Krooninen sairaus

tiivistelmä

Quantitative histomorfometriassa (QH) tarkoittaa käyttämällä kehittynyttä laskennallisen kuva-analyysi toistettavasti kuvaamaan taudin ilmestyminen digitoituja histopatologian kuvia. QH näin voisi toimia tärkeä täydentävä väline patologeja kyselevän ja tulkinnassa syövän morfologia ja maligniteetti. Yhdysvalloissa vuosittain yli 60000 eturauhassyövän potilaille tehdään eturauhasen hoitoon. Noin 10000 tällaista miehet kokevat biokemialliset toistumisen 5 vuoden kuluessa leikkauksesta, merkkiaine paikallinen tai etäinen taudin uusiutumisen. Kyky ennustaa riskiä biokemiallisten uusiutuminen pian leikkauksen jälkeen saattaa mahdollistaa adjuvantti hoitoja voidaan määrätä tarpeen parantaa pitkän aikavälin hoitotuloksia. Taustalla hypoteesia lähestymistapamme, yhdessä esiintyvät rauhanen kömpelyys (CGA), on se, että hyvänlaatuisia tai vähemmän aggressiivisia eturauhassyöpä, rauhanen suuntaviivat sisällä läheisillä muistuttavat toisiaan, mutta ovat enemmän kaoottisesti järjestetty aggressiivinen tauti. Mallintamalla laajuus häiriö, voimme erottaa kirurgisesti poistettu eturauhasen kudososat (a) hyvänlaatuiset ja pahanlaatuiset alueet ja (b) ja vähemmän aggressiivinen eturauhassyöpä. Jotta kohortin 40 väli-riski (enimmäkseen Gleason summa 7) kirurgisesti parannettu eturauhassyöpäpotilaalla jossa puolet kärsi biokemiallisten uusiutuminen, CGA ominaisuuksia pystyivät ennustamaan biokemiallisten uusiutuminen 73% tarkkuudella. Lisäksi, 80 olevien kiinnostavien alueiden valittu 40 tutkimuksista, jotka vastaavat sekä normaalin ja syöpä- tapauksissa CGA ominaisuudet tuotti 99% tarkkuudella. CGAs osoitettiin olevan tilastollisesti signicantly () parempi ennustamaan BCR verrattuna state-of-the-art QH menetelmiä ja leikkauksen jälkeisen eturauhassyövän nomogrammit.

Citation: Lee G, Sparks R, Ali S, Shih NNC, Feldman MD, Spangler E, et ai. (2014) yhdessä esiintyvät Gland kulmikkuutta in Paikallinen Subgraphs: ennustaminen biokemialliset uusiutumisen Intermediate-Risk eturauhassyöpäpotilaalla. PLoS ONE 9 (5): e97954. doi: 10,1371 /journal.pone.0097954

Editor: Zhuang Zuo, UT MD Anderson Cancer Center, Yhdysvallat

vastaanotettu: 27 tammikuu 2014; Hyväksytty: 27 huhtikuu 2014; Julkaistu: toukokuu 29, 2014

Copyright: © 2014 Lee 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.

Rahoitus: Tämä työ tukivat Yhdysvaltain puolustusministeriön (W81XWH-12-1-0171); Department of Defense (W81XWH-11-1-0179); National Cancer Institute of National Institutes of Health alle palkinnon numerot R01CA136535-01, R01CA140772-01, ja R21CA167811-01; National Institute of Biomedical Imaging ja biotekniikan National Institutes of Health alle palkinnon numero R43EB015199-01; National Science Foundation alle palkinto määrä IIP-1248316; ja QED palkinnon University City Science Center ja Rutgers University. Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

Joka vuosi Yhdysvalloissa, lähes 60000 miesten diagnosoitu eturauhasen syöpä (CAP) läpi eturauhasen (HE) [1]. Sellaisissa tapauksissa, joissa ei ole aikaisemmin todettu taudin leviämisen, hoito korkki RP johtaneet yleisesti ottaen suotuisa pitkän aikavälin tulos [2]. Kuitenkin 15-40% RP potilaista, biokemialliset toistumisen (BCR) esiintyy 5 vuoden kuluessa leikkauksesta [1]. BCR määritellään yleensä havaittavissa pysyvyys eturauhasen spesifisen antigeenin (PSA), joka on vähintään 0,2 ng /ml ja on viittaavat joko paikallisia tai kaukana taudin uusiutumisesta edellyttää jatkokäsittelyä [3]. Näin ollen, on tärkeää pystyä ennustamaan riski BCR pian leikkauksen jälkeen siten, että tarvittaessa, adjuvanttia hoidot voidaan aloittaa.

Gleason teki [4] on patologian perustuu luokittelu, joka perustuu visuaaliseen analyysi rauhas ja ydinvoiman morfologia. Alhainen Gleason tulokset on liittynyt edullisempia pidemmän aikavälin ennuste eturauhasen syöpä, kun taas päinvastainen pätee korkeampi Gleason pisteet [5]. Gleason pisteytys yhdistää arvosana yleisin ja toiseksi yleisin kuviot sisällä kudoksen osassa, jolloin Gleason summa vaihtelee 2 (vähiten aggressiivinen) 10 (aggressiivisin). Gleason pidetään nykyisin parhaana biomarkkerina ennustamiseen taudin aggressiivisuutta ja pitkällä aikavälillä, leikkauksen jälkeisen potilaiden hoitotuloksiin [4]. Valitettavasti leikkauksen jälkeisen tuloksen eturauhassyövän potilailla, joilla on väli- Gleason tulokset voivat vaihdella huomattavasti [6]. Jotkut tilastotaulukot viittaavat 5 vuoden BCR-elinaika korko niinkin alhainen kuin 43% miehillä Gleason summa 7 [5]. Lisäksi Gleason pisteytys edellyttää huomattavia välisten arvostelija vaihtelu [7]. Allsbrook et ai. [7] ilmoitetaan kappa-kerroin 0,4 edustavien kohtalainen yksimielisiä patologeja luokitteluun Gleason pisteet 7 kuvioita. Siksi ennusteen arvioinnissa Gleason Tilanne yksin ennustamaan BCR RP potilailla, joilla on väli- Gleason tulokset näyttää olevan rajallinen.

Viimeisten kahden vuosikymmenen aikana, monet postoperatiivinen nomogrammit on kehitetty sisällyttää muita kliinisiä muuttujia, kuten kasvain vaiheessa ennen leikkausta PSA, tai positiivinen kirurgiset marginaalit [5], [8] – [11], jotta voidaan ennustaa potilaan ja sairauden lopputuloksen. Kattan nomogram [8] otettiin nämä parametrit ennustaa 80 kuukautta BCR elinaika seuraavat eturauhasen. Han et ai. [5] on sisällytetty Gleason summa, kasvaimen vaiheessa, ja ennen leikkausta PSA useisiin todennäköisyystaulukoita, joka tunnetaan nimellä Han taulukot. Myöhemmin Stephenson nomogrammia [9] lisäsi mennessä leikkauksen ennustetyövälineenä muuttuja. University of California at San Francisco rakensivat oman riskiluku ennustajan (CAPRA) [10] erottaa postoperatiivista CaP potilaita alhaisen, keskisuuren ja korkean riskin luokkiin. Sen lisäksi, että käytetyt parametrit Kattan Nomogrammista The CAPRA pisteet myös prosenttiosuus positiivisen biopsian ytimien niiden riskinarvioinnissa. Hinev et ai. [11] suoritetaan riippumattoman tutkimuksen kannata käyttää Memorial Sloan Kettering Cancer Center (MS-KCC) nomogram kehittämä Kattan ja Stephenson, mikä viittaa ylivoimainen ennustaminen 5 vuoden BCR verrattuna Han taulukoita. MS-KCC nomogram lisää uusia muuttujia kuten ikä ja aika vapaa syövän. Nämä nomogrammit edustavat state-of-the-art leikkauksen CaP ennustaminen BCR, mutta silti hyvin riippuvaisia ​​Gleason, joka on peräisin patologi tulkinta.

Viime Digitaalisen koko dia skannerit on mahdollistanut korkean resoluution digitointi kudoksen dioja. Nämä digitoitu dia kuvia voidaan seuraavaksi altistaa määrällisiä histomorfometriassa (QH). Erilaisia ​​QH työkaluja on aikaisemmin käytetty kuvaamaan, luokittelu ja diagnosoimiseksi taudin kuviot histopatologian kuvia [12]. Yhteydessä irrotettiin eturauhasen patologian yksilöitä, QH on hyödynnetty menestyksekkäästi monenlaisia ​​sovelluksia syövän havaitsemisesta ennuste, Monaco et al. kehittyneet ja palveluksessa Markovin satunnaiskentän (MRF) algoritmi havaitsemiseksi eturauhassyövän [13].

Jotkut tutkijat ovat myös tutkittu roolia kuvan tekstuurin kuvaavat ulkonäkö CaP morfologia. Varten automaattisen CaP luokittelua, Jafarin-Khouzani et al. [14] tarkasteltiin roolia toisen kertaluvun kuvan voimakkuus Tekstuuripiirteiden perustuvat yhteistyöhön poikkeamien matriisit. Co-esiintyminen matriisit arvioida taajuus, jolla kaksi kuvaa intensiteettiä ilmetä ennalta määritellyn etäisyyden toisistaan ​​sisällä naapurustossa. Sarja toisen kertaluvun tilastollisten ominaisuuksien (esim entropia) [15] kuvaamaan yhteistyön esiintyminen matriisi voidaan uuttaa ja kuvaaminen paikallisen kuvan tekstuurin. Muita rakenne ominaisuudet, kuten ensimmäisen kertaluvun tilastolliset kuvan voimakkuus ja ohjattavat kaltevuus suodattimia (esim Gabor suodattimet) [16] on myös käytetty ennustaa korkki. Tekstuuripiirteiden, kun ne on todettu olevan käyttökelpoisia luonteenomaiset CaP morfologia, kärsivät usein avoimuuden puute ja tulkittavuutta.

Toinen luokka lähestymistavat ovat yrittäneet nimenomaan mallin CaP ulkonäkö kyselemällä tilajärjestely yksittäisten ytimien ja rauhaset. Tabesh et ai. [17] tutki väri, tekstuuri, ja rakenteelliset morfologia suorittamaan automaattisia Gleason pisteytys eturauhasen histopatologia. Doyle et al. [16], morfologiset kuvaajia kuten rauhanen koko ja ympärysmitta suhde osoitettiin erottaa hyvänlaatuiset ja pahanlaatuiset histologisia alueilla. Veltri et ai. [18] tutkitaan ydin- morfologia käyttäen avainsana nimeltään ydinvoima pyöreystarkkuus ennustaa biokemiallisten uusiutumisen miesten eturauhassyövän.

Monet tutkijat ovat myös yrittäneet mallintaa QH kudosrakenne kautta graafisen esitystavan verkkojen luonnehtia spatiaalinen järjestely ytimien ja rauhaset [16], [19] – [21]. Christens-Barry et ai. käytetyt Voronoi- ja Delaunay-pohjainen kuvaaja tessellations kuvaamaan kudosrakenne Cap histologia [19]. Doyle et al. [16] osoitti, että pienimmän virittävän Trees lisäksi Voronoi, Delaunay ominaisuuksia näytti olevan vahvasti korreloi Gleason grade. Nämä ominaisuudet ovat peräisin täyskytketty kuvaajia. Tämä lähestymistapa viittaa siihen, että ytimet upotettu strooman ja epiteelin alueet liitetään kautta nämä kuvaajat ja siten kaavion reunat kulkevat epiteelin strooman rajapinnat ja alueet [22]. Siksi ominaisuudet uutettu Voronoi tai Delaunay kaavioita edustaa ”keskimäärin” ominaisuuksia sekä strooman ja epiteelin arkkitehtuuria, ja siten unohdetaan paikallinen osuudet strooman ja epiteelin itsenäisesti sisällä kuvaajat. Vaihtoehtoisesti analyysi paikallisten subgraphs [20], [21], [23], [24], joka toisin kuin globaali kaavioita (esim Voronoi ja Delaunay), jotka pyrkivät kaappaamaan maailmanlaajuinen arkkitehtoninen allekirjoituksen kasvain, voi mahdollistaa kvantifiointiin paikallisten vuorovaikutukset joustavilla lokalisoitu lähiöissä. Gunduz et ai. [23] todettiin luonnollinen klusterointi soluja ja käytettiin solujen kuvaajia mallintaa gliooma ja eriyttää syöpä-, terve, ja ei-neoplastisia tulehtuneeseen kudokseen. Demir et ai. [25] ja muut [20], [23], [24] ovat kehittäneet joukon kuvaajan ominaisuuksia määrällisesti paikallisen solu-kuvaajia. Bilgin et ai. [20] samalla tavalla uutettu piirteitä erityyppisten paikallisten solun kuvaajat luokittelun rintakudoksen. Ominaisuudet poimittiin yksinkertaista, probablilistic, ja hierarkkinen solu-kuvaajat sekä hybridi yhdistelmä yksinkertainen ja hierarkkinen lähestymistapoja. Samoin Ali et al [21], käytetään attribuutteja Todennäköisyyspohjaisia ​​solu-klusterin kuvaajat erottamiselle nielusta syöpiä. Nämä subgraphs etuna pysty yksiselitteisesti ja itsenäisesti mallintaa paikkatietojen arkkitehtuuriin ytimien ja rauhaset sisällä epiteelin ja strooman alueilla.

Tässä artikkelissa kuvaamme uuden QH menetelmää, joka pyrkii hyödyntämään suuntaavuus rauhaset ja liittää häiriö rauhanen suuntaviivat ennustaa aste maligniteetti ja myöhemmin riskiä leikkauksen jälkeisen biokemiallisten uusiutuminen korkki potilailla. Oletus on, että normaali hyvänlaatuinen rauhaset yhtyvät suhteessa fibromusclar strooman, ja näin näyttää yhtenäisen suuntatoiminto. Pahanlaatuinen eturauhasen rauhaset kuitenkin menettävät kyky orientoitumaan ja niissä ole ensisijainen suuntatoiminto. Lisäksi yhä aste maligniteetin ja sairauden aggressiivisuus, johdonmukaisuus rauhanen suuntaviivat sisällä paikallisille alueille on keskeytyneet kokonaan. Toisin sanoen, entropia (joka kaappaa häiriö) in rauhanen suuntaviivat taipumus lisätä funktiona maligniteetti.

CGA ominaisuudet pyrkivät kaapata suuntaava tiedot lokalisoitu rauhasen verkkojen leikattiin histopatologia kohdissa luonnehtia eroja rauhanen suunnan välillä (a) pahanlaatuinen ja hyvänlaatuisia alueilla ja (b) CaP potilaalla tekevät ja eivät koe biokemiallisia uusiutumista RP. CGA metodologia koostuu seuraavista eri vaiheista.

CGAs, segmentointi algoritmi ensin käytetään erikseen segmenttiin rauhanen rajoja digitoiduista patologian kohdat. Kunkin rauhanen, me liittävät kulmassa, joka heijastaa hallitseva suunta rauhanen perustuu pois pääakselia, kuten kuviossa 1 (a). Aligraafi rakennetaan sitten liittää yhteen rauhaset lähelle toisiaan osaksi rauhanen verkkoon, kuten on esitetty kuviossa 1 (b). Subgraphs, toisin kuin kuvaajien Voronoi, Delaunay ja pienin virittävä puita, joita on aiemmin käytetty kuvaamaan globaali rauhas arkkitehtuuri [26], mahdollistaa luonnehdinta paikallisten rauhanen järjestely. Käyttää paikallisia subgraphs estää kuvaajan reunat liikkumisesta heterogeeninen kudoksesta alueilla, kuten strooman ja epiteelin. Yhteistyössä esiintyminen matriisi, aiemmin käytetty kuvaamaan kuvan voimakkuus tekstuurit, käytetään kuvaamaan toisen kertaluvun tilastoihin rauhasen suuntaviivat kussakin rauhanen verkon kuvan. Siten kukin yhteistyössä esiintyminen matriisi tallentaa taajuuden, jolla suuntaviivat kahdesta rauhaset lähelle toisiaan yhteistyössä esiintyä. Co-esiintyminen ominaisuuksia, kuten entropian uutetaan yhteistyössä esiintyminen matriisi liittyy kuhunkin rauhanen verkon kaapata määrin proksimaalinen rauhanen suuntaviivat ovat samankaltaisia ​​tai eroavat keskenään. Siksi naapuruston joilla on korkea entropia-arvo heijastaisi korkea häiriö keskuudessa rauhanen suuntaviivoja samalla alhainen entropia arvo kuvastaa että rauhanen kulmat näyttävät linjassa suunnilleen samaan suuntaan.

(a) Kunkin rauhanen välinen kulma pääakselin rauhanen () ja x-akseli on laskettu. (B) Subgraphs liitä centroids viereisten rauhasten osaksi paikallisesti kytketty rauhanen verkkoihin.

Koska odotamme rauhas kulmaan häiriö (a) pahanlaatuinen vs. hyvänlaatuisia alueilla ja (b) biokemialliset toistuminen tapauksissa versus ei-toistuminen tapauksissa toisen kertaluvun tilastolliset kulmikas ominaisuuksia, kuten satunnaisuutta edustavat uutta, toistettavissa, ja tulkittavia tapa luonnehtia taudin ilmestyminen histopatologian. Toisin ensimmäisen kertaluvun tilastojen kulmia, yhteistyössä esiintyvät rauhanen kulmikas ominaisuuksia pystyvät implisiittisesti kaapata syklinen ominaisuuksia rauhanen suunta. Paikallisten subgraphs tuottaman todennäköisyyksiin vaimenevan toiminnon avulla määritellä paikallista rauhanen verkkoja, joiden kuluessa CGA ominaisuuksia voidaan uuttaa ja analysoida.

Tässä työssä osoitamme hyödyllisyys CGA varustelu seuraaviin luokitustehtävissä: 1) erottaa syöpä- ja ei-syöpäsolujen eturauhasessa alueilla, ja 2) erottamaan CaP potilaiden kanssa ja ilman biokemiallisten uusiutumista eturauhasen.

kuvassa 2 kaksi edustavaa tutkimusta: biokemiallinen toistumisen (BCR) ja ei- biokemiallisten uusiutuminen (NR) tapauksessa. Sillä BCR tapauksessa voimme nähdä enemmän häiriö rauhanen suunta kuvitettu välityksellä vektorin tontti kuvassa 2 (f). Kulma-pohjainen colormap BCR luonnehtii häiriö BCR tapauksissa osoituksena suuri spektrin värejä, jokainen väri edustaa eri suunta. Kääntäen, että NR tapauksessa (kuvio 2 (n)), värikarttaa näyttää pienemmän valikoima värejä, mikä viittaa vähemmän varianssi rauhanen suuntatoiminto. Rauhanen Suunnanvaihtopainikkeet erot heijastuvat myös kuvioissa 2 (d), (l) kautta kulmikas yhteistyössä esiintyminen matriisi. Kirkkautta off-diagonaalialkiot matriisin heijastavat enemmän co-esiintymiä differentiaalisesti suuntautunut rauhasen kulmien BCR tapauksessa (kuvio 2 (d)) verrattuna NR tapauksessa (kuvio 2 (l)). Nämä erot kulma yhteistyössä esiintyminen matriisit havaitsee toisen kertaluvun tilastoihin, kuten kuvioissa 2 (h), (p) esittävät erivärisiä kuvioita arvon perusteella tilastojen kussakin subgraph.

(b ), (j) Automated rauhanen segmentointi rauhanen rajoja. (C), (k) Subgraphs osoittavat yhteyksiä vierekkäisten rauhaset. Suurennettuna suorakaiteen alueella (a) ja (i), vastaavasti, on esitetty (e), (m) segmentoitu rauhaset, (f), (n) rauhanen kulmat, ja (g), (o) rauhanen verkon subgraphs. (F), (n) Nuolet tarkoittavat suuntaavuus kunkin rauhanen. Boundary värit (sinisestä punaiseen) vastaavat kulmat 180 °]. (G), (o) Paikallinen rauhanen verkot määrittävät alueen kunkin kulma-co-esiintyminen matriisi. (D), (l) Summattu kulmikas yhteistyössä esiintyminen matriisit merkitsevät taajuuskaistaa, jolla kaksi rauhaset kahdesta directionalities yhteistyössä esiintyä kaikissa lähiöissä (valkoiset osat heijastavat enemmän yhteistyötä esiintyminen). Diagonaalinen co-esiintyminen arvot on säätänyt paremman kontrastin verrattuna off-lävistäjä komponentteja. (H), (p) Värikartta rauhanen subgraphs vastaavat intensiteetin keskiarvo kussakin naapurustossa.

Lisäksi voidaan havaita kuvissa 2 (c), (k), joka subgraphs kaapata paikallisia rauhanen lähiöissä. Koska subgraphs ovat paikallisia ja rajoittuvat epiteelin alueille Pelkästään osuudet sisällä strooman alueilla on minimoitu. CGAs siis tarjota kompakti, tulkittavia ja kvantitatiivinen edustus rauhanen arkkitehtuurin ja eturauhassyöpää morfologia, joita voidaan käyttää erottamaan (a) syövän hyvänlaatuisia alueilla ja (b) BCR NR tapauksista.

Loppuosa tästä paperi rakenne on seuraava. Ensin esitellä teoria ja menetelmät CGAs. Materiaalit ja menetelmät kuvataan prosessi saada tutkimuksen kohortteja ja antaa tiedot työnkulun ja vertailevaa menetelmiä käytetään tässä tutkimuksessa. Kokeellinen Tulokset ja niiden tarkastelu tarjoaa erityisiä tapauksia, joissa voimme testata CGA menetelmiä. Lopuksi Loppuhuomautukset käsittelee kokonaisstrategiaamme maksujen ja tulevan työn.

Quantitative Histomorfometria kautta yhdessä esiintyvät Gland kömpelyys (CGA) B

Notation

Määrittelemme kuvan kohtaus, jossa kuva kohtaus on kuvattu kolmiulotteisen verkkoon paikoissa, joista kukin liittyy ainutlaatuinen voimakkuuden arvo. Intensiteetin kuvia ja värikuvia. Määrittelemme osa-alueen, sisällä kohtaus, jossa aligraafi voidaan määritellä.

Jokainen koostuu useista rauhaset, jotka edustettuina solmuja, kun, jossa on määrä rauhasten . Voimme myös määritellä joukko rajan pistettä liittyy rauhanen.

Näin voimme muodollisesti määritellä missä edustaa joukko rauhaset ja on joukko reunat yhdistää muihin viereiseen rauhaset sisällä. Jokainen voi sitten olla edustettuna kautta määrite vektori CGA ominaisuuksia. Luokittelija voidaan sitten koulutetaan tunnistamaan mitään kuuluvan johonkin kahteen luokkaan. Tässä työssä, luokitin koulutetaan erottamaan kukin kuin (a) pahanlaatuinen tai hyvänlaatuinen tai (b) BCR vai ei.

laskeminen Gland Angles

määrittämiseksi suuntaavuus jokaisen rauhanen, , teemme pääkomponenttianalyysi [27] joukon rajan pistettä saada pääkomponenttien. Ensimmäinen pääkomponentti kuvataan suuntautuneisuutta rauhanen muodossa pääakselin, jota pitkin suurin varianssi tapahtuu. Pääakselin ilmaistaan ​​vektori, yhden suuntaavuus, ja on määritelty (1), jossa edustaa suuntaan-suunnassa, ja se edustaa suunnan-suunnassa. muuntuu edelleen kulmaan lasketaan vastapäivään vektorista (2) esitys arviointiprosessin rauhanen suuntaviivoja on esitetty kuvassa 1 (a).

määritteleminen Paikallinen Subgraphs päälle rauhaset

pairwise tilasuhteiden välillä rauhaset on määritelty kautta sparsified kuvaajia. Sillä aligraafi määritellään alue, yksittäiset reunat voidaan määritellä kaikkien parien kautta todennäköisyyspohjaisen vaimenevan kuvatun tehtävän Gunduz et al. [20], [23]. (3) missä edustaa Euklidinen etäisyys ja. ohjaa tiheys kaavion, jossa lähestyy 0 edustaa suuri todennäköisyys yhdistävät solmuja lähestyttäessä edustaa todennäköisyys on vähäinen. on empiirisesti määritetty reunan kynnys. Esimerkki tuloksena rauhas aligraafi verkko on esitetty kuvassa 1 (b).

Gland kömpelyys Co-esiintyminen matriisit

kiinnostuksen kohteita laskemiseen CGA ominaisuuksia antama diskreetille kulmat, niin että kun on empiirisesti johdettu diskretointi tekijä. Suuremmat tarjoavat vähemmän spesifisyyttä laskemalla yhdessä esiintyvät rauhanen kulmat ja pienemmät ei voi ilmoittaa yhdessä esiintyvät kulmat yksittäisissä lähiöissä. Optimaalinen valittiin perustuu pois 3-kertainen satunnaistetussa rajat validointi parametrien. asetettiin olemaan 10 tässä työssä, mikä mahdollistaa kulmia voidaan diskretoidaan jokaisen 10 astetta.

Naapurit määritelty paikallinen subgraphs, jotta voimme määritellä lähiöissä kullekin. Kunkin määrittelemme naapurustossa, sisällyttää kaikki missä polku välillä ja, on olemassa kautta kaaviossa.

kulmikas yhteistyössä esiintyminen matriisi myöhemmin kaappaa rauhanen kulma paria, ja, missä ja on määrä rauhaset in, joka yhteistyössä tapahtuvat kussakin naapurustossa. Tämä voidaan siis ilmaista seuraavalla tavalla. (4), jossa määrä erillisiä kulma-alustat. Esimerkki kulmikas yhteistyössä esiintyminen matriisi on esitetty kuvissa 2 (d) ja (l).

toisen kertaluvun Gland Angle tilastot

myöhemmin purkaa toisen kertaluvun tilastolliset ominaisuudet (kontrasti energia, Kontrasti käänteinen hetki, kontrasti keskimäärin kontrasti varianssi, kontrasti entropia, Intensity keskimäärin Intensity varianssi, Intensity entropia, Entropy, energia, korrelaatio, ja kaksi toimenpiteitä tiedon) kustakin kulmikas co-esiintyminen matriisi. Formulaatiot Näiden toisen kertaluvun ominaisuuksia kuvataan taulukossa 1. Kuvio 2 kuvaa visualisoinnin keskimääräisen intensiteetin mitta kustakin digitalisoitu histopatologian kuvan.

Materiaalit ja menetelmät

Ethics Statement

Potilaat mukana tutkimuksessa saatiin riippumattomista lähteistä. Kohortti A kerättiin Drs. Tomaszewski ja Feldman saadut IRB tutkimus ”Analysis of Genetic Muutokset Urogenitaalinen Syövät” Protocol # 707863. Kohortti B kuului Score eturauhasen hanke, hoitaa tohtori Rebbeck, ja hyväksynyt IRB tutkimuksessa UPCC 13808 ”Molecular epidemiologia eturauhassyövän” Protocol # 36142. Kaikki IRB hyväksyntä saatiin University of Pennsylvania, jossa potilas kerättiin. Kirjallinen suostumus saatiin kaikkien potilaiden pitkäaikaiseen seurannan. De-tunnistetaan digitaalinen patologian näytteitä ja biokemiallisten uusiutuminen käytetyt tiedot Tässä tutkimuksessa oli peräisin nojalla kerättyjen tietojen tietoisen suostumuksen. Koska de-tunnistettiin tietoja käytettiin, IRB suostumusta ei tarvita.

Data Acquisition ja Data

aineistot (saatu sairaalan yliopiston Pennsylvania) muodostuivat 40 CaP potilaiden joille oli tehty RP hoitoa. Nämä tutkimukset valittiin paljon suuremman kohortin yli 3000 tapauksia arkistoitu sairaalan yliopistossa Pennsylvaniassa. Tapaukset valittiin olla yhtäläinen split tapauksia, joissa BCR ja NR seuraava RP. Lisäksi haku rajoittui vain Gleason tulokset 6-8 ja patologisten vaiheessa pT2 ja pT3.

Kaikille CaP potilaiden jälkeen RP, leikatun eturauhanen leikattiin, värjättiin hematoksyliinillä ja eosiinilla (HE), ja digitoitu resoluutiolla 0,5 m pikseliä kohti tai 20x suurennus käyttäen Aperio

® koko dia skanneri. Kunkin digitoitu kuva, cap alueet olivat selityksineen jonka patologi, kuten kuvassa 3. 56 syöpä alueet olivat selityksin poikki 40 potilasta, 28 BCR potilaista ja 28 NR potilaista. Koska mitään miehillä dokumentoitua ja biopsia vahvisti eturauhassyövän läpi eturauhasen ei ollut alueita tässä tutkimuksessa, jotka eivät ole peräisin potilaasta ilman syöpää. Sen sijaan 24 säätelyalueita lopetettiin pois ei-syöpä alueilla leikattiin eturauhasen näille potilaille.

CGA metodologia (korostettu sisällä katkoviivat) hyödyntää rauhanen segmentointi laskea CGA ominaisuuksia. (B) Angle laskenta ja (c) aligraafi laskenta suoritetaan segmentoidun kuvan. (D) Kulmikas yhteistyössä esiintyminen matriisi aggregaatit yhdessä esiintyvät rauhanen kulmat lokalisoitu rauhanen verkoissa. (E) keskiarvo, keskihajonta ja joukko toisen asteen tilastojen (esitetty kautta differentiaalisesti värillinen rauhasen verkot) luoda joukon CGA varustelu alueelle. (F) CGA-pohjainen luokittelija voidaan rakentaa käyttäen ominaisuuksia saatu (e) erottaa eturyhmän (joko syöpä vs. hyvänlaatuisia alueilla tai BCR vs. NR).

CGA Extraction työnkulku

Kuten aiemmin on kuvattu Notation, kunkin alueen on ominaista CGA varustelu vektorin. Käytetään kouluttaa koneoppimisen luokitin erottaa (a) syöpää hyvänlaatuisesta alueita ja (b) BCR NR potilaista. Menetelmä, jolla uutetaan ja koulutus määritellään alla ja tiivistetysti Kuva 4.

Tässä tutkimuksessa kvantitatiivinen histomorfometrisissä analyysi suoritetaan vain näillä alueilla.

tunnistetiedot rauhas rajoja.

havaitseminen ja segmentointi rauhanen rajojen rajoittuu ainoastaan ​​alueet manuaalisesti selityksin jonka patologi on digitoitu histopatologian kohdat. Automaattisen alueen kasvava perustuvat eturauhanen segmentointialgoritmi [13] käytetään havaitsemaan ja segmentin rauhasten rajat on histologinen kuva, kuten on esitetty kuviossa 5. Monaco et al. [13] aiemmin pystyi täsmällisesti eturauhassyövän alueita 93% tarkkuudella kautta rauhanen segmentointi alla kuvattua menettelyä. Segmentointi suoritetaan käyttämällä luminanssi kanavan CIELAB väriavaruudessa. Vuonna luminanssi kanavan, rauhaset näkyvät vierekkäin, korkean intensiteetin pikselin alueet reunustavat terävät reunat rajoja. Tunnistaa rauhaset, luminanssi kuva konvoloidaan Gaussin ydin useilla mittakaavoissa mm, mikä vastaa usean rauhasen kokoja. Huiput (maxima) saatua tasoitetun luminanssi kuvia käytetään siemeninä alueen kasvatusmenettelyllä lyhyesti kuvattu alla.

muokkausalueen alustetaan ympärillä alkuperäisen siemenen pikselin, joka edustaa nykyisen alueen ( CR), jossa on 8-kytketty ympäröivien pikselien CR, merkitään nykyisen rajan (CB).

Seuraavaksi pikselin CB korkein intensiteetti poistetaan CB ja osaksi CR. 8 ympäröivien pikselien tämän uuden CR pikselin, jotka eivät ole jo CR, sisällytetään CB.

raja vahvuus on tunnistettu jokaisen iteraation kuten kuvassa 5. Määrittelemme sisäisen rajan (IB) koska kaikki CR pikseliä vieressä CB. Boundary vahvuus määritellään keskiarvo pikselien intensiteetin IB miinus tarkoittaa pikselien intensiteetin CB.

Vaiheet 2 ja 3 toistetaan, kunnes algoritmi yrittää lisätä pikselin ulkopuolelle muokkausalueen.

optimaalinen alue määritellään alue CR klo iteroinnin jossa maksimi rajan vahvuuden saavutettiin.

Päällekkäiset alueet ovat sittemmin ratkaistu poistamalla alueen pienin rajan vahvuuden. Esimerkki meidän tuloksia voidaan nähdä kuviossa 4 (b).

CGA piirreirrotuksen.

Perustuu rauhanen segmentointia yksityiskohtaisesti osassa, tunnistaminen Rauhas Boundaries, CGA ominaisuudet lasketaan kuten on kuvattu edellisessä jaksossa, Quantitative Histomorfometria kautta yhdessä esiintyvät Gland kömpelyys (CGA). Optimaalinen parametrit valittiin perustuu pois 3-kertainen satunnaistetussa rajat validointimenettely ja. Paras yhdistelmä todettiin, ja joka on tarkoitus rakentaa kulma co-esiintyminen matriisin kaikissa tapauksissa näissä kokeissa. Keskiarvo, keskihajonta, ja alue CGA ominaisuuksia jaksossa toisen kertaluvun Gland Angle tilastot lasketaan. Tämä sadot, jotka on asetettu 39 CGA ominaisuuksia.

rakentaminen CGA-pohjainen luokittelija.

Kunkin luokittelutehtävään (katso Kokeellinen Tulokset ja niiden tarkastelu), koulutus joukko positiivisia ja negatiivisia luokat koottiin joukko 40 tapauksessa (katso taulukko 2). Harjoitussarjassa käytettiin kouluttaa luokittelija yhdessä erottaa luokkien kohteita. Koulutettu luokittelija käytettiin sitten määrittää kunkin alueen tai tutkia luokkiin perustuu luokitustehtävissä (a) erottavien syövän hyvänlaatuisia tai (b) BCR NR potilaista. 3-kertainen satunnaistetussa ristivalidointi käytettiin kouluttaa ja arvioida luokittelija kestävyyttä. Tämä mukana satunnaisesti jakamalla koko aineisto tulee 3 yhtä suureen, joissa on 2 alaryhmiä käytetään koulutukseen ja 1 osajoukko käytetään riippumatonta arviointia. Tämä menettely toistettiin 100 kertaa. Kaikissa kokeissa satunnainen metsän luokittelija (a boostrapped yhdistäminen useiden päätöksen puu luokittelijoiden) käytettiin. Viittaamme lukijalle [28] lisätietoja varten satunnaisessa metsän luokittelija.

Comparative Methodologies

Jotta vertailla suorituskykyä CGA varustelu eri luokitusta kuvattuja tehtäviä kokeellisessa tulokset ja niiden tarkastelu, me nimenomaan mallinnettu ja arvioinut nunber muita tekniikan (a) QH piirteet ja (b) nomogrammit, kuvattu alla.

Quantitative histomorfometrisissä määritteitä.

Gland Morfologia (

):

Morfologiset kuvaajia [16] erotetaan segmentoitu rauhas rajoja saatu textbfIdentification rauhastilavuus Boundaries tilastot kuten alan suhde, kehä suhde, ja etäisyys suhde on johdettu rauhanen rajatietoja ja keskiarvo, keskihajonta, mediaani, ja suhde pienin ja suurin arvo lasketaan kaikkien rauhaset [16]. Nämä ominaisuudet on koottu taulukkoon 3.

Voronoi kaavio (

):

Voronoi kaaviot jakaa kunkin alueen osaksi ei-päällekkäistä polygoneja, joista kukin liittyy rauhanen , jossa kunkin reunan kahtia kaksi naapuri- rauhanen centroids ja tarvittaessa. Esimerkki Voronoi kaavio rakennettu päälle digitoidun patologian kuva rauhanen keskuksiin toimii solmut /kärkipisteet on esitetty kuviossa 6 (b). Tilastot (katso taulukko 3), kuten alue, kehä ja jänteen pituus tallennetaan kunkin monikulmio ja keskimääräinen, keskihajonta, häiriö, ja suhde pienin ja suurin arvo lasketaan kaikkien polygoneja kuvan.

Ohjeet ominaisuudet ovat peräisin (a) selityksin varustetuksi alueen digitalisoidun eturauhasen histologian slide seuraavat eturauhasen. Kaaviot (b) Voronoi, (c) Delaunay, ja (d) pienin virittävä Puut sekä (e) rakenne kuvan piirre näkyy alueelta merkitty sinisellä laatikko (a).