Shape-supervised network for cross-domain nuclei instance segmentation

In der stillen, mikroskopischen Welt eines menschlichen Körpers wird die Geschichte von Gesundheit und Krankheit oft in der Form und Anordnung von Zellen geschrieben. Pathologen, die Ärzte, die Gewebeproben unter einem Mikroskop untersuchen, verlassen sich stark auf das Zählen und Analysieren von Zellkernen – den dunklen, zentralen Steuerzentren, die in fast jeder Zelle zu finden sind. Wenn diese Kerne dicht gedrängt beieinander liegen oder wenn sie aufgrund von Krebs oder Infektionen ungewöhnliche Formen annehmen, wird die Aufgabe, jeden einzelnen zu identifizieren, unglaublich schwierig. Jahrzehntelang haben Wissenschaftler versucht, Computer beizubringen, diese Arbeit automatisch auszuführen, in der Hoffnung, Diagnosen zu beschleunigen und die Last manueller Arbeit zu verringern. Herkömmliche Computerprogramme haben jedoch oft Schwierigkeiten, wenn sie von einer Art von Gewebeprobe zu einer anderen wechseln oder wenn Zellen so eng zusammengedrängt sind, dass ihre Grenzen zu einer einzigen, undeutlichen Masse verschwimmen. Die Herausforderung besteht nicht nur darin, die Zellen zu sehen, sondern zu verstehen, dass jede einzelne ein separates, eigenständiges Objekt mit einer vorhersehbaren Form ist, selbst wenn das Bild unordentlich ist oder aus einem anderen Labor stammt.

Ein Team von Forschern hat einen neuen Ansatz entwickelt, um dieses Problem zu lösen, indem sie ein System erschaffen haben, das einen Computer lehrt, Zellen anhand ihrer erwarteten Form zu erkennen. Anstatt den Computer einfach nur zu bitten, eine Linie um jeden dunklen Fleck zu ziehen, den er sieht, fungiert die neue Methode namens SSNet eher wie ein Wegweiser, der die Arbeit ständig mit einem mentalen Modell abgleicht, wie ein gesunder Zellkern aussehen sollte. Die Forscher erkannten, dass einzelne Zellen zwar variieren können, aber im Allgemeinen eine gemeinsame, ovale Struktur teilen. Durch den Aufbau eines Systems, das dieses Wissen als Regel nutzt, konnten sie einen Computer trainieren, um überfüllte Zellen genauer zu trennen als bisherige Methoden, selbst wenn sie Bilder aus verschiedenen Krankenhäusern oder auf unterschiedliche Weise vorbereitet wurden.

Der Kern dieses neuen Systems ist ein dreistufiger Prozess, der zusammen wie eine einzige, kohärente Einheit arbeitet. Zuerst scannt ein Computernetzwerk ein Bild, um alle Bereiche zu finden, in denen Zellkerne vorhanden sind, und erstellt so eine grobe Karte des Vordergrunds. Als Nächstes gruppiert ein mathematisches Werkzeug diese Bereiche in einzelne Kandidaten und versucht herauszufinden, wo eine Zelle endet und eine andere beginnt. Schließlich überprüft das System die Form jedes Kandidaten. Wenn ein Kandidat wie ein glattes Oval aussieht, wird er akzeptiert. Wenn er gezackt, gestreckt oder seltsam geformt aussieht, weiß das System, dass etwas nicht stimmt. Dieser „Formcheck“ ist nicht nur eine abschließende Überprüfung; er dient als Leersignal. Das System speist diese Information in den ersten Schritt zurück und sagt dem Computer: „Du hast die Grenze hier übersehen“ oder „Du hast zwei Zellen zu einer verschmolzen“, und passt seine zukünftigen Vermutungen entsprechend an. Dies erzeugt eine Rückkopplungsschleife, in der der Computer lernt, sauberere, genauere Grenzen zu ziehen, weil er ständig an die natürliche, ovale Form der Zellen erinnert wird, die er zu finden versucht.

Um zu testen, ob diese Idee funktionierte, trainierten die Forscher ihr System auf einer großen Sammlung von Bildern aus öffentlichen Datenbanken und forderten es dann mit neuen, ungesehenen Daten heraus. Sie verwendeten Bilder aus neun verschiedenen Arten von Organen sowie Privatproben aus Krankenhäusern in China, die Tausende von dicht gepackten Gebärmutterhalszellen enthielten. Die Ergebnisse waren beeindruckend. Als das System mit Bildern getestet wurde, die es noch nie zuvor gesehen hatte, identifizierte und trennte es einzelne Kerne mit einem hohen Grad an Genauigkeit. In einem Testlauf, der Tausende von Zellen aus ganzen Gewebeschnitten umfasste, identifizierte die neue Methode fast 99 Prozent der Zellen korrekt und war bei der Kennzeichnung etwa 97 Prozent der Zeit präzise. Dies übertraf mehrere andere führende Computerprogramme, die dazu neigten, entweder kleine Zellen in gedrängten Gruppen zu übersehen oder zwei separate Zellen fälschlicherweise zu einem Klumpen zusammenzufügen.

Die wahre Stärke dieses Ansatzes wurde deutlich, als die Forscher seine Fähigkeit testeten, mit unterschiedlichen Bildstilen umzugehen. In der realen Welt können Gewebeproben sehr unterschiedlich aussehen, je nachdem, wie sie gefärbt wurden oder welches Mikroskop verwendet wurde. Ein Computer, der auf einen Typ von Bild trainiert wurde, scheitert oft, wenn er mit einem anderen konfrontiert wird. Da sich das neue System jedoch auf die grundlegende Form der Zelle stützt und nicht nur auf die spezifischen Farben oder Texturen des Bildes, blieb es robust. Als die Forscher das System mit Daten aus einem Krankenhaus trainierten und dann mit Daten aus drei anderen Krankenhäusern mit völlig anderen Bildstilen testeten, blieb die Leistung nahezu identisch. Die Fehlerrate bei der Identifizierung einzelner Zellen lag unter zwei Prozent, was demonstrierte, dass das System eine universelle Regel über die Zellform gelernt hatte, anstatt nur eine spezifische Menge an Bildern auswendig zu lernen.

Die Forscher untersuchten auch, warum diese Methode so gut funktionierte, indem sie sie mit Systemen verglichen, die keine Formführung nutzten. Ohne den Formcheck produzierte der Computer oft gezackte, unregelmäßige Umrisse, die es schwierig machten zu bestimmen, wo eine Zelle endete und eine andere begann. Diese unordentlichen Grenzen führten zu Fehlern, bei denen der Computer eine einzelne Zelle in zwei aufteilte oder zwei separate Zellen zusammenklebte. Durch das Durchsetzen der Regel, dass Zellen im Allgemeinen oval sein sollten, glättete das System diese Fehler und erzeugte saubere, deutliche Formen, die der Grundwahrheit viel näher kamen. Die Studie legt nahe, dass Zellen zwar durch Krankheiten deformiert werden können, aber selten ihre grundlegende ovale Struktur vollständig verlieren, und dass die Nutzung dieser einfachen geometrischen Wahrheit als Leitfaden eine leistungsstarke Methode ist, um die Computer-Vision in der Medizin zu verbessern.

Diese Arbeit erhebt nicht den Anspruch, jedes Problem in der Zellanalyse zu lösen. Die Forscher räumen ein, dass ihre Methode möglicherweise bei Zellen Schwierigkeiten haben könnte, die extrem unregelmäßig oder irreparabel beschädigt sind, da das System auf der Annahme basiert, dass Zellen annähernd oval sind. Sie stellen auch fest, dass die aktuelle Netzwerkarchitektur relativ einfach ist und weiter verfeinert werden könnte. Dennoch bieten die Ergebnisse einen klaren Weg nach vorn: Indem Computer die Fähigkeit zu sehen mit dem Wissen kombinieren, was zu erwarten ist, können sie viel zuverlässigere Partner für Ärzte werden. Der in dieser Studie entwickelte Code und die Modelle stehen nun anderen zur Verfügung, was potenziell dazu beitragen kann, die Genauigkeit von Krebsdiagnosen und anderen pathologischen Beurteilungen in verschiedenen Laboren und Regionen zu standardisieren und zu verbessern.