[논문 리뷰] Gestational Stage Prediction from Cervical Tissue Analysis Using Imaging Mueller Polarimetry Data

Sooyong Chae, Ajmal Ajmal외 6명|arXiv (Cornell University)|2026. 02. 27.

Preterm Birth and Chorioamnionitis인용 수 0

한 줄 요약

이 연구는 영상 Mueller 편광 측정을 이용해 생쥐 자궁경부 조직의 임신 세 단계에서 분석하고, 분석적 ALV 기반 분류기와 경량 CNN 앙상블을 비교하여 임신 시기를 예측하며 샘플 수준 정확도 70%를 달성했다.

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.

연구 동기 및 목표

• 임신 단계에 따른 자궁경부의 미세구조 콜라겐 재구성을 이미지 Mueller 편광 측정으로 탐지한다.
• Lu–Chipman 분해를 통해 편광 측정 특징을 얻고 콜라겐 배열을 특성화한다.
• 분석적 임계값 기반 분류와 경량 CNN 앙상블을 임신 시기 예측에 대해 비교한다.
• 샘플- 및 ROI-수준의 성능을 평가하고 정확도에 기여하는 공간 영역(간질) 식별한다.
• 비침습적 조산 위험 평가를 위한 임상 번역 가능성을 논의한다.

제안 방법

• 세 가지 임신일(D6, D12, D18)에서 생쥐 자궁경부 조직의 넓은 필드 이미징 Mueller 편광 맵을 획득한다.
• Lu–Chipman 분해를 적용하여 대각 Mueller 성분을 얻고 방향성 맵 및 ALV(Azimuth’s Local Variability) 를 콜라겐 무질서의 척도로 도출한다.
• ROI당 평균 ALV를 계산하고 세 가지 임신 클래스를 위한 두 임계값 분석 분류기를 평가한다.
• 방향 psi 맵에서 Model A, ALV 맵에서 Model B의 두 경량 CNN을 학습시키고 소프트맥스 평균으로 최종 예측의 앙상블을 형성한다.
• 동일 시편에서 ROI가 함께 보류되도록 20-폴드 LOOCV로 모든 모델을 평가한다.

실험 결과

연구 질문

• RQ1 Mueller 편광 유도 특징이 자궁경부 콜라겐 재구성에 따른 초기, 중기, 후기 임상 단계를 구별할 수 있는가?
• RQ2 방향성 채널과 ALV 채널이 임신 시기 예측에 보완적 정보를 제공하는가?
• RQ3 경량 CNN 기반 접근 방식이 편광 맵에서의 실시간 비파괴 임신 단계 구분에 적합한가?
• RQ4 LOOCV에서 분석적 ALV 임계값 분류기와 딥 러닝 모델 간의 상대적 성능은 어떠한가?

주요 결과

• 방향성(psi) 또는 ALV 맵에 대한 CNN은 각각 LOOCV에서 샘플 수준 70.0%의 정확도를 달성한다.
• 방향성 및 ALV 모델의 앙상블은 샘플 수준 70.0%, ROI 수준 65.2%의 정확도를 달성하며 방법 중에서 최고이다.
• Analytical ALV 임계값 분류기는 샘플 수준 55.0%, ROI 수준 57.6%의 정확도를 달성한다.
• 클래스별 결과는 CNN에서 D6 71%, D12 50%, D18 86% 정확도를 보여주고, 분석적 방법은 D18에서 만점을 기록하나 D6 및 D12에서 어려움을 보인다.
• 공간 맵은 간질에서 예측 성능이 가장 높음을 시사하며, 그곳에서 콜라겐 재구성이 뚜렷하다.
• 평균 ALV는 임신 진행에 따라 증가(D6 < D12 < D18)하며 D18은 다른 두 시점과統계적으로 잘 구분된다.