基于数字组织病理图像的肿瘤与微环境相互作用
【作者】网站采编
【关键词】
【摘要】引言 口咽癌是头颈部常见的恶性肿瘤[1]，是发生在腭扁桃体、软腭、舌根、咽壁及会厌周围等部位的一种恶性肿瘤，发生率约为全身恶性肿瘤的1.3%[2]。虽然口咽癌的患者总数相比其他
引言
口咽癌是头颈部常见的恶性肿瘤[1]，是发生在腭扁桃体、软腭、舌根、咽壁及会厌周围等部位的一种恶性肿瘤，发生率约为全身恶性肿瘤的1.3%[2]。虽然口咽癌的患者总数相比其他癌症患者人数来说不高，但是其患病增长率却是其他癌症的数倍之多，是不容忽视的一种恶性肿瘤[3]。这类癌症具有进展快、浸润广、预后差的特点，目前仍然缺乏一种有效、经济的预后方法去帮助医生对患者的病情进行分级[4]。当前针对口咽癌症预测病患预后的方法，仍然是通过结合肿瘤分期、淋巴结分期、组织病理学分期及其他参数等的传统方法。在同确诊为癌症的前提下，如果能够成功地区分复发风险高和风险低的口咽癌症病患，则有利于后续的治疗疗程安排[5]。针对低风险病患，减轻治疗剂量，减轻病患痛苦及经济压力；针对高风险病患，使用增强治疗方案，避免病患复发，达到“精准医学”的目的。
相对于传统的通过光学显微镜进行组织病理学切片检测，数字组织病理学的切片检测能够极大地减轻肿瘤病理学专家的工作量。应用数字组织病理学切片进行自动定量分析，比传统的人工分析更加客观全面，获得的信息量更多，且能进一步发掘重要的“亚视觉”特征及新的“数字生物标记物”。因此，研究和开发定量的全幅组织病理切片图像处理，以及新特征提取、分析技术，是亟待解决的问题[6]。如果能够找到有预后意义的组织病理学特征或组织病理学“数字生物标记物”，将能更加有效地对癌症进行后续的治疗安排，有的放矢地指导治疗药物及治疗强度，为临床判断病患的预后和相应的肿瘤靶向治疗提供重要的依据[7]。
在通过不同机制调节肿瘤的进展中，肿瘤微环境起着至关重要的作用，如抑制免疫反应和细胞外基质的重塑[8]。在其微环境中，癌细胞和基质细胞的相互作用控制疾病的进展、转移，并最终控制治疗抵抗的演变[9-11]。最近的许多研究表明，基质基因表达和形态结构可作为多种肿瘤类型的预后决定因素，肿瘤微环境在疾病相关结果中起决定性作用[12-15]。具有不同微环境的肿瘤生长模式与具有相同环境的肿瘤生长模式大不相同[16]。
本研究利用计算机图像处理和模式识别技术，从回顾性收集的234例口咽癌症患者的数字组织病理学全幅图像中定量提取细胞核形态信息，并利用细胞核形态特征计算肿瘤及其微环境之间的相互作用分数(tumor and microenvironment interaction score, TaMIS))，最后利用TaMIS构建口咽癌症的复发风险模型。在留一法交叉验证 (leave-one-out cross validation)的机制下，对复发风险模型进行验证。研究发现，在234例口咽癌症病患的数字组织病理学图像中，通过TaMIS度量的肿瘤及其微环境之间的相互作用，能够获得一个独立的预后(prognosis)指标。
1 方法
1.1 病患数据
实验数据来自华盛顿大学医学中心病理学档案，是连续回顾性收集的234名口咽癌患者手术切除的组织病理学切片及其相应的跟踪数据(跟踪时间从半年到13年之间不等)。在40倍物镜放大率(0.25 μm/像素)下，所有的全幅组织切片进行数字化扫描(使用美国APERIO公司的数字全幅扫描仪Aperio ScanScope XT)。
1.2 图像分析
1.2.1P细胞核检测与分割
给定一幅全幅组织病理图像，在40倍放大率下(0.25 μm/像素)，图像的平均大小为15 000像素×25 000像素。首先，将图像切割成不重叠的图像块(1 000像素×1 000像素)；接着，应用基于快速径向对称变换(fast radial symmetry transform, FRST) 标记的改进分水岭算法[17]，从图像块中自动分割出每个细胞核。该算法首先利用颜色分离技术和一系列形态学操作，对图像进行预处理，剔除图像中不相关的内容，保留细胞核边界；接着根据快速径向对称变换推断出径向对称的中心，利用多尺度不同标记进行分水岭分割；然后根据核密实度(solidity)、边界显著性(boundary saliency)和质心位移(mass displacement)这三个特征值，剔除非核区域；最后对多尺度的结果进行合并，得到最终的分割结果。
1.2.2细胞核形态特征提取
分割出所有细胞核后，提取细胞核相关的形态特征，包括细胞核面积大小(area)、偏心率(eccentricity)、核内平均像素值(mean intensity)、宽高比(aspect ratio)、长形度(longness)、周长(perimeter)、强度差(intensity deviation)、外边界平均强度(mean outside boundary intensity)和圆形度(circularity)。
在进行图像切块时，由于位于图像边缘的细胞核不完整，因此在进行细胞核分割时，对分割出的细胞核轮廓进行排查，将不符合椭圆标准的细胞核自动排除。如图1所示，对位于图像边缘的不完整细胞核不进行显示及后续的计算。
文章来源：《中国体视学与图像分析》 网址: http://www.zgtsxytxfx.cn/qikandaodu/2021/0303/476.html