Segmentação de Citoplasma de Câncer em Imagens Patológicas Hiperespectrais: Uma Nova Abordagem Baseada em Aumento de Dados

No diagnóstico patológico, a coloração hematoxilina-eosina (H&E) é um método comumente utilizado para observar a morfologia dos tecidos.enquanto a eosina tinge o citoplasma e a matriz extracelular de rosaOs patologistas observam estas secções manchadas sob um microscópio para julgar se as células sofreram alterações cancerosas.Identificação precisa da região do citoplasma do cancro é um passo fundamental.

Nos últimos anos, a tecnologia de imagem hiperespectral entrou gradualmente no campo da pesquisa em patologia.As câmaras hiperespectrais podem obter informações celulares mais ricasNo entanto, esta tecnologia enfrenta dois problemas realistas em aplicações práticas.

O primeiro problema é a dificuldade de aquisição de dados. O custo de aquisição de imagens hiperespectrais é elevado, e estabelecer um conjunto de dados anotado em grande escala não é fácil.Os modelos de aprendizagem profunda precisam de uma grande quantidade de dados para funcionar de forma eficazO segundo problema é o ruído dos instrumentos. As câmaras hiperspectral baseadas no modo linear de vassoura geralmente geram ruído de faixa vertical ou horizontal, deslocamentos de pixels, etc.e outros problemas durante o processo de imagemEstes ruídos variam consoante as características dos equipamentos e os ambientes de funcionamento, tornando-os difíceis de evitar completamente.

Para resolver esses problemas, um estudo foi publicado na revista Informatics in Medicine Unlocked.Eles propuseram um método de aumento de dados que utiliza imagens CMOS para gerar imagens pseudo-hiperspectral simulação ruído de instrumento real, que são então utilizados para treinar um modelo de segmentação da U-Net.

1Porquê usar imagens CMOS para aumento?
A textura do citoplasma do cancro em imagens hiperespectrais é complexa.e anotá-los manualmente em imagens em escala de cinza é demorado e laboriosoEm contraste, as imagens CMOS são visualmente claras e sua eficiência de anotação é muito maior.usar imagens CMOS facilmente anotadas para gerar imagens pseudo-hiperspectral com ruído, e depois usar estas imagens para treinar o modelo.

A abordagem específica divide-se em três etapas:
O primeiro passo é a conversão de cores e ajuste de brilho.e ajustar o brilho através de correção gama e equalização de histogramas para torná-lo próximo do efeito visual de imagens hiperespectrais em uma faixa de comprimento de onda específica (como 580 nm).

O segundo passo é a adição de ruído do instrumento.Adicionar aleatoriamente linhas verticais e horizontais de ruído à imagem para simular o ruído de faixa gerado em câmeras hiperespectrais reais devido a diferenças na sensibilidade do sensor ou processamento de sinalO número de linhas de ruído verticais é de 19 a 29, e as posições e larguras das linhas de ruído horizontais também são aleatórias.

O terceiro passo é a transformação geométrica. Realizar operações como recortar, virar e traduzir as pseudo-imagens geradas para expandir ainda mais o conjunto de dados.

Através deste fluxo de trabalho, 44 imagens CMOS originais geraram 792 imagens pseudo-hiperspectrais, que, após serem fundidas com 44 imagens hiperspectrais originais, trouxeram o conjunto de treinamento para 836 imagens.

2- Como foi o efeito experimental?
A equipa de investigação avaliou o desempenho do modelo através de uma validação cruzada de 5 vezes, utilizando como indicadores IoU (Intersecção sobre a União) e o coeficiente de Dice.

Quando treinado com apenas 44 imagens hiperespectrais originais, a IoU foi 0,5786 e o coeficiente de dados foi 0.7304Após a adição das imagens pseudo-hiperspectral, o IoU aumentou para 0,6458 e o coeficiente de Dice aumentou para 0,7820 IoU melhorou cerca de 11,6% e o coeficiente de Dice melhorou cerca de 7,1%.

O estudo também descobriu que o brilho da imagem e a densidade celular afetam os resultados de segmentação.Isto indica que o modelo tem uma certa dependência da qualidade da imagem, e também sugere orientações para melhorias futuras.

3Qual é a importância desta investigação?
Para o processamento de imagens de patologia hiperespectrais, a escassez de dados e o ruído dos instrumentos são dois obstáculos inevitáveis.,É melhor deixar o modelo aprender a lidar com o ruído durante a fase de treino.Gerar imagens pseudo-hiperspectral com ruído do instrumento a partir de imagens CMOS não só resolve a dificuldade de anotação, mas também aumenta a robustez do modelo contra o ruído.

Naturalmente, este estudo também tem limitações. Os dados experimentais vieram de amostras de tumores mamários caninos, e havia apenas sete tipos de imagem.Os tipos de amostragem mais complexos e os conjuntos de dados maiores ainda precisam ser gradualmente acumulados.

No entanto, de uma perspectiva metodológica, 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 diagnosisCom a popularização gradual dos equipamentos de imagem hiperespectrais nos departamentos de patologia, métodos semelhantes de aumento de dados podem ajudar os investigadores a treinar modelos de forma mais eficiente.Redução da dependência da anotação manual em larga escala.

Disclaimer
Este conteúdo foi compilado e editado a partir de literatura acadêmica aberta (link de literatura: https://www.sciencedirect.com/science/article/pii/S2352914826000213).É usado apenas para discussão técnica da indústria e aprendizagem de popularização científica, não assume quaisquer compromissos comerciais e não pode ser utilizada como base de referência de investimento.Os vários dados e conclusões experimentais enumerados no texto serão alterados por múltiplas variáveis, tais como o ambiente de ensaio, diferenças individuais nas amostras e esquemas de construção de modelos.Os efeitos relevantes devem ser verificados através de ensaios independentes em combinação com os próprios cenários..