Kanser Sitoplazmasının Hiper Spektral Patoloji Görüntü Segmentasyonu: Veri Artırma Tabanlı Yeni Bir Yaklaşım

Patolojik teşhiste, Hematoksilen-Eozin (H&E) boyama, doku morfolojisini gözlemlemek için yaygın olarak kullanılan bir yöntemdir. Hematoksilen hücre çekirdeklerini mavi-mor renkte boyarken, eozin sitoplazmayı ve hücre dışı matrisi pembe renkte boyar. Patologlar, hücrelerin kanserli değişikliklere uğrayıp uğramadığını değerlendirmek için bu boyanmış kesitleri mikroskop altında incelerler. Kanser türlerinin belirlenmesi sürecinde, kanser sitoplazma bölgesinin doğru bir şekilde tanımlanması önemli bir adımdır.

Son yıllarda, hiperspektral görüntüleme teknolojisi giderek patoloji araştırmaları alanına girmiştir. Geleneksel CMOS kameralarla karşılaştırıldığında, hiperspektral kameralar daha zengin hücresel bilgi elde edebilir. Ancak bu teknoloji, pratik uygulamalarda iki gerçekçi sorunla karşı karşıyadır.

İlk sorun veri toplama zorluğudur. Hiperspektral görüntülerin toplama maliyeti yüksektir ve büyük ölçekli etiketlenmiş bir veri kümesi oluşturmak kolay değildir. Oysa derin öğrenme modelleri etkili çalışmak için tam olarak büyük miktarda veriye ihtiyaç duyar. İkinci sorun ise cihaz gürültüsüdür. Doğrusal itme-süpürme moduna dayalı hiperspektral kameralar, görüntüleme işlemi sırasında genellikle dikey veya yatay çizgi gürültüsü, piksel kaymaları ve diğer sorunlar üretir. Bu gürültüler, ekipman özelliklerine ve çalışma ortamlarına göre değişiklik gösterir, bu da onları tamamen önlemeyi zorlaştırır.

Bu sorunları çözmek için Informatics in Medicine Unlocked dergisinde bir çalışma yayınlandı. Gerçek cihaz gürültüsünü simüle eden sözde-hiperspektral görüntüler oluşturmak için CMOS görüntülerini kullanan bir veri artırma yöntemi önerdiler ve bu görüntüler daha sonra bir U-Net segmentasyon modelini eğitmek için kullanıldı.

1. Neden artırma için CMOS görüntüleri kullanılıyor?
Doğrudan bir neden etiketleme maliyetidir. Hiperspektral görüntülerdeki kanser sitoplazmasının dokusu karmaşıktır ve bunları gri tonlamalı görüntülerde manuel olarak etiketlemek hem zaman alıcı hem de zahmetlidir. Buna karşılık, CMOS görüntüleri görsel olarak nettir ve etiketleme verimlilikleri çok daha yüksektir. Araştırma ekibinin fikri şudur: kolay etiketlenebilen CMOS görüntülerini gürültülü sözde-hiperspektral görüntüler oluşturmak için kullanmak ve ardından bu görüntüleri modeli eğitmek için kullanmak.

Özel yaklaşım üç adıma ayrılır:
İlk adım renk dönüşümü ve parlaklık ayarlamasıdır. CMOS RGB görüntüsünü gri tonlamalı bir görüntüye dönüştürün ve belirli bir dalga boyu bandındaki (örneğin 580 nm) hiperspektral görüntülerin görsel etkisine yakın hale getirmek için gama düzeltmesi ve histogram eşitleme yoluyla parlaklığı ayarlayın.

İkinci adım cihaz gürültüsü eklemektir. Sensör hassasiyetindeki veya sinyal işlemedeki farklılıklar nedeniyle gerçek hiperspektral kameralarda oluşan çizgi gürültüsünü simüle etmek için görüntüye rastgele dikey ve yatay gürültü çizgileri ekleyin. Dikey gürültü çizgilerinin sayısı 19 ile 29 arasındadır ve yatay gürültü çizgilerinin konumları ve genişlikleri de rastgeleleştirilir. Ek olarak, bilgi kaybı ve piksel kaymaları simüle edilir.

Üçüncü adım geometrik dönüşümdür. Veri kümesini daha da genişletmek için oluşturulan sözde görüntüler üzerinde kırpma, çevirme ve öteleme gibi işlemler gerçekleştirin.

Bu iş akışı aracılığıyla, 44 orijinal CMOS görüntüsü 792 sözde-hiperspektral görüntü üretti ve bu görüntüler 44 orijinal hiperspektral görüntü ile birleştirildikten sonra eğitim setini 836 görüntüye çıkardı.

2. Deneysel etki nasıldı?
Araştırma ekibi, model performansını 5 katlı çapraz doğrulama kullanarak, IoU (Kesişim Üzeri Birleşim) ve Dice katsayısını göstergeler olarak kullanarak değerlendirdi.

Yalnızca 44 orijinal hiperspektral görüntü ile eğitildiğinde, IoU 0.5786 ve Dice katsayısı 0.7304 idi. Sözde-hiperspektral görüntüler eklendikten sonra, IoU 0.6458'e ve Dice katsayısı 0.7820'ye yükseldi - IoU yaklaşık %11.6 ve Dice katsayısı yaklaşık %7.1 arttı.

Çalışma ayrıca görüntü parlaklığının ve hücre yoğunluğunun segmentasyon sonuçlarını etkilediğini buldu. Daha koyu görüntü türleri ve yoğun hücre çekirdeklerine sahip görüntü türleri nispeten daha düşük segmentasyon doğruluğu gösterdi. Bu, modelin görüntü kalitesine belirli bir bağımlılığı olduğunu ve gelecekteki iyileştirmeler için de yönler önerdiğini göstermektedir.

3. Bu araştırmanın önemi nedir?
Hiperspektral patoloji görüntülerini işlemek için veri kıtlığı ve cihaz gürültüsü kaçınılmaz iki engeldir. Bu çalışma eyleme geçirilebilir bir fikir sunmaktadır: gürültüyü titizlikle gidermek yerine, modelin eğitim aşamasında gürültüyle başa çıkmayı öğrenmesini sağlamak daha iyidir. CMOS görüntülerinden cihaz gürültüsü içeren sözde-hiperspektral görüntüler oluşturmak, yalnızca etiketleme zorluğunu çözmekle kalmaz, aynı zamanda modelin gürültüye karşı direncini de artırır.

Elbette bu çalışmanın da sınırlılıkları vardır. Deneysel veriler köpek süt tümörü örneklerinden geldi ve yalnızca yedi görüntü türü vardı. Daha karmaşık örnek türleri ve daha büyük veri kümeleri giderek biriktirilmelidir.

Ancak, metodolojik bir bakış açısıyla, "kolay etiketlenebilen görüntülerden gürültü içeren eğitim örnekleri oluşturma" konsepti, hiperspektral mikroskobik görüntülemenin patolojik teşhiste uygulanması için değerli pratik bir yol sunmaktadır. Patoloji departmanlarında hiperspektral görüntüleme ekipmanlarının giderek yaygınlaşmasıyla, benzer veri artırma yöntemleri araştırmacıların modelleri daha verimli bir şekilde eğitmelerine yardımcı olabilir ve büyük ölçekli manuel etiketlemeye olan bağımlılığı azaltabilir.

Yasal Uyarı
Bu içerik, açık akademik literatürden derlenmiş ve düzenlenmiştir (literatür bağlantısı: https://www.sciencedirect.com/science/article/pii/S2352914826000213). Yalnızca endüstriyel teknik tartışma ve bilim popülerleştirme öğrenimi için kullanılır ve herhangi bir ticari ilgili taahhütte bulunmaz, ayrıca yatırım referans temeli olarak kullanılamaz. Metinde listelenen çeşitli deneysel veriler ve sonuçlar, test ortamı, örneklerin bireysel farklılıkları ve model oluşturma şemaları gibi birden çok değişken tarafından etkilenecektir. Gerçek senaryolarda uygulandığı takdirde, ilgili etkilerin kendi senaryolarıyla birlikte bağımsız testler yoluyla doğrulanması gerekir.