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

Nelle stanze silenziose e ben illuminate di un laboratorio di patologia, la diagnosi del cancro inizia spesso con un atto semplice: una fetta di tessuto umano viene posta su un vetrino, trattata con coloranti chimici ed esaminata al microscopio. Questi coloranti, noti come colorazioni, sono strumenti essenziali che trasformano strutture cellulari invisibili in colori visibili, permettendo ai medici di vedere la differenza tra le cellule sane e quelle malate. Tuttavia, il processo di preparazione di questi vetrini non è perfettamente uniforme. Proprio come un pittore potrebbe mescolare un lotto di vernice blu che risulta leggermente più scuro o più chiaro rispetto al lotto precedente, la colorazione chimica dei vetrini tissutali varia da un campione all'altro. Un vetrino potrebbe avere nuclei di un viola profondo, mentre un altro potrebbe avere una tonalità più chiara, anche se il tessuto sottostante è identico. Questa variazione crea un ostacolo significativo per i computer che tentano di analizzare queste immagini. Quando i ricercatori vogliono confrontare più vetrini dello stesso paziente scattati in tempi diversi, o combinare diversi tipi di colorazioni per ottenere un quadro completo, devono allineare perfettamente le immagini. Questo processo, chiamato registrazione, è come cercare di sovrapporre due mappe trasparenti della stessa città che sono state disegnate con inchiostri di colori diversi e scale leggermente differenti. Se i colori sono troppo diversi, il computer si confonde e non riesce ad allineare correttamente le strade.

Un team di ricercatori dell'Università di Oulu e dell'Università di Helsinki si è posto l'obiettivo di risolvere questo problema specifico di allineamento di immagini istopatologiche che sono state colorate in modi differenti. Si sono concentrati sulle immagini whole-slide, che sono scansioni digitali ad altissima risoluzione di campioni di tessuto, contenenti spesso miliardi di pixel. I ricercatori hanno testato tre metodi diversi per vedere quale potesse allineare meglio queste immagini discordanti. Due dei metodi si basavano sulla luminosità e sul colore di ogni singolo pixel, cercando essenzialmente di far corrispondere le immagini rendendo le sfumature di rosa e viola identiche. Il terzo metodo adottava un approccio diverso: ignorava completamente i colori e invece cercava punti di riferimento anatomici specifici e riconoscibili, come la forma distinta di un gruppo cellulare o di un vaso sanguigno, per guidare l'allineamento. Per rendere il test equo e rigoroso, il team ha prima utilizzato un modello informatico specializzato per cambiare artificialmente i colori delle immagini, simulando le variazioni naturali che si verificano nei laboratori reali. Hanno poi applicato le loro tecniche di allineamento per vedere quale metodo fosse in grado di gestire il caos dei colori senza perdere i dettagli strutturali del tessuto.

I risultati dello studio hanno rivelato un vincitore chiaro di fronte alla variazione della colorazione. Il metodo che si basava sul riconoscimento di specifici punti di riferimento anatomici si è dimostrato il più robusto e accurato. Concentrandosi sulle forme fisiche e sulle posizioni delle strutture all'interno del tessuto piuttosto che sui colori, questo approccio ha allineato con successo le immagini anche quando le colorazioni erano drasticamente diverse. I ricercatori hanno scoperto che questa tecnica basata sui punti di riferimento manteneva un alto livello di precisione, indipendentemente dal fatto che le immagini fossero nei loro colori originali variabili o fossero state elaborate per apparire più uniformi. Al contrario, i metodi che dipendevano dall'intensità dei pixel hanno incontrato difficoltà significative quando i colori cambiavano. Uno degli strumenti basati sull'intensità, che aveva performato ragionevolmente bene sulle immagini originali, ha visto la sua accuratezza diminuire drasticamente una volta che i colori sono stati normalizzati, fallendo nell'allineare correttamente le strutture tissutali. L'altro strumento basato sull'intensità ha mostrato un certo miglioramento dopo che i colori sono stati regolati, dimostrando una maggiore forza, ma non è riuscito comunque a eguagliare la costanza e l'affidabilità dell'approccio basato sui punti di riferimento.

Lo studio ha inoltre evidenziato l'efficacia di un modello di deep learning chiamato StainNet, che è stato utilizzato per standardizzare i colori delle immagini prima di testare i metodi di allineamento. Questo modello ha trasformato con successo le varie colorazioni in un aspetto coerente, proprio come un editor di foto che regola il bilanciamento del bianco per far sembrare una serie di foto scattate sotto la stessa illuminazione. Sebbene questa correzione del colore abbia aiutato i metodi basati sull'intensità a performare leggermente meglio, non è stata sufficiente a salvarli dalla loro debolezza fondamentale: rimanevano troppo dipendenti dalle specifiche tonalità di colore per funzionare correttamente. Il metodo basato sui punti di riferimento, tuttavia, è rimasto stabile e preciso durante l'intero processo. I ricercatori hanno misurato l'accuratezza di ciascun metodo calcolando la distanza tra dove un punto specifico dovrebbe trovarsi e dove il computer lo ha posizionato dopo l'allineamento. L'approccio basato sui punti di riferimento ha prodotto costantemente gli errori più piccoli, mantenendo spesso il disallineamento al di sotto dei cinque pixel, mentre i metodi basati sull'intensità hanno prodotto errori che erano talvolta decine di volte superiori, specialmente quando le immagini erano state corrette dal punto di vista del colore.

Nonostante il chiaro successo del metodo basato sui punti di riferimento, i ricercatori hanno notato una sfida pratica che rimane aperta. Sebbene il computer possa allineare perfettamente le immagini una volta identificati i punti di riferimento, trovare e marcare quei punti specifici sul tessuto richiede l'intervento di un esperto umano che osservi l'immagine e li indichi. Questo passaggio manuale è dispendioso in termini di tempo e richiede una competenza significativa. Lo studio suggerisce che il futuro di questo campo risieda nell'insegnare ai computer di identificare questi punti di riferimento automaticamente, il che combinerebbe l'affidabilità dell'approccio basato sui punti di riferimento con la velocità dell'automazione. Fino ad allora, le scoperte confermano che per il compito complesso di allineare campioni di tessuto colorati diversamente, affidarsi alla struttura fisica del tessuto è molto più efficace che cercare di far corrispondere i colori. Questa distinzione è cruciale per il futuro della patologia digitale, dove un allineamento accurato è necessario per confrontare i dati dei pazienti nel tempo e per sviluppare strumenti automatizzati in grado di assistere nella diagnosi del cancro con maggiore precisione.