基于贝叶斯地标的肿瘤病理图像形状分析
应用统计
2020-12-03 v1 统计方法学
摘要
医学成像是上个世纪革新医学领域的一种技术。除肿瘤组织的放射成像外，以高空间分辨率捕获组织学细节的数字病理成像，正迅速成为癌症诊断支持与治疗规划的常规临床流程。深度学习方法的最新进展促进了从数字病理图像中近乎细胞水平的肿瘤区域分割。为刻画放射影像中肿瘤边界粗糙度而开发的传统的形状特征已不再适用。对病理图像中肿瘤形状建模的可靠统计方法亟需建立。本文中，我们考虑用闭合多边形链对肿瘤边界建模的问题。提出一种基于贝叶斯地标的形状分析（BayesLASA）模型，将多边形链划分为互斥的段，以分段量化边界粗糙度。我们的全贝叶斯推断框架提供了地标数量与位置的不确定性估计。BayesLASA 在准确性与效率上优于近期开发的平面弹性曲线地标检测模型。我们通过一项基于 143 名非小细胞肺癌患者 246 张病理图像的案例研究，展示了该基于模型的分析如何比常规方法得出更敏锐的推断。案例研究表明，肿瘤边界粗糙度的异质性可预测患者预后（p 值 < 0.001）。该统计方法不仅提出了一种利用地标刻画数字化对象形状特征的新模型，也为理解肿瘤表面在癌症进展中的作用提供了新视角。
引用
@article{arxiv.2012.01149,
title = {Bayesian Landmark-based Shape Analysis of Tumor Pathology Images},
author = {Cong Zhang and Guanghua Xiao and Chul Moon and Min Chen and Qiwei Li},
journal= {arXiv preprint arXiv:2012.01149},
year = {2020}
}