan analyysi osoittaa potentiaalin loki, GLCM ja DW Tekstuuripiirteiden erotteluun PT tyyppejä. Lisäksi koska kaikki Tekstuuripiirteiden havaittiin olevan tilastollisesti merkitsevä (
p
-arvo 0,01), ne kaikki käytettiin luokitteluun (eli ei ominaisuuksien hallintaan vaihe suoritettiin ennen luokittelua).
Classification
kolmet Tekstuuripiirteiden (eli
F
LOG,
F
DW ja
F
GLCM) arvioitiin luokituksen ympäristössä, käyttää niitä syötteenä LDA, NB, DT ja NN luokittelijoiden. Esitys, tarkkuuden, herkkyyden ja spesifisyyden, saadaan nämä luokittelijoiden jokaiselle ominaisuuksia on esitetty taulukossa 5. parhaassa tarkkuudet saatiin log, DW ja GLCM ovat 81,17% (DT luokitin), 90.00% (LDA luokittelija ) ja 94.37% (LDA luokitin), tässä järjestyksessä.
kyky luokittelijoiden syrjiä paria PT tyyppejä, eri päätös kynnysarvot, arvioitiin käyttämällä AUC metristä. Tulokset, jotka esitetään taulukossa 6 ja kuviossa 6, osoittavat, että kaikki kolme sarjaa tekstuurin ominaisuuksia ovat hyödyllisiä erottamaan kaikkien parien PT tyyppiä, jossa AUC-arvot vaihtelivat välillä 98%: sta 100%. Lisäksi Taulukossa 7 esitetään sekaannusta matriisi saadaan kolmesta tekstuurin ominaisuuksia. Näemme, että kaikki rakenne tyyppejä, korkein tarkkuus saavutetaan Ca (167/176 luokiteltu oikein Ca näytteitä GLCM), ja yleisin luokitteluvirheeseen tapahtuu BH ja IN tyyppejä.
sininen, musta, ja punainen viiva on BH vs. IN, BH vs. Ca, ja IN vs. Ca vastaavasti. (A) Texture perustuva LoG suodatin. (B) Rakenne perustuu DWT suodatin. (C) Texture perustuva GLCM.
Parantaakseen luokitusta suorituskyky, ketjutetaan ominaisuuksia johdettu kaikkia kolmea rakenne, jolloin vektori on 30 tekstuurin ominaisuuksia. Tätä lähestymistapaa käyttäen saimme tarkkuus 98,92%, herkkyys on 98,12%, spesifisyys 99,67%, ja AUC 100% käyttäen LDA luokittelija (taulukot 5 ja 6). Esitys parannus saatiin usean Tekstuuripiirteiden on havaittavissa myös sekaannusta matriisissa taulukon 7, jossa 157/160 BH, 143/144 IN, ja 175/176 Ca näytteiden luokitellut oikein.
satunnaistamista testi
Satunnaistettu permutaatio testejä käytettiin edelleen määrällisesti merkitystä välisen yhteyden kuvan tekstuurit ja PT tyyppejä. Useita kokeita tehtiin laskea luokitustarkkuudesta satunnaisesti vuorotella PT tyyppi tarroja. Tämä lähestymistapa mahdollistaa kvantifiointiin null jakelun rakenne ominaisuus luokittelun tarkkuutta, eli annetaan nollahypoteesi että ominaisuudet sisällä mitään tietoa PT tyyppejä, katso permutaatio testaus [41]. Analyysi suoritettiin kuten aiemmin, paitsi että tyyppi etikettejä satunnaisesti permutoitu ennen arviointia, jolloin syntyy empiirinen null jakautuminen luokittelun tuloksia useista tutkimuksista (1000 kertaa). Kuten odotettua, null jakauma on huipussaan noin luokittelu arvoja, satunnainen arvailu. esim. tarkkuus = 33.25% (mediaani = 32.86%) ja Tekstuuripiirteiden perustuu log suodatin, 33,81% (mediaani = 33,75%) ja ominaisuudet perustuvat DW, 33.83% (mediaani = 33,95%) ja ominaisuuksista johdetut GLCM, ja 33,91% (mediaani = 33,93%) ja täydet ominaisuudet (yhdistetty ominaisuuksia), (taulukko 8). Nämä jakaumat voidaan laskea empiirinen
p
-arvot luokittelun tuloksia saatiin kokeissa jakson 3, esim. Taulukko 5, jotka ovat merkittäviä alueella.
Keskustelu
monispektriset kuvankäsittelyväylä esitettiin, jossa kiinnostavat alueet (ROI), joka edustaa epänormaalia kudoksia automaattisesti segmentoitu kautta tehokas monitasoinen aktiivinen ääriviivat menetelmällä. Tämä menetelmä osoittautui tarkkoja, suhteessa asiantuntijan merkitty maa totuus, saaminen Dice samankaltaisuus arvojen välillä 86,31% ja 88,21%.
Vertailevassa tutkimuksessa, arvioimme hyödyllisyyttä kolmenlaisia kuvioita luokittelussa sairaan kudoksen liittyvät CRC. Yksittäin kaikki tekstuurit johda luokitukseen tarkkuudet yli 80%, vaikka GLCM perustuu tekstuurit edellyttäen paras suorituskyky tarkkuudella 94.37%, herkkyys 95,63% ja spesifisyys 100% (taulukko 5). Vertaamalla suorituskykyä poikki PT tyyppejä, havaitsimme, että Ca näytteet on alhaisin virheprosentti, ja että suurin osa virheistä tapahtui vuosina BH ja IN tyypit (taulukko 7). Havaitsimme myös, että yhdistämällä kaikki kolme koostumus tyyppiä (yhteensä 30 toimintoja) tarjoaa parhaan suorituskyvyn, joiden tarkkuus on 98,92%, herkkyys 98,12%, spesifisyys 99,67% ja AUC 100% (taulukot 5, 6 ja 7 ). Tämä osoittaa, että eri rakenne ominaisuudet sisältävät täydentäviä tietoja, jotka voidaan yhdistää synergistisesti tavalla parantaa analyysin.
Kuvio 7 esittää korrelaatio ominaisuuden arvojen löytyy kolme PT tyyppejä, kunkin rakenne . Log pohjainen Tekstuuripiirteiden, korkein korrelaatio arvot havaittu keskipitkällä ja karkea tekstuurit IN ja Ca tyypit (kuvio 7A). Vastaavanlainen riippuvuussuhde kuvio löydetään välillä aalloke ominaisuuksia sisällä IN ja Ca tyypit (kuvio 7B). Sen sijaan vähemmän korrelaatio on havaittu eri GLCM piirteitä (kuvio 7C), joka voisi selittää niiden suhteellisen suuri luokitustarkkuudesta. Across PT tyyppejä, alhaiset korrelaatioarvot havaittu ominaisuuksia, erityisesti loki ja GLCM kuvioita. Jälleen kerran, tämä tukee ajo hypoteesia, että koostumus ominaisuuksia voidaan käyttää kuvaamaan ja tunnistaa patologiset kudosten monispektriset CRC kuvia.
(a) Texture ominaisuus perustuu log suodatin,
,
Ent
ja
SD
on keskimäärin, Entropy ja keskihajonta vastaavasti;
f
,
m
ja
c
on indeksi hienoja, keskikokoisia ja karkea rakenne vastaavasti. (B) Texture ominaisuus perustuu erillisiin wavelet jossa
f
1
,
f
2
,
ja f
3
on Entropy, energia ja varianssi vastaavasti;
d
,
c
ja
s
on indeksi Daubechies, Coiflet ja Symlet wavelet vastaavasti. (C) Texture ominaisuus uuttamalla GLCM jossa
f
1
,
f
2
,
f
3
,
f
4
,
f
5
,
f
6
,
f
7
,
f
8
,
f
9
,
f
10
,
f
11
ja f
12
on indeksi Energia, entropia, korrelaatio, kontrasti, Inverse ero, Sum-varianssi, Sum-keskiarvo, ero entropia, Cluster sävy, Cluster suuntaus, Maximum todennäköisyys, ja ero varianssi vastaavasti.
Lopuksi on huomautettava, että useat tutkimukset kirjallisuudessa ovat hahmotellut etuja käyttämällä Tekstuuripiirteiden tunnistaa epänormaali paksusuoli näytteitä [6, 9 , 10, 42, 43, 44].