Hyperspektraler Pathologie Bildsegmentierung des Krebszytoplasmas: Ein neuer Ansatz auf der Grundlage der Datenvergrößerung

Bei der pathologischen Diagnose ist die Hämatoxylin-Eosin-Färbung (H&E) eine häufig verwendete Methode zur Beobachtung der Gewebe-Morphologie.Während Eosin das Zytoplasma und die extrazelluläre Matrix rosa färbtDie Pathologen beobachten diese gefärbten Abschnitte unter dem Mikroskop, um zu beurteilen, ob sich die Zellen krebsartig verändert haben.Eine genaue Identifizierung des Krebszytoplasmaregions ist ein wichtiger Schritt.

In den letzten Jahren ist die hyperspektralen Bildgebungstechnologie allmählich in die Pathologie eingetreten.Hyperspektralkameras können reichhaltigere zelluläre Informationen erfassenDiese Technologie hat jedoch zwei realistische Probleme bei der praktischen Anwendung.

Das erste Problem ist die Schwierigkeit der Datenerfassung. Die Kosten für die Erfassung hyperspektraler Bilder sind hoch und die Erstellung eines groß angelegten kommentierten Datensatzes ist nicht einfach.Tieflernungsmodelle benötigen eine große Datenmenge, um effektiv zu funktionieren.Das zweite Problem ist das Geräusch der Geräte.Hyperspektralkameras, die auf dem linearen Push-Bremm-Modus basieren, erzeugen häufig vertikales oder horizontales Streifenlärm, Pixelverschiebungen,und andere Probleme während des BildgebungsprozessesDiese Geräusche variieren je nach Ausrüstungseigenschaften und Betriebsumgebung, so daß sie schwer vollständig zu vermeiden sind.

Um diese Probleme zu lösen, wurde eine Studie in der Zeitschrift Informatics in Medicine Unlocked veröffentlicht.Sie schlugen eine Datenvergrößerungsmethode vor, die CMOS-Bilder verwendet, um pseudo-hyperspektralen Bildern zu generieren, die echtes Instrumentengeräusch simulieren., die dann verwendet werden, um ein U-Net-Segmentierungsmodell auszubilden.

1Warum CMOS-Bilder für die Augmentation verwenden?
Die Textur des Krebszytoplasmas in hyperspektralen Bildern ist komplex.und sie manuell in Graustufenbildern zu kommentieren ist zeitaufwendig und mühsamIm Gegensatz dazu sind CMOS-Bilder optisch klar und ihre Annotationseffizienz ist viel höher.Verwenden Sie leicht kommentierte CMOS-Bilder, um pseudohyperspektralen Bilder mit Lärm zu erzeugen, und dann verwenden Sie diese Bilder, um das Modell zu trainieren.

Der spezifische Ansatz besteht aus drei Schritten:
Der erste Schritt ist die Farbkonvertierung und die Helligkeitsanpassung.und die Helligkeit durch Gammakorrektur und Histogrammausgleich anpassen, um sie dem visuellen Effekt hyperspektraler Bilder in einem bestimmten Wellenlängenband (z. B. 580 nm) nahe zu bringen.

Der zweite Schritt ist das Hinzufügen von Instrumentengeräuschen.Zufälliger Hinzufügen von vertikalen und horizontalen Geräuschlinien zum Bild, um das Streifengeräusch zu simulieren, das in tatsächlichen hyperspektralen Kameras aufgrund von Unterschieden in der Sensorempfindlichkeit oder Signalverarbeitung erzeugt wirdDie Anzahl der vertikalen Geräuschlinien liegt zwischen 19 und 29, die Positionen und Breiten der horizontalen Geräuschlinien werden ebenfalls randomisiert.

Der dritte Schritt ist die geometrische Transformation. Führen Sie Operationen wie Beschneiden, Umdrehen und Übersetzen der erzeugten Pseudo-Bilder durch, um den Datensatz weiter zu erweitern.

Durch diesen Workflow erzeugten 44 Original-CMOS-Bilder 792 Pseudo-Hyperspektralbilder, die nach dem Zusammenführen mit 44 Original-Hyperspektralbildern den Trainingssatz auf 836 Bilder brachten.

2- Wie war der experimentelle Effekt?
Das Forschungsteam bewertete die Modellleistung unter Verwendung einer 5-fachen Quervalidierung, wobei IoU (Intersection over Union) und der Dice-Koeffizient als Indikatoren verwendet wurden.

Beim Trainieren mit nur 44 originalen hyperspektralen Bildern lag die IoU bei 0,5786 und der Dice-Koeffizient bei 0.7304Nach Hinzufügung der pseudo-hyperspektralen Bilder erhöhte sich die IoU auf 0,6458 und der Dice-Koeffizient auf 0,7820·IoU, verbesserte sich um etwa 11,6% und der Dice-Koeffizient um etwa 7,1%.

Die Studie ergab auch, dass die Bildhelligkeit und Zelldichte die Segmentierungsergebnisse beeinflussen.Dies zeigt, dass das Modell eine gewisse Abhängigkeit von der Bildqualität hat, und schlägt auch Richtungen für zukünftige Verbesserungen vor.

3Was ist die Bedeutung dieser Forschung?
Für die Verarbeitung von hyperspektralen pathologischen Bildern sind Datenknappheit und Geräuschgeräusche zwei unvermeidliche Hindernisse.,Es ist besser, das Modell während der Trainingsphase lernen zu lassen, mit Lärm umzugehen.Die Erzeugung von pseudo-hyperspektralen Bildern mit Instrumentengeräuschen aus CMOS-Bildern löst nicht nur die Schwierigkeit der Anmerkung, sondern verbessert auch die Robustheit des Modells gegen Geräusche.

Natürlich hat diese Studie auch Grenzen. Die experimentellen Daten stammen aus Hundebrusttumorproben, und es gab nur sieben Bildtypen.Komplexere Stichprobentypen und größere Datensätze müssen noch schrittweise angesammelt werden.

Aus methodischer Sicht ist es jedoch 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 diagnosisMit der allmählichen Popularisierung der hyperspektralen Bildgebungsgeräte in Pathologieabteilungen könnten ähnliche Datenvergrößerungsmethoden den Forschern helfen, Modelle effizienter auszubilden.Verringerung der Abhängigkeit von großformatigen manuellen Anmerkungen.

Haftungsausschluss
Diese Inhalte wurden aus offener wissenschaftlicher Literatur zusammengestellt und bearbeitet (Literaturlink: https://www.sciencedirect.com/science/article/pii/S2352914826000213).Es wird nur für die technische Diskussion in der Industrie und die Wissenschaftspopularisierung verwendet, keine kommerziellen Verpflichtungen eingeht und kann auch nicht als Anlage-Referenzbasis verwendet werden.Die verschiedenen experimentellen Daten und Schlussfolgerungen, die im Text aufgeführt sind, werden durch mehrere Variablen wie die Testumgebung beeinträchtigt., individuelle Unterschiede in den Proben und Modellkonstruktionsschemata.die relevanten Auswirkungen müssen durch unabhängige Prüfungen in Kombination mit eigenen Szenarien überprüft werden.