PRISM: Perinuclear Ring-based Image Segmentation Method for Acute Lymphoblastic Leukemia Classification

Riepilogo Tecnico: PRISM per la Classificazione della Leucemia Linfoblastica Acuta

Enunciato del Problema
La diagnosi automatizzata della Leucemia Linfoblastica Acuta (LLA) tramite analisi di strisci di sangue periferico incontra ostacoli significativi. I tradizionali pipeline di Diagnosi Assistita dal Computer (CAD) si basano pesantemente sulla precisa segmentazione della membrana cellulare per estrarre biomarcatori morfologici (ad esempio, ingrandimento nucleare, riduzione citoplasmatica). Tuttavia, questo passaggio fallisce frequentemente nelle condizioni di laboratorio di routine a causa dell'sovrapposizione degli eritrociti, del basso contrasto nucleocitoplasmatico e delle incoerenze nella colorazione. Al contrario, sebbene gli approcci di Deep Learning (DL) (CNN, Vision Transformers) abbiano raggiunto un'alta accuratezza, spesso funzionano come "scatole nere" prive di interpretabilità, sono soggetti a overfitting su piccoli dataset medici e richiedono risorse computazionali sostanziali (GPU) che limitano il dispiegamento in contesti sanitari con risorse limitate o decentralizzati.

Metodologia: Il Framework PRISM
Gli autori propongono il Metodo di Segmentazione delle Immagini basato sull'Anello Perinucleare (PRISM), un approccio leggero e indipendente dalla GPU che evita la necessità di una delimitazione esplicita dell'intera membrana cellulare. La metodologia è strutturata in quattro fasi integrate:

1. Preprocessing e Segmentazione Nucleare:

   • Le immagini di input (256 × 256) sono standardizzate e mappate negli spazi colore CIELAB e HSV.
   • Viene generata una mappa di punteggio cromatico personalizzata ($S_{chroma}$) per massimizzare il contrasto nucleocitoplasmatico ponderando il canale opposto blu-giallo e la saturazione.
   • Il nucleo viene segmentato utilizzando la soglia di Otsu sul canale di luminosità, con un fallback di clustering K-Means per casi limite. Euristiche topologiche filtrano gli artefatti, risultando in una maschera nucleare robusta ($M_n$) che funge da ancoraggio geometrico.

2. Mappatura Spaziale Basata su PRISM (Estrazione Zonale):

   • Invece di segmentare l'intera cellula, PRISM costruisce zone concentriche adattive attorno al nucleo ($M_n$).
   • Una strategia di dilatazione adattiva calcola un raggio di espansione ($\delta^*$) basato sull'area nucleare per delimitare dinamicamente le zone, prevenendo un'eccessiva estensione.
   • Vengono definite due zone spaziali mutualmente esclusive:
     • $Z_1$ (Interfaccia Prossimale): La regione perinucleare immediata ($D_{\delta^*_1}(M_n) \setminus M_n$).
     • $Z_2$ (Citoplasma Distale): La regione più lontana dal nucleo ($D_{\delta^*_2}(M_n) \setminus D_{\delta^*_1}(M_n)$).
   • Queste zone, insieme al nucleo e al contorno cellulare grezzo, servono come basi indipendenti per l'estrazione delle caratteristiche.

3. Estrazione di Caratteristiche Multidominio:

   • Morfologiche/Topologiche: Proprietà geometriche (area, circolarità, solidità) e il rapporto Nucleocitoplasmatico (N:C).
   • Statistiche Cromatiche: Momenti del primo ordine (media, deviazione standard) dei canali RGB e in scala di grigi. Crucialmente, il metodo calcola gradienti di intensità spaziali ($\Delta$) che rappresentano il decadimento di colore e texture dal nucleo alla periferia ($\mu(M_n) - \mu(Z_i)$).
   • Analisi Testurale: Caratteristiche di macro-texture (Contrasto, Omogeneità, Energia, Correlazione) derivate dalle Matrici di Co-occorrenza dei Livelli di Grigio (GLCM) ed eterogeneità di micro-texture catturate tramite Pattern Binari Locali (LBP), sottocampionate in 32 bin per ridurre la dimensionalità.

4. Meta-Classificazione (Stacking di Ensemble):

   • Viene impiegata un'architettura eterogenea di stacking di ensemble.
   • Livello-0: Un pool diversificato di classificatori di base (Random Forest, Extra Trees, XGBoost, SVM, KNN, Regressione Logistica).
   • Calibrazione: Viene applicato lo Scaling di Platt agli output dei modelli di base per garantire che rappresentino vere probabilità a posteriori.
   • Livello-1: Una Macchina a Vettori di Supporto (SVM) con kernel RBF agisce come meta-classificatore, addestrata su probabilità Out-Of-Fold (OOF) per prevenire la perdita di dati.

Contributi Chiave

• Metodologia Matematica Adattiva: PRISM sostituisce il compito soggetto a errori della segmentazione dell'intera cellula con un approccio zonale concentrico multiscala ancorato al nucleo biologicamente stabile.
• Interpretabilità: A differenza dei modelli DL opachi, PRISM fonda le previsioni su gradienti morfologici e cromatici espliciti e clinicamente verificabili all'interfaccia nucleocitoplasmatica.
• Efficienza Computazionale: Il framework trasforma un compito di visione artificiale ad alta dimensionalità in un problema di machine learning tabulare leggero, consentendo inferenze ad alte prestazioni su dispositivi basati solo su CPU e con risorse limitate, senza dipendenza dalla GPU.
• Prestazioni all'Avanguardia: La validazione sperimentale dimostra che l'ensemble guidato da PRISM supera o eguaglia le architetture DL end-to-end all'avanguardia sul dataset ALL-IDB2.

Risultati Sperimentali
Valutato sul dataset ALL-IDB2 (260 cellule isolate: 130 leucemiche, 130 sane) utilizzando la validazione incrociata stratificata a 5 fold:

• Prestazioni: La configurazione ottimale dell'ensemble (Extra Trees + SVM + Regressione Logistica) ha raggiunto un'accuratezza del 98,46%, un AUC Precisione-Recall di 0,9937 e un Coefficiente di Correlazione di Matthews (MCC) di 0,9698.
• Studio di Ablazione: Lo studio ha rilevato che un ensemble minimo di due modelli (RF + SVM) era sufficiente per raggiungere l'accuratezza massima (98,46%), mentre aumentare la complessità oltre tre modelli non offriva guadagni significativi e occasionalmente degradava le prestazioni a causa dell'overfitting del meta-classificatore.
• Confronto con DL: PRISM ha superato cinque baseline DL (ResNet-18, VGG16, DenseNet-121, EfficientNet-B0, Swin Transformer). In particolare, EfficientNet-B0 ha raggiunto un'accuratezza del 98,08%, mentre PRISM ha raggiunto il 98,46% senza richiedere pesi pre-addestrati, transfer learning esteso o accelerazione GPU.
• Confronto con la Letteratura: PRISM eguaglia le prestazioni di complessi ensemble DL recenti (ad esempio, [Rodrigues et al. 2022], [Das et al. 2025]) e supera significativamente i metodi tradizionali artigianali, mantenendo al contempo una pipeline di esecuzione a basso costo e senza GPU.

Significato e Affermazioni
Il documento afferma che PRISM stabilisce un nuovo standard per lo screening automatizzato dei linfoblasti bilanciando accuratezza, interpretabilità ed efficienza. Il suo significato primario risiede in:

1. Focus Biologico: Limitando geometricamente l'analisi al nucleo e agli anelli perinucleari, il metodo evita di apprendere artefatti di fondo confondenti (ad esempio, variazioni di colorazione, densità degli eritrociti) che spesso affliggono le CNN end-to-end.
2. Fattibilità Clinica: Il framework fornisce un processo decisionale trasparente basato su marcatori biologici verificabili, affrontando il limite della "scatola nera" del DL negli ambienti medici.
3. Accessibilità: Eliminando la necessità di GPU di fascia alta e pipeline di addestramento complesse, PRISM offre una soluzione scalabile adatta alla diagnostica al punto di cura in contesti con risorse limitate o decentralizzati.

Gli autori concludono che rappresentazioni leggere di segmentazione e interpretabili possono fornire uno screening LLA ad alta accuratezza con efficienza pratica, e propongono lavori futuri per integrare PRISM in pipeline di microscopia portatile e convalidarlo su dati clinici reali provenienti da laboratori diversi.