Ségmentation de l'image du cytoplasme cancéreux: une nouvelle approche basée sur l'augmentation des données

Dans le diagnostic pathologique, la coloration par l'hématoxyline-éosine (H&E) est une méthode couramment utilisée pour observer la morphologie des tissus.tandis que l'éosine teint le cytoplasme et la matrice extracellulaire en roseLes pathologistes observent ces sections tachées sous un microscope pour juger si les cellules ont subi des changements cancéreux.l' identification précise de la région du cytoplasme cancéreux est une étape clé.

Ces dernières années, la technologie d'imagerie hyperspectrale est progressivement entrée dans le domaine de la recherche en pathologie.Les caméras hyperspectrales peuvent acquérir des informations cellulaires plus richesCependant, cette technologie fait face à deux problèmes réalistes dans les applications pratiques.

Le premier problème est la difficulté de l'acquisition de données. Le coût d'acquisition des images hyperspectrales est élevé et l'établissement d'un ensemble de données annotées à grande échelle n'est pas facile.Les modèles d'apprentissage profond nécessitent précisément une grande quantité de données pour fonctionner efficacementLes caméras hyperspectrales basées sur le mode linéaire de balayage génèrent souvent du bruit de bande verticale ou horizontale, des déviations de pixels, des déviations de fréquences et des déviations de fréquences.et autres problèmes pendant le processus d'imagerieCes bruits varient en fonction des caractéristiques des équipements et des environnements d'exploitation, ce qui les rend difficiles à éviter complètement.

Pour remédier à ces problèmes, une étude a été publiée dans la revue Informatics in Medicine Unlocked.Ils ont proposé une méthode d'augmentation de données qui utilise des images CMOS pour générer des images pseudo-hyperspectrales simulant le bruit d'instrument réel, qui sont ensuite utilisés pour former un modèle de segmentation U-Net.

1Pourquoi utiliser des images CMOS pour augmenter?
La texture du cytoplasme cancéreux dans les images hyperspectrales est complexe.et les annoter manuellement dans des images à échelle de gris est à la fois long et laborieuxEn revanche, les images CMOS sont visuellement claires et leur efficacité d'annotation est beaucoup plus élevée.utiliser des images CMOS facilement annotées pour générer des images pseudo-hyperspectrales avec du bruit, et ensuite utiliser ces images pour former le modèle.

L'approche spécifique est divisée en trois étapes:
La première étape est la conversion des couleurs et le réglage de la luminosité.et ajuster la luminosité par correction gamma et équalisation d'histogramme pour la rendre proche de l'effet visuel des images hyperspectrales à une bande de longueur d'onde spécifique (comme 580 nm).

La deuxième étape consiste à ajouter du bruit d'instrument.Ajouter aléatoirement des lignes de bruit verticales et horizontales à l'image pour simuler le bruit de bande généré dans les caméras hyperspectrales réelles en raison de différences de sensibilité du capteur ou de traitement du signalLe nombre de lignes de bruit verticales est compris entre 19 et 29, et les positions et les largeurs des lignes de bruit horizontales sont également randomisées.

La troisième étape est la transformation géométrique. Effectuez des opérations telles que la taille, le retournement et la traduction sur les pseudo-images générées pour étendre davantage l'ensemble de données.

Grâce à ce flux de travail, 44 images CMOS originales ont généré 792 images pseudo-hyperspectrales, qui, après avoir été fusionnées avec 44 images hyperspectrales originales, ont porté l'ensemble de formation à 836 images.

2Comment s'est passé l'expérience?
L'équipe de recherche a évalué les performances du modèle en utilisant une validation croisée à cinq reprises, en utilisant IoU (Intersection over Union) et le coefficient Dice comme indicateurs.

Lorsqu'il a été entraîné avec seulement 44 images hyperspectrales originales, l'IoU était de 0,5786 et le coefficient de dés était de 0.7304Après l'ajout des images pseudo-hyperspectrales, l'IoU a augmenté à 0,6458 et le coefficient de Dice a augmenté à 0,7820 IoU amélioré d'environ 11,6% et le coefficient de Dice amélioré d'environ 7,1%.

L'étude a également révélé que la luminosité de l'image et la densité cellulaire affectent les résultats de segmentation.Cela indique que le modèle a une certaine dépendance à la qualité de l'image, et suggère également des pistes d'amélioration futures.

3Quelle est l'importance de cette recherche?
Pour le traitement des images de pathologie hyperspectrale, la rareté des données et le bruit des instruments sont deux obstacles inévitables.,Il est préférable de laisser le modèle apprendre à gérer le bruit pendant la phase d'entraînement.La génération d'images pseudo-hyperspectrales avec le bruit de l'instrument à partir d'images CMOS résout non seulement la difficulté de l'annotation, mais améliore également la robustesse du modèle contre le bruit.

Bien sûr, cette étude a aussi des limites. Les données expérimentales provenaient d'échantillons de tumeurs mammaires canines, et il n'y avait que sept types d'images.Des types d'échantillons plus complexes et des ensembles de données plus importants doivent encore être accumulés progressivement.

Cependant, d'un point de vue méthodologique, 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 diagnosisAvec la popularisation progressive de l'équipement d'imagerie hyperspectrale dans les départements de pathologie, des méthodes similaires d'augmentation des données pourraient aider les chercheurs à former des modèles plus efficacement.réduire la dépendance à l'annotation manuelle à grande échelle.

Disclaimer
Ce contenu est compilé et édité à partir de la littérature académique ouverte (lien vers la littérature: https://www.sciencedirect.com/science/article/pii/S2352914826000213).Il est uniquement utilisé pour la discussion technique de l'industrie et l'apprentissage de la vulgarisation scientifique, ne prend aucun engagement commercial et ne peut être utilisée comme base de référence pour les investissements.Les différentes données et conclusions expérimentales énumérées dans le texte seront perturbées par plusieurs variables telles que l'environnement d'essai., les différences individuelles dans les échantillons et les schémas de construction des modèles.les effets pertinents doivent être vérifiés par des essais indépendants en combinaison avec les propres scénarios..