[论文解读] 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 9

一句话总结

本文提出了平滑欧拉特征变换（SECT），一种拓扑汇总统计量，可将医学影像中的形状信息编码为具有明确定义内积的曲线，从而可在函数型和非参数回归中使用。在胶质母细胞瘤MRI研究中，SECT特征在预测患者生存期方面优于分子检测、体积和形态学特征，能解释更多生存结果的方差。

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.

研究动机与目标

• 开发一种形状汇总统计量，将拓扑信息整合到医学影像的统计建模中。
• 通过确保具有明确定义的内积结构，解决现有拓扑统计量在函数型和非参数建模中的局限性。
• 利用来自MRI的肿瘤形状信息，提升多形性胶质母细胞瘤（GBM）临床结局的预测能力。
• 证明通过SECT编码的形状特征在解释生存方差方面优于基因表达和体积度量。

提出的方法

• SECT将形状和曲面表示为高度函数子水平集导出的一系列曲线。
• 在一系列阈值范围内对这些子水平集应用欧拉特征，形成连续的函数型汇总。
• 所得SECT是希尔伯特空间中的函数，可应用于函数线性模型及其他需要内积结构的方法。
• 该方法通过正则化和连续参数化，利用欧拉特征变换的平滑性和稳定性。
• 通过将拓扑特征嵌入具有明确定义度量和内积的向量空间，实现统计建模。
• 该方法应用于GBM患者T1加权和T2加权MRI扫描中分割出的3D肿瘤形状。

实验结果

研究问题

• RQ1 具有明确定义内积结构的拓扑汇总统计量是否能提升医学影像中基于形状的预测性能？
• RQ2 SECT在预测胶质母细胞瘤患者生存结局方面，与分子检测和体积特征相比表现如何？
• RQ3 与基因表达和形态学特征相比，SECT特征在解释患者生存方差方面能达到何种程度？
• RQ4 通过SECT对形状进行函数型表示，是否能增强非参数和函数型回归框架中的统计建模灵活性？

主要发现

• 仅使用SECT特征，即可解释GBM队列中患者生存期的方差，其解释力超过基因表达谱。
• 在从MRI数据预测生存结局方面，SECT优于体积和形态学特征。
• 由于其内积结构，该拓扑汇总统计量可有效集成到函数型和非参数建模中。
• 与传统的放射组学和分子生物标志物相比，该方法在预测临床结局方面表现出更优的预测能力。
• 平滑欧拉特征变换为MRI数据集中的肿瘤形状提供了稳定且信息丰富的表示。