Extracto
Aplicaciones
Este documento propone caracterizar el proceso continuo de cáncer colorrectal (CCR) usando múltiples características de textura extraídos de imágenes de microscopía óptica multiespectral. Se consideran tres tipos de tejidos patológicos (PT): hiperplasia benigna, neoplasia intraepitelial y el carcinoma
Materiales y Métodos
En el enfoque propuesto, la región de interés que contiene PT se extrae primero de multiespectral. imágenes mediante el fraccionamiento del contorno activo. Esta región se codifica a continuación, utilizando características de textura basado en el filtro de Laplace-de-Gauss (log), wavelets discretas (DW) y las matrices de nivel de gris co-(GLCM). Para evaluar la importancia de las diferencias de textura entre los tipos de PT, se realiza un análisis estadístico basado en la prueba de Kruskal-Wallis. La utilidad de las características de textura y luego se evaluó cuantitativamente en términos de su capacidad para predecir los tipos PT utilizando diversos modelos de clasificadores.
Resultados
Los resultados preliminares muestran diferencias significativas entre los tipos de textura PT, para todas las características de textura (
p-valor
& lt; 0,01). Individualmente, GLCM características de textura superan a las características de registro y DW en términos de predicción de tipo PT. Sin embargo, un mayor rendimiento se puede lograr mediante la combinación de todas las características de textura, resultando en una precisión de la clasificación media de 98,92%, la sensibilidad del 98,12%, y la especificidad de 99,67%.
Conclusiones
Estos resultados demostrar la eficiencia y la eficacia de la combinación de varias características de textura para la caracterización de la continuidad de la CRC y la discriminación entre los tejidos patológicos en imágenes multiespectrales
Visto:. Chaddad a, C Desrosiers, Bouridane a, M Toews, Hassan L, C Tanougast (2016) Análisis Multi textura de cáncer colorrectal Continuo Uso de imágenes multiespectrales. PLoS ONE 11 (2): e0149893. doi: 10.1371 /journal.pone.0149893
Editor: Masaru Katoh, Centro Nacional del Cáncer, JAPÓN
Recibido: 27 Noviembre 2015; Aceptado: 5 Febrero de 2016; Publicado: 22 Febrero 2016
Derechos de Autor © 2016 Chaddad et al. Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution License, que permite el uso ilimitado, distribución y reproducción en cualquier medio, siempre que el autor original y la fuente se acreditan
Disponibilidad de datos:. Los datos son disponible en S1 (https://figshare.com/s/5e9c65848bb0aa1f4032 o DOI: 10.6084 /m9.figshare.2076220).
financiación:. Los autores no tienen ningún soporte o financiación reportar
Conflicto de intereses: Los autores han declarado que no existen intereses en competencia
Introducción
el cáncer colorrectal (CCR) es una enfermedad común que tiene una incidencia creciente en muchos países desarrollados.. Es el tercer cáncer más común de diagnóstico reciente, que representa el 8% de los nuevos casos cada año, y también la tercera causa más común de muerte por cáncer en los hombres y las mujeres [1]. Se estima que unos 26.270 hombres y 24.040 mujeres murieron de cáncer colorrectal en 2014, según lo informado por la Sociedad Americana del Cáncer. La resección quirúrgica del tumor primario con intención curativa es posible en sólo el 70% de los pacientes [2, 3]. Desafortunadamente, hasta un 30% de los pacientes con CRC que se someten a resección quirúrgica del tumor primario presentan una recaída posterior plazo de tres años, con una mediana de tiempo hasta la muerte de 12 meses [4]. Los estudios de imagen se utilizan con frecuencia para evaluar a los pacientes para la detección y estadificación del cáncer colorrectal. técnicas de imagen de la sección transversal como la tomografía computarizada (CT) [4], la resonancia magnética (MRI) [5] y microscopía proporcionan información anatómica y morfológica sobre la estructura y los patrones del tumor [6]. En esta información, imagen de la textura, y, en particular, la heterogeneidad de la textura, es una característica destacada de CRC que se manifiesta como áreas de alta densidad celular.
Una tendencia reciente computacional ha sido el análisis de imágenes conjunto de diapositivas de alta resolución producido a partir de muestras de patología digital [7, 8]. Características de textura extraídos de estas imágenes sirven como entrada a importantes aplicaciones computacionales tales como el diagnóstico asistido por ordenador de la patología. Un estudio pionero de Esgiar et al. mostraron que las características entropía textura extraídos de matrices de nivel de gris de co-ocurrencia (GLCM) eran capaces de diferenciar entre tejido normal y canceroso [6]. Un estudio de seguimiento de los mismos autores incorporados dimensiones fractales en el análisis de características para mejorar la sensibilidad y la especificidad de clasificación [9]. El uso de histogramas de canales de color, GLCM y características estructurales, Kalkan et al. logrado una precisión de 75,15% en la clasificación de los cuatro tipos de tejidos de colon: normal, cancerosas, adenomatosos e inflamatorias [10]. Jiao et al. propuesto un método para la detección automática del cáncer de colon, utilizando GLCM para la extracción de la textura y máquinas de vectores soporte (SVM) para la clasificación. Este método consigue una precisión de 96,67% en la diferenciación entre las imágenes cancerosas y no cancerosas [11]. Hilado et al. 2D usada wavelet discreta (DW) transformar características para clasificar las imágenes completas de cáncer de colon diapositiva en casos normales, cancerosos y pólipos adenomatosos, informar de un 91,11% de precisión [12]. Francesca et al. características integrales usadas textura del tumor, calculan utilizando filtros (log) de Laplace-de-Gauss para evaluar la heterogeneidad de [4] CRC. En un estudio posterior, Rao et al. funciones registrarse textura considerada como una discriminación entre pacientes con CRC, con y sin metástasis hepática [13]. También se han propuesto diversos enfoques que utilizan descriptores locales, incluyendo métodos basados en la función invariante en escala de transformación (SIFT) [14], el contexto forma [15], y los histogramas de gradiente orientado (HOG) descriptores [16]. Porque se basan en puntos clave que pueden variar de un sujeto a otro, el contexto y la forma clave SIFT basado en puntos cuenta con métodos no siempre son adecuados para la evaluación de anormalidades celulares de los sistemas de microscopía óptica. Del mismo modo, los métodos basados en HOG no son invariantes a las rotaciones que se producen en imágenes microscópicas. Hay argumentos fuertes de este modo que apoyan el uso de las características de rotación invariante textura derivadas de GLCM, filtros de registro y DW para este problema específico.
Como una metodología general, los tejidos patológicos (PT) como resultado de anormalidades celulares en el CCR, tal como hiperplasia benigna (BH), neoplasia intraepitelial (IN) y carcinoma (Ca), puede ser detectada a partir de sistemas de microscopía óptica clásica usando una variedad de técnicas de procesamiento de imágenes [17-19]. Este estudio propone un modelo de la serie continua de CRC usando características de textura rica, informativos obtenidos a partir de imágenes de microscopía óptica multiespectral. La capacidad de discriminación de características de textura se puede apreciar en la figura 1, donde se muestra el histograma de intensidades de los píxeles para las imágenes de los tipos BH, IN y Ca. Se puede observar que BH, IN y tejidos Ca exhiben notablemente diferentes perfiles de intensidad, apoyando la idea de que tal característica se puede utilizar para diferenciar entre estos tipos de PT. La novedad de este trabajo radica en el análisis comparativo y la combinación de tres características de textura diferentes basados en GLCM [17], log [4] y DW [20], para predecir los tipos de PT. Como se muestra en nuestros experimentos, utilizando la información de múltiples textural puede mejorar la detección y clasificación de tejidos patológicos, y proporcionar una comprensión más completa de la conexión entre CRC y la heterogeneidad de los tejidos. Los impactos potenciales de este trabajo en la mejora de la atención médica son de dos tipos. En combinación con la detección sistemática estándar acerca de CRC, el método propuesto podría mejorar la detección de la enfermedad en sus primeras etapas, lo que aumenta las posibilidades de éxito del tratamiento. Según la Sociedad Americana del Cáncer, la tasa de supervivencia relativa a 5 años es de alrededor del 90% cuando el CRC se puede detectar antes de que se ha extendido [21]. La clasificación de las anormalidades celulares en los tejidos patológicos es también esencial para evaluar la progresión de la CDN y seleccionar el curso apropiado de tratamiento. Mediante el uso de características de textura, nuestro método proporciona una forma eficaz de caracterizar las propiedades del tejido a nivel celular. La medición de la información de textura en varios puntos de tiempo podría ayudar a rastrear la progresión de la enfermedad y evaluar la eficacia de un tratamiento dado
(a) hiperplasia benigna.; (B) la neoplasia intraepitelial; (C) Carcinoma; (D, E, y F) distribuciones de intensidad histogramas muestran píxeles para cada tipo.
Materiales y Métodos
Este estudio fue aprobado por la junta de revisión institucional de la patología anatómica (Anapath ) Departamento en el hospital CHU Nancy-Brabois. La junta de revisión renunciado a la necesidad de consentimiento informado por escrito de los participantes. Se utilizó parte de los datos en los estudios anteriores [18, 22, 23]
El marco propuesto, que se muestra en la figura 2, consiste en una serie de cinco pasos:. 1) preparación de la muestra y de adquisición de imágenes, 2) ROI segmentación, 3) la extracción de características de textura, 4) tipo PT clasificación, y 5) la evaluación del desempeño. Una presentación detallada de cada paso se da en las siguientes secciones.
(a) Sistema de Microscopía óptica, tinción, el corte, y el escaneo. (B) la adquisición de imágenes multiespectrales través de una cámara CCD a través de una gama de bandas espectrales visuales. (C) algoritmo de segmentación de contorno activo para delinear ROIs. (D) GLCM, LOG y DW imagen de la textura de extracción de características. (E) Clasificación supervisada para la predicción automática de tipos de tejidos anormales de nuevas muestras.
Preparación de la muestra y la adquisición de imágenes
Se recogieron los datos de CRC de la patología anatómica (Anapath) en el Departamento hospital de Nancy-Brabois CHU. Las muestras de tejido se obtuvieron a partir de resecciones secuenciales de dos puntos de 30 pacientes con cáncer colorrectal. Secciones de 5 m de espesor se extrajeron y se tiñeron con hematoxilina el ampliamente utilizado y eosina (H & amp; E) las manchas, para reducir los requisitos de procesamiento de imágenes. Las imágenes fueron capturadas a bajo aumento (× 40) utilizando un microscopio óptico montado con una cámara de dispositivo de carga acoplada (CCD). Un filtro de cristal líquido sintonizables (LCTF) se colocó en la trayectoria óptica entre la fuente luminosa y la cámara CCD, proporcionar una exactitud de ancho de banda de 5 nm y una longitud de onda controlable a través del espectro visible 500-650 nm [24]. Esta técnica, conocida como imágenes hiperespectrales o multiespectrales [25], puede capturar imágenes de las muestras de tejido en diferentes frecuencias espectrales. En este estudio, 16 bandas multiespectrales fueron adquiridas en el rango de longitud de onda de 500-650 nm, con 9.375 pasos Nm entre las bandas sucesivas.
Los datos de 30 pacientes con CCR (10 pacientes, 9 BH en los pacientes y 11 Ca pacientes) se obtuvieron para el análisis, dando un total de 160 imágenes BH, 144 en las imágenes, y 176 imágenes Ca. Los datos están disponibles en S1 Zip (https://figshare.com/s/5e9c65848bb0aa1f4032 o DOI: 10.6084 /m9.figshare.2076220). La identificación de cada tipo PT a partir de imágenes multiespectrales fue hecho por un anatomopatólogo de alto nivel, lo que confirma el diagnóstico. Por último, las imágenes fueron sin ruido utilizando un filtro de media y reajustarán a una resolución de 512 × 512 píxeles.
contorno basada en Active segmentación
preparación del contorno activo se utilizó para identificar los límites del tejido dentro de la imagen. Esta técnica de segmentación, que se mueve una curva dinámica iterativamente hacia contornos de objetos en la imagen, está bien adaptado para delinear formas irregulares [26, 27]. Si bien se puede lograr una alta precisión, también puede sufrir de tiempos de ejecución largos. Para acelerar el proceso de segmentación, hemos limitado el número de iteraciones en base a cálculos empíricos [17]. Un enfoque multi-escala se utiliza para reducir aún más los tiempos de ejecución mediante la realización de una segmentación inicial a una baja resolución de 64 × 64 píxeles y luego refinar esta solución a una alta resolución de 512 × 512 píxeles. Usando esta técnica, se obtuvieron segmentaciones en menos de un minuto con un PC estándar (Intel Core i5 procesador de 3,4 GHz con 32 GB de RAM). Tenga en cuenta que el rendimiento de tiempo de ejecución se puede mejorar a través de tecnologías computacionales especializados alternativos, tales como un algoritmo de tubería sobre la base de campo de matriz de puertas programables (FPGA) [28].
segmentaciones terreno la verdad, una segmentación por muestra, se obtuvieron manualmente utilizando 3D Slicer [29] y validado por dos patólogos. Un ejemplo de una segmentación verdad suelo se da en la figura 3. Las imágenes de la verdad de tierra se utilizaron para evaluar el rendimiento de la segmentación de contorno activo (Fig 4), sobre la base de las siguientes mediciones: Dados coeficiente de similitud (DSC), tasa de falsos positivos ( FPR) y la tasa de falsos negativos (FNR). DSC mide el grado de correspondencia (similitud) entre la verdad de tierra y segmentados regiones de interés, y se define como (1) donde
Un
y
B ¿Cuáles son los conjuntos de píxeles correspondientes a tierra regiones de la verdad y segmentados , respectivamente.
(a) imagen original. (B) la imagen segmentada. (C) Imagen Etiquetada. área marcada en (c) se corresponde con el retorno de la inversión se utiliza para la extracción de características de textura.
Top imágenes fila corresponden a la (a) BH, (b) los tipos de entrada y (c) Ca. imágenes de fondo de la fila (a'), (b '), y (c') muestra el retorno de la inversión obtenido en estas imágenes mediante el método de segmentación del contorno activo.
El FPR y el FNR son dos medidas de encima y por debajo segmentación, y se calculan como sigue: (2) (3) donde contiene los píxeles que no están en la realidad del terreno definido
Un
función de la textura de extracción
Tres. tipos de filtros de textura, a partir del registro, DW y GLCM, se aplicaron a la segmentado ROI en cada banda espectral. Características de textura fueron extraídos de las imágenes filtradas mediante la aplicación de las funciones del cuantificador especializados (figura 2).
Textura basada registro.
El Laplaciano de Gauss (log) de filtro puede ser visto como la combinación de un operador de suavizado gaussiano con un núcleo de sigma anchura (
σ
) y un filtro isotrópico, el laplaciano, que mide la segunda derivada espacial de la imagen. El registro se utiliza comúnmente para detectar bordes y manchas en diversas escalas. Para cada ROI segmentado, un filtro de registro se aplicó utilizando
σ
valores de 0,5 (tipo de textura fina), 1.5 (tipo de textura media) y 2.5 (tipo de textura gruesa). entonces la región se cuantificó mediante el cálculo de la media (
Un
), la desviación estándar (
SD
) y la entropía (
Ent
) de sus valores de registro. El marco teórico de esta técnica se describe en detalle en el Apéndice B de Ganeshan et al [30]. Deje
f gratis (
x
,
y
) sea el valor del logaritmo de un píxel (
x
,
y
) en la región segmentada
Ω
. Para el cálculo de la entropía, discretizamos la distribución de los valores de log en 256 intervalos de igual tamaño y denotamos como
Ω
k
el subconjunto de píxeles dentro de la
k
ésimo intervalo. Las funciones del informe del cuantificador se pueden definir de la siguiente manera: (4) (5) (6)
Para cada muestra, se obtiene así un conjunto de 9 textura: (7) donde
f
,
m
, y
c
representan fino, mediano y textura gruesa.
textura basado en Wavelet discreta (DW) Transformar.
el DW Transform (DWT) analiza una imagen por descomposición en una aproximación gruesa a través de filtración de paso bajo y un componente detallada a través de filtrado de paso alto. La descomposición se lleva a cabo de forma recursiva en los coeficientes de aproximación de paso bajo obtenidos en cada nivel, hasta que se alcanza [31] el número necesario de iteraciones. Se consideran cuatro direcciones de descomposición (sub-bandas): horizontal (0 °, D
h), primera diagonal (45 °, D
d), vertical (90 °, D
v) y la segunda diagonal (135 °, D
d). La descomposición en el cada nivel
i
proporciona una matriz de aproximación (imagen) A
i detalle y tres matrices, a saber, Dh
i (matriz de coeficientes horizontal), Dv
i (vertical matriz de coeficientes) y Dd
i (matriz de coeficientes diagonal).
a un nivel 2D DWT descomposición se aplicó en cada retorno de la inversión, la codificación de la textura de la región como un componente de baja frecuencia a
1 y tres componentes de alta frecuencia: D
d1 (detalle diagonal), D
v1 (detalle vertical), y D
h1 (detalle horizontal) (figura 5). Tres funciones del cuantificador, la medición de la entropía (
f
1DW), la energía (
f
2DW) y la varianza (
f
3DW), se aplicaron a la matriz de coeficientes DWT media (es decir, el promedio de a
1, Dh
1, Dv
1 y Dd
1 matrices) de Daubechies (db), Coiflet (cofia) y Symlet (SYM) filtros, respectivamente. Para cada muestra, se obtuvieron 9 características de textura a base de DW, correspondiente a la siguiente vector de características: (8)
R corresponde a filas, C corresponde a las columnas, l y h son el índice de paso bajo y alto filtrar, respectivamente, y 2ds1 1ds2 son las columnas y filas hacia abajo de la muestra, respectivamente, y {x} es el operador convolución.
matriz de nivel de gris co-ocurrencia basada textura.
propuestos por Haralick en [32], la matriz de co-ocurrencia de nivel de gris (GLCM) es un método de análisis de la textura eficiente que utiliza las estadísticas de segundo orden para caracterizar las propiedades de dos o más valores de los píxeles que se producen en lugares específicos respecto a la otra. Formalmente, las matrices GLCM representan las probabilidades
P
d
,
θ gratis (
i
,
j
) de transición de un píxel con intensidad
i
a un píxel de la intensidad de
j
separados por un vector de traslación definida por la dirección
θ
y el desplazamiento
d gratis ( también conocida como distancia). Dada una imagen 2D
I Red de tamaño
N
×
N
, la matriz de co-ocurrencia
P
d
,
θ gratis (
i
,
j
) se puede definir como (9) donde
dx
y
dy
especifique la distancia entre el píxel de interés y su vecino a lo largo del eje X y el eje y de una imagen, respectivamente. La matriz GLCM tiene un tamaño de
Ng
×
Ng
, donde
Ng
es el número de niveles de gris en la imagen.
Se extrajo la GLCM dispone de la siguiente manera. Una ecualización del histograma se aplicó por primera vez en el rendimiento de la inversión segmentada codificada con 256 niveles de gris. matrices GLCM fueron calculados sobre la base de cuatro compensaciones (1, 2, 3 y 4 píxeles) y cuatro fases (0 °, 45 °, 90 °, 135 °). Usando esta técnica, se obtuvieron 16 matrices GLCM de tamaño 256 x 256 para cada ROI segmentado. Características de textura fueron calculados mediante la aplicación de 12 funciones cuantificador en cada matriz GLCM, y promediando los valores a través de las 16 matrices GLCM. Las funciones del cuantificador 12, propuesto por Haralick et al. [32] y D. Clausi, se informó [33]. Características de textura en base a la cuantificación de los valores GLCM pueden expresarse como el siguiente vector:. (10)
Los análisis estadísticos y criterios de clasificación
Se realizó un análisis estadístico basado en la prueba de Kruskal-Wallis para medir la importancia de características de textura para discriminar entre los tres tipos de PT. Características que tienen un
p-valor
de 0,01 o menos se consideraron como estadísticamente significativo. Tenga en cuenta que este análisis no se utiliza para la función de selección y, en consecuencia, no sesgar la siguiente etapa de clasificación
cuatro métodos de clasificación se probaron:. El análisis discriminante lineal (LDA) [34], Naïve Bayes (NB) [ ,,,0],35], los árboles de decisión (DT) [36] y los vecinos más cercanos (NN) clasificador [37]. En LDA, las funciones de distribución de probabilidad (PDF) de las clases se supone que son gaussiana multivariante con media diferente pero el mismo matriz de covarianza, y la clasificación de Bayes se utiliza para seleccionar la clase con la máxima probabilidad para cada muestra de ensayo. Naïve Bayes considera como características independientes entre sí, dada su clase, y calcula los parámetros PDF de estas características para cada clase. Un PDF de Gauss univariado se asume para todas las funciones. clasificación DT divide el conjunto de muestras de entrenamiento de forma recursiva, mediante la aplicación de un umbral sobre las funciones seleccionadas, hasta que todos los nodos de hoja son suficientemente puro (es decir, que contienen muestras de la misma clase) o se alcanza un número máximo de niveles. En este trabajo, el índice de Gini se utiliza como medida de la pureza [38]. NN encuentra los
muestras K
de formación más próxima a una muestra de ensayo dado, basado en la distancia euclidiana, y asigna la muestra de ensayo a la clase más frecuente de sus vecinos más cercanos. Basado en las pruebas anteriores, se utilizó un valor de
K
= 10 para el número de vecinos más próximos
rendimiento del clasificador se evalúa utilizando tres indicadores:. Precisión, sensibilidad, especificidad y [39]. Precisión mide la proporción de muestras de prueba correctamente clasificados por el método. Sensibilidad calcula, para cada clase, la relación entre el número de verdaderos positivos (es decir, las muestras positivas clasificados como positivos por el método) y el número total de muestras positivas. Los valores obtenidos para cada clase se promedian proporcionalmente al número de muestras en la clase correspondiente. Del mismo modo, la especificidad es la proporción de muestras negativas que están clasificados como negativos por el método. Además, el área bajo la curva ROC (AUC) se utiliza para evaluar el rendimiento de los clasificadores para diferentes umbrales de decisión. los valores de AUC se obtienen mediante el trazado de la curva de la tasa de positivos verdaderos (es decir, sensibilidad) frente a tasa de falsos positivos (es decir, 1-especificidad), por diferentes umbrales de decisión, y midiendo el área total bajo la curva. Un valor más alto indica una mejor AUC clasificador.
Se empleó un método de validación cruzada de 10 veces para obtener estimaciones objetivas del rendimiento del clasificador. En este enfoque, los datos se repartió primero en 10 conjuntos de muestras de igual tamaño. Cada juego se lleva a cabo a continuación, de salida a su vez para la validación, mientras que las muestras restantes se utilizan para la formación [40]. El rendimiento medio, calculado a lo largo de estos 10 pliegues, se informó.
Resultados
Segmentación
La Tabla 1 muestra la precisión de segmentación en términos de DSC, FPR y el FNR obtenido por el método de contorno de segmentación activo, para las imágenes de los tres tipos de PT. Observamos valores de DSC en el rango de 86,31% -88,21%, con el mejor rendimiento alcanzado por regiones Ca. Por otra parte, se obtuvieron los rangos de 5,03% -7,61% y 16,11% -20,26% para FPR y FNR, respectivamente, los valores más bajos correspondientes a en las regiones (FPR = 5,03%) y las regiones de Ca (FNR = 16,11%). Estos resultados confirman la capacidad de fraccionamiento del contorno activo para extraer con precisión las regiones de interés, en particular, las regiones correspondientes a Ca.
Textura análisis
La media y la desviación estándar de la textura basada en registros características, obtenidas a diferentes escalas de filtro, se muestran en la Tabla 2. se utilizó la prueba de Kruskall-Wallis Una para cada función para determinar si la distribución de los valores difieren de un tipo PT. En esta prueba, la hipótesis nula es que el rango media de los valores es el mismo para cada tipo. Los
p-valores
obtenidos para cada característica se da en la última columna de la Tabla 2. A excepción de
Un
c
, el rango medio de registro de características es significativamente más alta en Ca y que en BH (
p-valor
& lt; 0,0001). Del mismo modo, el rango promedio de IN es superior a la BH, a excepción de características
Un
c
y
Ent
f
. Esto apoya la idea de que los tipos de PT tienen diferentes propiedades texturales y que cuenta a partir del registro se puede utilizar para discriminar entre estos tipos de anomalía del tejido.
Se realizó un análisis similar para las características GLCM (Tabla 3) y características DW (Tabla 4). Para GLCM, el rango promedio de características
f
1,
f
2
f
4,
f
8,
f
11 y
f
12 es significativamente más alta en Ca que en BH y tipos. Por el contrario, el rango promedio de función
f
9
es mayor en comparación con EN BH y Ca. Además, el rango promedio de características
f
5,
f
6,
f
7 y
f
10 se encontró que era significativamente mayor en BH de IN (
p
-valor & lt; 0,0001). Para características extraído por medio de la transformada de DW, se encontró que las características
f
1DW_db, y f
1DW_sym tenía un rango más alto para significar que la BH EN tipos y Ca, y que la media de clasificación de características
f
1DW_coif, f
2DW_db,
f
2DW_coif,
f
2DW_sym,
f
3DW_db,
f
3DW_coif y
f
3DW_sym fue mayor en BH y que en Ca tipos (
p-valor
& lt; 0,001) .
en general, el análisis muestra el potencial de los troncos, GLCM y características de textura DW para diferenciar los distintos tipos de PT. Por otra parte, ya que se encontraron todas las características de textura para ser estadísticamente significativa (
p-valor
& lt; 0,01)., Todos ellos fueron utilizados para la clasificación (es decir, sin el paso de selección de características se realizó antes de la clasificación)
Clasificación
Los tres conjuntos de características de textura (es decir,
F
LOG,
F
DW y
F
GLCM) se evaluaron en un entorno clasificación, usarlos como entrada a LDA, NB, DT y NN clasificadores. El rendimiento, en términos de precisión, sensibilidad y especificidad, obtenida por estos clasificadores para cada conjunto de características se informa en la Tabla 5. Los mejores precisiones de clasificación obtenidos para acceder, DW y GLCM son 81,17% (DT clasificador), 90,00% (clasificador LDA ) y 94,37% (LDA clasificador), respectivamente.
la capacidad de los clasificadores para discriminar entre pares de tipos de PT, para diversos umbrales de decisión, se evaluó utilizando la métrica AUC. Los resultados, mostrados en la Tabla 6 y la Figura 6, indican que los tres conjuntos de características de textura son útiles para discriminar entre todos los pares de tipos de PT, con valores de AUC que van desde 98% a 100%. Por otra parte, la Tabla 7 da la matriz de confusión obtenidos para los tres tipos de características de textura. Vemos que, para todos los tipos de textura, se consigue la máxima precisión para el Ca (167/176 muestras Ca clasificados correctamente usando GLCM), y se produce el error de clasificación más frecuente entre BH y en los tipos.
La línea azul, negro y rojo es para BH vs eN, BH vs Ca y Ca en el vs. respectivamente. (A) Textura basado en filtro de registro. (B) La textura basado en filtro de toneladas de peso muerto. (C) Textura basa en GLCM.
Para mejorar aún más el rendimiento de clasificación, concatenados las características derivadas de los tres tipos de textura, dando un vector de 30 características de textura. Usando este enfoque, se obtuvo una precisión de 98,92%, una sensibilidad del 98,12%, una especificidad del 99,67%, y una AUC de 100% utilizando el clasificador LDA (tablas 5 y 6). La mejora del rendimiento obtenido con características multi-textura también se puede observar en la matriz de confusión de la Tabla 7, con 157/160 de BH, 143/144 de IN y 175/176 de muestras Ca clasificadas correctamente.
prueba de aleatorización
pruebas de permutación aleatorios se utilizan para cuantificar aún más la importancia de la relación entre la imagen texturas y tipos de PT. Se llevaron a cabo ensayos múltiples para calcular la precisión de la clasificación de las etiquetas de tipo PT permutados al azar. Este enfoque permite la cuantificación de la distribución nula de precisión de la clasificación de la textura característica, es decir, dada la hipótesis nula de que las características no contienen información acerca de los tipos de PT, ver pruebas de permutación [41]. El análisis se realizó como antes, excepto que las etiquetas de tipo se permutan al azar antes de la evaluación, generando de este modo una distribución nula empírica sobre resultados de la clasificación de varios ensayos (1000 veces). Como era de esperar, la distribución nula se alcanzó su punto máximo alrededor de los valores de clasificación equivalentes a adivinar al azar. p.ej. exactitud = 33,25% (mediana = 32.86%) para las características de textura a base de filtro de registro, 33.81% (mediana = 33,75%) de características basadas en DW, 33,83% (mediana = 33.95%) de las características derivadas de GLCM, y 33.91% (media = 33,93%) para el conjunto completo de características (características combinadas), (Tabla 8). Estas distribuciones se pueden utilizar para calcular empírica
p
-valores de resultados de la clasificación obtenidos en los experimentos en la Sección 3, por ejemplo, Tabla 5, que están en el rango significativo.
Discusión
Se presentó una canalización de procesamiento de imagen multiespectral, en el que las regiones de interés (ROI) que representan a los tejidos anormales se dividen en segmentos de forma automática a través de una método activo contorno de resolución múltiple eficiente. Este método ha demostrado ser precisa, con respecto a una verdad cruda experto marcado, la obtención de valores de similitud de los dados entre 86.31% y 88.21%.
En un estudio comparativo, se evaluó la utilidad de los tres tipos de texturas para clasificar tejidos patológicos relacionados con CRC. Individualmente, todas las texturas conducen a precisión de clasificación por encima de 80%, aunque texturas basadas GLCM proporcionan el mejor rendimiento con una precisión de 94,37%, la sensibilidad del 95,63% y una especificidad de 100% (Tabla 5). Al comparar el rendimiento a través de tipos de PT, se observó que las muestras Ca tienen la menor tasa de error, y que la mayoría de los errores se produjeron entre BH y en los tipos (Tabla 7). También se observó que la combinación de los tres tipos de textura (para un total de 30 funciones) proporciona el mejor rendimiento, con una precisión del 98,92%, la sensibilidad del 98,12%, una especificidad del 99,67% y el ABC del 100% (Tablas 5, 6 y 7 ). Esto indica que las diferentes características de textura contienen información complementaria, que puede combinarse de forma sinérgica para mejorar el análisis.
Fig 7 muestra la correlación entre los valores de características que se encuentran en los tres tipos de PT, para cada tipo de textura . Por características de textura a base de troncos, se observan los valores de correlación más alta entre las texturas medio y grueso de IN y Ca tipos (figura 7A). Un patrón similar se encontró correlación entre las características de ondas pequeñas dentro de los tipos de entrada y Ca (Figura 7B). Por el contrario, se observa con menor correlación entre diferentes características GLCM (figura 7C), lo que podría explicar su clasificación precisión relativamente alta. Al otro lado de los tipos de PT, se observan valores de correlación entre las características bajas, especialmente para acceder y GLCM texturas. Una vez más, esto apoya la hipótesis de que la conducción características de textura se pueden utilizar para caracterizar e identificar los tejidos patológicos en las imágenes multiespectrales de CRC.
(a) función de la textura sobre la base de filtro de registro,
Un
,
Ent
y
SD
es la media, la entropía y la desviación estándar, respectivamente;
f
,
m
y
c
es el índice de fino, medio y textura gruesa, respectivamente. (B) función de la textura basada en wavelet discreta donde
f
1