基于最优传输的癌症数字病理图像核结构形态计量
定量方法
2023-02-06 v1
摘要
核形态的异常是病理学家用于许多肿瘤（尤其是恶性肿瘤）诊断与分级的有用辅助手段乃至诊断工具。TCGA与人类蛋白质图谱等大型数据集，结合特征提取与深度学习技术等新兴机器学习与统计建模方法，可用于从细胞核图像（特别是癌性肿瘤）中提取有意义的知识。本文描述一种基于最优传输数学理论的新技术，用于直接从成像数据建模与核染色质结构相关的信息内容。与其他技术不同，我们的方法利用基于传输的形态计量（TBM）框架，将每个细胞核相对于模板核的全部信息内容表示出来。我们证明该模型对不同的染色模式与成像协议具有鲁棒性，并可用于发现和跨数据集及癌症类型中的有意义且可解释的信息。特别地，我们展示了能够区分不同癌症组织类型（包括肝实质、甲状腺、肺间皮与皮肤上皮来源的肿瘤）中从良性到恶性类别谱系的核特征形态差异。我们相信这些概念验证计算表明，TBM框架可提供跨广泛数据集与癌症类型进行有意义比较所需的定量测量，有望赋能众多癌症研究、技术与临床应用，并助力将核形态计量提升为更定量的科学。实现我们方法的源代码可在 https://github.com/rohdelab/nuclear_morphometry 获取。
引用
@article{arxiv.2302.01449,
title = {Transport-based morphometry of nuclear structures of digital pathology images in cancers},
author = {Mohammad Shifat E Rabbi and Natasha Ironside and John A Ozolek and Rajendra Singh and Liron Pantanowitz and Gustavo K Rohde},
journal= {arXiv preprint arXiv:2302.01449},
year = {2023}
}