Shape-supervised network for cross-domain nuclei instance segmentation

Nel silenzioso mondo microscopico di un corpo umano, la storia della salute e della malattia è spesso scritta nella forma e nella disposizione delle cellule. I patologi, i medici che esaminano campioni di tessuto al microscopio, si affidano pesantemente al conteggio e all'analisi dei nuclei cellulari — i centri di comando scuri e centrali presenti in quasi ogni cellula. Quando questi nuclei sono ammassati strettamente tra loro, o quando appaiono con forme insolite a causa del cancro o di un'infezione, il compito di identificare ciascuno di essi diventa incredibilmente difficile. Per decenni, gli scienziati hanno cercato di insegnare ai computer a svolgere questo lavoro automaticamente, sperando di velocizzare le diagnosi e ridurre il carico del lavoro manuale. Tuttavia, i programmi informatici standard spesso faticano quando passano da un tipo di campione di tessuto a un altro, o quando le cellule sono così vicine tra loro che i loro confini sfumano in una singola massa indistinta. La sfida non risiede solo nel vedere le cellule, ma nel comprendere che ognuna di esse è un oggetto separato e distinto con una forma prevedibile, anche quando l'immagine è disordinata o proviene da un laboratorio diverso.

Un team di ricercatori ha sviluppato un nuovo approccio per risolvere questo problema, creando un sistema che insegna al computer a riconoscere le cellule attraverso la loro forma attesa. Invece di chiedere semplicemente al computer di disegnare una linea attorno a ogni macchia scura che vede, il nuovo metodo, chiamato SSNet, agisce più come una guida che controlla costantemente il lavoro confrontandolo con un modello mentale di ciò che dovrebbe essere un nucleo cellulare sano. I ricercatori si sono resi conto che, sebbene le singole cellule possano variare, esse condividono generalmente una struttura comune, di tipo ovale. Costruendo un sistema che utilizza questa conoscenza come regola, sono stati in grado di addestrare un computer a separare le cellule affollate con maggiore accuratezza rispetto ai metodi precedenti, anche osservando immagini provenienti da ospedali diversi o preparate in modi differenti.

Il cuore di questo nuovo sistema è un processo in tre fasi che lavora insieme come un'unica unità coesa. Per prima cosa, una rete di computer scansiona un'immagine per trovare tutte le aree in cui sono presenti i nuclei cellulari, creando una mappa approssimativa del primo piano. Successivamente, uno strumento matematico raggruppa queste aree in singoli candidati, cercando di capire dove finisce una cellula e dove ne inizia un'altra. Infine, il sistema controlla la forma di ogni candidato. Se un candidato appare come un ovale liscio, viene accettato. Se appare frastagliato, allungato o dalla forma strana, il sistema sa che qualcosa non va. Questo "controllo della forma" non è solo una revisione finale; viene utilizzato come segnale di insegnamento. Il sistema trasmette questa informazione alla prima fase, dicendo al computer: "Hai mancato il confine qui" o "Hai unito due cellule in una sola", e regola le sue previsioni future di conseguenza. Questo crea un ciclo di feedback in cui il computer impara a disegnare confini più puliti e accurati perché viene costantemente ricordato della naturale forma ovale delle cellule che sta cercando di trovare.

Per testare se questa idea funzionasse, i ricercatori hanno addestrato il loro sistema su una grande collezione di immagini da database pubblici e poi lo hanno messo alla prova con nuovi dati non visti. Hanno utilizzato immagini di nove diversi tipi di organi, oltre a campioni privati di ospedali in Cina che contenevano migliaia di cellule cervicali densamente ammassate. I risultati sono stati sorprendenti. Quando il sistema è stato testato su immagini che non aveva mai visto prima, ha identificato e separato i nuclei individuali con un alto grado di precisione. In un set di test che coinvolgeva migliaia di cellule da interi vetrini di tessuto, il nuovo metodo ha identificato correttamente quasi il 99 percento delle cellule ed è stato preciso nella loro etichettatura circa il 97 percento delle volte. Questo ha superato diversi altri programmi informatici all'avanguardia, che tendevano o a perdere piccole cellule nascoste in gruppi affollati o a unire erroneamente due cellule separate in un unico ammasso.

La vera forza di questo approccio è diventata evidente quando i ricercatori hanno testato la sua capacità di gestire diversi stili di immagini. Nel mondo reale, i campioni di tessuto possono apparire molto diversi a seconda di come vengono colorati o di quale microscopio venga utilizzato. Un computer addestrato su un tipo di immagine spesso fallisce quando gli viene mostrata un'altra. Tuttavia, poiché il nuovo sistema si basa sulla forma fondamentale della cellula piuttosto che solo sui colori o sulle texture specifiche dell'immagine, è rimasto robusto. Quando i ricercatori hanno addestrato il sistema su dati di un ospedale e poi lo hanno testato su dati di altri tre ospedali con stili di immagine completamente diversi, le prestazioni sono rimaste quasi identiche. Il tasso di errore nell'identificare le singole cellule è rimasto sotto il due percento, dimostrando che il sistema aveva imparato una regola universale sulla forma cellulare piuttosto che limitarsi a memorizzare un set specifico di immagini.

I ricercatori hanno anche esplorato perché questo metodo funzionasse così bene confrontandolo con sistemi che non utilizzavano la guida della forma. Senza il controllo della forma, il computer produceva spesso contorni irregolari e frastagliati che rendevano difficile capire dove finisse una cellula e iniziasse l'altra. Questi confini disordinati portavano a errori in cui il computer divideva una singola cellula in due o incollava due cellule separate in un unico blocco. Imponendo la regola che le cellule dovrebbero essere generalmente ovali, il sistema ha smussato questi errori, producendo forme pulite e distinte che corrispondevano molto più da vicino alla realtà di base. Lo studio suggerisce che, sebbene le cellule possano essere deformate dalle malattie, raramente perdono interamente la loro struttura ovale di base, e utilizzare questa semplice verità geometrica come guida è un modo potente per migliorare la visione artificiale in medicina.

Questo lavoro non pretende di risolvere ogni problema nell'analisi cellulare. I ricercatori riconoscono che il loro metodo potrebbe avere difficoltà con cellule estremamente irregolari o danneggiate oltre il riconoscimento, poiché il sistema è costruito sull'assunto che le cellule siano approssimativamente ovali. Notano inoltre che l'attuale architettura di rete è relativamente semplice e potrebbe essere ulteriormente perfezionata. Tuttavia, i risultati offrono una via chiara da seguire: combinando la capacità di vedere con la conoscenza di ciò che ci si aspetta, i computer possono diventare partner molto più affidabili per i medici. Il codice e i modelli sviluppati in questo studio sono ora disponibili per l'uso altrui, con il potenziale di aiutare a standardizzare e migliorare l'accuratezza delle diagnosi oncologiche e di altre valutazioni patologiche in diversi laboratori e regioni.