尽管有许多种类的恶性淋巴瘤,其中一个是激进的b细胞淋巴瘤。弥漫型大b细胞淋巴瘤(DLBCL)是最大的一类激进的b细胞淋巴瘤。不到50%的患者可以通过结合化疗治愈(
31日]。DLBCL有两个重要的子组,生发中心B-cell-like (GCB)和激活B-cell-like (ABC)淋巴瘤。在医学、互补脱氧核糖核酸微阵列方法可以成功地用于区分GCB和ABC DLBCL。的优势区分GCB和ABC DLBCL子组有显著不同的化学治疗后5年生存率超过60% (GCB) (
32,
33]。伯基特淋巴瘤之间也存在类似的情况(提单)和DLBCL。两个淋巴瘤都归类为激进的b细胞非霍奇金淋巴瘤在世界卫生组织(
34]。因此,如何区分提单的区别和DLBCL是一个挑战,因为两种疾病需要不同的治疗和有不同的治愈率。现有的诊断和分类之间的提单和DLBCL评估他们的形态,immunophenotypic和细胞遗传学特性和临床结果
35,
36]。最近,崔等人研究[
37(即)已经成功应用非医学的方法。,年代tatistical and engineering methods, linguistic analysis, and ensembled artificial neural networks) to classify two types of GCB and ABC DLBCL. Because fractal temporal process may generate fluctuations on different area scales that are statistically self-similarity [
38),因此,同样的分形时间的概念过程和细胞图像的统计自相似性,如图
1因为淋巴瘤细胞存在或大或小的同时,可以很容易地显示统计自相似性特征。在这篇文章中,一个非医学的方法/ DFA的二维(2 d)算法提出了基于最初的概念设计方法。该方法被用来重新描述图像的淋巴节。预计2 d DFA可能有助于区分提单和DLBCL部分图像。
monodimensional DFA方法中描述的算法
6)量化碎片形的相关性属性通过计算均方根的标度性波动的综合和去趋势时间序列数据。为了说明DFA算法,(在一个时间序列信号<我nl我ne-formula>
N
样品)和分析如以下方程:
(1)
y
(
k
)
=
∑
我
=
1
k
(
B
(
我
)
- - - - - -
B
¯
]
,
在哪里<我nl我ne-formula>
B
(
我
)
是<我nl我ne-formula>
我
th样本信号;<我nl我ne-formula>
B
¯
是整体的平均信号;和<我nl我ne-formula>
y
(
k
)
的价值吗<我nl我ne-formula>
k
综合时间序列的样本。然后,集成和去趋势波动的时间序列为给定窗口的规模<我nl我ne-formula>
n
通过计算
(2)
F
(
n
)
=
1
N
∑
k
=
1
N
(
y
(
k
)
- - - - - -
y
n
(
k
)
]
2
,
在哪里<我nl我ne-formula>
F
(
n
)
是一个集成的时间序列的波动和规模对于一个给定的窗口吗<我nl我ne-formula>
n
,<我nl我ne-formula>
y
n
(
k
)
是<我nl我ne-formula>
k
th点趋势中使用一个预先确定的窗口和规模<我nl我ne-formula>
n
。一条直线的<我nl我ne-formula>
日志
(
F
(
n
)
)
与<我nl我ne-formula>
日志
(
n
)
情节表明幂律的存在分形尺度之间的相关性和去趋势波动的时间序列。重对数坐标图的斜率定义DFA比例指数<我talic>
α
。为<我talic>
α
指数,彭等人表明它作为一个指标,描述原始时间序列的“粗糙度”:更大的价值<我talic>
α
,更平稳时间序列
6]。
彩色图像应该灰度处理。考虑一个自相似的表面,它用一个二维数组<我nl我ne-formula>
B
(
我
,
j
)
,在那里<我nl我ne-formula>
我
=
1
,
2
,
…
,
米
和<我nl我ne-formula>
j
=
1
,
2
,
…
,
N
。的内容<我nl我ne-formula>
B
(
我
,
j
)
是表面图像的像素值。像monodimensional DFA方法,第一个综合方程如下:
(3)
y
(
米
,
n
)
=
∑
我
=
1
米
(
B
(
我
,
n
)
- - - - - -
B
¯
n
c
]
+
∑
j
=
1
n
(
B
(
米
,
j
)
- - - - - -
B
¯
米
r
]
为<我nl我ne-formula>
1
≤
米
≤
米
,<我nl我ne-formula>
1
≤
n
≤
N
,在那里<我nl我ne-formula>
y
(
米
,
n
)
像素的值吗<我nl我ne-formula>
(
米
,
n
)
集成图像,<我nl我ne-formula>
B
(
我
,
n
)
是<我nl我ne-formula>
我
th像素的<我nl我ne-formula>
n
列,<我nl我ne-formula>
B
¯
n
c
的平均值吗<我nl我ne-formula>
n
列,<我nl我ne-formula>
B
(
米
,
j
)
是<我nl我ne-formula>
j
th像素的<我nl我ne-formula>
米
th行,<我nl我ne-formula>
B
¯
米
r
的平均值吗<我nl我ne-formula>
米
行。
步骤2。
表面是划分<我nl我ne-formula>
米
年代
×
N
年代
独立广场的大小相同<我nl我ne-formula>
年代
×
年代
,在那里<我nl我ne-formula>
米
年代
=
(
米
/
年代
]
,<我nl我ne-formula>
N
年代
=
(
N
/
年代
]
,<我nl我ne-formula>
4
≤
年代
≤
最小值<我nl我ne-formula>
(
米
/
4
,
N
/
4
)
。<我nl我ne-formula>
y
(
米
,
n
)
可以用<我nl我ne-formula>
y
k
,
l
,段<我nl我ne-formula>
y
k
,
l
(
o
,
p
)
=
y
(
k
1
+
o
,
l
1
+
p
)
为<我nl我ne-formula>
1
≤
o
,
p
≤
年代
,<我nl我ne-formula>
1
≤
k
≤
米
年代
,<我nl我ne-formula>
1
≤
l
≤
N
年代
,在那里<我nl我ne-formula>
k
1
=
(
k
- - - - - -
1
)
年代
和<我nl我ne-formula>
l
1
=
(
l
- - - - - -
1
)
年代
。
步骤3。
使用最小二乘法来计算矩阵的趋势<我nl我ne-formula>
y
k
,
l
(
年代
,
年代
)
表示为<我nl我ne-formula>
y
^
k
,
l
(
年代
,
年代
)
。这一趋势矩阵<我nl我ne-formula>
y
^
k
,
l
(
年代
,
年代
)
线性回归的数学模型。这一趋势分解为行和列,两个方向。
步骤4。
均方误差(MSE)代表了一个集成的波动和去趋势段图像的规模<我nl我ne-formula>
年代
×
年代
作为
(4)
E
k
,
l
=
1
年代
2
∑
o
=
1
年代
∑
p
=
1
年代
(
y
k
,
l
(
o
,
p
)
- - - - - -
y
^
k
,
l
(
年代
,
年代
)
]
2
为<我nl我ne-formula>
E
k
,
l
值将被最小化。
第5步。
整体去趋势波动计算平均整体部分,
(5)
F
2
(
年代
)
=
1
米
年代
N
年代
∑
k
=
1
米
年代
∑
l
=
1
N
年代
E
k
,
l
。
用(
4)(
5),(
6)
(6)
F
2
(
年代
)
=
1
米
年代
N
年代
∑
k
=
1
米
年代
∑
l
=
1
N
年代
{
1
年代
2
∑
o
=
1
年代
∑
p
=
1
年代
(
y
k
,
l
(
o
,
p
)
- - - - - -
y
^
k
,
l
(
年代
,
年代
)
]
2
}
。
然后
(7)
F
(
年代
)
=
1
米
年代
N
年代
∑
k
=
1
米
年代
∑
l
=
1
N
年代
{
1
年代
2
∑
o
=
1
年代
∑
p
=
1
年代
(
y
k
,
l
(
o
,
p
)
- - - - - -
y
^
k
,
l
(
年代
,
年代
)
]
2
}
。
此外,最小平方大小的计划<我nl我ne-formula>
年代
×
年代
被用来适应吗<我nl我ne-formula>
年代
th段局部图像的趋势。然后,<我nl我ne-formula>
年代
th趋势可以从集成图像中删除<我nl我ne-formula>
年代
波动。DFA扩展指数之间的幂律关系被定义为使用尺度和派生的波动。最后,DFA标度指数<我talic>
α
的直线<我nl我ne-formula>
日志
(
F
(
年代
)
)
与<我nl我ne-formula>
日志
(
年代
)
情节。
2.3。统计分析
值表示为±SD方法。数据分析了单向方差分析(方差分析)(SigmaStat统计软件,Jandel科学、圣拉斐尔,CA)。图基测试进行多重比较时零假设并不适用于同一组。也用于所有成对比较的反应不同的治疗组。差异被认为是重大的价值<我nl我ne-formula>
P
<
0.05
。
然而,作者已经测试一个二维的矩阵表现形象的方程<我nl我ne-formula>
(
1
)
(
26]。2 d DFA结果计算矩阵的性能非常耗费时间。例如,一个图像(4080×3072像素)接管三天。这是不利的实时要求。因此,1 d DFA的概念被用来解决上述形象的问题。我们假设淋巴瘤细胞形状、颜色和大小是影响行和列细胞。通过这种方式,验证结果的计算时间是伟大的减少2 d DFA,约3小时为一个形象。幸运的是,计算结果的统计分析可以区分提单和DLBCL淋巴瘤。然而,A和B组在提单仍不能分类在这项研究。因此,还需要进一步的调查来提高分类的敏感性和特异性。 Results of this study can be compared to 2D DFA algorithm in [
26在[]或2 d-dma算法
41,
42]研究广泛这个方法可以应用于临床分析。
确认
作者要感谢国家科学委员会(NSC)的台湾(批准号NSC - 155 - 007 - 99 - 2622 e cc2)支持这项研究。本研究也支持的动态生物标志物和转化医学中心,国立中央大学,台湾,也由国家科学委员会(nsc100 - 2911 - i - 008 - 001)。