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

In den ruhigen, gut beleuchteten Räumen eines Pathologie-Labors beginnt die Diagnose von Krebs oft mit einem einfachen Akt: Ein Stück menschlichen Gewebes wird auf einen Objektträger aus Glas gelegt, mit chemischen Farbstoffen behandelt und unter einem Mikroskop untersucht. Diese Farbstoffe, bekannt als Färbungen, sind essenzielle Werkzeuge, die unsichtbare Zellstrukturen in sichtbare Farben verwandeln und es Ärzten ermöglichen, den Unterschied zwischen gesunden Zellen und erkrankten Zellen zu erkennen. Der Prozess der Vorbereitung dieser Objektträger ist jedoch nicht perfekt einheitlich. Genau wie ein Maler eine Charge blauer Farbe mischen kann, die etwas dunkler oder heller ausfällt als die vorherige Charge, variiert die chemische Färbung von Gewebeobjektträgern von einer Probe zur anderen. Ein Objektträger weist vielleicht tiefviolette Zellkerne auf, während ein anderer eine hellere Nuance zeigt, selbst wenn das darunter liegende Gewebe identisch ist. Diese Variation stellt ein erhebliches Hindernis für Computer dar, die versuchen, diese Bilder zu analysieren. Wenn Forscher mehrere Objektträger desselben Patienten vergleichen wollen, die zu verschiedenen Zeiten aufgenommen wurden, oder verschiedene Arten von Färbungen kombinieren möchten, um ein vollständiges Bild zu erhalten, müssen sie die Bilder perfekt aufeinander abstimmen. Dieser Prozess, die Registrierung genannt, ist wie der Versuch, zwei transparente Karten derselben Stadt übereinanderzulegen, die mit unterschiedlichen Tintenfarben und leicht unterschiedlichen Maßstäben gezeichnet wurden. Wenn die Farben zu verschieden sind, gerät der Computer durcheinander und kann die Straßen nicht korrekt ausrichten.

Ein Forschungsteam der Universität Oulu und der Universität Helsinki setzte sich zum Ziel, genau dieses Problem der Abstimmung von histopathologischen Bildern zu lösen, die auf unterschiedliche Weise gefärbt wurden. Sie konzentrierten sich auf Ganzgewebe-Bilder (Whole-Slide Images), bei denen es sich um unglaublich hochauflösende digitale Scans von Gewebeproben handelt, die oft Milliarden von Pixeln enthalten. Die Forscher testeten drei verschiedene Methoden, um zu sehen, welche die abgestimmten, jedoch nicht übereinstimmenden Bilder am besten ausrichten konnte. Zwei der Methoden stützten sich auf die Helligkeit und Farbe jedes einzelnen Pixels und versuchten im Wesentlichen, die Bilder abzugleichen, indem sie die Rosa- und Violetttöne identisch aussehen ließen. Die dritte Methode verfolgte einen anderen Ansatz: Sie ignorierte die Farben vollständig und suchte stattd�lich nach spezifischen, erkennbaren anatomischen Landmarken, wie etwa der markanten Form eines Zellclusters oder eines Blutgefäßes, um die Ausrichtung zu leiten. Um den Test fair und streng zu gestalten, verwendeten die Forscher zunächst ein spezialisiertes Computermodell, um die Farben der Bilder künstlich zu verändern, wodurch die natürlichen Variationen simuliert wurden, die in echten Laboren vorkommen. Anschließend wandten sie ihre Ausrichtungstechniken an, um zu prüfen, welche Methode das Farbchaos bewältigen konnte, ohne die strukturellen Details des Gewebes zu verlieren.

Die Ergebnisse der Studie zeigten einen klaren Gewinner im Angesicht der Färbevariation. Die Methode, die auf dem Abgleich spezifischer anatomischer Landmarken basierte, erwies sich als am robustesten und genauesten. Indem sie sich auf die physischen Formen und Positionen der Strukturen innerhalb des Gewebes statt auf die Farben konzentrierte, gelang es diesem Ansatz, die Bilder selbst dann erfolgreich auszurichten, wenn die Färbungen drastisch unterschiedlich waren. Die Forscher fanden heraus, dass diese landmarkenbasierte Technik ein hohes Maß an Präzision beibehielt, unabhängig davon, ob die Bilder in ihren ursprünglichen, variierenden Farben vorlagen oder so bearbeitet worden waren, dass sie einheitlicher aussahnen. Im Gegensatz dazu hatten die Methoden, die von der Pixelintensität abhingen, erhebliche Schwierigkeiten, wenn sich die Farben änderten. Eines der intensitätsbasierten Werkzeuge, das bei den Originalbildern noch recht gut abgeschnitten hatte, verzeichnete einen dramatischen Rückgang der Genauigkeit, sobald die Farben normalisiert wurden, wodurch es die Gewebestrukturen nicht mehr korrekt ausrichten konnte. Das andere intensitätsbasierte Werkzeug zeigte nach der Anpassung der Farben eine gewisse Verbesserung, was eine gesteigerte Stärke demonstrierte, konnte aber dennoch nicht mit der Konsistenz und Zuverlässigkeit des landmarkenbasierten Ansatzes mithalten.

Die Studie hob auch die Effektivität eines Deep-Learning-Modells namens StainNet hervor, das verwendet wurde, um die Farben der Bilder zu standardisieren, bevor die Ausrichtungsmethoden getestet wurden. Dieses Modell transformierte die variierenden Färbungen erfolgreich in ein konsistentes Erscheinungsbild, ganz ähnlich wie ein Bildbearbeitungsprogramm, das den Weißabgleich anpasst, um eine Serie von Fotos so aussehen zu lassen, als wären sie unter demselben Licht aufgenommen worden. Während diese Farbkorrektur den intensitätsbasierten Methoden half, etwas besser zu funktionieren, rettete sie sie nicht vor ihrer grundlegenden Schwäche: Sie blieben zu sehr von den spezifischen Farbschattierungen abhängig, um korrekt zu funktionieren. Die landmarkenbasierte Methode hingegen blieb während des gesamten Prozesses stabil und präzise. Die Forscher maßen die Genauigkeit jeder Methode, indem sie den Abstand berechneten, um den einen spezifischen Punkt liegen sollte und wo der Computer diesen Punkt nach der Ausrichtung platzierte. Der landmarkenbasierte Ansatz produzierte konsistent die kleinsten Fehler und hielt die Fehlstellung oft unter fünf Pixeln, während die intensitätsbasierten Methoden Fehler produzierten, die manchmal um das Vielfache größer waren, insbesondere wenn die Bilder farbkorrigiert worden waren.

Trotz des klaren Erfolgs der landmarkenbasierten Methode wiesen die Forscher auf eine verbleibende praktische Herausforderung hin. Während der Computer die Bilder perfekt ausrichten kann, sobald die Landmarken identifiziert sind, erfordert das Finden und Markieren dieser spezifischen Punkte auf dem Gewebe die Arbeit eines menschlichen Experten, der das Bild betrachtet und sie hervorhebt. Dieser manuelle Schritt ist zeitaufwendig und erfordert erhebliches Geschick. Die Studie legt nahe, dass die Zukunft dieses Feldes darin liegt, Computer darauf zu trainieren, diese Landmarken automatisch zu identifizieren, was die Zuverlässigkeit des landmarkenbasierten Ansatzes mit der Geschwindigkeit der Automatisierung kombinieren würde. Bis dahin bestätigen die Ergebnisse, dass es für die komplexe Aufgabe, unterschiedlich gefärbte Gewebeproben auszurichten, weitaher effektiver ist, sich auf die physische Struktur des Gewebes zu verlassen, als zu versuchen, die Farben abzugleichen. Diese Unterscheidung ist entscheidend für die Zukunft der digitalen Pathologie, in der eine genaue Ausrichtung notwendig ist, um Patientendaten über die Zeit zu vergleichen und automatisierte Werkzeuge zu entwickeln, die bei der Diagnose von Krebs mit größerer Präzision unterstützen können.