Convolution on triangular motifs: a GNN approach to edge classification in cell-graphs

Introduction: Identifying the structure and health of tissues is crucial in digital pathology, and the basement membrane (BM) serves as a key indicator for evaluating tissue architecture. Existing Graph Neural Networks (GNNs) approaches to edge classification in cell-graph models lack true convolutional characteristics and may fail to account for recurrent structures inherent in the graph, such as triangular motifs. Aim: This thesis aims to introduce and evaluate a novel framework for edge classification in cell-graphs, focusing on identifying basement membranes (BMs) in oral mucosa samples. The model targets improved classification accuracy by incorporating convolutional structures and recurrent triangular motifs in a Delaunay-generated graph. Methods: To address this challenge, an Edge Aggregated Graph Neural Network (EAGNN) was employed for node and edge feature aggregation, and a Triangular Motif Convolutional Neural Network (TM-CNN) was introduced for edge classification. The dataset for this study comprises manually annotated oral mucosa samples from both healthy and diseased patients, provided by the Karolinska Institutet. The graph models for these samples were generated using Delaunay triangulation. Results: When compared to existing literature baselines, the proposed model exhibited superior performance, achieving a 2% higher F1 score for the minor class and significant improvements in identifying degraded BMs in tissue samples. Conclusion: The findings validate that incorporating convolutional layers and considering recurrent triangular motifs in the graph improves edge classification. The model's ability to identify BMs, even in degraded tissue structures, holds significant implications for diagnostic accuracy in oral pathology.

Nel contesto avanzato della patologia computazionale, la segmentazione dei tessuti è stata identificata come una delle questioni più complesse e fondamentali, in particolare l'identificazione delle membrane basali (BM). Questa problematica è considerata di importanza cruciale per gli esperti di patologia orale, per l'analisi delle biopsie e per la determinazione del grado istopatologico delle malattie. Per affrontare questo complesso problema, un approccio innovativo è stato sviluppato, in cui Edge Aggregated Graph Neural Network (EAGNN) è stata utilizzata per l'aggregazione delle caratteristiche di nodi e bordi, e Triangular Motif CNN (TM-CNN) è stata introdotta per catturare strutture ricorrenti nel grafo e fornire una classificazione accurata dei bordi, Il dataset per la valutazione del modello è stato fornito dall'Istituto Karolinska e include un ampio numero di campioni di mucosa orale, che sono stati raccolti sia da pazienti sani che da pazienti affetti da varie malattie orali. Un'accurata annotazione manuale di ogni campione è stata effettuata da esperti in patologia orale. Un modello a grafo cellulare è stato costruito su queste annotazioni utilizzando algoritmi avanzati di triangolazione, specificamente la triangolazione di Delaunay. Un rigoroso processo di valutazione è stato effettuato, durante il quale le prestazioni del modello sono state paragonate con altri metodi esistenti nella letteratura scientifica. È stato dimostrato che il modello sviluppato supera in prestazioni i metodi preesistenti, con un miglioramento particolarmente significativo evidente nei campioni con strutture di tessuto complesse o degradate. Un punteggio F1 superiore del 2% nella classe minoritaria è stato ottenuto dal modello, che ha anche dimostrato notevole robustezza nel riconoscimento delle membrane basali. In aggiunta, un metodo per la validazione dei risultati generati dai modelli è stato introdotto. Questo metodo ha contribuito notevolmente alla comprensione dei risultati. La segmentazione del grafo cellulare è stata effettuata in base alle strutture triangolari che mostrano una presenza di membrane basali. Grazie al metodo proposto, i risultati dei modelli sono stati comparati visualmente, permettendo una migliore comprensione dell'efficacia dell'approccio. Il modello proposto ha mostrato una riduzione significativa nelle previsioni rumorose, particolarmente nei campioni che presentano una struttura di BM degradata. Non solo l'efficacia del modello nel migliorare la capacità di classificazione dei bordi tra diverse strutture cellulari è stata evidenziata, ma nuove frontiere per la comprensione e l'interpretazione delle interazioni tra cellule e BM in modelli a grafico cellulare sono state aperte. Vaste implicazioni per il campo della biologia computazionale e della medicina personalizzata potrebbero essere sostenute da questi risultati. Future direzioni prevedono l'estensione del modello a altre tipologie di tessuti e malattie, con l'intenzione di migliorare ulteriormente la precisione e l'efficacia della patologia computazionale. Inoltre, l'integrazione del modello proposto con altre tecniche di imaging medico potrebbe essere considerata per fornire un quadro clinico più completo e dettagliato, contribuendo così a una diagnosi più accurata e a trattamenti più efficaci.