Intensity and Landmark Based Registration Under Stain Normalization: A Comparative Study on Differently Stained Histopathology Images

في الغرف الهادئة والمضاءة جيداً في مختبر علم الأمراض، غالباً ما يبدأ تشخيص السرطان بعمل بسيط: وضع شريحة من الأنسجة البشرية على شريحة زجاجية، ومعالجتها بصبغات كيميائية، وفحصها تحت المجهر. هذه الأصباغ، المعروفة باسم الصبغات (stains)، هي أدوات أساسية تحول الهياكل الخلوية غير المرئية إلى ألوان مرئية، مما يسمح للأطباء برؤية الفرق بين الخلايا السليمة والمصابة. ومع ذلك، فإن عملية تحضير هذه الشرائح ليست موحدة تماماً. تماماً كما قد يخلط رسام دفعة من الطلاء الأزرق لتظهر أغمق أو أفتح قليلاً من الدفعة السابقة، فإن الصبغ الكيميائي لشرائح الأنسجة يختلف من عينة إلى أخرى. فقد تحتوي إحدى الشرائح على نوى أرجوانية عميقة بينما تحتوي أخرى على درجة أفتح، حتى لو كانت الأنسجة الموجودة تحتها متطابقة. يخلق هذا التباين عقبة كبيرة أمام الحواسيب التي تحاول تحليل هذه الصور. فعندما يريد الباحثون مقارنة عدة شرائح لنفس المريض تم أخذها في أوقات مختلفة، أو دمج أنواع مختلفة من الأصباغ للحصول على صورة كاملة، يتعين عليهم محاذاة الصور بدقة. وتعتبر هذه العملية، التي تسمى "التسجيل" (registration)، مثل محاولة وضع خريطتين شفافتين لنفس المدينة فوق بعضهما البعض، حيث رُسمت كل منهما بألوان حبر مختلفة ومقاييس رسم مختلفة قليلاً. وإذا كانت الألوان مختلفة جداً، فسيصاب الكمبيوتر بالارتباك ولن يتمكن من مطابقة الشوارع بشكل صحيح.

وضع فريق من الباحثين في جامعة أولو وجامعة هلسنكي نصب أعينهم حل هذه المشكلة المحددة المتمثلة في محاذاة صور علم الأمراض النسيجي التي تم صبغها بطرق مختلفة. وقد ركزوا على صور الشرائح الكاملة (whole-slide images)، وهي مسوحات رقمية عالية الدقة لعينات الأنسجة، والتي غالباً ما تحتوي على مليارات البكسلات. اختبر الباحثون ثلاث طرق مختلفة لمعرفة أي منها يمكنه محاذاة هذه الصور غير المتطابقة بأفضل شكل. اعتمدت طريقتان من هذه الطرق على سطوع ولون كل بكسل بمفرده، حيث تحاولان أساساً مطابقة الصور من خلال جعل درجات اللون الوردي والأرجواني تبدو متطابقة. أما الطريقة الثالثة فقد اتخذت نهجاً مختلفاً: إذ تجاهلت الألوان تماماً وبدلاً من ذلك بحثت عن معالم تشريحية محددة وقابلة للتمييز، مثل الشكل المميز لتجمع خلوي أو وعاء دموي، لتوجيه عملية المحاذاة. ولجعل الاختبار عادلاً وصارماً، استخدم الفريق أولاً نموذجاً حاسوبياً متخصصاً لتغيير ألوان الصور اصطناعياً، محاكياً بذلك التباينات الطبيعية التي تحدث في المختبرات الحقيقية. ثم طبقوا تقنيات المحاذاة هذه لمعرفة أي طريقة يمكنها التعامل مع فوضى الألوان دون فقدان التفاصيل الهيكلية للأنسجة.

كشفت نتائج الدراسة عن فائز واضح في مواجهة تباين الصبغة. فقد ثبت أن الطريقة التي تعتمد على مطابقة المعالم التشريحية المحددة هي الأكثر قوة ودقة. فمن خلال التركيز على الأشكال الفيزيائية ومواقع الهياكل داخل الأنسجة بدلاً من الألوان، نجح هذا النهج في محاذاة الصور حتى عندما كانت الأصباغ مختلفة جذرياً. ووجد الباحثون أن تقنية قائمة على المعالم حافظت على مستوى عالٍ من الدقة بغض النظر عما إذا كانت الصور بألوانها المتنوعة الأصلية أو تمت معالجتها لتبدو أكثر تجانساً. وفي المقابل، عانت الطرق التي تعتمد على شدة البكسل بشكل كبير عندما تغيرت الألوان. إذ إن إحدى الأدوات القائمة على الشدة، والتي كان أداؤها جيداً نوعاً ما على الصور الأصلية، شهدت دقتها انخفاضاً حاداً بمجرد تعديل الألوان، وفشلت في محاذاة هياكل الأنسجة بشكل صحيح. أما الأداة الأخرى القائمة على الشدة، فقد أظهرت بعض التحسن بعد تعديل الألوان، مما أظهر زيادة في القوة، لكنها لم تستطع مضاهاة الاتساق والموثوقية التي حققها النهج القائم على المعالم.

كما سلطت الدراسة الضوء على فعالية نموذج التعلم العميق المسمى "StainNet"، والذي استُخدم لتوحيد ألوان الصور قبل اختبار طرق المحاذاة. لقد نجح هذا النموذج في تحويل الأصباغ المتنوعة إلى مظهر متسق، تماماً مثل محرر الصور الذي يعدل توازن اللون الأبيض لجعل سلسلة من الصور تبدو وكأنها التقطت تحت نفس الإضاءة. وبينما ساعد تصحيح الألوان هذا الطرق القائمة على الشدة على الأداء بشكل أفضل قليلاً، إلا أنه لم ينقذها من ضعفها الجوهري: إذ ظلت تلك الطرق معتمدة للغاية على درجات لونية محددة لتعمل بشكل صحيح. ومع ذلك، ظل النهج القائم على المعالم مستقراً ودقيقاً طوال هذه العملية. وقد قاس الباحثون دقة كل طريقة من خلال حساب المسافة بين النقطة التي يجب أن تكون فيها نقطة معينة والمكان الذي وضعها فيه الكمبيوتر بعد المحاذاة. وقد أنتج النهج القائم على المعالم باستمرار أصغر الأخطاء، حيث حافظ غالباً على عدم المحاذاة دون خمسة بكسلات، في حين أنتجت الطرق القائمة على الشدة أخطاءً كانت أحياناً أكبر بعشرات المرات، خاصة عندما تم تصحيح ألوان الصور.

وعلى الرغم من النجاح الواضح للمنهج القائم على المعالم، لاحظ الباحثون وجود تحدٍ عملي لا يزال قائماً. فبينما يمكن للكمبيوتر محاذاة الصور بشكل مثالي بمجرد تحديد المعالم، فإن العثور على تلك النقاط المحددة وتحديدها على الأنسجة يتطلب من خبير بشري النظر إلى الصورة والإشارة إليها. وهذه الخطوة اليدوية تستغرق وقتاً طويلاً وتتطلب مهارة كبيرة. وتشير الدراسة إلى أن مستقبل هذا المجال يكمن في تعليم الحواسيب تحديد هذه المعالم تلقائياً، مما سيجمع بين موثوقية النهج القائم على المعالم وسرعة الأتمتة. وحتى ذلك الحين، تؤكد النتائج أنه بالنسبة للمهمة المعقدة المتمثلة في محاذاة عينات الأنسجة المصبوغة بشكل مختلف، فإن الاعتماد على الهيكل الفيزيائي للأنسجة أكثر فعالية بكثير من محاولة مطابقة الألوان. وهذا التمييز أمر بالغ الأهمية لمستقبل علم الأمراض الرقمي، حيث تعتبر المحاذاة الدقيقة ضرورية لمقارنة بيانات المرضى بمرور الوقت ولتطوير أدوات مؤتمتة يمكنها المساعدة في تشخيص السرطان بدقة أكبر.