Phân đoạn ảnh bệnh lý siêu phổ tế bào chất ung thư: Một phương pháp mới dựa trên tăng cường dữ liệu

Trong chẩn đoán bệnh lý, màu sắc Hematoxylin-Eosin (H&E) là một phương pháp thường được sử dụng để quan sát hình thái mô.trong khi eosin nhuộm tế bào và ma trận ngoại bào màu hồngCác nhà bệnh học quan sát các phần bị nhuộm này dưới kính hiển vi để đánh giá liệu các tế bào có bị thay đổi ung thư hay không.xác định chính xác vùng tế bào biểu mô ung thư là một bước quan trọng.

Trong những năm gần đây, công nghệ hình ảnh siêu phổ đã dần bước vào lĩnh vực nghiên cứu bệnh lý.Máy ảnh siêu phổ có thể thu thập thông tin tế bào phong phú hơnTuy nhiên, công nghệ này phải đối mặt với hai vấn đề thực tế trong các ứng dụng thực tế.

Vấn đề đầu tiên là khó khăn trong việc thu thập dữ liệu. Chi phí thu thập hình ảnh siêu phổ cao, và thiết lập một bộ dữ liệu chú thích quy mô lớn không dễ dàng.Các mô hình học sâu cần một lượng lớn dữ liệu để hoạt động hiệu quảVấn đề thứ hai là tiếng ồn của thiết bị. Máy ảnh siêu phổ dựa trên chế độ đẩy và chổi tuyến tính thường tạo ra tiếng ồn dải dọc hoặc ngang, thay đổi pixel,và các vấn đề khác trong quá trình hình ảnhNhững tiếng ồn này khác nhau tùy thuộc vào đặc điểm thiết bị và môi trường hoạt động, làm cho chúng khó tránh hoàn toàn.

Để giải quyết những vấn đề này, một nghiên cứu được công bố trên tạp chí Informatics in Medicine Unlocked.Họ đề xuất một phương pháp tăng cường dữ liệu sử dụng hình ảnh CMOS để tạo ra hình ảnh siêu phổ giả mô phỏng tiếng ồn thực tế của thiết bị, sau đó được sử dụng để đào tạo mô hình phân đoạn U-Net.

1Tại sao sử dụng hình ảnh CMOS để tăng cường?
Một cân nhắc trực tiếp là chi phí chú thích.và thủ công chú thích chúng trong hình ảnh màu xám là cả tốn thời gian và vất vảNgược lại, hình ảnh CMOS là trực quan rõ ràng, và hiệu quả chú thích của họ cao hơn nhiều.sử dụng hình ảnh CMOS dễ chú thích để tạo ra hình ảnh siêu phổ giả với tiếng ồn, và sau đó sử dụng những hình ảnh này để đào tạo mô hình.

Cách tiếp cận cụ thể được chia thành ba bước:
Bước đầu tiên là chuyển đổi màu sắc và điều chỉnh độ sáng.và điều chỉnh độ sáng thông qua điều chỉnh gamma và cân bằng biểu đồ để làm cho nó gần với hiệu ứng trực quan của hình ảnh siêu phổ ở một băng tần bước sóng cụ thể (chẳng hạn như 580 nm).

Bước thứ hai là thêm âm thanh thiết bị.Thêm ngẫu nhiên các đường tiếng ồn dọc và ngang vào hình ảnh để mô phỏng tiếng ồn sọc được tạo ra trong máy ảnh siêu phổ thực tế do sự khác biệt về độ nhạy cảm của cảm biến hoặc xử lý tín hiệuSố lượng các đường nhiễu dọc là từ 19 đến 29, và vị trí và chiều rộng của các đường nhiễu ngang cũng được ngẫu nhiên hóa.

Bước thứ ba là chuyển đổi hình học. Thực hiện các hoạt động như cắt tỉa, lật và dịch trên các hình ảnh giả được tạo ra để mở rộng hơn nữa bộ dữ liệu.

Thông qua quy trình làm việc này, 44 hình ảnh CMOS gốc đã tạo ra 792 hình ảnh siêu phổ giả, sau khi được hợp nhất với 44 hình ảnh siêu phổ gốc, mang tập huấn đến 836 hình ảnh.

2- Hiệu ứng thí nghiệm như thế nào?
Nhóm nghiên cứu đã đánh giá hiệu suất mô hình bằng cách sử dụng xác nhận chéo 5 lần, sử dụng IoU (Đường giao qua Liên minh) và hệ số Dice làm chỉ số.

Khi được đào tạo chỉ với 44 hình ảnh siêu phổ gốc, IoU là 0,5786 và hệ số Dice là 0.7304Sau khi thêm các hình ảnh siêu phổ giả, IoU tăng lên 0,6458 và hệ số Dice tăng lên 0,7820 IoU cải thiện khoảng 11,6% và hệ số Dice cải thiện khoảng 7,1%.

Nghiên cứu cũng phát hiện ra rằng độ sáng hình ảnh và mật độ tế bào ảnh hưởng đến kết quả phân đoạn.Điều này cho thấy rằng mô hình có một sự phụ thuộc nhất định vào chất lượng hình ảnh, và cũng đề xuất các hướng để cải thiện trong tương lai.

3Ý nghĩa của nghiên cứu này là gì?
Đối với việc xử lý hình ảnh bệnh lý siêu phổ, sự khan hiếm dữ liệu và tiếng ồn của thiết bị là hai trở ngại không thể tránh khỏi.,tốt hơn là để mô hình học cách đối phó với tiếng ồn trong giai đoạn đào tạo.Tạo hình ảnh giả siêu phổ với tiếng ồn thiết bị từ hình ảnh CMOS không chỉ giải quyết khó khăn của chú thích mà còn tăng cường độ bền của mô hình chống lại tiếng ồn.

Tất nhiên, nghiên cứu này cũng có những hạn chế. Dữ liệu thí nghiệm đến từ các mẫu khối u vú của chó, và chỉ có bảy loại hình ảnh.Các loại mẫu phức tạp hơn và các bộ dữ liệu lớn hơn vẫn cần được tích lũy dần.

Tuy nhiên, từ góc độ phương pháp học, 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 diagnosisVới sự phổ biến dần của thiết bị hình ảnh siêu phổ trong các phòng bệnh lý, các phương pháp tăng cường dữ liệu tương tự có thể giúp các nhà nghiên cứu đào tạo mô hình hiệu quả hơn.giảm sự phụ thuộc vào chú thích thủ công quy mô lớn.

Phân từ trách nhiệm
Nội dung này được biên soạn và chỉnh sửa từ tài liệu học thuật mở (liên kết tài liệu: https://www.sciencedirect.com/science/article/pii/S2352914826000213).Nó chỉ được sử dụng cho công nghiệp thảo luận kỹ thuật và khoa học phổ biến học tập, và không đưa ra bất kỳ cam kết nào liên quan đến thương mại, cũng không thể được sử dụng làm cơ sở tham khảo đầu tư.Các dữ liệu và kết luận thử nghiệm khác nhau được liệt kê trong văn bản sẽ bị can thiệp bởi nhiều biến như môi trường thử nghiệm, sự khác biệt cá nhân trong các mẫu và các chương trình xây dựng mô hình.Các hiệu ứng có liên quan cần phải được xác minh thông qua thử nghiệm độc lập kết hợp với các kịch bản của riêng mình.