[論文レビュー] Functional Data Analysis using a Topological Summary Statistic: the Smooth Euler Characteristic Transform

Lorin Crawford, Anthea Monod+3 more|arXiv (Cornell University)|Nov 21, 2016

Topological and Geometric Data Analysis参考文献 54被引用数 9

ひとこと要約

本稿では、医用画像からの形状情報を、内積が明確に定義された曲線として符号化する、滑らかなオイラー特性変換（SECT）を導入する。この手法により、関数的および非パラメトリック回帰への応用が可能となる。膠芽腫（glioblastoma）のMRI研究において、SECT特徴量は分子アッセイ、体積、形状特徴量を上回り、生存予測においてより高い寄与を示した。

ABSTRACT

In medical imaging informatics, the quantification of shape features for statistical analyses is an important issue. To address this problem, we introduce a novel statistic, the smooth Euler characteristic transform (SECT), which is designed to include shape information as covariates in regression models by representing shapes and surfaces as a collection of curves. Due to its well-defined inner product structure, the SECT can be used in a wider range of functional and nonparametric modeling approaches than other previously proposed topological summary statistics. We apply the SECT to a cancer radiomics study and demonstrate that for tumors assayed by magnetic resonance imaging (MRI), shape quantification via the SECT is a better predictor of clinical outcomes in patients with glioblastoma multiforme (GBM) than molecular assays and other tumor shape quantification methods. Specifically, we demonstrate that SECT features alone explain more of the variance in patient survival than gene expression, volumetric features, and morphometric features.

研究の動機と目的

• 医用画像における統計的モデリングにトポロジー的情報を統合する形状要約統計量の開発を目的とする。
• 既存のトポロジー的統計量が関数的および非パラメトリックモデリングに適用される際の制限を克服し、明確な内積構造を保証することを目的とする。
• MRIからの腫瘍形状を用いて、多形性膠芽腫（GBM）の臨床的予後を改善して予測することを目的とする。
• SECTを用いて符号化された形状特徴量が、遺伝子発現プロファイルおよび体積指標を上回り、生存期間の分散をどれほど説明できるかを示すこと。

提案手法

• SECTは、高さ関数の下位集合から導かれる曲線の集合として形状と表面を表現する。
• さまざまなしきい値におけるこれらの下位集合にオイラー特性を適用し、連続的な関数的要約を形成する。
• 得られるSECTはヒルベルト空間に属する関数であり、関数的線形モデルや内積を必要とする他の手法への応用が可能となる。
• 正則化と連続的なパrameter化を通じて、オイラー特性変換の滑らかさと安定性を活用する。
• 内積と距離が明確に定義されたベクトル空間へのトポロジー的特徴の埋め込みにより、統計的モデリングを可能にする。
• 本手法は、GBM患者のT1強調画像およびT2強調画像からセグメンテーションされた3次元腫瘍形状に適用された。

実験結果

リサーチクエスチョン

• RQ1 内積構造が明確に定義されたトポロジー的要約統計量は、医用画像における形状ベースの予測を向上させることができるか？
• RQ2 SECTは、膠芽腫患者の生存予測において、分子アッセイおよび体積的特徴量と比較してどのように性能を発揮するか？
• RQ3 SECT特徴量は、遺伝子発現プロファイルおよび形態的特徴量と比較して、患者の生存期間の分散をどの程度説明できるか？
• RQ4 SECTによる形状の関数的表現は、非パラメトリックおよび関数的回帰フレームワークにおける統計的モデリングの柔軟性を向上させるか？

主な発見

• SECT特徴量のみで、GBMコhortにおける患者の生存期間の分散の多くが説明された。
• SECTは、MRIデータからの生存予測において、体積的および形態的特徴量を上回った。
• 内積構造のおかげで、トポロジー的要約統計量は、関数的および非パラメトリックモデリングへの効果的な統合が可能となった。
• 従来のラジオミクス的および分子的バイオマーカーと比較して、臨床的予後予測において優れた予測性能を示した。
• 滑らかなオイラー特性変換は、MRIデータセット全体にわたり、腫瘍形状を安定的かつ情報豊かに表現した。