[论文解读] Radiologic Image-based Statistical Shape Analysis of Brain Tumors

Karthik Bharath, Sebastian Kurtek+2 more|arXiv (Cornell University)|Feb 3, 2017

Morphological variations and asymmetry参考文献 35被引用 4

一句话总结

本文提出了一种基于黎曼几何与曲线的框架，用于基于放射影像MRI图像的脑瘤统计形状分析。通过在具有弹性度量的流形上对肿瘤形状进行建模，该方法实现了形状比较、主成分分析（PCA）、聚类以及生存预测建模——证明了肿瘤形状可显著提升胶质母细胞瘤患者生存预测的准确性，超越临床与基因组变量。

ABSTRACT

We propose a curve-based Riemannian-geometric approach for general shape-based statistical analyses of tumors obtained from radiologic images. A key component of the framework is a suitable metric that (1) enables comparisons of tumor shapes, (2) provides tools for computing descriptive statistics and implementing principal component analysis on the space of tumor shapes, and (3) allows for a rich class of continuous deformations of a tumor shape. The utility of the framework is illustrated through specific statistical tasks on a dataset of radiologic images of patients diagnosed with glioblastoma multiforme, a malignant brain tumor with poor prognosis. In particular, our analysis discovers two patient clusters with very different survival, subtype and genomic characteristics. Furthermore, it is demonstrated that adding tumor shape information into survival models containing clinical and genomic variables results in a significant increase in predictive power.

研究动机与目标

• 开发一种严谨且数学上可靠的脑瘤二维MRI切片统计形状分析方法。
• 克服临床实践中使用的主观且不可重复的形状描述符的局限性。
• 将肿瘤形状整合到生存预测模型中，以提高多形性胶质母细胞瘤（GBM）的预后准确性。
• 识别与生存、亚型及基因组特征相关的生物学上有意义的形状模式。
• 提供一种可推广的基于形状的分析框架，适用于其他癌症类型和影像模态。

提出的方法

• 该方法将肿瘤轮廓建模为平面内的闭合曲线，并嵌入单位圆上平方可积函数的预形状空间中。
• 采用基于弹性形状分析的黎曼度量，实现测地线距离与内在形状比较。
• 在形状流形上执行主成分分析（PCA），以识别形状变异的主要模式。
• 通过平方根速度函数（SRVF）表示肿瘤形状，从而高效计算形状变形与对齐。
• 生存模型将形状的主成分系数作为预测因子，与临床及基因组变量一同纳入。
• 在形状流形上执行聚类与假设检验，以检测生物学上不同的肿瘤亚型。

实验结果

研究问题

• RQ1 黎曼几何框架能否有效建模并比较来自二维MRI切片的肿瘤形状？
• RQ2 在胶质母细胞瘤中，肿瘤形状是否独立于大小与体积而携带显著的预后信息？
• RQ3 基于形状的聚类能否揭示多形性胶质母细胞瘤中生物学与临床上不同的亚型？
• RQ4 在生存预测模型中加入形状信息，能在多大程度上提升预测性能？
• RQ5 是否存在可检测到的肿瘤形状模式与潜在基因组或病理亚型之间的关联？

主要发现

• 该框架成功识别出两个具有显著不同生存结局、亚型特征及基因组谱的患者簇。
• 当将肿瘤形状加入包含临床与基因组变量的模型时，显著提升了生存预测的预测能力。
• 形状变异的主要成分揭示了生物学上合理的形变，例如：随着生存率下降，肿瘤的毛刺性增加。
• 在生存率下降方向上的平均形状表现出更高的不规则性与毛刺性，与侵袭性肿瘤行为一致。
• 该方法发现了肿瘤形状系数与驱动基因之间的潜在关联，提示形状可作为分子亚型的生物标志物。
• 整合形状系数的生存模型在区分度与校准度方面均优于未包含形状特征的模型。