没有合适的资源?快使用搜索试试~ 我知道了~
CellSpatialGraph:肿瘤微环境中细胞空间结构分析模型
软件影响10(2021)100156原始软件出版物CellSpatialGraph:集成分层表型分析和图形建模以表征数字病理学上肿瘤微环境中的空间结构陈平军a,1,穆罕默德·阿米努a,1,西巴·侯赛因b,1,约瑟夫·D.Khouryc,Jia Wua,Khourya成像物理系,诊断成像部,德克萨斯大学MD安德森癌症中心,美国德克萨斯州休斯顿b美国纽约州罗切斯特大学医学中心病理学系c血液病理学系,病理学和实验室医学部,德克萨斯大学MD安德森癌症中心,美国德克萨斯州休斯顿A R T I C L E I N F O关键词:空间分析细胞表型图建模A B标准我们提出CellSpatialGraph,一个集成的聚类和基于图形的框架,调查细胞的空间结构。由于对肿瘤微环境中的细胞亚型缺乏清晰的了解,无监督学习被应用于揭示细胞表型。 然后,我们构建局部细胞图,称为超级细胞,在局部尺度上模拟细胞与细胞的关系。之后,我们再次应用聚类来识别超级细胞的亚型。最后,我们构建了一个全局图来总结超级细胞与超级细胞的相互作用,从中提取特征来分类不同的疾病亚型。代码元数据当前代码版本MICCAI21用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2021-118Reproducible Capsule的永久链接https://codeocean.com/capsule/4501066/tree/v1法律代码许可证BSD 3条款使用git的代码版本控制系统使用Matlab的软件代码语言、工具和服务编译要求、操作环境依赖性如果可用,链接到开发人员文档/手册https://github.com/WuLabMDA/HierarchicalGraphModeling#readme问题支持电子邮件jwu11@mdanderson.org1. 介绍肿瘤是一个复杂的生态系统,在其微环境的选择压力下出现和进化,涉及营养、代谢、免疫和治疗因素。这些生物学因素的相对影响协调了肿瘤微环境(TME)内细胞组分的丰度、定位和功能方向,导致表型和地理空间变异,这种现象称为肿瘤内异质性[1]。随着数字病理学的出现,已经提出了机器学习授权的计算管道,以利用HE组织切片来描绘肿瘤内异质性,以增强癌症诊断和诊断[2大多数研究表型的组织切片的纹理模式,使用深度卷积神经网络(CNN)以自上而下的方式提取专门为特定临床场景定制的通用特征[5尽管这些研究取得了令人鼓舞的成绩,但它们忽略了单个细胞之间的联系,本文中的代码(和数据)已由Code Ocean认证为可复制:(https://codeocean.com/)。更多关于生殖器的信息徽章倡议可在https://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals上查阅。∗通讯作者。电子邮件地址:jkhoury@mdanderson.org(J.D.Khoury),jwu11@mdanderson.org(J.Wu).1 同等贡献。https://doi.org/10.1016/j.simpa.2021.100156接收日期:2021年9月8日;接收日期:2021年9月24日;接受日期:2021年10月1日2665-9638/©2021作者。由Elsevier B.V.出版。这是一篇开放获取的文章,使用CC BY许可证(http://creativecommons.org/licenses/by/4.0/)。可在ScienceDirect上获得目录列表软件影响杂志 首页:www.journals.elsevier.com/software-impacts陈培,M. Aminu,S. El Hussein等人软件影响10(2021)1001562表1比较了三种算法的性能和所提出的框架。方法准确度AUC(CLL)AUC(aCLL)AUC(RT-DLBL)GCG[9]0. 436± 0。0370. 421± 0。0540. 730± 0。027 0. 770± 0。023LCG[10]0. 471± 0。0420. 555± 0。0490. 669± 0。050 0。763± 0。032[11]第十一话601± 0。0450. 545± 0。054 ���. ���������± 0。0250. 847± 0。022提出���了���������± 0。030 ���。��������� ± 0。009 0. 724± 0。033号���。���������±0。028在生物学解释中面临挑战。一些自下而上的研究集中在使用图论方法和图卷积网络(GCN)方法分析数字病理学切片的细胞结构[9图理论方法首先构建局部或全局图结构,然后提取手工制作的特征以测试其临床相关性。相比之下,GCN方法的目标是从在细胞级形成的全局图中自动学习表示并抽象特征。然而,这些算法的一个共同的局限性是它们缺乏解释不同细胞水平之间的空间模式的能力。为了解决这些限制,我们提出了一个新的计算框架,该框架集成了图建模和无监督聚类算法,以分层解码细胞和克隆水平的表型,探索它们的空间模式,并总结为CellSpatialGraph。特别是,我们将这个过程分解为四个关键步骤。首先,我们分割每个细胞,并根据它们的特征来识别内在亚型。其次,我们专注于相邻细胞之间的空间相互作用,通过构建局部图,将它们的子类型分解,使紧密相互作用的细胞合并形成超级细胞。第三,我们将超级细胞汇集在一起,以在种群水平上发现细胞群落。最后,我们构建了包含社区信息的全局图,我们希望这个框架可以为研究界提供服务,以促进对肿瘤内异质性的2. 描述2.1. 框架模块CellSpatialGraph中提出的框架主要包括四个模块。在“通过无监督学习进行细胞表型分析”模块中然后通过无监督聚类,根据细胞的外观特征识别细胞的表型.在“通过局部图的超级细胞”模块中,我们通过构建局部图来关注相邻细胞之间的空间相互作用,从而将其子类型分解为紧密相互作用的接下来,在“通过超级细胞聚类进行细胞群落识别”模块中人口水平。在“全局超细胞图构建和特征提取”中CellSpatialGraph是用Matlab编写的,适用于不同的操作系统,包括Windows,macOS和Linux。2.2. 基准我们对淋巴肿瘤进行了基准实验,以测试所提出的框架我们比较了三种基于细胞级图的算法,包括全局细胞图(GCG)[9],局部细胞图(LCG)[10]和FlocK [11]。比较结果如表1所示。所提出的框架在两个评价指标上表现出优越的性能,包括准确性和受试者工作特征曲线(AUC)下的面积,在比较的方法中初步数据表明,我们提出的基于分层图的框架可以更好地描述多尺度(局部和全局)细胞相互作用和肿瘤内异质性。3. 影响CellSpatialGraph是一个开源的基于图的细胞空间分析框架,它提供了一个模块化的管道来研究细胞空间模式,以促进我们对肿瘤内异质性的理解。该框架是第一个整合局部和全局图形方法以询问TME内细胞模式的框架,并在淋巴肿瘤诊断中表现出卓越的性能[16]。据此,我们假设所提出的设计可以克服单独采用全局或局部图形方法的固有局限性,并进行更稳健的肿瘤内异质性分析。此外,聚类算法被用来获得细胞和超细胞(细胞群落)水平上的表型,因为它们在TME中的细胞成分仍在研究中。这种无监督的方式将有助于揭示异质细胞和克隆的生物亚型CRediT作者贡献声明Pingjun Chen:概念化,方法论,软件,写作–Muhammad Aminu : 概 念 化 , 方 法 论 , 软 件 , 写 作 Siba ElHussein:概念化,数据策展,写作Joseph D. Khoury:概念化,数据策展,写作&-评论编辑,超级视觉. 吴佳:概念化,方法论,编审竞合利益作者声明,他们没有已知的竞争性财务利益或个人关系,可能会影响本文报告的工作致谢这项工作得到了NIH资助R00CA218667的支持引用[1]I. Vitale,E. Shema,S.洛伊湖Galluzzi,肿瘤内异质性在癌症进展和免疫治疗的反应,自然。Med. (2021)1[2] D. Komura,S.石川,组织病理学图像分析的机器学习方法,计算机。结构。Biotechnol. J. 16(2018)34-42.[3] J.Wu,A.T.迈尔河,巴西-地李,综合成像和分子分析,以破译免疫治疗时代的肿瘤微环境,在:癌症生物学研讨会,爱思唯尔,2020年。[4] S. El Hussein,P. Chen,L.J. Medeiros,I.I. Wistuba,D. Jaffray,J. Wu,J.D.K h o u r y ,人工智能策略整合形态学和结构生物标志物为慢性淋巴细胞白血病的疾病进展提供了强大的诊断准确性,J. Pathol。(2021年)。[5]L. Hou,L. Samaras,T.M. Kurc,Y.高,J.E.戴维斯,J.H. Saltz,用于整个切片组织图像分类的基于补丁的卷积神经网络,在:IEEE计算机视觉和模式识别会议论文集,2016年,pp. 2424-2433[6] X. Zhu,J.Yao,F. Zhu,J.Huang,Wsisa:从整个切片组织病理学图像中进行生存预测,在:IEEE计算机视觉和模式识别会议论文集,2017年,pp.7234-7242。[7]Y. Li,P. Chen,Z. Li,H. 苏湖,加-地 Yang,杨氏D. Zhong,使用深度学习从术中冷冻切片中基于规则的甲状腺结节自动诊断,Artif。内特尔108(2020)101918.[8]P. Chen,Y.,中国地质大学学报(自然科学版)Liang,X.什湖,加-地Yang,P.Gader,通过单元随机选择和注意力融合的自动全载玻片病理图像诊断框架,神经计算453(2021)312-325。[9]D. 申,M-A. Protano,A.D. Polydorides,S.M.Dawsey,M.C.Pierce,M.K.金姆,R.A. 施瓦兹,T. Quang,N. Parikh,M.S. Bhutani等人, 高分辨率显微内镜图像定量分析诊断食管鳞状细胞癌。Hepatol. 13(2)(2015)272-279。陈培,M. Aminu,S. El Hussein等人软件影响10(2021)1001563[10] J.S. 小 刘 易 斯 , S. Ali , J. Luo , W.L. Thorstad , A. Madabhushi , Aquantitativehistomorphometric classifier(QuHbIC)identifies aggressive versuslindent p16-positive oropharyngeal squamous cell carcinoma,Am. 外科病理学杂志第38(1)(2014)条 第 128款。[11] C. Lu,C.科云库湾Corredor,P.Prasanna,P.利奥XWang,中国山核桃A.扬诺夫奇克,K. Bera,J. Lewis Jr. V. Velcheti,肿瘤驱动的局部细胞图(flock):用于肺癌预后和口咽癌HPV状态的新的基于计算病理学的描述符,Med. 图像肛门。68(2021)101903.[12] Y. Zhou , S. Graham , N. Alemi Koohbanani , M. Shaban , P. A. Heng , N.Rajpoot,Cgc-net:细胞图卷积网络用于结直肠癌组织学图像的分级,在:IEEE/CVF计算机视觉研讨会国际会议论文集,2019年。[13] G. Jaume,P. Pati,A. Foncubierta-Rodriguez,F.费罗塞湾Scognamiglio,A.M.Anniciello,J. P. Thiran,O. Goksel,M. Gabrani,Towards Explainable GraphRepresentations in Digital Pathology , 2020 , arXiv 预 印 本 arXiv :2007.00311。[14] C.卢,M.皮肤黑色素瘤组织病理学全切片图像的自动分析和诊断,模式识别。48(8)(2015)2738[15] C. Lu,H. Xu,J. Xu,H. Gilmore,M.曼达尔A. Madabhushi,多通道自适应投票用于组织病理学图像中的细胞核检测,Sci. Rep. 6(1)(2016)1-18.[16] 陈培,M. Aminu,S.E. Hussein,J. Khoury,J. Wu,淋巴肿瘤空间结构的分层表型和图形建模,在:医学图像计算和计算机辅助干预国际会议,Springer,2021年,pp. 164-174。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 深入理解23种设计模式
- 制作与调试:声控开关电路详解
- 腾讯2008年软件开发笔试题解析
- WebService开发指南:从入门到精通
- 栈数据结构实现的密码设置算法
- 提升逻辑与英语能力:揭秘IBM笔试核心词汇及题型
- SOPC技术探索:理论与实践
- 计算图中节点介数中心性的函数
- 电子元器件详解:电阻、电容、电感与传感器
- MIT经典:统计自然语言处理基础
- CMD命令大全详解与实用指南
- 数据结构复习重点:逻辑结构与存储结构
- ACM算法必读书籍推荐:权威指南与实战解析
- Ubuntu命令行与终端:从Shell到rxvt-unicode
- 深入理解VC_MFC编程:窗口、类、消息处理与绘图
- AT89S52单片机实现的温湿度智能检测与控制系统
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功