Collagen morphometric analysis in liver biopsies of patients with chronic viral hepatitis (HCV or HBV) predicts virological response

Abstract

Extraction of collagen proportionate area (CPA) in liver biopsy images provides the amount of fibrosis in liver tissue. This is the most distinguishing histological feature in viral hepatitis. Staging is currently based on semi-quantitative scores, such as the Ishak and METAVIR. CPA calculation based upon image analysis techniques has since proven to be more accurate than semi-quantitative scores. Though, lack of standardization and robust methodologies for assessment of computerized image analysis for CPA has proven to be a major limitation and hence CPA has not yet reached daily clinical practice. This current work proposes a fully automated methodology for CPA extraction. It is based on machine learning techniques and is composed by three stages. In particular, background tissue separation and fibrosis detection in regions of liver tissue has been performed with the use ofclustering algorithms. Classification algorithms have also been employed in order to differentiate between liver tissue regions and non-liver tissue regions, such as structural collagen, muscle tissue and blot clots. The non-liver tissue regions have been then excluded from the CPA computation. The methodology was evaluated with the use of 79 liver biopsy images from patients with hepatitis C. The obtained mean absolute CPA error was 1.31% with a concordance correlation coefficient of 0.923.Manual threshold-based and region selection processes, which are widely used in literature, are being avoided with the proposed methodology. Moreover, the CPA calculation time is minimized. In regards to the use of the technique in patients with hepatitis B, we concluded that digital image analysis requires further evaluation.

Η ποσοτικοποίηση του κολλαγόνου ως αναλογία κολλαγόνου στη βιοψία ήπατος (Collagen Proportionate Area – CPA) σε βιοψίες ήπατος παρέχει το βαθμό της ηπατικής ίνωσης. Αυτό αποτελεί το πιο τυπικό ιστολογικό χαρακτηριστικό στις ιογενείς ηπατίτιδες. Η σταδιοποίηση επί του παρόντος βασίζεται σε ημιποσοτικά συστήματα ταξινόμησης, όπως το Ishak και το METAVIR. Ο υπολογισμός της CPA με τεχνικές ανάλυσης εικόνων αποδείχτηκε πιο ακριβής σε σύγκριση με τα ημιποσοτικά συστήματα ταξινόμησης. Ωστόσο, η έλλειψη τυποποίησης και ισχυρών μεθοδολογιών για την αξιολόγιση της ψηφιακής ανάλυσης εικόνων για CPA αποτελεί σημαντικό περιοριστικό παράγοντα και ως εκ τούτου η CPA δεν χρησιμοποιείται ακόμα στην καθημερινή κλινική πρακτική. Η παρούσα εργασία προτείνει μια πλήρως αυτοματοποιημένη μεθοδολογία για την εξαγωγή της CPA, η οποία βασίζεται σε τεχνικές μηχανικής μάθησης (machine learning) και περιλαμβάνει τρία στάδια. Πιο συγκεκριμένα, ο διαχωρισμός του φόντου από τους ιστούς όπως επίσης και η ανίχνευση ίνωσης σε περιοχές (regions) ηπατικού ιστού πραγματοποιήθηκε με τη χρήση αλγόριθμων ομαδοποίησης (clustering algorithms). Για το διαχωρισμό περιοχών ηπατικού από μη ηπατικούς ιστούς, όπως για παράδειγμα δομικό κολλαγόνο, μυικό ιστό και θρόμβους αίματος, χρησιμοποιήθηκαν αλγόριθμοι κατηγοριοποίησης (classification algorithms). Στη συνέχεια, οι περιοχές μη ηπατικού ιστού αποκλείστηκαν από τον υπολογισμό της CPA. Η μεθοδολογία αξιολογήθηκε με τη χρήση 79 εικόνων από ηπατικούς ιστούς ασθενών με ηπατίτιδα C. Το μέσο απόλυτο σφάλμα (mean absolute error) υπολογίστηκε σε 1.31% ενώ ο συντελεστής συμφωνίας συσχέτισης (concordance correlation coefficient) σε 0.923. Στην υπάρχουσα βιβλιογραφία η επιλογή περιοχών αλλά και η εισαγωγή ορίωνπραγματοποιείται με χειροκίνητες διαδικασίες. Οι διαδικασίες αυτές αποφεύγονται με την προτεινόμενη μεθοδολογία. Επιπλέον, ο χρόνος υπολογισμού του CPA περιορίζεται στον ελάχιστο δυνατό. Όσον αφορά τη χρήση της τεχνικής σε ασθενείς με ηπατίτιδα B, καταλήξαμε στο ότιαπαιτείται περαιτέρω εκτίμηση.