[논문]2D 전립선 단면 영상에서 영역 분류를 위한 라디오믹스 기반 바이오마커 검증 연구

박준영; 김영재; 김지섭; 김광기

doi:10.9718/jber.2023.44.1.25

2D 전립선 단면 영상에서 영역 분류를 위한 라디오믹스 기반 바이오마커 검증 연구
Radiomics-based Biomarker Validation Study for Region Classification in 2D Prostate Cross-sectional Images 원문보기

Journal of biomedical engineering research : the official journal of the Korean Society of Medical & Biological Engineering, v.44 no.1, 2023년, pp.25 - 32

박준영 (가천대길병원 의료기기 R&D센터) , 김영재 (가천대길병원 의료기기 R&D센터) , 김지섭 (가천대학교 의과대학 병리학교실) , 김광기 (가천대길병원 의료기기 R&D센터)

Abstract ▼ AI-Helper

Recognizing the size and location of prostate cancer is critical for prostate cancer diagnosis, treatment, and predicting prognosis. This paper proposes a model to classify the tumor region and normal tissue with cross-sectional visual images of prostatectomy tissue. We used specimen images of 44 prostate cancer patients who received prostatectomy at Gachon University Gil Hospital. A total of 289 prostate slice images consist of 200 slices including tumor region and 89 slices not including tumor region. Images were divided based on the presence or absence of tumor, and a total of 93 features from each slice image were extracted using Radiomics: 18 first order, 24 GLCM, 16 GLRLM, 16 GLSZM, 5 NGTDM, and 14 GLDM. We compared feature selection techniques such as LASSO, ANOVA, SFS, Ridge and RF, LR, SVM classifiers for the model's high performances. We evaluated the model's performance with AUC of the ROC curve. The results showed that the combination of feature selection techniques LASSO, Ridge, and classifier RF could be best with an AUC of 0.99±0.005.

주제어

표/그림 (10)

표 표 1. 암 영역을 포함한 이미지와 포함하지 않은 이미지 데이터 구성 Table 1. Composition of image data with and without tumor regions
표 표 2. 학습 및 테스트 데이터 세트 Table 2. Training and test data set
그림 그림 1. 전립선 절제술 조직의 단면에 대한 육안 이미지(a)와 암 영역을 매핑 용지에 옮겨 그린 이미지(b) Fig. 1. Visual image of cross-section of prostatectomy tissue (a) and image of cancer area transferred to mapping paper (b)
그림 그림 2. 데이터 전처리 흐름도 Fig. 2. Data preprocessing flowchart
그림 그림 3. 정상 영역 추출 흐름도 Fig. 3. Normal region extraction flowchart
그림 그림 4. 라디오믹스를 이용한 총 93가지 특징 추출 Fig. 4. Extraction of a total of 93 features using radiomics
그림 그림 5. 사용한 특징 선택 기법 및 분류기와 성능 측정 방법 Fig. 5. Feature selection methods, classifiers, and performance measures used
그림 그림 6. 각 특징 선택기법과 분류기 조합의 AUC Fig. 6. AUC for each feature selection method and classifier combination
그림 그림 7. LASSO 특징선택 기법과 RF 분류기 조합의 특징 중요도 분석 결과 Fig. 7. Feature importance analysis result of combination of LASSO feature selection technology and RF classifier
그림 그림 8. Ridge 특징선택 기법과 RF 분류기 조합의 특징 중요도 분석 결과 Fig. 8. Feature importance analysis result of combination of Ridge feature selection technology and RF classifier

참고문헌 (27)

Zhu Y, Wang H-K, Qu Y-Y, Ye D-W. Prostate cancer in East？Asia: evolving trend over the last decade, Asian journal of？andrology. 2015;17(1):48.

상세보기
https://ncc.re.kr/cancerStatsView.ncc?bbsnum598&searchKeytotal&searchValue&pageNum1, accessed on Oct, 27,？2022.
Chung BI, Tarin TV, Ferrari JD, James DB. Comparison of？prostate cancer tumor volume and percent cancer in prediction of biochemical recurrence and cancer specific survival,？Urologic Oncology: Seminars and Original Investigations.？2011;29(3):314-318.

상세보기
Akatsuka J, Kimura G, Obayashi K, Mikami H, Sano M,？Yanagi M, Yakeda H, Matsuzawa I, Suzuki Y, Hamasaki T.？Tumor locations in the prostate gland affect the incidence,？clinicopathological features and prognosis of prostate cancer.？2019;18(1):219-220.
Gatti M, Flaletti R, Calleris G, Giglio J, Berzovini C, Gentile？F, Marra G, Misischi F, Molinaro L, Bergamasco, Gontero P,？Papotti M, Fonio P. Prostate cancer detection with biparametric？magnetic resonance imaging (bpMRI) by readers with different？experience: performance and comparison with multiparametric？(mpMRI), Abdominal Radiology. 2019;44(5):1883-1893.

상세보기
Gertych A, Ing N, Ma Z, Fuchs TJ, Salman S, Mohanty S, Bhele？S, Velasquez-Vacca A, B.Amin M, S.Kundsen B. Machine？learning approaches to analyze histological images of tissues？from radical prostatectomies, Computerized Medical Imaging and Graphics. 2016;46:197-208.

상세보기
Rosai J. Why microscopy will remain a cornerstone of surgical pathology. Lab Invest. 2007;87(5):403-8.

상세보기
Mehralivand S, Yang D, Harmon SA, Xu D, Xu Z, Roth H,？Masoudi S, Sanford TH, Kesani D, Lay NS, Merino MJ, Wood？BJ, Pinto PA, Choyke PL, Turkbey B. A cascaded deep learning--based artificial intelligence algorithm for automated lesion？detection and classification on biparametric prostate magnetic？resonance imaging, Academic Radiology. 2022;29(8):1159-1168.

상세보기
Tsuneki M, Abe M, Kanavati F. A deep learning model for？prostate adenocarcinoma classification in needle biopsy wholeslide images using transfer learning, Diagnostics. 2022;12(3):768.

상세보기
Han W, Johnson C, Gaed M, Gomez JA, Moussa M, Chin JL,？Paulter S, Bauman GS, Ward AD. Histologic tissue components provide major cues for machine learning-based prostate？cancer detection and grading on prostatectomy specimens,？Scientific reports. 2020;10(1):1-12.

상세보기
Renshaw AA. Correlation of gross morphologic features？with histologic features in radical prostatectomy specimens,？American journal of clinical pathology. 1998;110(1):38-42.

상세보기
Barut C, Ertilav H. Guidelines for standard photography in？gross and clinical anatomy. Anat Sci Educ. 2011;4(6):348-56.

상세보기
Garcia-Alvarez C, Sanchez-Tabernero S, Garcia-Lagarto E,？Saornil MA. Black and white box: Take good gross pathology photographs. J Surg Oncol. 2019;119(8):1179-1180.

상세보기
Van Griethuysen JJM, Fedorov A, Parmar C, Hosny A, Aucoin？N, Narayan V, Beets-Tan RGH, Filion-Robin JC, Pieper S,？Aerts HJWL. Computational Radiomics System to Decode？the Radiographic Phenotype, Cancer research. 2017;77(21):104-107.
Otsu N. A threshold selection method from gray-level histograms, IEEE transactions on systems, man, and cybernetics.？1979;9(1):62-66.

상세보기
Raid AN, Khedr WM, El-Dosuky MA, Aoud M. Image restoration based on morphological operations, International？Journal of Computer Science, Engineering and Information？Technology (IJCSEIT). 2014;4(3):9-21.
Yang Y, Yan LF, Zhang X, Nan HY, Hu YC, Han Y, Zhang J,？Liu ZC, Sun YZ, Tian Q, Yu Y, Sun Q, Wang SY, Zhang X,？Wang W, Cui GB. Optimizing texture retrieving model for？multimodal MR image-based support vector machine for？classifying glioma, Journal of Magnetic Resonance Imaging.？2019;49(5):1263-1274.

상세보기
Liu QL, Jiang P, Jiang YH, Ge HJ, Li SL, Jin HW, Li YX.？Prediction of aneurysm stability using a machine learning？model based on PyRadiomics-derived morphological features, Stroke. 2019;50(9):2314-2321.

상세보기
Kumar V, Gu Y, Basu S, Berglund A, Eschrich SA, Schabath？MB, Forster K, Aerts HJWL, Dekker A, Fenstermacher D,？Goldgof DB, Hall LO, Lambin P, Balagurunathan Y, Gatenby？RA, Gillies RJ. Radiomics: the process and the challenges,？Magnetic resonance imaging. 2012;30(9):1234-1248.

상세보기
Shi Z, Traverso A, Van Soset J, Dekker A, Wee L. Ontologyguided radiomics analysis workflow (O-RAW), Medical？physics. 2019;46(12):5677-5684.
Tang J, Aleyani S, Liu H. Feature selection for classification:？A review, Data classification: Algorithms and applications.？2014:37.
Bommert A, Sun X, Bischl B, Rahnenfuhrer J, Lang M. Benchmark for filter methods for feature selection in high-dimensional classification data, Computational Statistics & Data？Analysis. 2020;143:106839.

상세보기
Aboudi N El, Benhlima L. Review on wrapper feature selection approaches, 2016 International Conference on Engineering？& MIS (ICEMIS). 2016;1-5.
Muthukrishnan R, Rohini R. LASSO: A feature selection？technique in predictive modeling for machine learning, 2016？IEEE international conference on advances in computer applications (ICACA). 2016;18-20.
Wang H, Hao F. An efficient linear regression classifier, 2012？IEEE International Conference on Signal Processing, Computing and Control. 2012;1-6.
Azar AT, Elshazly HI, Hassanien AE, Elkorany AM. A random？forest classifier for lymph diseases, Computer methods and？programs in biomedicine. 2014;113(2):465-473.

상세보기
Suthaharan S. Support vector machine, Springer. 2016;207-235.？

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증