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

Probleemstelling

De extracellulaire matrix (ECM) is een cruciale structuur in menselijk weefsel, bestaande uit verschillende vezeltypen zoals collageen, reticulaire vezels en elastische vezels. Veranderingen in de structuur van deze vezels zijn indicatief voor ziekten zoals kanker (bijv. colorectale kanker), fibrose en carcinomen.

• Huidige beperkingen: De traditionele gouden standaard voor het visualiseren van deze vezels is histopathologische kleuring (zoals Masson's Trichrome, Gomori's Zilver en Verhoeff-Van Gieson). Deze methoden vereisen echter meerdere, tijdrovende stappen, specifieke kleuringen op opeenvolgende weefselsneden en zijn vatbaar voor morfologische verschillen tussen de sneden.
• Polarimetrische uitdagingen: Mueller-matrix polarimetrie biedt een label-vrije, niet-destructieve manier om microstructurele informatie te verkrijgen. Echter, traditionele analysemethoden (zoals decompositie) rusten vaak op strikte theoretische aannames (bijv. een specifieke volgorde van diattenuatie, retardatie en depolarisatie). Bovendien is een enkele polarisatieparameter vaak ontoereikend om de complexe aard van biologisch weefsel volledig te karakteriseren. Er is behoefte aan een methode die meerdere parameters combineert zonder de beperkingen van individuele decompositiemodellen.

Methodologie

De auteurs presenteren een aanpak die Mueller-matrix beeldvorming combineert met onbewaakte (unsupervised) dimensionale reductie.

1. Proefopstelling en Data-acquisitie:

   • Er werden 9 menselijke colonweefselsneden (4 µm dik) gebruikt.
   • Een Mueller-matrix microscoop met een dubbel-roterend retarder-systeem werd gebruikt om de volledige 4x4 Mueller-matrix voor elk pixel te meten op H&E-gekleurde sneden.
   • De data werd verkregen via Fourier-analyse van de gemoduleerde polarisatietoestanden.

2. Parametervorming (Feature Extraction):

   • In plaats van te vertrouwen op één decompositiemethode, werden parameters uit meerdere bronnen geïntegreerd om een "High-Dimensional Data Point" (HDDP) te creëren per pixel.
   • De gebruikte parameters omvatten:
     • Mueller Matrix Polar Decomposition (MMPD): Diattenuatie ($D$), Depolarisatie ($\Delta$), Retardatie ($R$).
     • Differentiële Decompositie: Lineaire retardatie ($\delta_L$), lineaire diattenuatie ($D_L$), en depolarisatie-coëfficiënten ($a_{22}, a_{33}$).
     • Mueller Matrix Transformatie (MMT): Parameters $A, b, t$.
   • Dit resulteerde in een feature-set van 30 input-dimensies per pixel, inclusief zowel rotatie-invariante als rotatie-gevoelige parameters.

3. Dimensionale Reductie (UMAP):

   • De Uniform Manifold Approximation and Projection (UMAP) methode werd toegepast om de 30-dimensionale data te projecteren naar een 2-dimensionale ruimte.
   • UMAP is gekozen omdat het de intrinsieke structuur van de data behoudt zonder vooraf gedefinieerde labels te vereisen (onbewaakt).
   • De output is een 2D-kaart waar pixels met vergelijkbare microstructurele eigenschappen dicht bij elkaar clusteren.

4. Statistische Validatie:

   • Gebieden van Interesse (ROIs) werden geannoteerd door een patholoog op basis van standaard kleuringen (H&E, MT, G&S, EVG).
   • Statistische metrics (gemiddelde, standaarddeviatie, entropie, kurtosis, skewness) werden berekend voor de clusters in de UMAP-projectie om de scheiding tussen vezeltypen kwantitatief te beoordelen.

Belangrijkste Bijdragen

• Label-vrije differentiatie: Het aantonen dat verschillende ECM-vezeltypen (collageen, reticulaire en elastische vezels) kunnen worden onderscheiden op basis puur van hun polarisatie-eigenschappen, zonder extra specifieke kleuringen.
• Synergie van Decompositiemethoden: Een innovatieve integratie van parameters uit verschillende theoretische frameworks (MMPD, differentiële decompositie, MMT) om de beperkingen van individuele methoden te overwinnen.
• Onbewaakte Machine Learning: Toepassing van UMAP voor pixel-voor-pixel differentiatie, waarbij de methode de intrinsieke structuur van de data ontdekt in plaats van vooraf gedefinieerde klassen te forceren.
• Pseudo-kleuring: De ontwikkeling van een computergestuurde techniek om vezels direct op een H&E-slice te "verf" met specifieke kleuren (blauw voor collageen, groen voor reticulaire, geel voor elastisch) op basis van de UMAP-clusters.

Resultaten

• Kwalitatieve Visualisatie: De UMAP-projectie toonde duidelijke scheiding tussen de drie vezeltypen. De clusters in de 2D-ruimte corresponderen sterk met de fysieke locatie van de vezels in het weefsel.
• Kwantitatieve Scheiding:
  • Collageen: Toonde hoge positieve waarden op de eerste UMAP-dimensie (gemiddeld ~6.30), hoge kurtosis en sterke negatieve skewness (asymmetrische verdeling).
  • Elastische vezels: Toonden negatieve waarden op Dim1 (gemiddeld ~-0.47) en vertoonden een bijna Gaussische verdeling met hoge entropie (hogere textuurcomplexiteit).
  • Reticulaire vezels: Bevonden zich in een intermediair bereik (gemiddeld ~2.64).
• Statistische Metrics: De gebruikte divergentie-metrics (Jensen-Shannon, Kullback-Leibler, Wasserstein) bevestigden dat de volledige parameter-set de beste scheiding bood. Het toevoegen van extra redundantie (meer parameters dan nodig) verhoogde de rekentijd met meer dan 20x zonder significante verbetering in de projectiekwaliteit.
• Pseudo-kleuring: De gegenereerde kleurkaarten toonden een hoge overeenkomst met de traditionele kleuringen (Masson, Gomori, Verhoeff), wat de haalbaarheid van de methode voor klinische visualisatie aantoont.

Betekenis en Toekomstperspectief

• Klinische Impact: Deze methode biedt een snelle, label-vrije aanvulling op bestaande kleuringstechnieken. Het kan helpen bij het snelle screenen van weefselmonsters en het lokaliseren van pathologische veranderingen in de ECM zonder de complexiteit van meervoudige kleuringen.
• Efficiëntie: In tegenstelling tot niet-lineaire methoden zoals SHG (Second Harmonic Generation) die punt-voor-punt scannen en duur zijn, biedt Mueller-matrix microscopie parallelle pixel-acquisitie over grotere oppervlakten, wat schaalbaarder is voor digitale pathologie.
• Beperkingen en Volgende Stappen: De huidige studie is een proof-of-concept met een beperkt aantal patiënten. Toekomstig werk vereist grootschalige klinische trials om de methode te standaardiseren en robuustheid tegen inter-patiënt variabiliteit te garanderen. Ook moet de invloed van weefseldikte en multiple scattering verder worden onderzocht voor bredere toepassing.

Samenvattend demonstreert dit onderzoek dat een combinatie van geavanceerde polarimetrie en onbewaakte machine learning (UMAP) een krachtig hulpmiddel is voor het differentieren van weefselstructuren op microscopisch niveau, met potentie voor directe vertaling naar de klinische praktijk.