Segmentazione Iperspettrale di Immagini Patologiche del Citoplasma Tumorale: Un Nuovo Approccio Basato sull'Augmentation dei Dati

Nella diagnosi patologica, la colorazione ematoxicilina-eosina (H&E) è un metodo comunemente utilizzato per osservare la morfologia dei tessuti.mentre l' eosina tinge il citoplasma e la matrice extracellulare di rosaI patologi osservano queste sezioni colorate sotto un microscopio per giudicare se le cellule hanno subito cambiamenti cancerosi.l' identificazione accurata della regione del citoplasma del cancro è un passo chiave.

Negli ultimi anni, la tecnologia di imaging iperspettrale è gradualmente entrata nel campo della ricerca patologica.le telecamere iperspettrali possono acquisire informazioni cellulari più riccheTuttavia, questa tecnologia si trova di fronte a due problemi reali nelle applicazioni pratiche.

Il primo problema è la difficoltà di acquisizione dei dati. Il costo di acquisizione delle immagini iperspettrali è elevato e stabilire un set di dati annotati su larga scala non è facile.I modelli di apprendimento profondo richiedono precisamente una grande quantità di dati per funzionare efficacementeIl secondo problema è il rumore degli strumenti: le telecamere iperspettrali basate sulla modalità lineare di spazzola generano spesso rumore di strisce verticale o orizzontale, spostamenti di pixel,e altri problemi durante il processo di imagingQuesti rumori variano a seconda delle caratteristiche delle attrezzature e degli ambienti di funzionamento, rendendoli difficili da evitare completamente.

Per risolvere questi problemi, uno studio è stato pubblicato sulla rivista Informatics in Medicine Unlocked.Hanno proposto un metodo di aumento dei dati che utilizza le immagini CMOS per generare immagini pseudo-ipersettrali che simulano il rumore reale degli strumenti., che vengono poi utilizzati per formare un modello di segmentazione U-Net.

1Perché usare le immagini CMOS per l'aumento?
La struttura del citoplasma del cancro nelle immagini iperspettrali è complessa.e annotare manualmente le immagini in scala di grigi è sia dispendioso che laboriosoAl contrario, le immagini CMOS sono visivamente chiare e la loro efficienza di annotazione è molto più elevata.utilizzare immagini CMOS facilmente annotate per generare immagini pseudo-ipersettrali con rumore, e poi usare queste immagini per addestrare il modello.

L'approccio specifico è suddiviso in tre fasi:
Il primo passo è la conversione dei colori e la regolazione della luminosità.e regolare la luminosità attraverso la correzione gamma e l'equalizzazione dell'istogramma per renderla vicina all'effetto visivo delle immagini iperspettrali in una fascia di lunghezza d'onda specifica (come 580 nm).

Il secondo passo è aggiungere il rumore degli strumenti.Aggiungere a caso linee di rumore verticali e orizzontali all'immagine per simulare il rumore di striscia generato nelle fotocamere iperspettrali effettive a causa delle differenze di sensibilità del sensore o di elaborazione del segnaleIl numero di linee di rumore verticali è compreso tra 19 e 29, e le posizioni e le larghezze delle linee di rumore orizzontali sono anche randomizzate.

Il terzo passo è la trasformazione geometrica. eseguire operazioni come ritagliare, ribaltare e tradurre sulle pseudo-immagini generate per espandere ulteriormente il set di dati.

Attraverso questo flusso di lavoro, 44 immagini CMOS originali hanno generato 792 immagini pseudo-iperspettrali, che, dopo essere state fuse con 44 immagini iperspettrali originali, hanno portato il set di formazione a 836 immagini.

2- Com'e' stato l'effetto sperimentale?
Il gruppo di ricerca ha valutato le prestazioni del modello utilizzando una validazione incrociata di 5 volte, utilizzando IoU (Intersezione sull'Unione) e il coefficiente Dice come indicatori.

Quando è stato addestrato con solo 44 immagini iperspettrali originali, l'IoU era di 0,5786 e il coefficiente di Dice era 0.7304Dopo l'aggiunta delle immagini pseudo-ipersettrali, l'IoU è aumentata a 0,6458 e il coefficiente di dado è aumentato a 0,7820 IoU migliorato di circa l'11,6% e il coefficiente di dado migliorato di circa il 7,1%.

Lo studio ha anche rilevato che la luminosità dell'immagine e la densità cellulare influenzano i risultati di segmentazione.Ciò indica che il modello ha una certa dipendenza dalla qualità dell'immagine, e suggerisce anche orientamenti per il miglioramento futuro.

3Qual è il significato di questa ricerca?
Per l'elaborazione delle immagini di patologia iperspettrale, la scarsità di dati e il rumore degli strumenti sono due ostacoli inevitabili.,è meglio lasciare che il modello impari a gestire il rumore durante la fase di addestramento.La generazione di immagini pseudo-iperspettrali con rumore strumentale da immagini CMOS non solo risolve la difficoltà di annotazione, ma migliora anche la robustezza del modello contro il rumore.

Naturalmente, questo studio ha anche dei limiti: i dati sperimentali provengono da campioni di tumore mammario canino, e ci sono solo sette tipi di immagini.I tipi di campione più complessi e i set di dati più ampi devono ancora essere accumulati gradualmente.

Tuttavia, dal punto di vista metodologico, this concept of "using easily annotated images to generate noise-containing training samples" provides a valuable practical path for the application of hyperspectral microscopic imaging in pathological diagnosisCon la graduale diffusione delle apparecchiature di imaging iperspettrale nei dipartimenti di patologia, metodi simili di aumento dei dati potrebbero aiutare i ricercatori a formare i modelli in modo più efficiente.ridurre la dipendenza dall'annotazione manuale su larga scala.

Disclaimer
Questo contenuto è stato compilato e modificato a partire da una letteratura accademica aperta (link alla letteratura: https://www.sciencedirect.com/science/article/pii/S2352914826000213).È utilizzato solo per la discussione tecnica del settore e l'apprendimento della divulgazione scientifica, non assume alcun impegno commerciale e non può essere utilizzato come base di riferimento per gli investimenti.I vari dati sperimentali e le conclusioni elencate nel testo saranno influenzati da molteplici variabili quali l'ambiente di prova, differenze individuali nei campioni e schemi di costruzione dei modelli.gli effetti pertinenti devono essere verificati attraverso test indipendenti in combinazione con scenari propri.