Unsupervised dimensionality reduction of polarimetric data for pixel-wise pathological tissue differentiation

Titel: Unsupervised dimensionality reduction of polarimetric data for pixel-wise pathological tissue differentiation

(Unüberwachte Dimensionsreduktion polarimetrischer Daten zur pixelweisen Differenzierung pathologischer Gewebe)

1. Problemstellung

Der extrazellulären Matrix (ECM) kommt eine zentrale Rolle bei der strukturellen Unterstützung von Geweben zu. Veränderungen in den Fasern der ECM (Kollagen, retikuläre Fasern, elastische Fasern) sind entscheidende Indikatoren für die Entwicklung von Krankheiten wie Krebs, Fibrose und Karzinom.

• Herausforderung bei der herkömmlichen Histopathologie: Die Visualisierung dieser Fasern erfordert traditionell aufwendige, mehrstufige Färbeprotokolle (z. B. Masson-Trichrom, Gomori-Silber, Verhoeff-Van Gieson) an aufeinanderfolgenden Gewebeschnitten. Dies ist zeitaufwendig, arbeitsintensiv und anfällig für morphologische Diskrepanzen zwischen benachbarten Schnitten.
• Limitationen der Polarisationsmikroskopie: Zwar bietet die Mueller-Matrix-Polarimetrie eine markierungsfreie Methode zur Gewinnung von Mikrostrukturinformationen, doch einzelne Polarisationsparameter oder einzelne Zerlegungsmethoden (z. B. Lu-Chipman-Zerlegung) reichen oft nicht aus, um die komplexe Natur biologischer Gewebe vollständig zu charakterisieren. Zudem basieren viele Zerlegungsmethoden auf restriktiven theoretischen Hypothesen, die in realen, heterogenen Proben nicht immer erfüllt sind.

2. Methodik

Die Studie kombiniert hochauflösende Mueller-Matrix-Mikroskopie mit modernen maschinellen Lernverfahren (Dimensionsreduktion), um Gewebefasern ohne zusätzliche Färbung zu differenzieren.

• Probenpräparation: Es wurden 9 menschliche Dickdarm-Gewebeschnitte (4 µm dick) verwendet. Diese wurden standardmäßig mit H&E (Hämatoxylin-Eosin) gefärbt, um den morphologischen Kontext zu erhalten. Zur Validierung wurden benachbarte serielle Schnitte mit spezifischen Färbungen (MT, G&S, EVG) für Kollagen, retikuläre und elastische Fasern gefärbt.
• Messung (Mueller-Matrix-Mikroskopie):
  • Einsatz eines Mikroskops mit drehenden Verzögerern (Dual-Rotating-Retarder-Setup).
  • Erfassung der vollständigen 4x4 Mueller-Matrix für jeden Pixel.
  • Berechnung eines breiten Spektrums polarimetrischer Parameter aus der Matrix, einschließlich:
    • Polarzerlegung (Lu-Chipman): Diattenuation ($D$), Depolarisation ($\Delta$), Retardanz ($R$).
    • Differentialzerlegung: Nicht-depolarisierende ($L_m$) und depolarisierende ($L_u$) Komponenten, sowie $\delta_L$, $D_L$, $a_{22}$, $a_{33}$.
    • Mueller-Matrix-Transformation (MMT): Parameter $A$, $b$, $t$.
• Datenvorverarbeitung und Feature-Extraktion:
  • Erstellung eines "High-Dimensional Data Pixel" (HDDP)-Kartens mit insgesamt 30 Eingangsdimensionen pro Pixel (Kombination aller oben genannten Parameter).
  • Entfernung von Ausreißern durch Median-Filterung.
• Dimensionsreduktion (UMAP):
  • Anwendung von Uniform Manifold Approximation and Projection (UMAP), einem unüberwachten Algorithmus zur nichtlinearen Dimensionsreduktion.
  • Ziel: Abbildung der hochdimensionalen polarimetrischen Daten in einen 2D-Raum, wobei die intrinsische Struktur der Daten erhalten bleibt.
  • Validierung: Die durch UMAP identifizierten Cluster wurden mit den Annotationen eines erfahrenen Pathologen (basierend auf den Färbungen der seriellen Schnitte) abgeglichen.
• Statistische Analyse:
  • Analyse der Cluster-Verteilungen mittels statistischer Metriken: Mittelwert, Standardabweichung, Entropie, Kurtosis und Schiefe.
  • Vergleich der Verteilungsdivergenz (Jensen-Shannon, KL-Divergenz, Wasserstein-Distanz) für verschiedene Eingangsparameter-Sets.

3. Wichtige Beiträge

• Integration multipler Zerlegungsmethoden: Statt sich auf eine einzelne Zerlegungsmethode zu verlassen, werden komplementäre Parameter aus Polarzerlegung, Differentialzerlegung und MMT synergistisch kombiniert, um die Einschränkungen einzelner Modelle zu überwinden.
• Unüberwachtes Lernen für die Gewebedifferenzierung: Der Einsatz von UMAP ermöglicht die Unterscheidung von Gewebetypen ohne vorab gelabelte Trainingsdaten, indem die intrinsischen optischen Signaturen der Fasern genutzt werden.
• Pseudo-Färbung (Pseudo-staining): Entwicklung einer Methode zur visuellen Darstellung der Fasertypen direkt auf H&E-gefärbten Schnitten durch Zuweisung von Farben basierend auf den UMAP-Clustern (Kollagen = Blau, retikulär = Grün, elastisch = Gelb).
• Optimierung der Eingangsparameter: Nachweis, dass ein ausgewählter Satz von Parametern (unter Berücksichtigung von Rotationsinvarianz) effizienter ist als die Verwendung aller möglichen Parameter, da Letztere die Rechenzeit drastisch erhöhen, ohne die Trennschärfe zu verbessern.

4. Ergebnisse

• Trennschärfe der Cluster: Die UMAP-Projektion zeigt klar getrennte Cluster für die drei Fasertypen.
  • Kollagenfasern: Hohe positive Werte in der ersten UMAP-Komponente (Dim1 $\approx$ 6,30), hohe Kurtosis und negative Schiefe (asymmetrische Verteilung).
  • Elastische Fasern: Negative Werte in Dim1 ($\approx$ -0,47), nahe-gaußsche Verteilung, hohe Entropie (hohe Texturkomplexität) aber geringe Varianz (hohe Intra-Klassen-Konsistenz).
  • Retikuläre Fasern: Werte im intermediären Bereich (Dim1 $\approx$ 2,64).
• Statistische Signifikanz: Die statistischen Metriken (Mittelwert, Entropie, Kurtosis, Schiefe) unterscheiden sich signifikant zwischen den Fasertypen und dienen als robuste "statistische Fingerabdrücke".
• Visuelle Validierung: Die generierten pseudo-gefärbten Bilder korrelieren stark mit den Referenzfärbungen (MT, G&S, EVG) und ermöglichen die Unterscheidung der Fasern auf einem einzigen H&E-Schnitt.
• Effizienz: Die Verwendung eines reduzierten Parametersatzes führte zu einer signifikanten Reduktion der Rechenzeit (im Vergleich zu einem vollständigen Set um Faktor >20) ohne Verlust an Trennschärfe.

5. Bedeutung und Ausblick

• Klinische Relevanz: Die Methode bietet ein schnelles, markierungsfreies Werkzeug zur Ergänzung der herkömmlichen Histopathologie. Sie kann potenziell als Screening-Tool dienen, um pathologische Veränderungen in der ECM frühzeitig zu erkennen, ohne zusätzliche Färbungen oder aufwendige Serialschnitte zu benötigen.
• Digital Pathology: Die Fähigkeit, quantitative Informationen über die ECM-Struktur direkt aus Standard-H&E-Schnitten zu extrahieren, unterstützt die Entwicklung automatisierter Diagnosewerkzeuge.
• Vergleich mit anderen Modalitäten: Im Gegensatz zu nichtlinearen Methoden wie SHG (Second Harmonic Generation), die teuer und langsam sind, bietet die Mueller-Matrix-Mikroskopie eine kosteneffiziente, großflächige (Whole-Slide) Quantifizierung.
• Zukunft: Die Studie dient als Proof-of-Concept. Für den routinemäßigen klinischen Einsatz sind weitere groß angelegte Studien mit diversen Patientenkohorten notwendig, um die Generalisierbarkeit zu bestätigen und die Farbcodierung zu standardisieren.

Fazit: Die Arbeit demonstriert erfolgreich, dass durch die Kombination von Mueller-Matrix-Polarimetrie und unüberwachter Dimensionsreduktion (UMAP) eine präzise, pixelweise Unterscheidung von Kollagen-, retikulären und elastischen Fasern in gastrointestinalen Geweben möglich ist, was neue Wege für die pathologische Diagnostik eröffnet.