Shape-supervised network for cross-domain nuclei instance segmentation

Dans le monde calme et microscopique du corps humain, l'histoire de la santé et de la maladie s'écrit souvent dans la forme et l'agencement des cellules. Les pathologistes, les médecins qui examinent des échantillons de tissus sous un microscope, comptent et analysent énormément les noyaux cellulaires — ces centres de commande centraux et sombres que l'on trouve dans presque chaque cellule. Lorsque ces noyaux sont serrés les uns contre les autres, ou lorsqu'ils présentent des formes inhabituelles dues au cancer ou à une infection, la tâche consistant à identifier chacun d'eux devient incroyablement difficile. Pendant des décennies, les scientifiques ont tenté d'apprendre aux ordinateurs à effectuer ce travail automatiquement, dans l'espoir d'accélérer les diagnostics et de réduire la charge de travail manuel. Cependant, les programmes informatiques standards éprouvent souvent des difficultés lorsqu'ils passent d'un type d'échantillon de tissu à un autre, ou lorsque les cellules sont si étroitement regroupées que leurs limites se troublent en une masse indistincte. Le défi ne réside pas seulement dans la capacité à voir les cellules, mais dans la compréhension que chacune d'elles est un objet distinct et séparé doté d'une forme prévisible, même lorsque l'image est désordonnée ou provient d'un laboratoire différent.

Une équipe de chercheurs a développé une nouvelle approche pour résoudre ce problème, créant un système qui apprend à un ordinateur à reconnaître les cellules par leur forme attendue. Au lieu de simplement demander à l'ordinateur de tracer un contour autour de chaque tache sombre qu'il voit, la nouvelle méthode, appelée SSNet, agit davantage comme un guide qui vérifie constamment le travail par rapport à un modèle mental de ce à quoi devrait ressembler un noyau cellulaire sain. Les chercheurs ont réalisé que, bien que les cellules individuelles puissent varier, elles partagent généralement une structure commune de type ovale. En construisant un système qui utilise cette connaissance comme une règle, ils ont pu entraîner un ordinateur à séparer les cellules encombrées plus précisément que les méthodes précédentes, même en examinant des images provenant de différents hôpitaux ou préparées de différentes manières.

Le cœur de ce nouveau système est un processus en trois étapes qui fonctionne ensemble comme une unité cohérente. Premièrement, un réseau informatique scanne une image pour trouver toutes les zones où les noyaux cellulaires sont présents, créant ainsi une carte approximative de l'avant-plan. Ensuite, un outil mathématique regroupe ces zones en candidats individuels, tentant de déterminer où une cellule se termine et où une autre commence. Enfin, le système vérifie la forme de chaque candidat. Si un candidat ressemble à un ovale lisse, il est accepté. S'il semble dentelé, étiré ou de forme étrange, le système sait que quelque chose ne va pas. Ce « contrôle de la forme » n'est pas seulement une révision finale ; il est utilisé comme un signal d'enseignement. Le système renvoie cette information à la première étape, disant à l'ordinateur : « Vous avez manqué la limite ici », ou « Vous avez fusionné deux cellules en une seule », et ajuste ses futures prédictions en conséquence. Cela crée une boucle de rétroaction où l'ordinateur apprend à tracer des limites plus nettes et plus précises car il est constamment rappelé la forme ovale naturelle des cellules qu'il tente de trouver.

Pour tester si cette idée fonctionnait, les chercheurs ont entraîné leur système sur une vaste collection d'images provenant de bases de données publiques, puis l'ont mis au défi avec de nouvelles données inédites. Ils ont utilisé des images de neuf types d'organes différents, ainsi que des échantillons privés provenant d'hôpitaux en Chine qui contenaient des milliers de cellules cervicales densément regroupées. Les résultats ont été frappants. Lorsque le système a été testé sur des images qu'il n'avait jamais vues auparavant, il a identifié et séparé les noyaux individuels avec un haut degré de précision. Dans un ensemble de tests impliquant des milliers de cellules provenant de lames de tissus entières, la nouvelle méthode a correctement identifié près de 99 % des cellules et a été précise dans son étiquetage environ 97 % du temps. Cela a surpassé plusieurs autres programmes informatiques de pointe, qui avaient tendance soit à manquer de petites cellules cachées dans des groupes encombrés, soit à fusionner par erreur deux cellules distinctes en un seul bloc.

La véritable force de cette approche est devenue évidente lorsque les chercheurs ont testé sa capacité à gérer différents styles d'images. Dans le monde réel, les échantillons de tissus peuvent paraître très différents selon la façon dont ils sont colorés ou le microscope utilisé. Un ordinateur entraîné sur un type d'image échoue souvent lorsqu'on lui présente un autre. Cependant, parce que le nouveau système repose sur la forme fondamentale de la cellule plutôt que sur les couleurs ou les textures spécifiques de l'image, il est resté robuste. Lorsque les chercheurs ont entraîné le système sur des données d'un hôpital, puis l'ont testé sur des données de trois autres hôpitaux présentant des styles d'images complètement différents, la performance est restée presque identique. Le taux d'erreur dans l'identification des cellules individuelles est resté inférieur à deux pour cent, démontrant que le système avait appris une règle universelle sur la forme des cellules plutôt que de simplement mémoriser un ensemble spécifique d'images.

Les chercheurs ont également exploré pourquoi cette méthode fonctionnait si bien en la comparant à des systèmes qui n'utilisent pas de guidage par la forme. Sans le contrôle de la forme, l'ordinateur produisait souvent des contours dentelés et irréguliers qui rendaient difficile la distinction entre la fin d'une cellule et le début d'une autre. Ces limites désordonnées menaient à des erreurs où l'ordinateur divisait une seule cellule en deux ou collait deux cellules distinctes ensemble. En imposant la règle selon laquelle les cellules devraient généralement être ovales, le système a lissé ces erreurs, produisant des formes nettes et distinctes qui correspondent beaucoup plus étroitement à la vérité terrain. L'étude suggère que, bien que les cellules puissent être déformées par la maladie, elles perdent rarement entièrement leur structure ovale de base, et l'utilisation de cette simple vérité géométrique comme guide est un moyen puissant d'améliorer la vision par ordinateur en médecine.

Ce travail ne prétend pas résoudre tous les problèmes de l'analyse cellulaire. Les chercheurs reconnaissent que leur méthode pourrait éprouver des difficultés avec des cellules extrêmement irrégulières ou endommagées au point d'être méconnaissables, car le système est construit sur l'hypothèse que les cellules sont approximativement ovales. Ils notent également que l'architecture actuelle du réseau est relativement simple et pourrait être davantage perfectionnée. Cependant, les conclusions offrent une voie claire pour l'avenir : en combinant la capacité de voir avec la connaissance de ce à quoi s'attendre, les ordinateurs peuvent devenir des partenaires beaucoup plus fiables pour les médecins. Le code et les modèles développés dans cette étude sont désormais disponibles pour que d'autres puissent les utiliser, ce qui pourrait aider à standardiser et à améliorer la précision des diagnostics de cancer et d'autres évaluations pathologiques dans différents laboratoires et régions.