Pathological examination of a biopsy is the most reliable and widely used technique to diagnose bone cancer. However, it suffers from both inter- and intra- observer subjectivity. Techniques for automated tissue modeling and classification can reduce this subjectivity and increases the accuracy of bone cancer diagnosis. This paper presents a graph theoretical method, called extracellular matrix (ECM)-aware cell-graph mining, that combines the ECM formation with the distribution of cells in hematoxylin and eosin stained histopathological images of bone tissues samples. This method can identify different types of cells that coexist in the same tissue as a result of its functional state. Thus, it models the structure-function relationships more precisely and classifies bone tissue samples accurately for cancer diagnosis. The tissue images are segmented, using the eigenvalues of the Hessian matrix, to compute spatial coordinates of cell nuclei as the nodes of corresponding cell-graph. Upon segmentation a color code is assigned to each node based on the composition of its surrounding ECM. An edge is hypothesized (and established) between a pair of nodes if the corresponding cell membranes are in physical contact and if they share the same color. Hence, multiple colored-cell-graphs coexist in a tissue each modeling a different cell-type organization. Both topological and spectral features of ECM-aware cell-graphs are computed to quantify the structural properties of tissue samples and classify their different functional states as healthy, fractured, or cancerous using support vector machines. Classification accuracy comparison to related work shows that the ECM-aware cell-graph approach yields 90.0% whereas Delaunay triangulation and the simple cell-graph approach achieves 75.0 and 81.1% accuracy, respectively.

中文翻译：

---

用于骨组织建模和分类的 ECM 感知细胞图挖掘。

活组织检查的病理学检查是诊断骨癌最可靠和广泛使用的技术。然而，它受到观察者间和观察者内的主观性的影响。自动组织建模和分类技术可以减少这种主观性并提高骨癌诊断的准确性。本文提出了一种称为细胞外基质 (ECM) 感知细胞图挖掘的图论方法，该方法将 ECM 的形成与细胞在苏木精和伊红染色的骨组织样本组织病理学图像中的分布相结合。这种方法可以识别由于其功能状态而共存于同一组织中的不同类型的细胞。因此，它可以更精确地模拟结构-功能关系，并准确地对骨组织样本进行分类以进行癌症诊断。使用 Hessian 矩阵的特征值对组织图像进行分割，以计算细胞核的空间坐标作为相应细胞图的节点。在分割时，根据其周围 ECM 的组成为每个节点分配一个颜色代码。如果相应的细胞膜物理接触并且它们共享相同的颜色，则假设（并建立）一对节点之间的边缘。因此，多个彩色细胞图共存于一个组织中，每个图都模拟了不同的细胞类型组织。计算 ECM 感知细胞图的拓扑和光谱特征以量化组织样本的结构特性并将其不同的功能状态分类为 在分割时，根据其周围 ECM 的组成为每个节点分配一个颜色代码。如果相应的细胞膜物理接触并且它们共享相同的颜色，则假设（并建立）一对节点之间的边缘。因此，多个彩色细胞图共存于一个组织中，每个图都模拟了不同的细胞类型组织。计算 ECM 感知细胞图的拓扑和光谱特征以量化组织样本的结构特性并将其不同的功能状态分类为 在分割时，根据其周围 ECM 的组成为每个节点分配一个颜色代码。如果相应的细胞膜物理接触并且它们共享相同的颜色，则假设（并建立）一对节点之间的边缘。因此，多个彩色细胞图共存于一个组织中，每个图都模拟了不同的细胞类型组织。计算 ECM 感知细胞图的拓扑和光谱特征以量化组织样本的结构特性并将其不同的功能状态分类为 多个彩色细胞图共存于一个组织中，每个图都模拟了不同的细胞类型组织。计算 ECM 感知细胞图的拓扑和光谱特征以量化组织样本的结构特性并将其不同的功能状态分类为 多个彩色细胞图共存于一个组织中，每个图都模拟了不同的细胞类型组织。计算 ECM 感知细胞图的拓扑和光谱特征以量化组织样本的结构特性并将其不同的功能状态分类为使用支持向量机的健康、骨折或癌变。与相关工作的分类准确度比较表明，ECM 感知细胞图方法产生 90.0%，而 Delaunay 三角剖分和简单细胞图方法分别达到 75.0 和 81.1% 的准确度。