Stochastic Neighborhood Conditional Autoregressive Modeling of Gray-Level Co-occurrence Matrix in Lung CT

Abstract

In the clinical arena, radiomics emerged to uncover underlying tumor patterns and characteristics that failed to be detected with naked eyes. With a quantitative approach to medical imaging, radiomics aims to contribute to clinical decisionmaking. Among computable textural values through gray-level spatial dependencies, gray-level co-occurrence matrix (GLCM) attracts attention for research in medical image data. In the application of machine learning algorithms for analysis, summary statistics of GLCM are used. However, this ignores the inherent spatial properties of GLCM and can lose potential predicting power. This thesis focuses on GLCM-based features and proposes a modified version of spatial modeling in GLCM, named Bayesian hierarchical modeling with stochastic neighborhood conditional autoregressive prior (BH-SNCAR). The methodology uses the latent Gaussian Markov random field (GMRF) combined with stochastic neighboring. We obtain nested 𝑘-fold Bayesian probability using Gibbs sampling for classification. The proposed method is applied on GLCM extracted from lung computed tomography (CT) data, combined with GLCM-based summarized features. The overall performance of BH-SNCAR was compared with random forest (RF) interms of accuracy, the area under the receiver operator characteristic (ROC) curve (AUC), sensitivity, specificity, and F1-score.|임상분야에서 방사선영상체학은 육안으로 확인하기 어려운 종양의 패턴과 특징을밝혀내고자 등장하였다. 방사선영상체학은 의료 영상에 대한 정량적 접근을 제공하여임상 의사 결정에 기여하는 것을 목적으로 한다. 명암도 동시발생 행렬(GLCM)은 의료영상 연구에서 회색 화소들의 공간 의존성을 통한 계산 가능한 텍스쳐 특징 중에이목을 끈다. 기계 학습을 통한 분석을 위해서는 특히 GLCM의 요약 통계량들이사용되는데, 이는 GLCM의 고유한 공간 특성을 무시하여 잠재적인 예측력을 잃을 수있다.본 논문은 GLCM에 초점을 맞추어 베이지안 계층적 확률론적 이웃 조건부자기회귀 모형(BH-SNCAR)을 적용한 공간 모형화 방법론를 제안한다. 제안 방법론은확률론적 이웃과 결합된 잠재적 가우시안 마르코프 확률장(GMRF)을 사용하고, 분류를위하여 깁스 샘플링을 적용하여 중첩 𝑘 -겹 베이지안 확률을 얻었다. 본 연구는 폐컴퓨터단층촬영(CT) 데이터 분석에 초점을 두었으며, GLCM-기반 요약 지표와 함께 폐CT 데이터에서 추출된 GLCM에 적용되었다. BH-SNCAR의 전반적인 성능은 정확도,수신자 조작 특성 곡선 아래 면적(AUC), 민감도, 특이도, 그리고 F1-점수 측면에서방사선영상체학에서 널리 쓰이는 랜덤 포레스트(RF)와 비교되었다.