[论文解读] 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 0

一句话总结

本研究在三个妊娠阶段对小鼠宫颈组织进行成像穆勒极化测量，并将分析性基于 ALV 的分类器与轻量级 CNN 集成进行比较，以预测妊娠阶段，样本级准确率达到 70%。

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.

研究动机与目标

• 通过成像穆勒极化测量检测妊娠阶段宫颈微结构胶原重塑。
• 通过 Lu–Chipman 分解提取偏振特征，表征胶原组织。
• 比较分析阈值分类与轻量级 CNN 集成用于妊娠阶段预测。
• 评估样本层面与 ROI 层面的性能，并识别驱动准确性的空间区域（基质）。
• 探讨向非侵入性早产风险评估的潜在临床转化。

提出的方法

• 在三个妊娠日（D6、D12、D18）获取小鼠宫颈组织的宽场穆勒极化成像地图。
• 应用 Lu–Chipman 分解以获得对角穆勒分量，并导出取向图和 ALV（Azimuth’s Local Variability，本征为胶原无序性）作为胶原组织混乱的度量。
• 计算每个 ROI 的平均 ALV，并评估三妊娠类别的两阈分析分类器。
• 训练两种轻量级 CNN（模型 A 基于取向 psi 图；模型 B 基于 ALV 图），通过 Softmax 平均形成集成用于最终预测。
• 在 20 折留一法交叉验证下评估所有模型，确保来自同一样本的 ROI 一起作为留出单元。

实验结果

研究问题

• RQ1 穆勒极化派生特征是否能够基于宫颈胶原重塑区分早期、中期和晚期妊娠阶段？
• RQ2 取向通道和 ALV 通道是否提供互补信息用于妊娠阶段预测？
• RQ3 轻量级 CNN 方法是否能够实现基于极化测图的实时、非破坏性妊娠分期？
• RQ4 在 LOOCV 中，分析性 ALV 阈值分类器与深度学习模型的相对性能如何？

主要发现

• 在取向（psi）或 ALV 图上的 CNN 在 LOOCV 下均达到 70.0% 的样本级准确率。
• 取向与 ALV 模型的集成达到 70.0% 的样本级准确率和 65.2% 的 ROI 级准确率，方法中最高。
• 分析性 ALV 阈值分类器达到 55.0% 的样本级和 57.6% 的 ROI 级准确率。
• 按类别结果显示 CNN 在 D6、D12、D18 的准确率分别为 71%、50%、86%；分析方法在 D18 达到完美，但在 D6、D12 有所不足。
• 空间映射表明基质区域的预测性能最高，在此处胶原重塑较为显著。
• 平均 ALV 随妊娠进展增加（D6 < D12 < D18），D18 与其他阶段在统计上显著分离。