Υπερφασματική Τμηματοποίηση Εικόνων Παθολογίας του Κυτταροπλάσματος του Καρκίνου: Μια Νέα Προσέγγιση Βασισμένη στην Επαύξηση Δεδομένων

Στη παθολογική διάγνωση, η χρώση αιματοξυλίνης-ηωσίνης (H&E) είναι μια κοινή μέθοδος για την παρατήρηση της μορφολογίας των ιστών. Η αιματοξυλίνη χρωματίζει τους πυρήνες των κυττάρων μπλε-μωβ, ενώ η ηωσίνη χρωματίζει το κυτταρόπλασμα και την εξωκυττάρια ουσία ροζ. Οι παθολογοανατόμοι παρατηρούν αυτές τις χρωματισμένες τομές κάτω από μικροσκόπιο για να κρίνουν εάν τα κύτταρα έχουν υποστεί καρκινικές αλλαγές. Στη διαδικασία προσδιορισμού των τύπων καρκίνου, η ακριβής αναγνώριση της περιοχής του κυτταροπλάσματος του καρκίνου είναι ένα βασικό βήμα.

Τα τελευταία χρόνια, η τεχνολογία απεικόνισης υπερφασμάτων έχει εισέλθει σταδιακά στον τομέα της παθολογικής έρευνας. Σε σύγκριση με τις συμβατικές κάμερες CMOS, οι κάμερες υπερφασμάτων μπορούν να αποκτήσουν πλουσιότερες κυτταρικές πληροφορίες. Ωστόσο, αυτή η τεχνολογία αντιμετωπίζει δύο ρεαλιστικά προβλήματα στις πρακτικές εφαρμογές.

Το πρώτο πρόβλημα είναι η δυσκολία απόκτησης δεδομένων. Το κόστος απόκτησης εικόνων υπερφασμάτων είναι υψηλό και η δημιουργία ενός μεγάλου συνόλου σχολιασμένων δεδομένων δεν είναι εύκολη. Ωστόσο, τα μοντέλα βαθιάς μάθησης απαιτούν ακριβώς μεγάλη ποσότητα δεδομένων για να λειτουργήσουν αποτελεσματικά. Το δεύτερο πρόβλημα είναι ο θόρυβος του οργάνου. Οι κάμερες υπερφασμάτων που βασίζονται στη γραμμική λειτουργία push-broom συχνά παράγουν κάθετο ή οριζόντιο θόρυβο λωρίδων, μετατοπίσεις pixel και άλλα ζητήματα κατά τη διαδικασία απεικόνισης. Αυτοί οι θόρυβοι ποικίλλουν ανάλογα με τα χαρακτηριστικά του εξοπλισμού και τα περιβάλλοντα λειτουργίας, καθιστώντας τους δύσκολο να αποφευχθούν πλήρως.

Για την αντιμετώπιση αυτών των προβλημάτων, δημοσιεύτηκε μια μελέτη στο περιοδικό Informatics in Medicine Unlocked. Πρότειναν μια μέθοδο αύξησης δεδομένων που χρησιμοποιεί εικόνες CMOS για τη δημιουργία ψευδο-υπερφασματικών εικόνων που προσομοιώνουν πραγματικό θόρυβο οργάνου, οι οποίες στη συνέχεια χρησιμοποιούνται για την εκπαίδευση ενός μοντέλου τμηματοποίησης U-Net.

1. Γιατί χρησιμοποιούνται εικόνες CMOS για αύξηση;
Μια άμεση σκέψη είναι το κόστος σχολιασμού. Η υφή του κυτταροπλάσματος του καρκίνου στις υπερφασματικές εικόνες είναι πολύπλοκη και ο χειροκίνητος σχολιασμός τους σε εικόνες κλίμακας του γκρι είναι χρονοβόρος και επίπονος. Αντίθετα, οι εικόνες CMOS είναι οπτικά καθαρές και η αποδοτικότητα σχολιασμού τους είναι πολύ υψηλότερη. Η ιδέα της ερευνητικής ομάδας είναι: να χρησιμοποιηθούν εύκολα σχολιαζόμενες εικόνες CMOS για τη δημιουργία ψευδο-υπερφασματικών εικόνων με θόρυβο, και στη συνέχεια να χρησιμοποιηθούν αυτές οι εικόνες για την εκπαίδευση του μοντέλου.

Η συγκεκριμένη προσέγγιση χωρίζεται σε τρία βήματα:
Το πρώτο βήμα είναι η μετατροπή χρωμάτων και η ρύθμιση φωτεινότητας. Μετατρέψτε την εικόνα CMOS RGB σε εικόνα κλίμακας του γκρι και ρυθμίστε τη φωτεινότητα μέσω διόρθωσης γάμμα και ισοστάθμισης ιστογράμματος για να την κάνετε κοντά στο οπτικό αποτέλεσμα των υπερφασματικών εικόνων σε μια συγκεκριμένη ζώνη μήκους κύματος (όπως 580 nm).

Το δεύτερο βήμα είναι η προσθήκη θορύβου οργάνου. Προσθέστε τυχαία κάθετες και οριζόντιες γραμμές θορύβου στην εικόνα για να προσομοιώσετε τον θόρυβο λωρίδων που παράγεται σε πραγματικές κάμερες υπερφασμάτων λόγω διαφορών στην ευαισθησία του αισθητήρα ή στην επεξεργασία σήματος. Ο αριθμός των κάθετων γραμμών θορύβου είναι μεταξύ 19 και 29, και οι θέσεις και τα πλάτη των οριζόντιων γραμμών θορύβου είναι επίσης τυχαιοποιημένα. Επιπλέον, προσομοιώνονται απώλεια πληροφοριών και μετατοπίσεις pixel.

Το τρίτο βήμα είναι η γεωμετρική μετατροπή. Εκτελέστε λειτουργίες όπως περικοπή, αναστροφή και μετατόπιση στις παραγόμενες ψευδο-εικόνες για να επεκτείνετε περαιτέρω το σύνολο δεδομένων.

Μέσω αυτής της ροής εργασίας, 44 αρχικές εικόνες CMOS παρήγαγαν 792 ψευδο-υπερφασματικές εικόνες, οι οποίες, αφού συγχωνεύτηκαν με 44 αρχικές υπερφασματικές εικόνες, έφεραν το σύνολο εκπαίδευσης σε 836 εικόνες.

2. Πώς ήταν το πειραματικό αποτέλεσμα;
Η ερευνητική ομάδα αξιολόγησε την απόδοση του μοντέλου χρησιμοποιώντας διασταυρούμενη επικύρωση 5-fold, χρησιμοποιώντας το IoU (Intersection over Union) και τον συντελεστή Dice ως δείκτες.

Όταν εκπαιδεύτηκε μόνο με 44 αρχικές υπερφασματικές εικόνες, το IoU ήταν 0.5786 και ο συντελεστής Dice ήταν 0.7304. Μετά την προσθήκη των ψευδο-υπερφασματικών εικόνων, το IoU αυξήθηκε σε 0.6458 και ο συντελεστής Dice αυξήθηκε σε 0.7820 — το IoU βελτιώθηκε κατά περίπου 11,6% και ο συντελεστής Dice βελτιώθηκε κατά περίπου 7,1%.

Η μελέτη διαπίστωσε επίσης ότι η φωτεινότητα της εικόνας και η πυκνότητα των κυττάρων επηρεάζουν τα αποτελέσματα τμηματοποίησης. Οι πιο σκοτεινές εικόνες και οι εικόνες με πυκνούς πυρήνες κυττάρων έδειξαν σχετικά χαμηλότερη ακρίβεια τμηματοποίησης. Αυτό υποδηλώνει ότι το μοντέλο έχει μια ορισμένη εξάρτηση από την ποιότητα της εικόνας, και επίσης υποδεικνύει κατευθύνσεις για μελλοντικές βελτιώσεις.

3. Ποια είναι η σημασία αυτής της έρευνας;
Για την επεξεργασία υπερφασματικών παθολογικών εικόνων, η σπανιότητα δεδομένων και ο θόρυβος οργάνου είναι δύο αναπόφευκτα εμπόδια. Αυτή η μελέτη παρέχει μια πρακτική ιδέα: αντί να αφαιρείται σχολαστικά ο θόρυβος, είναι καλύτερο να αφήνουμε το μοντέλο να μάθει να αντιμετωπίζει τον θόρυβο κατά τη φάση εκπαίδευσης. Η δημιουργία ψευδο-υπερφασματικών εικόνων με θόρυβο οργάνου από εικόνες CMOS όχι μόνο λύνει τη δυσκολία του σχολιασμού, αλλά ενισχύει επίσης την ανθεκτικότητα του μοντέλου έναντι του θορύβου.

Φυσικά, αυτή η μελέτη έχει και περιορισμούς. Τα πειραματικά δεδομένα προήλθαν από δείγματα όγκων μαστού σκύλων και υπήρχαν μόνο επτά τύποι εικόνων. Πιο σύνθετοι τύποι δειγμάτων και μεγαλύτερα σύνολα δεδομένων πρέπει ακόμη να συσσωρευτούν σταδιακά.

Ωστόσο, από μεθοδολογική άποψη, αυτή η έννοια του «χρησιμοποιώντας εύκολα σχολιαζόμενες εικόνες για τη δημιουργία δειγμάτων εκπαίδευσης που περιέχουν θόρυβο» παρέχει μια πολύτιμη πρακτική διαδρομή για την εφαρμογή της μικροσκοπικής απεικόνισης υπερφασμάτων στην παθολογική διάγνωση. Με τη σταδιακή διάδοση του εξοπλισμού απεικόνισης υπερφασμάτων στα παθολογικά τμήματα, παρόμοιες μέθοδοι αύξησης δεδομένων μπορεί να βοηθήσουν τους ερευνητές να εκπαιδεύσουν μοντέλα πιο αποτελεσματικά, μειώνοντας την εξάρτηση από τον μεγάλης κλίμακας χειροκίνητο σχολιασμό.

Αποποίηση ευθύνης
Αυτό το περιεχόμενο συγκεντρώνεται και επιμελείται από ανοιχτή ακαδημαϊκή βιβλιογραφία (σύνδεσμος βιβλιογραφίας: https://www.sciencedirect.com/science/article/pii/S2352914826000213). Χρησιμοποιείται μόνο για βιομηχανική τεχνική συζήτηση και εκμάθηση επιστημονικής διάδοσης, και δεν κάνει καμία εμπορική δέσμευση, ούτε μπορεί να χρησιμοποιηθεί ως βάση αναφοράς επενδύσεων. Τα διάφορα πειραματικά δεδομένα και τα συμπεράσματα που αναφέρονται στο κείμενο θα επηρεαστούν από πολλαπλές μεταβλητές όπως το περιβάλλον δοκιμής, οι ατομικές διαφορές των δειγμάτων και τα σχήματα κατασκευής μοντέλων. Εάν εφαρμοστούν σε πραγματικά σενάρια, τα σχετικά αποτελέσματα πρέπει να επαληθευτούν μέσω ανεξάρτητης δοκιμής σε συνδυασμό με τα δικά τους σενάρια.