文摘

最重要的过程之一,癌症细胞和组织的有效的提取特征是图像分析分级的目的。本研究应用两种类型的三维纹理分析方法提取的特征值从肾细胞癌组织图像,然后评估方法的有效性通过等级分类统计。首先,我们使用共焦激光扫描显微镜获取图像片四个等级的肾细胞癌,然后重建3 d卷。接下来,我们使用3 d灰度提取定量值同现矩阵应用灰度共生矩阵建立()和基于两种类型的3 d小波基函数。评估他们的有效性,我们预定义的6个不同的统计分类器和应用这些提取的特性集。在年级分类结果,3 d Haar小波纹理特征结合主成分分析结果显示最好的歧视。分类使用3 d小波结构特性明显优于应用灰度共生矩阵建立3 d,表明前者有潜力用于计算机分级系统。

1。介绍

肾细胞癌(RCC)是最常见的恶性肿瘤,出现在成年人的肾脏,代表2%的恶性肿瘤和癌症相关的死亡人数的2%。组织病理学异质性疾病,分为清晰、乳头状、粒状、主轴、混合细胞变异基于胞质特性。碾压混凝土的预后是基于肿瘤分期和组织学分级1]。我们四级评分系统基于乳头状肿瘤分级和TNM分期系统[2,3]。

评分是癌症的进展的分类系统基于异常的程度的癌细胞。它在临床治疗决策起着重要的作用,因为它表明可能的增长率,癌症的转移趋势和其他重要的信息。信用社提出了各种评分系统,使用核,细胞质和建筑特色。现有证据表明,核分级是一个更好的预后指标比其他类型的分级方案。斯金纳等人首先提出一个基于核形态的分级系统(4]。1982年,Fuhrman等人简化了斯金纳et al。' s评分系统,许多研究人员已经使用这个新的分类系统。Fuhrman et al。’s系统也是一个四年级,根据大小,形状,和肿瘤细胞核的内容5,6]。

传统的分级,用视觉观察,容易产生一定程度的观察者偏见。信用社提出了各种评分系统,使用核,细胞质和建筑特色。现有证据表明,核分级是一个更好的预后指标比其他类型的分级方案。即使使用相同的评分系统,不同的分析师可能会有不同的意见,导致可能interobserver问题或intraobserver问题。interobserver问题指的是系统的差异观察人士的意见。intraobserver问题是指观察者在一个特定的分数差异的病人不属于系统的区别。减少这些差异,进行更客观的分析,很多研究了数字图像血细胞计数。这种方法主要是使用二维(2 d)数字图像测量对象的各种特征和量化特征可以帮助诊断和评估预后的癌症。然而,这些方法并不足以量化3 d结构。首先,很难确定一个细胞的精确形状。 For example, cells and cell nuclei are not perfectly spherical, and consequently, their shape differs noticeably depending on the cutting angle and the thickness of the sample. And the practical measurement is tedious, fatiguing, and time-consuming. To improve reproducibility, we need a new method, based on 3D image analysis. The 3D-based approaches have potential advantages over 2D-based approaches since the underlying tissue is 3D, thus making improved reproducibility and objectivity possible. From a hardware perspective, we can resolve the problems with 2D methods using a confocal microscope and image analysis techniques [7,8],它可以获得连续的2 d切片没有物理切片。图像分析技术可以应用于体积数据重建的图像切片经共焦显微镜。从方法论的角度来看,计算机数字图像分析系统测量元素的大体分为形态学特征和纹理特征(9,10]。形态分析是进行外部对象的各个方面,如大小、表面变化,长度和长时间运行和短轴的比率。纹理分析量化3 d结构通过一个数值分析模式的变化,强度,和其他特性在图像区域。

纹理分析有着悠久的历史,和各种各样的方法研究,提出在过去(11- - - - - -14]。应用灰度共生矩阵建立灰度同现矩阵()被公认为最具代表性的算法在空间texture-related研究。特别是,有许多最近发表的研究如何应用灰度共生矩阵建立3 d应用灰度共生矩阵建立扩展传统的2 d方法。Kovalev等人提出了两个模型来描述结构各向异性三维磁共振图像(15]。模型的强度变化测量方法,应用灰度共生矩阵建立计算3 d和从直方图中提取一组特性来描述纹理的属性。应用灰度共生矩阵建立Kurani等人应用3 d人体器官在计算机断层扫描(CT)图像(16]。10纹理特征提取之后,他们调查了每个器官的体积数据的分布特征。

小波也被研究多年,被用于各种各样的应用,包括图像压缩和预处理。此外,许多研究已经从图像中提取纹理值使用小波和他们用于分类(17- - - - - -20.]。

在小波纹理应用灰度共生矩阵建立的,最近的研究也从2 d到3 d小波扩展。柳等人从星载图像,提取纹理特征值对地形排序,通过应用6 3 d小波基函数,并报告分类精度为89%或更高版本(21]。然而,他们直接小波系数用于分类,没有任何具体的定义和提取纹理参数。和他们的方法有一个低程度的稳定,因为分类精度下降了20%至40%的2 5分段区域。高等人的性能评估3 d纹理特征对3 d先生大脑图像检索基于各种方法(22]。在这项研究中,他们使用了4种方法:3 d局部二进制模式(LBP), 3 d GLCMs, 3 d小波,3 d伽柏纹理。他们比较了数据检索性能100体积的数据集,正常和损伤大脑,后测量输入数据的纹理的相似性和数据存储在数据库中。尽管他们使用各种类型的3 d纹理提取方法,包括3 d小波纹理,最好的结果,他们达到了65%。一些先前的研究3 d小波变换用于图像分类,但大多数研究应用他们的高分辨率图像特征的对象显然是杰出的。我们的研究材料与肾癌的图像主观评分2病理学家。本研究的主要目的是评估三维纹理方法的有效性,将用于开发一个基于计算机的图像分析系统能够自动分级肾细胞癌组织图像。

2。材料和方法

2.1。临床标本和图像采集

我们获得了RCC组织8例病理学系,韩国延世大学。他们被固定在neutral-buffered 10%福尔马林和嵌入在石蜡收据。组织切成20 -μ米部分,沾propidium碘(PI)含有核糖核酸酶在最终浓度为0.5 mg / mL,并安装在荧光安装介质(美国DAKO Carpinteria, CA)。π是一种荧光染料,常被用来检查细胞核和细胞凋亡。π允许一个确定的内容或状态测量细胞的DNA,因为它结合DNA。

RCC组织成像在TCS SP2 aob共焦激光扫描显微镜(徕卡微系统,曼海姆,德国),与630 x变焦,1.4 NA十六进制PL-Apochromat物镜,HeNe激光。荧光标记抗体和π成像同时使用468和568 nm激光线。发出的光在596年和685年之间纳米荧光素信号收集的照片与一个光电倍增管(PMT),和596 ~ 685纳米波长的光信号(π)与另一个PMT收集。处理的图像区域被定义为2病理学家。我们获得30 - 120片为每个体积数据集;每个片是一个512×512分辨率的图像RGB 24位/像素。数据的体素的大小是0.34μ米的和方向和0.5μ米的方向。然而,适当downsampled图像(256×256,RGB 24位/像素)被用于最终的特征提取和分析与我们开发的软件。

2.2。预处理

噪音组织图像通常是由不同的染色程度,取决于组织厚度,和其他外部因素。当使用过滤方法对医学图像数据,图像退化造成的模糊或构件产生的过滤方案是不可接受的。从图像以减少这些影响,我们双边滤波应用于二维(23,24]。它结合了灰色的水平或颜色基于几何亲密和光度值附近相似并且更喜欢遥远的领域和范围值。它包括重量为每个像素的加权卷积不仅取决于其中心像素的距离也相对强度。在图1,我们开发的软件工具显示了代表3 d RCC共焦显微图像的可视化。

2.3。应用灰度共生矩阵建立3 d和3 d小波

二维纹理特征计算使用像素从每个切片。然而,如果我们处理3 d体积数据作为单独的2 d切片,然后一些interslice信息会被忽略,增加数据丢失的可能性。要解决这个问题,我们应用3 d纹理特征的概念。尽管简单三维扩展传统的基于矩阵的算法,这种方法取得了显著提高的结果。

应用灰度共生矩阵建立二维考虑像素一片的空间依赖性,而应用灰度共生矩阵建立三维量化上的3 d立体像素数据的依赖对象体积,存在于跨多个片。类似于2 d的情况下,同现矩阵体积数据也代表着矩阵中灰色的水平。这些矩阵定义使用特定的位移矢量每个方向,,,的体素沿着吗- - - - - -,- - - - - -,样本之间相互重合,分别。像素在26个方向可以检查,但为了避免冗余,只有13个方向被认为是。我们计算13为每个数据集矩阵,然后计算一个新的矩阵通过平均13矩阵。从这个新矩阵,我们提取的3 d纹理特性。图2显示了中央立体像素的相邻像素点之间的关系和6的邻居当旋转90°和26邻居当旋转45°之间的邻接方向从卷数据。

小波变换提供了一个空间/频率表示的一个信号。信号的小波系数的预测信号的多分辨率子空间的基函数构造二元相呼应和翻译的尺度和小波函数。取得系数在一个特定的水平,我们可以计算系数的水平使用滤波器组。二维信号的小波分解可以通过应用一维小波分解在图像的行和列分别(25]。同样,一个3 d信号的小波变换可以通过应用一维小波变换在所有三个方向。

三维小波变换的结构方面已经以各种方式定义和介绍。在这篇文章中,我们执行1级子分区和生成8八分仪部分波段使用“2 d + 1 d计划”提出的陈和宁(26)(见图3)。在这个方案中,首先应用到每个二维小波变换的一个给定的数据量,和切片进行叠加。

然后,一维小波变换在执行设在(轴向)。最初,这个方案提出了从混合信号中提取信号和噪声(去噪)乳房cone-beam计算机断层扫描(CBCT)容积数据,修正系数,它包括2过滤过程的中间阶段。然而,在这项研究中,我们使用一个修改方案的3 d纹理提取跳过这些过程。

图4显示了一个3 d小波分解的概念图和一个过滤器银行。H和G和H′和G′2组不同的滤波器。确定滤波器系数,本研究使用2小波基函数:DB2 (Daubechies小波2)和哈雾(Haar wavlet)。

以下是我们选择的原因这两个小波(27]。Haar小波是最简单和最短的类型的标准正交小波。时有利的像素急剧变化和多光谱图像没有许多乐队。Haar小波的缺点是,它不是连续的,因此没有可微的。DB2是一种Daubechies小波,小波的最受欢迎的类型,代表小波信号处理的基础,在许多应用程序使用。与其他小波不同,大多数Daubechies小波是不对称的。一些Daubechies的不对称小波非常明显。规律性增加订单,分析是正交的。

2.4。特征提取

分析组织纹理特征值和促进年级分类,本研究定义和提取12应用灰度共生矩阵建立3 d特征值从3 d小波和16个特征值,使用2每个8次能带。附录中列出了所有的特征值和公式。12个功能应用灰度共生矩阵建立的3 d值是众所周知的,可以提出的计算与应用灰度共生矩阵建立基本Haralick [28]。这12个独立计算矩阵特征值提取的13个方向,然后创建一个新的矩阵,每个矩阵的平均价值。

3 d小波,2特性值,能量和熵,计算每个乐队,导致16一个数据集的特征值。小波能量特征反映了能量的分布沿频率轴在规模和方向和已被证明是非常有效的纹理特征。因为大多数相关纹理信息是通过迭代低通滤波,低分辨率图像的能量通常不被认为是一个纹理特征。熵可以解释为一定程度的不确定性,可变性和复杂性。熵达到最大完全随机状态及其最小的确定性。因此,均匀区域产生最大熵。

2.5。统计分析

我们提取特征值后,我们进行统计分析(29日- - - - - -32]。我们使用6分类器,根据他们的选择方法,定义了特征值和特征值的类型。表1描述每个分类器的特征对组织层面详细分析。

对于分类器,C和E,顺序分段法被用来选择特征值。逐步选择结合前后选择,重复添加和移除的特性在每一步。该方法可以克服嵌套问题(一旦添加或删除一个特性,决定无法改变)。评估一组特性的意义,我们需要一些选择标准。我们使用Wilkλ()和误分类率。Wilkλ的比率的决定因素在课堂总协方差矩阵,可以表示为 在哪里和代表了类间协方差矩阵和课下协方差矩阵,分别。如果广义方差的比例太小,假设的数量是相同的被拒绝,所以一套好的特性Wilk的λ值低。从这个过程中,我们获得3 - 8候选特征作为分级的最好的候选人。

另一个选择的方法是主成分分析(PCA),应用于分类器B, D, F (29日,30.]。PCA方法减少数据集的维数,发现原来的向量的投影到一个低维空间,在均方意义下最优的。基于这种分析的结果,我们选择8主成分从3 d小波和5组件应用灰度共生矩阵建立3 d通过主成分分析和相关矩阵。新特性值定义和计算从最初的线性组合中提取特征值和每个主成分的惟一值。

选择候选特征值后,我们进行了线性判别分析(LDA)来生成一个分类器。判别分析发现独立变量可以解释类和生成一个判别的区别通过使用变量的组合。

我们跟着使用判别分析分类步骤如下:首先,我们组织了一个训练数据集,然后进行了训练过程来提高分类精度。然后,我们分类的数据,除了训练数据,每个分类器使用。大量的训练数据,测试数据集的数量,每个组的片数用于本研究总结在表2。

3所示。结果与讨论

3.1。S / W的开发和测试环境

计算机系统与一个英特尔奔腾4 3.0 GHz处理器和一个NVIDIA GeForce 6800 xt显卡是用于软件实现和性能测试。所有的3 d功能值自动提取使用MATLAB 6.5版本发布13日与SP1 (Mathworks公司,诺,美国),按照预定义的格式。此外,所有统计分析进行了使用SAS版本9.1.3(美国SAS研究所有限公司卡里,NC)在0.01的显著性水平(99%)。

图5显示了在这项研究中,使用的4级数据被分成8 octbands通过3 d小波和可视化使用MATLAB iso-surface呈现。清晰地想象之间的差异乐队,乐队的iso值设置为10。乐队之间的差异是清晰可见的,如本例中所示,一些乐队包括比其他人更纹理特征。换句话说,低通部分波段通常包含最重要的信息的对象,而噪音和不规则的特征分布在大部分的高通乐队。因此,这些特征可以通过纹理分析和更客观的量化数据。

3.2。候选特征选择

PCA和分段特征选择进行了单独为每个分类器在实际分类查找特性值和使用它们进行分类。逐步选择一个分类器的结果,C, E如下所示。的值的比值均方是因为回归的均方误差和显示每个控制因素的影响(意义)的测试模型。的Haar小波(A),我们首先选择5特性,如表所示3。尽管Wilkλ值很低在大多数情况下,2 5以外的特性是有效的0.01%的显著性水平(公关>)。出于这个原因,只有WEN_7 (HHL乐队),WEN_2 (LLH乐队),和WET_4 (LHH乐队)作为自变量进行判别分析。同样,在DB2的情况下小波,我们描述表4,我们只使用一个八选择功能。应用灰度共生矩阵建立的3 d表(E)53选择特征作为判别分析的独立变量(方差(VAR),二阶对角矩(SDM)和二阶逆不同时刻(SIDM))。

我们还应用PCA其他三个分类器,B, D和f .最初,主成分的数量将是相同的原始特征的数量值,确定主成分的数量分类器的基础上,应用灰度共生矩阵建立explainability 3 D小波和3 D。分类器B和D,我们选择了8的16主成分和分类器F,我们选择5的12个主要组件。

表6,7,8显示主成分分析的结果为每个分类器。在每个表中,特征值是一个指数的程度每个因素解释原始变量和特征值的总和等于变量的数量。“比例”是指总方差,解释为一个因素,和“累积”是指累积值的比例。在这个研究中,我们选择主成分的数量通过检查这些累积值。

在分类器B和D的情况下,我们选择8主成分,有95.59%和95.41%程度的解释,分别。在分类器的情况下,我们选择了5个主成分,有99.46%程度的解释。

3.3。分类

特征值选择通过上述过程被用于分类。首先,数据分为训练数据和测试数据进行分类器训练。我们使用preperformed训练过程改善分类的正确性,使用训练数据集。训练数据,我们随机选择4,12日7和11个数据集的每个等级从1到4,分别。训练数据的平均分类精度为100% (A)、(B) 84.75%, 95.50% (C), 99.00% (D), 99.50% (E)和91.25% (F)。所有其他的数据集,除了训练数据,作为测试数据。每个分类器的分类精度代表使用训练数据集。

每个分类器的训练过程后,我们进行实际使用测试数据集分类。分类器A和B Haar小波基函数使用。一个分类器,3候选特征值被用于分类使用分段特征选择。分类器的结果1级的75.00%,100.00%,二年级,三年级为66.66%,72.73%为4级。总体分类精度约为81.25%。然而,尽管候选特征值被用于这两种情况下,他们的等级2和3之间的歧视,这是临床困难,略逊于预期。

B分类器进行分类使用8个主成分作为候选人的特性。在这个实验中,使用的六个分类器分类器B显示最好的歧视的结果。它显示,100.00%为1级,2级为81.82%,为三年级100.00%,90.91%为4级。总体分类精度为90.63%。总而言之,逐步选择的分类精度高,PCA与Haar小波基函数是最准确的。

小波基函数分类器C和D使用DB2。在分类器的情况下C,我们选择一个特性,我们用于分类。测试结果为1级分类器C分别为100.00%,45.44%,二年级,三年级为66.67%,72.73%为4级。总体分类精度为65.63%。分类器D 8个主成分作为候选人的特性,作为分类器的分类器D的测试结果,使用DB2作为基函数,1级为75.00%,100.00%,二年级,三年级为66.67%,45.45%为4级。总体分类精度为71.88%。这些分类器的结果低于C,它使用了相同的基函数。

应用灰度共生矩阵建立3 d的有用性是评估使用相同的两种方法。预期,应用灰度共生矩阵建立3 d的有效性会很高,因为在核级别等级分类的准确性高。然而,这两种情况下显示非常低的分类精度。分类器E 3选择特征用于分类。了1级分类精度为25.00%,27.27%,二年级,三年级为50.00%,90.91%,4级,总体分类精度为53.13%。在这种情况下,所有的1级数据并被错误地归类为3或4年级,和变异等级是最高的。

分类器,应用主成分分析,显示出类似的结果。了1级分类精度为25.00%,54.55%,二年级,三年级为50.00%,63.64%为4级。总体分类精度为53.13%。再一次,1级数据的分类通常是不正确的。这两个分类器训练数据显示分类精度高,但结果是低于50%的测试数据。这可能是由于这样的事实,数据提取允许多自由度,从而导致过度训练的训练数据,因为数量少,我们可用数据集。图6比较了分类结果的六个模型使用的测试数据。统计分析结果表明,大量的数据被误诊为2级。然而,分类器B解决相当一部分的这个问题,显示最稳定精度相比其他五个分类器。结果经2病理学家和主观和电脑评分之间的相关性研究。

通过使用3 d纹理特性,我们计划把肾细胞癌组织图像与合理的精度为4的成绩。总共有28特性精心挑选从2类别的纹理特性。为了证实3 d纹理特征的有效性,我们测试了每一个辨别的能力基于统计分析的四个年级在不同形式。在以前的研究中最大的一个问题是,单个对象的提取核单位处理需要大量的时间(9]。在这方面,本研究聚焦于纹理特征值的提取和分类和加工数据在组织级别。一般来说,在图像分类,很明显,没有最好的纹理集。相反,最好的结果来自数个纹理参数的组合,相辅相成。然而,它是不切实际的调查所有可能的组合的所有可能的子集,以便找到最佳组合。

4所示。结论

在病理图像纹理分析是一项复杂的任务需要适当的结构描述符,反映病理材料的生物学性质。本研究的目的是开发一个新的软件方法分析3 d纹理特性来检测细微变化厚癌症组织切片通过共焦激光扫描显微镜图像。本研究区分从病理图像分级在以前的工作中,我们执行实际的分类利用3 d纹理特性和调查这些分类的有效性。因此,我们使用分段特征选择特性和PCA技术来找到最好的候选人。我们预期这两种两种类型表现良好,因为我们已经证实的有效性通过我们的初步研究[33]。然而,判别电力低于预期。特别是,应用灰度共生矩阵建立3 d的结果没有达到我们的预期。我们发现很难适用,因为它显示在组织水平测试精度很低。与初步研究,通过考虑单个对象(即提取的特征值。,cell nuclei), tissue unit images require more precise feature values because various subcellular objects coexist in one image. In our tests, classification using 3D wavelet texture features was better than that of 3D GLCM. In particular, the classification accuracy of Haar wavelets and PCA was better than 90%, and these two showed an even distribution among the different grades. Another interesting finding is that Haar wavelets showed higher accuracy than DB2, contrary to our expectations. It is generally known that longer wavelets are more accurate than Haar wavelets for the classification of high-resolution images. However, it had exactly the opposite effect in our case. The results of this study point in several promising directions for future research and could be a valuable tool for further developments in the field of tissue analysis.

尽管结果需要在更大规模的研究证实,这种类型的量化使用3 d纹理特征值有一个潜在的发展计算机图像更精确的诊断和预后评分系统。此外,我们相信,3 d纹理可以作为一个有用的工具在各领域的应用为医学影像数据的处理和分析,提取的特征值分类。

附录

见表9。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者欣然承认支持和建设性的批评从h . y . Choi博士和其他成员的医学影像技术实验室工作人员和病理学系,延世大学医院。本研究支持的2011年Inje大学研究基金会资助。