[論文レビュー] Gestational Stage Prediction from Cervical Tissue Analysis Using Imaging Mueller Polarimetry Data

Sooyong Chae, Ajmal Ajmal+6 more|arXiv (Cornell University)|Feb 27, 2026

Preterm Birth and Chorioamnionitis被引用数 0

ひとこと要約

この研究は、3つの妊娠段階にわたるマウス頚部組織のイメージング・ Mueller偏光計測を用い、分析的なALVベースの分類器と軽量CNNエンサンブルを比較して妊娠段階を予測し、サンプルレベルで70%の精度を達成した。

ABSTRACT

Preterm birth is associated with premature cervical remodeling, yet current clinical assessments cannot detect the underlying microstructural changes in collagen organization. We apply imaging Mueller polarimetry to murine cervical tissue at three gestational stages (early, mid, late) and develop classification methods to predict gestational stage from polarimetric maps. Using Lu-Chipman decomposition, we extract orientation and azimuth local variability maps that capture collagen fiber alignment and disorder. We evaluate two approaches under 20-fold leave-one-out cross-validation: an analytical threshold classifier on mean azimuth local variability, and a lightweight CNN ensemble (approximately 76k parameters) operating on spatially resolved maps. The ensemble achieves 70..0% sample-level accuracy, outperforming the analytical baseline (55.0%), with strong performance on early (71.0%) and late (86.0%) gestation. Spatial prediction maps confirm that classification accuracy is highest in the stroma, where collagen remodeling is most prominent. These results demonstrate that Mueller polarimetry combined with deep learning models can detect gestational collagen remodeling noninvasively, offering a potential pathway toward objective cervical assessment for preterm birth risk.

研究の動機と目的

• 妊娠段階を通じた頸部の微細構造コラーゲンリモデリングをイメージング Mueller偏光計測で検出する。
• Lu–Chipman分解を用いて偏光特徴を抽出し、コラーゲン組織化を特徴づける。
• 妊娠段階予測の分析的閾値ベース分類と軽量CNNエンサンブルを比較する。
• サンプルレベルおよびROIレベルの性能を評価し、精度を牽引する空間領域（ストローマ）を特定する。
• 非侵襲的な早産リスク評価への臨床転用の可能性を議論する。

提案手法

• 三つの妊娠日（D6, D12, D18）でのマウス頚部組織の広域イメージング Mueller偏光計測マップを取得する。
• Lu–Chipman分解を適用して対角成分 Mueller成分を得、方向マップとALV（Azimuth’s Local Variability）をコラーゲンの乱れの指標として導出する。
• ROIごとの平均ALVを計算し、三つの妊娠クラスを分類する二閾値の分析分類器を評価する。
• 二つの軽量CNN（モデルAは方向psiマップ、モデルBはALVマップ）を訓練し、最終予測のためにソフトマックス平均でエンサンブルを形成する。
• 全モデルを20分割のleave-one-outクロスバリデーションで評価し、同一標本からのROIを一括して保持する。

実験結果

リサーチクエスチョン

• RQ1 Mueller偏光計測由来の特徴は、頸部コラーゲンリモデリングに基づく初期・中期・後期の妊娠段階を識別できるか。
• RQ2 方向性とALVチャネルは妊娠段階予測に補完的な情報を提供するか。
• RQ3 軽量CNNベースのアプローチは、偏光マップからリアルタイムで非破壊的な妊娠段階分類を実現できるか。
• RQ4 LOOCVにおける分析的ALV閾値分類器とディープラーニングモデルの相対性能はどうなるか。

主な発見

Method	Input	Sample (%)	ROI (%)
Orientation (A)	Retardance orientation	70.0	62.7
Az. Variance (B)	ALV	70.0	59.6
Ensemble A+B	Prob. avg. of A & B	70.0	65.2
Analytical	Mean az. variance thresholds	55.0	57.6

• 形態（psi）またはALVマップ上のCNNはいずれもLOOCV下でサンプルレベル70.0%の精度を達成。
• 方向性とALVモデルのエンサンブルはサンプルレベル70.0%の精度、ROIレベル65.2%の精度を達成し、手法の中で最高。
• 分析的ALV閾値分類器はサンプルレベル55.0%、ROIレベル57.6%の精度。
• クラス別の結果はCNNでD6 71%、D12 50%、D18 86%の精度を示す；分析的方法はD18を完全に正解するがD6およびD12では苦戦。
• 空間マップはストローマで最も予測性能が高いことを示し、コラーゲンリモデリングが顕著。
• 平均ALVは妊娠とともに増加（D6 < D12 < D18）し、D18は他と統計的に有意に分離される。