Cluster-First Labelling: An Automated Pipeline for Segmentation and Morphological Clustering in Histology Whole Slide Images

Dit paper introduceert een cloud-native, end-to-end pipeline die de handmatige labeling van histologische whole slide images drastisch versnelt door morphologische objecten te clusteren en annotatoren alleen te laten labelen op cluster-niveau, wat resulteert in een nauwkeurigheid van 96,8% bij het afstemmen op menselijke labels.

De kern

Stel je voor dat je een gigantische, extreem gedetailleerde foto van een stad hebt, maar dan in plaats van gebouwen en straten, zie je miljoenen kleine cellen in weefsel. Dit is wat een Whole Slide Image (WSI) is in de pathologie: een digitale foto van een glasplaatje met weefsel, zo groot dat het duizenden cellen bevat.

Het probleem? Iemand moet al die cellen één voor één tellen, omtrekken en benoemen (bijvoorbeeld: "dit is een gezonde cel", "dat is een kankercel"). In de echte wereld zou dit betekenen dat een expert dagenlang moet zitten om één foto te analyseren. Het is als proberen elke steen in een berg te tellen met een loep.

De auteurs van dit paper hebben een slimme oplossing bedacht: "Eerst groeperen, dan labelen".

Hier is hoe hun systeem werkt, vertaald naar alledaagse taal:

1. De Slimme Robot-Assistent (De Pipeline)

In plaats van dat een mens elke cel moet bekijken, doet de computer het zware werk. Ze hebben een "cloud-natief" systeem gebouwd (een robot die in de digitale wolken werkt) dat in vier stappen te werk gaat:

• Stap 1: De Foto Knippen. De gigantische foto wordt in duizenden kleine stukjes (tegelletjes) gesneden, net als een puzzel.
• Stap 2: De Robot Kijkt. Een slimme robot (genaamd Cellpose-SAM) kijkt naar elk tegeltje en tekent automatisch een lijntje om elke vorm die op een cel lijkt. Het maakt geen onderscheid tussen een cel, een celkern of een groepje cellen; het zegt gewoon: "Hier is iets interessants."
• Stap 3: De Identiteitskaart. De computer neemt een "foto" van elk gevonden object en maakt er een digitaal profiel van (een embedding). Het is alsof elke vorm een unieke vingerafdruk krijgt op basis van hoe hij eruitziet.
• Stap 4: De Grote Groepering. Nu komt het magische deel. De computer gebruikt een slimme techniek (DBSCAN) om alle objecten met dezelfde "vingerafdruk" bij elkaar te zetten.
  • Analogie: Stel je voor dat je een grote bak met Lego-blokken hebt. In plaats van ze één voor één te sorteren, gooi je ze in een machine die alle rode blokken bij elkaar gooit, alle blauwe bij elkaar, en alle ronde blokken bij elkaar. De machine maakt er stapels van.

2. De Menselijke Rol: De Hoofdredacteur

Dit is waar het tijdswinst creëert. In het oude systeem moest een mens 15.000 individuele cellen bekijken en labelen.
In dit nieuwe systeem hoeft de mens alleen maar naar de stapels (de clusters) te kijken.

• Voorbeeld: Als de computer 15.000 cellen heeft gevonden, heeft hij ze misschien in 25 verschillende groepen gesorteerd.
• De mens hoeft nu niet 15.000 keer te klikken. Hij kijkt naar de 25 groepen en zegt: "Ah, deze stapel is 'gezonde levercellen', die stapel is 'ontsteking', en die stapel is 'vuilnis' (niet belangrijk)."
• Zodra de mens één groep labelt, krijgt elk object in die groep automatisch dat label.
• Het resultaat: De werklast daalt met een factor 600. In plaats van dagen werken, duurt het nu minuten.

3. De Test: Werkt het?

De auteurs hebben dit systeem getest op 3.696 objecten uit 13 verschillende soorten weefsel (van mens, rat en konijn). Ze lieten een mens de cellen labelen en vergeleken dit met wat de computer had gedaan.

• De uitslag: De computer en de mens waren het 96,8% eens!
• Bij 7 van de 13 weefsels waren ze 100% het eens.
• Waar het soms misging? Bij weefsels die erg dicht op elkaar zitten (zoals bot of spierweefsel). Dit is als proberen individuele draden te onderscheiden in een strak gebonden touw; dat is lastig zelfs voor een computer zonder extra context.

Waarom is dit belangrijk?

Dit systeem is als het vinden van een automatische vertaler voor de taal van de cellen.

• Vroeger: Een mens moest elke zin (cel) handmatig vertalen.
• Nu: De computer vertaalt eerst de woorden naar categorieën (groepen), en de mens hoeft alleen maar de hoofdstukken te controleren.

De auteurs hebben de code, de robot en de hulpmiddelen gratis beschikbaar gemaakt voor iedereen. Dit betekent dat ziekenhuizen en onderzoekers in de toekomst veel sneller en goedkoper ziektes kunnen bestuderen en medicijnen kunnen testen, omdat ze niet meer vastzitten in de saaie, tijdrovende taak van het handmatig tellen van cellen.

Kortom: Ze hebben een manier gevonden om van "tel elke steen in de berg" te gaan naar "sorteer de bergen en label de bergsoorten". Dat is een enorme stap voorwaarts voor de geneeskunde.

Technische samenvatting

Probleemstelling

Het labelen van weefselcomponenten in digitale histologische gans-schermbeelden (Whole Slide Images, WSIs) is extreem arbeidsintensief. Een enkele slide kan tientallen duizenden structuren bevatten (cellen, kernen, en andere morfologisch onderscheidbare objecten). Traditionele methoden vereisen dat een menselijke annotator de grenzen van elk individueel object handmatig traceert en classificeert, wat dagen van experttijd per slide kan kosten. Dit vormt een grote bottleneck voor het creëren van educatieve bronnen en grote datasets voor onderzoek.

Methodologie: De "Cluster-First" Aanpak

Het paper introduceert een cloud-native, end-to-end pijplijn die het labelingsproces automatiseert door een paradigma te gebruiken waarbij eerst geclusterd wordt en vervolgens gelabeld ("Cluster-First"). In plaats van individuele cellen te labelen, labelt de annotator vertegenwoordigende clusters.

De pijplijn bestaat uit de volgende stappen:

1. Tiling en Kwaliteitsfiltering:

   • Raw WSIs (.ndpi) worden opgedeeld in niet-overlappende tegels van 512x512 pixels.
   • Een kwaliteitsfilter verwijdert niet-informatieve tegels (bijv. achtergrond of onscherpe gebieden) op basis van zes beeldkwaliteitsmetrieken (zoals randdichtheid, helderheidsratio en Laplacian variance).

2. Segmentatie (Cellpose-SAM):

   • De pipeline gebruikt Cellpose-SAM (een combinatie van Cellpose en het Segment Anything Model) voor de grensopsporing van cel-achtige structuren.
   • Het model segmenteert alle morfologisch onderscheidbare objecten (individuele cellen, kernen, dicht op elkaar gepakte celgroepen) zonder specifieke fine-tuning per weefseltype.
   • Discriminatie tussen deze categorieën gebeurt niet tijdens de segmentatie, maar later via clustering.

3. Neurale Embedding:

   • Voor elk gesegmenteerd object wordt een cropped afbeelding gemaakt.
   • Deze wordt verwerkt door een ResNet-50 (vooraf getraind op ImageNet) om een 2.048-dimensionale feature vector (embedding) te extraheren.
   • De keuze voor ResNet-50 is gebaseerd op voldoende discriminatiekracht voor relatieve morfologische gelijkenis en reproduceerbaarheid.

4. Dimensiereductie en Clustering:

   • UMAP reduceert de 2.048-dimensionale embeddings naar 50 dimensies om de lokale en globale morfologische structuur te behouden.
   • DBSCAN (Density-Based Spatial Clustering of Applications with Noise) groepeert de objecten in clusters zonder een vooraf bepaald aantal klassen.
   • De parameter $\epsilon$ (straal van de buurt) wordt automatisch geschat via de "knee-point" van de k-naburigheidsafstand. Objecten die niet aan de dichtheidseisen voldoen, worden als ruis (cluster -1) gemarkeerd.

5. Menselijke Validatie en Evaluatie:

   • Een webapplicatie stelt annotators in staat om één label toe te wijzen aan een hele cluster. Dit label wordt vervolgens doorgegeven aan alle leden van die cluster.
   • Voor de evaluatie wordt de Hongaarse algoritme (Hungarian algorithm) gebruikt om een optimale 1-op-1 mapping te vinden tussen de onbewaakte modelclusters en de menselijke labels per tegel. Dit corrigeert voor het feit dat cluster-ID's willekeurig zijn.

Belangrijkste Bijdragen

1. End-to-End Pijplijn: Een volledig geautomatiseerde, cloud-gebaseerde (Azure ML) workflow die ruwe WSI-bestanden omzet in cluster-toewijzingen zonder menselijke tussenkomst tijdens de verwerking.
2. Schaalbaarheid: Implementatie die parallelle verwerking ondersteunt over meerdere GPU-nodes, met granulariteit per slide.
3. Open-Source Validatie Tool: Een webapplicatie die menselijke labels verzamelt en de nauwkeurigheid berekent via de Hongaarse-algoritme-matching.
4. Empirische Validatie: Uitgebreide evaluatie over diverse weefsels en soorten, die aantoont dat het cluster-first paradigma de annotatie-inspanning drastisch verlaagt.

Resultaten

De pipeline werd geëvalueerd op 3.696 weefselcomponenten afkomstig van 13 verschillende weefseltypes uit drie soorten (mens, rat, konijn).

• Algemene Nauwkeurigheid: De pipeline bereikte een gewogen cluster-label alignement-nauwkeurigheid van 96,8%.
• Per Weefseltype: 7 van de 13 weefseltypes bereikten een perfecte overeenstemming (100%), waaronder long, prostaat, baarmoederhals en eierstok.
• Uitdagingen: De nauwkeurigheid was lager bij compact bot (84,0%) en skeletspier (84,0%). Dit wordt toegeschreven aan:
  • Te weinig cellen per tegel voor betrouwbare DBSCAN-dichtheidsschattingen (bij bot).
  • Morfologische diversiteit binnen één weefseltype (bij spier), waarbij de modelobjecten zonder ruimtelijke context biologisch verschillende componenten (bijv. vezels vs. kernen) in dezelfde cluster groepeert.
• Efficiëntie: Het paradigma reduceert de annotatietijd met een factor van ongeveer 600x (bijvoorbeeld: 15.000 objecten reduceren tot 25 clusters om te labelen).

Betekenis en Conclusie

Dit werk introduceert een fundamentele verschuiving in de workflow voor histologische annotatie. Door te focussen op het labelen van morfologische clusters in plaats van individuele cellen, wordt grote schaal histologie-analyse praktisch uitvoerbaar.

• Generalisatie: De pipeline werkt met één vaste configuratie over zeer diverse weefsels en soorten, dankzij de combinatie van Cellpose-SAM voor segmentatie en ResNet-50/UMAP/DBSCAN voor morfologische clustering.
• Toekomstperspectief: Hoewel de huidige resultaten indrukwekkend zijn, suggereert het paper dat het integreren van ruimtelijke context (ruimtelijke relaties tussen cellen) en weefsel-specifieke parameteraanpassing de prestaties op uitdagende weefsels (zoals bot en spier) verder kan verbeteren.
• Open Science: Alle code, de webapplicatie en evaluatiescripts zijn open-source beschikbaar gesteld onder de MIT-licentie, wat reproduceerbaarheid en bredere adoptie bevordert.