AI-Based Pipeline for Vascularization Detection in Histological Images; low-cost solution Using Moderate Computing Resources

Technische Samenvatting: AI-gebaseerde pijplijn voor de detectie van vascularisatie in histologische afbeeldingen

Probleemstelling
De handmatige beoordeling van vascularisatie in histologische preparaten is een cruciale indicator voor wondgenezing en weefselrespons, maar blijft een tijdrovend proces dat aanzienlijke expertise vereist. Hoewel kunstmatige intelligentie (AI) een potentiële oplossing biedt, wordt praktische adoptie vaak gehinderd door hoge kosten verbonden aan licenties, de noodzaak voor gespecialiseerd AI-personeel en de vereiste krachtige computerinfrastructuur (bijv. dedicated GPU-servers). Bovendien vereisen traditionele deep learning-benaderingen vaak grote, volledig geannoteerde trainingsdatasets, die kostbaar zijn om te produceren. De auteurs adresseren de behoefte aan een goedkope, gebruiksvriendelijke en computationeel efficiënte methode die vasculaire structuren kan detecteren in immunohistochemisch gekleurd weefsel met minimale handmatige labeling en bescheiden hardwarevereisten.

Methodologie
De voorgestelde pijplijn is een retrieval-augmented, human-in-the-loop systeem ontworpen om te functioneren op standaard werkstations zonder gespecialiseerde GPU-hardware. Het bestaat uit vier logische fasen:

1. Beeldfabricage en Generatie van Kandidaat-maskers:

   • Het systeem maakt gebruik van klassieke beeldverwerking om smooth muscle actin (SMA) positieve structuren te isoleren. Dit omvat kleurkanalenseparatie (het isoleren van het blauwe kanaal om hematoxyline te onderdrukken en DAB-kleuring te benadrukken) en morfologische filtering.
   • Twee verschillende methoden genereren kandidaat-regions of interest (ROI's):
     • Ridge Detection: Geïmplementeerd via de Fiji/ImageJ plugin (gebaseerd op het Steger-algoritme), deze methode versterkt dunne, langwerpige, curvilineaire structuren die typerend zijn voor vaatwanden.
     • Segment Anything Model (SAM2): Een zero-shot, training-vrij segmentatiemodel (Meta AI) wordt gebruikt om diverse regio-voorstellen te genereren zonder taakspecifieke hertraining.
   • Deze methoden produceren binaire maskers of kandidaat-regio's die dienen als input voor feature extractie.

2. Regio-embedding:

   • Elke kandidaat-ROI wordt uitgesneden, genormaliseerd en door een bevroren, zelfgesuperviseerde visuele backbone gestuurd: DINOv2 (specifiek dinov2_vits14).
   • DINOv2, vooraf getraind op natuurlijke afbeeldingen, fungeert als een vaste descriptor extractor die elke ROI omzet in een compact numeriek vector (embedding) dat semantische en morfologische kenmerken vastlegt. Er vindt geen verdere gesuperviseerde fine-tuning van de backbone plaats.

3. Indexing en Retrieval-gebaseerde Classificatie:

   • De gegenereerde embeddings worden opgeslagen in een dynamische vectorindex met behulp van FAISS (Facebook AI Similarity Search).
   • Classificatie vindt plaats via een "retrieval-augmented" few-shot strategie. Wanneer een nieuwe ROI wordt gepresenteerd, haalt het systeem de top-k dichtstbijzijnde buren uit de index op basis van vectorgelijkenis.
   • De labels van deze dichtstbijzijnde buren (Vaat vs. Artefact) worden gebruikt om via een stemprocedure de classificatie van de nieuwe ROI te bepalen.

4. Interactief Human-in-the-Loop Protocol:

   • Het systeem werkt in realtime. Een expert-beoordelaar bekijkt gedetecteerde objecten en geeft directe feedback via toetsenbordcommando's:
     • 'v' of 'a' toetsen: Labelt een object expliciet als een vat of artefact. Deze labels worden onmiddellijk toegevoegd aan de FAISS-index, waardoor de kennisbasis van het systeem wordt bijgewerkt zonder de onderliggende modellen te hertrainen.
     • 'Enter' of 's' toetsen: Worden gebruikt voor evaluatie (instemmen of niet instemmen met de voorspelling van het model) zonder de trainingsset bij te werken.
   • Dit stelt het systeem in staat om incrementeel aan te passen aan specifieke kleurpatronen en randgevallen tijdens een enkele sessie.

Belangrijkste Bijdragen

• Goedkope, Laag-Resource Implementatie: De auteurs demonstreren dat een hoge nauwkeurigheid bij vasculaire detectie kan worden bereikt op een standaard desktopcomputer of gaming laptop, waardoor de noodzaak voor dure cloud GPU-instances of dedicated servers die nodig zijn voor traditionele deep learning workflows, wordt geëlimineerd.
• Annotatie-efficiëntie: De retrieval-augmented benadering bereikt een hoge nauwkeurigheid (ca. 95%) met slechts ~75 door de gebruiker ondersteunde herkenningen en stabiliseert rond de 98% bij 150 annotaties. Dit is aanzienlijk minder dan de honderden of duizenden annotaties die gewoonlijk vereist zijn voor het trainen van gesuperviseerde neurale netwerken.
• Real-time Aanpasbaarheid: In tegenstelling tot statische modellen die hertraining vereisen om nieuwe data te incorporeren, leert dit systeem continu en direct van expert-correcties, wat een snelle adaptatie aan specifieke laboratoriumcondities of variaties in kleuring mogelijk maakt.
• Complementaire Segmentatie: De studie valideert dat het combineren van klassieke ridge detection (die continue vasculaire morfologie behoudt) met SAM2-voorstellen (die diverse vormdekking bieden) een robuustere set kandidaten oplevert dan elk van de methoden afzonderlijk.

Resultaten
De studie vergeleek drie benaderingen met behulp van histologische afbeeldingen uit een varkens-wondhelingsexperiment (SMA-gekleurd):

1. Volledig Handmatige Annotatie: Vereiste meer dan 14.000 objecten om te worden geclassificeerd door een enkele operator over meerdere maanden (2020–2022).
2. Standaard Neuraal Netwerk (Azure-gebaseerd): Een machine learning-tool gehost op Microsoft Azure bereikte 92% nauwkeurigheid na 400 annotaties, maar vereiste aanzienlijke cloud computing-bronnen en kostte ongeveer 7 EUR per annotatiesessie.
3. Retrieval-Augmented Systeem (DINOv2/FAISS):
   • Bereikte 95,4% nauwkeurigheid na slechts 75 ondersteunde herkenningen.
   • Bereikte 98,2% nauwkeurigheid bij 125 herkenningen en plateauerde nabij de 98% bij 150 herkenningen.
   • Functioneerde effectief op een standaard werkstation zonder dedicated GPU's.
   • Bevindingen Trainingsstrategie: De studie vond dat het verdelen van trainingsdata over meerdere afbeeldingen (bijv. 26 objecten uit 13 afbeeldingen) een hogere en stabielere nauwkeurigheid opleverde dan trainen op objecten uit een enkele afbeelding. Bovendien verbeterde het opnemen van morfologisch ambigue gevallen in de trainingsset de prestaties vergeleken met het beperken van de training tot enkel eenduidige voorbeelden.

Betekenis en Claims
Het artikel claimt dat deze benadering een praktische afweging biedt voor routinematig laboratoriumgebruik, met name in omgevingen waar de tijd van experts beperkt is en de computationele middelen beperkt zijn. Door gebruik te maken van vooraf getrainde self-supervised representaties (DINOv2) en efficiënte similarity search (FAISS), omzeilt het systeem de noodzaak voor taakspecifieke training en grote datasets.

De auteurs benadrukken dat het systeem is ontworpen om de expert te ondersteunen, niet te vervangen; het vermindert de annotatiebelasting van maanden naar minuten terwijl het een hoge overeenstemming met de operator behoudt. De paper merkt echter ook bescheiden beperkingen op:

• Het systeem classificeert gedetecteerde objecten als "vat" of "artefact", maar kwantificeert niet het absolute aantal vaten in een afbeelding.
• De nauwkeurigheidsmeting reflecteert de overeenstemming met een specifieke menselijke beoordelaar; als de beoordelaar systematische fouten maakt, zal het model deze repliceren.
• Brede validatie over verschillende kleuringen, weefseltypen en laboratoria is vereist voordat de methode als volledig generaliseerbaar kan worden beschouwd.

Dit werk positioneert zich als een stap richting label-efficiënt leren in medische beeldvorming, waarbij wordt aangetoond dat een combinatie van self-supervised embeddings en interactieve retrieval effectief kan inspelen op de annotatiebeperkingen van routinematige pathologie-workflows.