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

Dans le calme des salles bien éclairées d'un laboratoire de pathologie, le diagnostic du cancer commence souvent par un acte simple : une tranche de tissu humain est placée sur une lame de verre, traitée avec des colorants chimiques, et examinée au microscope. Ces colorants, appelés colorations, sont des outils essentiels qui transforment les structures cellulaires invisibles en couleurs visibles, permettant aux médecins de distinguer les cellules saines des cellules malades. Cependant, le processus de préparation de ces lames n'est pas parfaitement uniforme. Tout comme un peintre pourrait mélanger un lot de peinture bleue qui s'avère légèrement plus foncé ou plus clair que le lot précédent, la coloration chimique des lames de tissus varie d'un échantillon à l'autre. Une lame peut présenter des noyaux d'un violet profond tandis qu'une autre présente une nuance plus claire, même si le tissu sous-jacent est identique. Cette variation crée un obstacle important pour les ordinateurs tentant d'analyser ces images. Lorsque les chercheurs veulent comparer plusieurs lames d'un même patient prises à des moments différents, ou combiner différents types de colorations pour obtenir une image complète, ils doivent aligner les images parfaitement. Ce processus, appelé recalage, revient à essayer de superposer deux cartes transparentes de la même ville qui auraient été dessinées avec des encres de couleurs différentes et des échelles légèrement différentes. Si les couleurs sont trop différentes, l'ordinateur est confus et ne parvient pas à aligner les rues correctement.

Une équipe de chercheurs de l'Université d'Oulu et de l'Université d'Helsinki s'est donné pour mission de résoudre ce problème spécifique de l'alignement d'images d'histopathologie qui ont été colorées de manières différentes. Ils se sont concentrés sur les images de lames entières (whole-slide images), qui sont des numérisations numériques de haute résolution d'échantillons de tissus, contenant souvent des milliards de pixels. Les chercheurs ont testé trois méthodes différentes pour voir laquelle parvenait le mieux à aligner ces images disparates. Deux des méthodes reposaient sur la luminosité et la couleur de chaque pixel, tentant essentiellement de faire correspondre les images en rendant les nuances de rose et de violet identiques. La troisième méthode adoptait une approche différente : elle ignorait totalement les couleurs et cherchait plutôt des points de repère anatomiques spécifiques et reconnaissables, tels que la forme distincte d'un amas de cellules ou d'un vaisseau sanguin, pour guider l'alignement. Pour que le test soit équitable et rigoureux, l'équipe a d'abord utilisé un modèle informatique spécialisé pour modifier artificiellement les couleurs des images, simulant les variations naturelles qui surviennent dans les laboratoires réels. Ils ont ensuite appliqué leurs techniques d'alignement pour voir quelle méthode pouvait gérer le chaos chromatique sans perdre les détails structurels du tissu.

Les résultats de l'étude ont révélé un vainqueur clair face à la variation de coloration. La méthode qui reposait sur la correspondance de points de repère anatomiques spécifiques s'est avérée la plus robuste et la plus précise. En se concentrant sur les formes physiques et les positions des structures au sein du tissu plutôt que sur les couleurs, cette approche a réussi à aligner les images même lorsque les colorations étaient radicalement différentes. Les chercheurs ont constaté que cette technique basée sur les points de repère maintenait un haut niveau de précision, que les images soient dans leurs couleurs originales variées ou qu'elles aient été traitées pour paraître plus uniformes. En revanche, les méthodes dépendant de l'intensité des pixels ont rencontré des difficultés importantes lorsque les couleurs changeaient. L'un des outils basés sur l'intensité, qui avait obtenu des résultats raisonnables sur les images originales, a vu sa précision chuter drastiquement une fois les couleurs normalisées, échouant à aligner correctement les structures tissulaires. L'autre outil basé sur l'intensité a montré une certaine amélioration après l'ajustement des couleurs, démontant une force accrue, mais il n'a pas pu égaler la cohérence et la fiabilité de l'approche basée sur les points de repère.

L'étude a également mis en évidence l'efficacité d'un modèle d'apprentissage profond appelé StainNet, qui a été utilisé pour standardiser les couleurs des images avant de tester les méthodes d'alignement. Ce modèle a réussi à transformer les colorations variées en une apparence cohérente, un peu comme un éditeur de photos ajustant la balance des blancs pour que une série de photos semble avoir été prise sous le même éclairage. Bien que cette correction de couleur ait aidé les méthodes basées sur l'intensité à mieux performer, elle n'a pas suffi à les sauver de leur faiblesse fondamentale : elles restaient trop dépendantes des nuances spécifiques de couleur pour fonctionner correctement. La méthode basée sur les points de repère, cependant, est restée stable et précise tout au long du processus. Les chercheurs ont mesuré la précision de chaque méthode en calculant la distance entre l'endroit où un point spécifique devrait se trouver et l'endroit où l'ordinateur l'a placé après l'alignement. L'approche basée sur les points de repère a systématiquement produit les erreurs les plus faibles, maintenant souvent le désalignement en dessous de cinq pixels, alors que les méthodes basées sur l'intensité produisaient des erreurs parfois des dizaines de fois plus grandes, surtout lorsque les images avaient été corrigées en couleur.

Malgré le succès manifeste de la méthode basée sur les points de repère, les chercheurs ont noté un défi pratique qui subsiste. Bien que l'ordinateur puisse aligner les images parfaitement une fois les points de repère identifiés, trouver et marquer ces points spécifiques sur le tissu nécessite qu'un expert humain examine l'image et les désigne. Cette étape manuelle est chronophage et exige un savoir-faire important. L'étude suggère que l'avenir de ce domaine réside dans l'enseignement aux ordinateurs l'identification automatique de ces points de repère, ce qui combinerait la fiabilité de l'approche par points de repère avec la vitesse de l'automatisation. D'ici là, les conclusions confirment que pour la tâche complexe de l'alignement d'échantillons de tissus colorés différemment, se fier à la structure physique du tissu est bien plus efficace que de tenter de faire correspondre les couleurs. Cette distinction est cruciale pour l'avenir de la pathologie numérique, où un alignement précis est nécessaire pour comparer les données des patients au fil du temps et pour développer des outils automatisés capables d'aider au diagnostic du cancer avec une plus grande précision.