PLoS ONE: Multi Texture Analyse af kolorektal cancer Continuum Brug Multispektral Imagery

Abstrakt

Formål

I dette dokument foreslås at karakterisere kontinuum af kolorektal cancer (CRC) ved hjælp af flere tekstur har udvundet multispektrale optiske mikroskopi billeder. Tre typer af patologisk væv (PT) betragtes: benign hyperplasi, intraepitelialneoplasi og karcinom

Materialer og metoder

I den foreslåede fremgangsmåde, interesseområdet indeholder PT først udvundet fra multispektral. billeder ved hjælp af aktiv kontur segmentering. Denne region er derefter kodet med tekstur funktioner baseret på den Laplace-of-Gauss (log) filter, diskrete wavelets (DW) og grå niveau co-forekomst matricer (GLCM). At vurdere betydningen af ​​stoflige forskelle mellem PT typer, udføres en statistisk analyse baseret på den Kruskal-Wallis test. Nytten af ​​tekstur har derefter vurderet kvantitativt med hensyn til deres evne til at forudsige PT typer ved hjælp af forskellige klassificeringen modeller.

Resultater

De foreløbige resultater viser signifikante tekstur forskelle mellem PT typer, til alle tekstur funktioner (

s

-værdi 0,01). Individuelt, GLCM tekstur funktioner udkonkurrerer Log og DW funktioner i form af PT typen forudsigelse. Dog kan en højere ydelse opnås ved at kombinere alle tekstur funktioner, hvilket resulterer i en gennemsnitlig klassificering nøjagtighed på 98,92%, følsomhed 98,12%, og specificitet 99,67%.

Konklusioner

Disse resultater demonstrere effektiviteten af ​​at kombinere flere tekstur funktioner til at karakterisere kontinuum af CRC og diskriminere mellem patologiske væv i multispektrale billeder

Henvisning:. Chaddad A, Desrosiers C, Bouridane A, Toews M, Hassan L, Tanougast C (2016) Multi Texture Analyse af kolorektal cancer Continuum Brug Multispektral Imagery. PLoS ONE 11 (2): e0149893. doi: 10,1371 /journal.pone.0149893

Redaktør: Masaru Katoh, National Cancer Center, JAPAN

Modtaget: November 27, 2015; Accepteret: 5 februar 2016; Publiceret: 22 feb 2016

Copyright: © 2016 Chaddad et al. Dette er en åben adgang artiklen distribueres under betingelserne i Creative Commons Attribution License, som tillader ubegrænset brug, distribution og reproduktion i ethvert medie, forudsat den oprindelige forfatter og kilde krediteres

Data Tilgængelighed:. Data tilgængelig i S1 (https://figshare.com/s/5e9c65848bb0aa1f4032 eller DOI: 10,6084 /m9.figshare.2076220).

finansiering:. forfatterne har ingen støtte eller finansiering til at rapportere

konkurrerende interesser: forfatterne har erklæret, at der ikke findes konkurrerende interesser

Introduktion

Kolorektal cancer (CRC) er en fælles malignitet har en stigende forekomst i mange udviklede lande.. Det er den tredje mest almindelige nydiagnosticeret kræft, der tegner sig for 8% af nye tilfælde hvert år, og også den tredje mest almindelige årsag til kræft død hos både mænd og kvinder [1]. Det anslås 26,270 mænd og 24,040 kvinder døde af kolorektal karcinom i 2014, som rapporteret af American Cancer Society. Kirurgisk resektion af den primære tumor med helbredende hensigt er mulig i kun 70% af patienterne [2, 3]. Desværre, op til 30% af CRC patienter, der gennemgår kirurgisk resektion af primær tumor erfaring en efterfølgende tilbagefald inden for tre år, med en median tid til døden på 12 måneder [4]. Imaging undersøgelser bruges ofte til at evaluere patienter til screening og iscenesættelse af kolorektal cancer. Tværsnitsarealet billeddiagnostiske teknikker som computertomografi (CT) [4], magnetisk resonans imaging (MRI) [5] og mikroskopi giver anatomiske og morfologiske oplysninger om strukturen og mønstre af [6] tumor. I denne information, billede tekstur, særlig tekstur heterogenitet, er en fremtrædende del af CRC, der manifesterer sig som områder med høj celletæthed.

En nylig beregningsmæssige tendens har været en analyse af højopløselige hele lysbilederne produceret fra digitale patologi objektglas [7, 8]. Texture funktioner udvundet af sådanne billeder tjener som input til vigtige beregningsmæssige applikationer såsom computerstøttet diagnose fra patologi. En tidlig undersøgelse fra Esgiar et al. viste, at entropi tekstur har udvundet fra grå-niveau samtidig forekomst matricer (GLCM) var i stand til at skelne mellem normal og kræft væv [6]. En opfølgende undersøgelse af de samme forfattere indarbejdet fraktale dimensioner ind i funktionen analyse for at forbedre følsomheden og specificiteten af ​​klassifikation [9]. Brug farvekanal histogrammer, GLCM og strukturelle træk, Kalkan et al. opnåede en nøjagtighed på 75,15% i klassificeringen af ​​fire typer af kolon væv: normal, kræft, adenomatøse og inflammatoriske [10]. Jiao et al. foreslået en metode til automatisk registrering tyktarmskræft, hjælp GLCM for tekstur udvinding og support vektormaskine (SVM) for klassificering. Denne metode opnåede en nøjagtighed på 96,67% i at skelne mellem kræft og ikke-kræft billeder [11]. Hilado et al. brugte 2D diskrete wavelet (DW) omdanne funktioner til at klassificere hele slide tyktarmskræft billeder i normal, kræft og adenomatøs polyp sager, rapporterer en 91,11% nøjagtighed [12]. Francesca et al. brugte hele tumor tekstur funktioner, beregnes ved hjælp af Laplace-of-Gauss (log) filtre til at vurdere heterogenitet CRC [4]. I en senere undersøgelse, Rao et al. velovervejede LoG tekstur funktioner til at skelne mellem CRC patienter med og uden levermetastaser [13]. er også blevet foreslået forskellige metoder ved hjælp af lokale deskriptorer, herunder metoder baseret på skala-invariant træk transformation (finkæmme) [14], form kontekst [15], og histogrammer for orienteret gradient (HOG) deskriptorer [16]. Fordi de er afhængige af centrale punkter, der kan variere fra et emne til et andet, centralt punkt-baserede SIFT og form kontekst funktioner metoder er ikke altid egnet til vurdering af cellulære abnormaliteter fra optisk mikroskopi systemer. Ligeledes metoder baseret på HOG er ikke invariant til rotationer, der opstår i mikroskopiske billeder. Der er således stærke argumenter, der understøtter brugen af ​​rotations-invariant tekstur har afledt GLCM, log filtre og DW for denne specifikke problem.

Som en generel metode, patologisk væv (PT) som følge af cellulære abnormaliteter i CRC, såsom godartet hyperplasi (BH), intraepitelialneoplasi (IN) og carcinom (Ca), kan detekteres fra klassiske optisk mikroskopi systemer ved hjælp af forskellige billedbehandlingsteknikker [17-19]. Denne undersøgelse foreslår at modellere kontinuum af CRC hjælp rige, informative tekstur har opnået fra multispektrale optiske mikroskopi billeder. Den diskriminerende evne tekstur har det fremgår af figur 1, hvor histogram af pixel intensiteter er vist for billeder af BH, IN og Ca typer. Det kan ses, at BH, IN og Ca væv udviser mærkbart forskellige intensitetsprofiler, støtter ideen om, at en sådan funktion kan bruges til at skelne mellem disse PT typer. Det nye ved dette arbejde ligger i den sammenlignende analyse og kombination af tre forskellige tekstur funktioner baseret på GLCM [17], log [4] og DW [20], til at forudsige PT typer. Som det vil blive vist i vores eksperimenter, ved hjælp af multi-stoflige information kan forbedre påvisningen og klassificering af patologiske væv, og give en mere omfattende forståelse af sammenhængen mellem CRC og væv heterogenitet. De potentielle virkninger af dette arbejde om forbedring af medicinsk behandling er dobbelt. I kombination med standard screening metoder til CRC, kunne den foreslåede metode forbedre påvisningen af ​​sygdommen i sin vorden, og derved øge chancerne for en vellykket behandling. Ifølge American Cancer Society, den 5-årige relative overlevelse er omkring 90%, når kan påvises CRC, før den har spredt sig [21]. Klassificeringen af ​​cellulære abnormiteter i patologiske væv er også vigtigt at vurdere udviklingen af ​​CRC og vælg den relevante behandlingsforløb. Ved at bruge tekstur funktioner, vores metode giver en effektiv måde at karakterisere væv egenskaber på celleniveau. Måling af stoflige oplysninger på forskellige tidspunkter kunne hjælpe spore sygdommens progression og vurdere effektiviteten af ​​en given behandling

(a) benign hyperplasi.; (B) intraepitelialneoplasi; (C) Carcinoma; (d, e, og f) fordelinger histogrammer viser pixel intensitet for hver type.

Materialer og metoder

Denne undersøgelse blev godkendt af institutionelle gennemgang bestyrelsen for Anatomisk patologi (Anapath ) afdeling på CHU Nancy-Brabois Hospital. Gennemgangen bord frafaldes behovet for skriftligt informeret samtykke fra deltagerne. En del af de data, blev anvendt i tidligere undersøgelser [18, 22, 23]

Den foreslåede ramme, er vist i figur 2, består i en serie på fem trin:. 1) forberedelse og image prøve erhvervelse, 2) ROI segmentering, 3) tekstur feature extraction, 4) PT typen klassificering, og 5) evaluering af ydeevne. En detaljeret præsentation af de enkelte trin er givet i de følgende afsnit.

(a) Optisk mikroskopi-system, farvning, sektionering, og scanning. (B) Multispektral billedoptagelse via et CCD-kamera over et område af visuelle spektrale bånd. (C) Aktiv kontur segmentering algoritme for afgrænsningen ROI’er. (D) GLCM, log og DW billede tekstur feature extraction. (E) Overvåget klassifikation til automatisk forudsigelse af unormale vævstyper fra nye prøver.

forberedelse Sample og image erhvervelse

CRC data blev indsamlet fra Anatomisk patologi (Anapath) Afdelingen på CHU Nancy-Brabois Hospital. Vævsprøver blev opnået fra sekventielle resektioner af koloner fra 30 patienter med kolorektal cancer. Sektioner af 5 um tykkelse blev ekstraheret og farvet med den udbredte hæmatoxylin og eosin (H 0,0001). Ligeledes er den gennemsnitlige rang af IN er højere end BH, med undtagelse af funktioner

En

c

Ent

f

. Dette understøtter ideen om, at PT typer har forskellige stoflige egenskaber, og det funktioner baseret på log kan bruges til at skelne mellem disse typer af væv abnormitet.

En tilsvarende analyse blev udført for GLCM funktioner (tabel 3) og DW funktioner (tabel 4). For GLCM den gennemsnitlige rang af funktioner

f

1,

f

2

f

4,

f

8,

f

11 og

f

12 er betydeligt højere i Ca end IN og BH-typer. I modsætning hertil var den gennemsnitlige rang af funktionen

f

9

er højere i IN forhold til BH og Ca. Derudover var den gennemsnitlige rang af funktioner

f

5,

f

6,

f

7 og

f

10 viste sig at være betydeligt højere i BH end IN (

s

-værdi 0,0001). For funktioner udvundet ved hjælp af DW transformere, fandt vi, at funktioner

f

1DW_db, og f

1DW_sym havde en højere betyde rang til IN end BH og Ca typer, og at den gennemsnitlige rang af funktioner

f

1DW_coif, f

2DW_db,

f

2DW_coif,

f

2DW_sym,

f

3DW_db,

f

3DW_coif og

f

3DW_sym var højere i BH end IN og Ca typer (

s

-værdi 0,001) .

Samlet set viser analysen, potentialet i loggen, GLCM og DW tekstur funktioner til at skelne mellem PT typer. Da alle tekstur funktioner blev anset for at være statistisk signifikant (

s

-værdi 0,01)., Alle af dem blev brugt til klassificering (dvs. ingen funktion udvælgelse trin blev udført før klassificering)

Klassifikation

De tre sæt tekstur funktioner (dvs.

F

LOG,

F

DW og

F

GLCM) blev evalueret i en indstilling klassificering, bruge dem som input til LDA, NB, DT og NN klassificører. Forestillingen, hvad angår præcision, følsomhed og specificitet, fremstillet ved disse klassificører for hver funktion sæt er rapporteret i tabel 5. De bedste klassificering nøjagtigheder opnået for log, DW og GLCM er 81,17% (DT klassificeringen), 90,00% (LDA klassificeringen ) og 94,37% (LDA klassificeringen), hhv.

evne til klassificører til at skelne mellem par af PT typer af forskellige tærskler beslutningsprocesser, blev evalueret ved brug af AUC metriske. Resultaterne, vist i tabel 6 og figur 6, indikerer, at alle tre sæt tekstur har er nyttige til at skelne mellem alle par af PT typer, med AUC-værdier i området fra 98% til 100%. Desuden Tabel 7 giver forvirring matrix opnået for de tre typer af tekstur funktioner. Vi ser, at for alle tekstur typer, opnås den højeste nøjagtighed for Ca (167/176 korrekt klassificeret Ca prøver ved anvendelse GLCM), og forekommer den hyppigste klassifikation fejl mellem BH og IN-typer.

Den blå, sort og rød linje er for BH vs. IN, BH vs. Ca, og IN vs. Ca hhv. (A) Texture baseret på log-filter. (B) Texture baseret på DWT filter. (C) Texture baseret på GLCM.

For yderligere at forbedre klassifikationen ydeevne, vi sammenkædet trækkene afledt af alle tre typer af tekstur, hvilket giver en vektor af 30 tekstur har. Under anvendelse af denne fremgangsmåde, opnåede vi en nøjagtighed på 98,92%, en følsomhed på 98,12%, en specificitet på 99,67% og en AUC på 100% under anvendelse af LDA klassifikator (Tabel 5 og 6). Forbedringen ydeevne opnås med multi-tekstur funktioner kan også iagttages i den forvirring matrix af tabel 7, med 157/160 af BH, 143/144 af IN, og 175/176 af Ca prøver klassificeres korrekt.

Randomisering test

Randomiserede permutation tests blev anvendt til yderligere at kvantificere betydningen af ​​forbindelsen mellem billedet teksturer og PT typer. Flere forsøg blev udført for at beregne klassificeringen nøjagtighed fra tilfældigt permuteret etiketter PT typen. Denne tilgang muliggør kvantificering af null fordeling af tekstur funktionen klassificering nøjagtighed, dvs. givet nulhypotesen, at funktioner indeholder ingen oplysninger om PT typer, se permutation test [41]. Analysen blev udført som før, bortset fra at etiketter typen blev tilfældigt permuteret før evaluering og dermed skabe en empirisk null fordeling over resultater klassificering fra flere forsøg (1000 gange). Som forventet er den null fordeling toppede omkring værdier klassificering svarende til tilfældig gætte. f.eks. nøjagtighed = 33,25% (median = 32,86%) for tekstur funktioner baseret på log-filter, 33,81% (median = 33,75%) for funktioner baseret på DW, 33,83% (median = 33,95%) for de funktioner, der er afledt af GLCM, og 33,91% (median = 33,93%) for fuld funktion sæt (kombinerede funktioner), (tabel 8). Disse fordelinger kan bruges til at beregne empirisk

s

-værdier for resultater klassificering opnået i forsøgene i afsnit 3, f.eks Tabel 5, der er i det væsentlige område.

Diskussion

En multispektral billedbehandling pipeline blev præsenteret, i hvilke områder af interesse (ROI’er), der repræsenterer unormale væv automatisk segmenteret via en effektiv multi-resolution aktiv kontur metode. Denne metode viste sig at være korrekte, med hensyn til en ekspert mærket jorden sandheden, opnåelse Dice lighedsværdier mellem 86,31% og 88,21%.

I en sammenlignende undersøgelse, vi evaluerede nytten af ​​tre typer af teksturer til klassificering patologiske væv i forbindelse med CRC. Individuelt, alle teksturer føre til nøjagtigheder klassificering over 80%, selv om GLCM baserede teksturer forudsat den bedste ydeevne med en nøjagtighed på 94,37%, følsomhed 95,63% og specificitet på 100% (tabel 5). Sammenligning af ydeevne på tværs PT typer, bemærkede vi, at Ca prøver har den laveste fejlrate, og at de fleste fejl opstod mellem BH og IN typer (Tabel 7). Vi bemærkede også, at kombinere alle tre tekstur typer (for i alt 30 funktioner) giver den bedste ydeevne, med en nøjagtighed på 98,92%, følsomhed 98,12%, specificitet 99,67% og AUC på 100% (tabel 5, 6 og 7 ). Dette indikerer, at forskellige tekstur funktioner indeholder supplerende oplysninger, der kan kombineres i en synergistisk måde at forbedre analysen.

Fig 7 viser sammenhængen mellem de har værdier fundet i de tre PT typer, for hver type tekstur . For LoG baserede tekstur funktioner, er de højeste korrelationsværdier observeret mellem de mellemstore og grove teksturer af IN og Ca typer (Fig 7A). En tilsvarende sammenhæng mønster findes mellem de wavelet funktioner inden for den og Ca typer (Fig 7B). I modsætning hertil er observeret mindre korrelation mellem forskellige GLCM funktioner (Fig 7C), som kan forklare deres relativt høje klassificering nøjagtighed. På tværs PT typer, er lave korrelationsværdier observeret mellem funktioner, især for Log og GLCM teksturer. Endnu en gang, dette understøtter den drivende hypotese, at tekstur funktioner kan bruges til at karakterisere og identificere patologiske væv i multispektrale CRC billeder.

(a) Texture funktion baseret på log-filter,

En

,

Ent

og

SD

er Gennemsnitlig, Entropy og standardafvigelse henholdsvis;

f

,

m

c

er indekset for fine, medium og grov tekstur hhv. (B) Texture funktion baseret på diskrete wavelet hvor

f

1

,

f

2

,

og f

3 fotos er entropi, Energi og varians henholdsvis;

d

,

c

s

er indekset for Daubechies, Coiflet og Symlet wavelet hhv. (C) Texture feature extraction fra GLCM hvor

f

1

,

f

2

,

f

3 fotos,

f

4

,

f

5

,

f

6

,

f

7

,

f

8

,

f

9

,

f

10

,

f

11

og f

12

er indekset for energi, entropi, Correlation, kontrast, Inverse forskel, Sum-varians, Sum-middelværdi, forskel entropi, Cluster skygge, Cluster tendens, Maksimum sandsynlighed, og Difference varians hhv.

Endelig bemærker vi, at flere undersøgelser i litteraturen har skitseret fordelene ved at bruge tekstur funktioner til at identificere unormale kolon prøver [6, 9 , 10, 42, 43, 44].