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

Technische Samenvatting: PRISM voor de Classificatie van Acute Lymfoblastische Leukemie

Probleemstelling
De geautomatiseerde diagnose van Acute Lymfoblastische Leukemie (ALL) via analyse van perifere bloeduitstrijkjes staat voor aanzienlijke hindernissen. Traditionele pipelines voor Computer-geassisteerde Diagnose (CAD) zijn sterk afhankelijk van nauwkeurige segmentatie van het celmembraan om morfologische biomerkers te extraheren (bijvoorbeeld nucleaire vergroting, cytoplasmatische reductie). Deze stap faalt echter regelmatig onder routine laboratoriumomstandigheden door overlappende erytrocyten, een lage nucleocytoplasmatische contrast, en inconsistenties in de kleuring. Omgekeerd, terwijl Deep Learning (DL) benaderingen (CNN's, Vision Transformers) hoge nauwkeurigheid hebben bereikt, functioneren ze vaak als "black boxes" die ontberen in interpreteerbaarheid, vatbaar zijn voor overfitting op kleine medische datasets, en aanzienlijke rekenkracht vereisen (GPUs) die de implementatie beperken in hulpbronnenbeperkte of gedecentraliseerde zorgomgevingen.

Methodologie: Het PRISM-kader
De auteurs stellen de Perinucleaire Ring-gebaseerde Beeldsegmentatiemethode (PRISM) voor, een lichtgewicht, GPU-onafhankelijke aanpak die de noodzaak voor expliciete volledige celmembraan-afbakening omzeilt. De methodologie is gestructureerd in vier geïntegreerde fasen:

1. Preprocessing en Nucleaire Segmentatie:

   • Invoerbeelden (256 × 256) worden gestandaardiseerd en gemapt naar CIELAB en HSV kleerruimtes.
   • Een aangepaste chromatische scorekaart ($S_{chroma}$) wordt gegenereerd om het nucleocytoplasmatische contrast te maximaliseren door het blauw-gele opponent-kanaal en verzadiging te wegen.
   • De kern wordt gesegmenteerd met behulp van Otsu's drempelwaardebepaling op het helderheidskanaal, met een K-Means clustering-back-up voor randgevallen. Topologische heuristieken filteren artefacten, resulterend in een robuust nucleair masker ($M_n$) dat dient als geometrisch anker.

2. PRISM-gebaseerde Ruimtelijke Mapping (Zonale Extractie):

   • In plaats van de volledige cel te segmenteren, construeert PRISM adaptieve, concentrische zones rond de kern ($M_n$).
   • Een adaptieve dilatiestrategie berekent een uitbreidingsradius ($\delta^*$) op basis van het nucleaire oppervlak om de zones dynamisch te begrenzen en overextensie te voorkomen.
   • Twee onderling exclusieve ruimtelijke zones worden gedefinieerd:
     • $Z_1$ (Proximale Interface): Het onmiddellijke perinucleaire gebied ($D_{\delta^*_1}(M_n) \setminus M_n$).
     • $Z_2$ (Distaal Cytoplasma): Het gebied verder van de kern verwijderd ($D_{\delta^*_2}(M_n) \setminus D_{\delta^*_1}(M_n)$).
   • Deze zones, samen met de kern en de grove celgrens, dienen als onafhankelijke bases voor kenmerkextractie.

3. Multidomein Kenmerkextractie:

   • Morfologisch/Topologisch: Geometrische eigenschappen (oppervlak, circulariteit, soliditeit) en de Nucleocytoplasmatische (N:C) verhouding.
   • Chromatische Statistieken: Eerste-orde momenten (gemiddelde, standaardafwijking) van RGB- en grijswaardekanalen. Cruciaal berekent de methode ruimtelijke intensiteitsgradiënten ($\Delta$) die de afname van kleur en textuur van de kern naar de periferie weergeven ($\mu(M_n) - \mu(Z_i)$).
   • Textuuranalyse: Macro-textuurkenmerken (Contrast, Homogeniteit, Energie, Correlatie) afgeleid van Gray Level Co-occurrence Matrices (GLCM) en micro-textuur heterogeniteiten vastgelegd via Local Binary Patterns (LBP), gedownsamples naar 32 bins om de dimensionaliteit te reduceren.

4. Meta-classificatie (Ensemble Stacking):

   • Er wordt een heterogene ensemble-stacking-architectuur toegepast.
   • Niveau-0: Een diverse pool van basisclassificatoren (Random Forest, Extra Trees, XGBoost, SVM, KNN, Logistische Regressie).
   • Calibratie: Platt Scaling wordt toegepast op de uitvoer van basismodellen om ervoor te zorgen dat ze ware posterior-kansen vertegenwoordigen.
   • Niveau-1: Een Support Vector Machine (SVM) met een RBF-kern fungeert als meta-classificator, getraind op Out-Of-Fold (OOF) kansen om datalekken te voorkomen.

Belangrijkste Bijdragen

• Adaptieve Wiskundige Methodologie: PRISM vervangt de foutgevoelige taak van volledige celsegmentatie door een multischaal, concentrisch zonalen aanpak die is verankerd in de biologisch stabiele kern.
• Interpreteerbaarheid: In tegenstelling tot ondoorzichtige DL-modellen, baseert PRISM voorspellingen op expliciete, klinisch verifieerbare morfologische en chromatische gradiënten aan het nucleocytoplasmatische interface.
• Rekenefficiëntie: Het kader vertaalt een multidimensionale computer visie-taak naar een lichtgewicht tabellair machine learning-probleem, wat hoge prestaties inferentie mogelijk maakt op CPU-only, hulpbronnenbeperkte apparaten zonder GPU-afhankelijkheid.
• State-of-the-Art Prestaties: Experimentele validatie toont aan dat het PRISM-gedreven ensemble de state-of-the-art end-to-end DL-architecturen op de ALL-IDB2 dataset overtreft of gelijkstaat.

Experimentele Resultaten
Geëvalueerd op de ALL-IDB2 dataset (260 geïsoleerde cellen: 130 leukemisch, 130 gezond) met behulp van 5-voudige gestratificeerde kruisvalidatie:

• Prestaties: De optimale ensemble-configuratie (Extra Trees + SVM + Logistische Regressie) bereikte een nauwkeurigheid van 98,46%, een Precision-Recall AUC van 0,9937, en een Matthews Correlation Coefficient (MCC) van 0,9698.
• Ablatiestudie: De studie vond dat een minimaal ensemble van twee modellen (RF + SVM) voldoende was om de pieknauwkeurigheid (98,46%) te bereiken, terwijl het verhogen van de complexiteit boven drie modellen geen significante winst bood en soms de prestaties verslechterde door overfitting van de meta-classificator.
• Vergelijking met DL: PRISM overtrof vijf DL-baselines (ResNet-18, VGG16, DenseNet-121, EfficientNet-B0, Swin Transformer). Opmerkelijk is dat EfficientNet-B0 een nauwkeurigheid van 98,08% bereikte, terwijl PRISM 98,46% bereikte zonder vooraf getrainde gewichten, uitgebreide transfer learning of GPU-versnelling te vereisen.
• Vergelijking met Literatuur: PRISM komt overeen met de prestaties van recente complexe DL-ensembles (bijv. [Rodrigues et al. 2022], [Das et al. 2025]) en overtreft aanzienlijk traditionele handgemaakte methoden, terwijl het tegelijkertijd een low-cost, GPU-loze uitvoeringspipeline behoudt.

Betekenis en Claims
Het artikel claimt dat PRISM een nieuwe standaard vestigt voor geautomatiseerde lymfoblasten-screening door nauwkeurigheid, interpreteerbaarheid en efficiëntie in evenwicht te brengen. De primaire betekenis ligt in:

1. Biologische Focus: Door de analyse geometrisch te beperken tot de kern en perinucleaire ringen, vermijdt de methode het leren van verwarrende achtergrondartefacten (bijvoorbeeld kleurvariaties, erytrocytendichtheid) die end-to-end CNN's vaak teisteren.
2. Klinische Haalbaarheid: Het kader biedt een transparant besluitvormingsproces gebaseerd op verifieerbare biologische markers, wat de "black box"-beperking van DL in medische omgevingen aanpakt.
3. Toegankelijkheid: Door de noodzaak voor high-end GPUs en complexe trainingspipelines te elimineren, biedt PRISM een schaalbare oplossing die geschikt is voor point-of-care diagnostiek in hulpbronnenbeperkte of gedecentraliseerde omgevingen.

De auteurs concluderen dat segmentatie-lichte, interpreteerbare representaties hoge nauwkeurige ALL-screening kunnen leveren met praktische efficiëntie, en zij stellen toekomstig werk voor om PRISM te integreren in draagbare microscopie-pipelines en het te valideren op real-world klinische data van diverse laboratoria.