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

En las salas silenciosas y bien iluminadas de un laboratorio de patología, el diagnóstico del cáncer comienza a menudo con un acto sencillo: una rebanada de tejido humano se coloca en un portaobjetos de vidrio, se trata con tintes químicos y se examina bajo un microscopio. Estos tintes, conocidos como colorantes, son herramientas esenciales que convierten las estructuras celulares invisibles en colores visibles, permitiendo a los médicos ver la diferencia entre las células sanas y las enfermas. Sin embargo, el proceso de preparación de estos portaobjetos no es perfectamente uniforme. Así como un pintor podría mezclar un lote de pintura azul que resulta ser un poco más oscuro o más claro que el lote anterior, la tinción química de los portaobjetos de tejido varía de una muestra a otra. Un portaobjetos puede tener núcleos de un púrpura profundo mientras que otro tiene un tono más claro, incluso si el tejido debajo es idéntico. Esta variación crea un obstáculo significativo para las computadoras que intentan analizar estas imágenes. Cuando los investigadores quieren comparar múltiples portaobjetos del mismo paciente tomados en diferentes momentos, o combinar diferentes tipos de tintes para obtener una imagen completa, deben alinear las imágenes perfectamente. Este proceso, llamado registro, es como intentar superponer dos mapas transparentes de la misma ciudad que fueron dibujados con diferentes colores de tinta y escalas ligeramente diferentes. Si los colores son demasiado distintos, la computadora se confunde y no puede alinear las calles correctamente.

Un equipo de investigadores de la Universidad de Oulu y la Universidad de Helsinki se propuso resolver este problema específico de alinear imágenes de histopatología que han sido teñidas de diferentes maneras. Se centraron en imágenes de portaobjetos completos, que son escaneos digitales de resolución increíblemente alta de muestras de tejido, que a menudo contienen miles de millones de píxeles. Los investigadores probaron tres métodos diferentes para ver cuál podía alinear mejor estas imágenes desparejadas. Dos de los métodos dependían del brillo y el color de cada píxel, esencialmente tratando de hacer que los tonos de rosa y púrpura se vieran idénticos. El tercer método adoptó un enfoque diferente: ignoró los colores por completo y, en su lugar, buscó puntos de referencia anatómicos específicos y reconocibles, como la forma distintiva de un grupo de células o un vaso sanguíneo, para guiar la alineación. Para que la prueba fuera justa y rigurosa, el equipo utilizó primero un modelo computacional especializado para cambiar artificialmente los colores de las imágenes, simulando las variaciones naturales que ocurren en los laboratorios reales. Luego aplicaron sus técnicas de alineación para ver qué método podía manejar el caos de color sin perder los detalles estructurales del tejido.

Los resultados del estudio revelaron un ganador claro ante la variación de la tinción. El método que dependía de la coincidencia de puntos de referencia anatómicos específicos demostró ser el más robusto y preciso. Al centrarse en las formas físicas y las posiciones de las estructuras dentro del tejido en lugar de los colores, este enfoque logró alinear las imágenes incluso cuando los tintes eran drásticamente diferentes. Los investigadores descubrieron que esta técnica basada en puntos de referencia mantenía un alto nivel de precisión, independientemente de si las imágenes estaban en sus colores originales y variados o si habían sido procesadas para parecer más uniformes. En contraste, los métodos que dependían de la intensidad de los píxeles tuvieron dificultades significativas cuando los colores cambiaron. Una de las herramientas basadas en la intensidad, que había funcionado razonablemente bien en las imágenes originales, vio su precisión caer drásticamente una vez que los colores fueron normalizados, fallando al alinear las estructuras del tejido correctamente. La otra herramienta basada en la intensidad mostró cierta mejora tras el ajuste de los colores, demostrando una mayor fortaleza, pero aun así no pudo igualar la consistencia y la fiabilidad del enfoque basado en puntos de referencia.

El estudio también destacó la eficacia de un modelo de aprendizaje profundo llamado StainNet, que fue utilizado para estandarizar los colores de las imágenes antes de probar los métodos de alineación. Este modelo transformó con éxito las tintes variados en una apariencia consistente, de forma muy parecida a un editor de fotos que ajusta el balance de blancos para que una serie de fotos parezcan haber sido tomadas bajo la misma iluminación. Si bien esta corrección de color ayudó a los métodos basados en la intensidad a funcionar ligeramente mejor, no los salvó de su debilidad fundamental: seguían siendo demasiado dependientes de los tonos específicos de color para funcionar correctamente. El método basado en puntos de referencia, sin embargo, se mantuvo estable y preciso durante todo el proceso. Los investigadores midieron la precisión de cada método calculando la distancia entre donde debería estar un punto específico y donde la computadora lo colocó después de la alineación. El enfoque basado en puntos de referencia produjo consistentemente los errores más pequeños, manteniendo a menudo el desalineamiento por debajo de los cinco píxeles, mientras que los métodos basados en la intensidad produjeron errores que a veces eran decenas de veces mayores, especialmente cuando las imágenes habían sido corregidas de color.

A pesar del claro éxito del método basado en puntos de referencia, los investigadores señalaron un desafío práctico que persiste. Si bien la computadora puede alinear las imágenes perfectamente una vez que se identifican los puntos de referencia, encontrar y marcar esos puntos específicos en el tejido requiere que un experto humano observe la imagen y los señale. Este paso manual consume mucho tiempo y requiere una habilidad significativa. El estudio sugiere que el futuro de este campo reside en enseñar a las computadoras a identificar estos puntos de referencia de forma automática, lo que combinaría la fiabilidad del enfoque basado en puntos de referencia con la velocidad de la automatización. Hasta entonces, los hallazgos confirman que, para la compleja tarea de alinear muestras de tejido con diferentes tinciones, confiar en la estructura física del tejido es mucho más efectivo que intentar igualar los colores. Esta distinción es crucial para el futuro de la patología digital, donde la alineación precisa es necesaria para comparar los datos de los pacientes a lo largo del tiempo y para desarrollar herramientas automatizadas que puedan asistir en el diagnóstico del cáncer con mayor precisión.