تجزئة صور علم الأمراض فائقة الطيف لسيتوبلازم السرطان: نهج جديد يعتمد على زيادة البيانات

في التشخيص المرضي، يعد تلطيخ الهيماتوكسيلين-أيوزين (H&E) طريقة شائعة الاستخدام لمراقبة مورفولوجيا الأنسجة. يصبغ الهيماتوكسيلين نواة الخلية باللون الأزرق الأرجواني، في حين يصبغ الأيوسين السيتوبلازم والمصفوفة خارج الخلية باللون الوردي. يراقب علماء الأمراض هذه الأجزاء الملطخة تحت المجهر للحكم على ما إذا كانت الخلايا قد خضعت لتغيرات سرطانية. في عملية تحديد أنواع السرطان، يعد التحديد الدقيق لمنطقة السيتوبلازم السرطاني خطوة أساسية.

في السنوات الأخيرة، دخلت تكنولوجيا التصوير الفائق الطيفي تدريجيًا في مجال أبحاث علم الأمراض. بالمقارنة مع كاميرات CMOS التقليدية، يمكن للكاميرات فائقة الطيف الحصول على معلومات خلوية أكثر ثراءً. إلا أن هذه التكنولوجيا تواجه مشكلتين واقعيتين في التطبيقات العملية.

المشكلة الأولى هي صعوبة الحصول على البيانات. تكلفة الحصول على الصور الفائقة الطيفية مرتفعة، وإنشاء مجموعة بيانات مشروحة واسعة النطاق ليس بالأمر السهل. ومع ذلك، تتطلب نماذج التعلم العميق على وجه التحديد كمية كبيرة من البيانات لتعمل بفعالية. المشكلة الثانية هي ضجيج الآلة. غالبًا ما تولد الكاميرات فائقة الطيف المستندة إلى وضع المكنسة الخطية ضوضاء شريطية رأسية أو أفقية، وتحولات في البكسل، ومشكلات أخرى أثناء عملية التصوير. وتختلف هذه الضوضاء وفقًا لخصائص المعدات وبيئات التشغيل، مما يجعل من الصعب تجنبها تمامًا.

ولمعالجة هذه المشاكل، تم نشر دراسة في مجلة المعلوماتية في الطب المفتوح. واقترحوا طريقة لزيادة البيانات تستخدم صور CMOS لإنشاء صور فوق طيفية زائفة تحاكي ضوضاء الأجهزة الحقيقية، والتي تُستخدم بعد ذلك لتدريب نموذج تجزئة U-Net.

1. لماذا نستخدم صور CMOS للتكبير؟
الاعتبار المباشر هو تكلفة التعليق التوضيحي. نسيج السيتوبلازم السرطاني في الصور الفائقة الطيفية معقد، والتعليق عليها يدويًا في الصور ذات التدرج الرمادي يستغرق وقتًا طويلاً وشاقة. في المقابل، تكون صور CMOS واضحة بصريًا، وكفاءة التعليقات التوضيحية الخاصة بها أعلى بكثير. فكرة فريق البحث هي: استخدام صور CMOS المشروحة بسهولة لإنشاء صور فوق طيفية زائفة مع ضوضاء، ثم استخدام هذه الصور لتدريب النموذج.

وينقسم النهج المحدد إلى ثلاث خطوات:
الخطوة الأولى هي تحويل الألوان وتعديل السطوع. قم بتحويل صورة CMOS RGB إلى صورة ذات تدرج رمادي، واضبط السطوع من خلال تصحيح جاما ومعادلة الرسم البياني لجعلها قريبة من التأثير المرئي للصور فائقة الطيف عند نطاق طول موجي محدد (مثل 580 نانومتر).

الخطوة الثانية هي إضافة ضوضاء الآلة. قم بإضافة خطوط ضوضاء عمودية وأفقية إلى الصورة بشكل عشوائي لمحاكاة ضوضاء الشريط الناتجة في الكاميرات الطيفية الفعلية بسبب الاختلافات في حساسية المستشعر أو معالجة الإشارات. ويتراوح عدد خطوط الضوضاء العمودية بين 19 و29، كما يتم أيضًا اختيار مواقع وعرض خطوط الضوضاء الأفقية بشكل عشوائي. بالإضافة إلى ذلك، تتم محاكاة فقدان المعلومات وتحولات البكسل.

الخطوة الثالثة هي التحول الهندسي. قم بإجراء عمليات مثل الاقتصاص والقلب والترجمة على الصور الزائفة التي تم إنشاؤها لتوسيع مجموعة البيانات بشكل أكبر.

من خلال سير العمل هذا، أنتجت 44 صورة CMOS أصلية 792 صورة فوق طيفية زائفة، والتي، بعد دمجها مع 44 صورة فائقة الطيفية أصلية، رفعت مجموعة التدريب إلى 836 صورة.

2. كيف كان التأثير التجريبي؟
قام فريق البحث بتقييم أداء النموذج باستخدام التحقق المتبادل بخمسة أضعاف، واستخدام IoU (التقاطع فوق الاتحاد) ومعامل النرد كمؤشرات.

عند التدريب باستخدام 44 صورة فائقة الطيفية أصلية فقط، كان IoU 0.5786 ومعامل النرد 0.7304. بعد إضافة الصور فائقة الطيف الزائفة، زاد IoU إلى 0.6458 وزاد معامل النرد إلى 0.7820 - تحسن IoU بحوالي 11.6% وتحسن معامل النرد بحوالي 7.1%.

ووجدت الدراسة أيضًا أن سطوع الصورة وكثافة الخلايا يؤثران على نتائج التجزئة. أظهرت أنواع الصور الداكنة وأنواع الصور ذات نوى الخلايا الكثيفة دقة تجزئة أقل نسبيًا. يشير هذا إلى أن النموذج يعتمد بشكل معين على جودة الصورة، ويقترح أيضًا اتجاهات للتحسين في المستقبل.

3. ما أهمية هذا البحث؟
بالنسبة لمعالجة الصور الباثولوجية الفائقة الطيفية، فإن ندرة البيانات وضجيج الأجهزة هما عقبتان لا يمكن تجنبهما. توفر هذه الدراسة فكرة قابلة للتنفيذ: بدلاً من إزالة الضوضاء بعناية، من الأفضل السماح للنموذج بتعلم كيفية التعامل مع الضوضاء أثناء مرحلة التدريب. إن إنشاء صور شبه طيفية زائفة مع ضوضاء الأداة من صور CMOS لا يحل فقط صعوبة التعليق التوضيحي ولكنه يعزز أيضًا متانة النموذج ضد الضوضاء.

وبطبيعة الحال، هذه الدراسة لديها أيضا قيود. جاءت البيانات التجريبية من عينات أورام الثدي في الكلاب، ولم يكن هناك سوى سبعة أنواع من الصور. لا تزال هناك حاجة إلى تجميع أنواع العينات الأكثر تعقيدًا ومجموعات البيانات الأكبر حجمًا تدريجيًا.

ومع ذلك، من منظور منهجي، فإن مفهوم "استخدام الصور المشروحة بسهولة لتوليد عينات تدريبية تحتوي على ضوضاء" يوفر مسارًا عمليًا قيمًا لتطبيق التصوير المجهري الفائق الطيفي في التشخيص المرضي. ومع الانتشار التدريجي لمعدات التصوير فوق الطيفي في أقسام علم الأمراض، قد تساعد أساليب مماثلة لزيادة البيانات الباحثين على تدريب النماذج بشكل أكثر كفاءة، مما يقلل الاعتماد على التعليقات التوضيحية اليدوية واسعة النطاق.

تنصل
تم تجميع هذا المحتوى وتحريره من المؤلفات الأكاديمية المفتوحة (رابط الأدب: https://www.sciencedirect.com/science/article/pii/S2352914826000213). يتم استخدامه فقط للمناقشة التقنية الصناعية وتعلم تعميم العلوم، ولا يقدم أي التزامات تجارية، ولا يمكن استخدامه كأساس مرجعي للاستثمار. سيتم التدخل في البيانات والاستنتاجات التجريبية المختلفة المدرجة في النص من خلال متغيرات متعددة مثل بيئة الاختبار، والفروق الفردية في العينات، ومخططات بناء النماذج. إذا تم تطبيقه في سيناريوهات فعلية، فيجب التحقق من التأثيرات ذات الصلة من خلال اختبار مستقل بالاشتراك مع السيناريوهات الخاصة بكل فرد.