[논문 리뷰] Functional Data Analysis using a Topological Summary Statistic: the Smooth Euler Characteristic Transform

Lorin Crawford, Anthea Monod외 3명|arXiv (Cornell University)|2016. 11. 21.

Topological and Geometric Data Analysis참고 문헌 54인용 수 9

한 줄 요약

이 논문은 의료 영상에서 형태 정보를 잘 정의된 내적 곱을 갖는 곡선으로 표현하는 스무스 오일러 특성 변환(SECT)을 소개한다. 이는 기능적 및 비모수적 회귀 모델에 활용할 수 있도록 한다. 간질성 뇌신생물증(MRI) 연구에서 SECT 특징은 분자 분석, 부피 및 형태 측정 특징보다 환자의 생존 예측 성능이 뛰어나 생존 결과의 변동성을 더 잘 설명하였다.

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.

연구 동기 및 목표

• 의료 영상의 통계 모델링에 위상 정보를 통합하는 형태 요약 통계량을 개발하는 것.
• 기존 위상 통계량이 기능적 및 비모수적 모델링에서 제한을 겪는 문제를 해결하기 위해 잘 정의된 내적 곱의 구조를 보장하는 것.
• MRI에서의 종양 형태를 이용해 다형성 뇌신생물증(GBM)의 임상적 결과 예측을 향상시키는 것.
• SECT를 통해 인코딩된 형태 특징이 유전자 발현과 부피 측정치보다 생존 변동성을 더 잘 설명하는지 입증하는 것.

제안 방법

• SECT는 높이 함수의 하위레벨 집합에서 유도된 곡선의 집합으로 형태와 표면을 표현한다.
• 다양한 임계값 범위에서 이러한 하위레벨 집합에 오일러 특성을 적용하여 연속적인 기능적 요약을 형성한다.
• 결과로 얻어진 SECT는 힐버트 공간에 속하는 함수로서, 기능 선형 모델 및 내적 곱이 필요한 다른 방법에 활용 가능하다.
• 정규화와 연속적인 파rameter화를 통해 오일러 특성 변환의 매끄럽고 안정적인 성질을 활용한다.
• 잘 정의된 거리와 내적 곱을 갖는 벡터 공간에 위상 특징를 통합함으로써 통계 모델링을 가능하게 한다.
• 이 방법은 GBM 환자의 T1-강조 및 T2-강조 MRI 스캔에서 분할된 3차원 종양 형태에 적용된다.

실험 결과

연구 질문

• RQ1 잘 정의된 내적 곱의 구조를 갖는 위상 요약 통계량이 의료 영상에서 형태 기반 예측 성능을 향상시킬 수 있는가?
• RQ2 SECT는 간질성 뇌신생물증 환자의 생존 예측 결과에서 분자 분석 및 부피 측정 특징과 비교해 어떻게 성능을 냈는가?
• RQ3 SECT 특징이 유전자 발현 및 형태 측정 특징과 비교해 환자의 생존 변동성을 얼마나 잘 설명할 수 있는가?
• RQ4 SECT를 통한 형태의 기능적 표현은 비모수적 및 기능적 회귀 프레임워크에서 통계 모델링의 유연성을 향상시키는가?

주요 결과

• SECT 특징만으로도 GBM 코hort에서 환자의 생존에 대한 변동성을 유전자 발현 프로파일보다 더 잘 설명하였다.
• SECT는 MRI 데이터에서 생존 예측 결과에서 부피 및 형태 측정 특징보다 뛰어난 성능을 보였다.
• 내적 곱의 구조 덕분에 위상 요약 통계량이 기능적 및 비모수적 모델링에 효과적으로 통합될 수 있었다.
• 기존의 방사형 및 분자 생물지표보다 임상적 결과 예측 능력이 뛰어났다.
• 스무스 오일러 특성 변환은 MRI 데이터셋 전반에서 종양 형태를 안정적이고 정보가 풍부한 방식으로 표현하였다.