Shape-supervised network for cross-domain nuclei instance segmentation

In de stille, microscopische wereld van het menselijk lichaam wordt het verhaal van gezondheid en ziekte vaak geschreven in de vorm en ordening van cellen. Pathologen, de artsen die weefselmonsters onder een microscoop onderzoeken, vertrouwen zwaar op het tellen en analyseren van celkernen—de donkere, centrale commandocentra die in bijna elke cel te vinden zijn. Wanneer deze kernen dicht op elkaar gepakt zitten, of wanneer ze een ongewone vorm aannemen door kanker of infectie, wordt de taak om elke individuele kern te identificeren ongelooflijk moeilijk. Decennialang hebben wetenschappers geprobeerd computers dit werk automatisch te leren, in de hoop het proces van diagnoses te versnellen en de last van handmatige arbeid te verminderen. Echter, standaard computerprogramma's worstelen vaak wanneer ze van het ene type weefselmonster naar een ander overgaan, of wanneer cellen zo dicht op elkaar staan dat hun grenzen vervagen tot één onduidelijke massa. De uitdaging ligt niet alleen in het zien van de cellen, maar in het begrijpen dat elk van hen een afzonderlijk, duidelijk object is met een voorspelbare vorm, zelfs wanneer de afbeelding rommelig is of afkomstig is van een ander laboratorium.

Een team van onderzoekers heeft een nieuwe aanpak ontwikkeld om dit probleem op te lossen, waarbij ze een systeem hebben gecreëerd dat een computer leert cellen te herkennen op basis van hun verwachte vorm. In plaats van de computer simpelweg te vragen om een lijn te trekken rond elke donkere plek die hij ziet, werkt de nieuwe methode, genaamd SSNet, meer als een gids die het werk constant controleert tegen een mentaal model van hoe een gezonde celkern eruit zou moeten zien. De onderzoekers realiseerden zich dat hoewel individuele cellen kunnen variëren, ze over het algemeen een gemeenschappelijke, ovaalachtige structuur delen. Door een systeem te bouwen dat deze kennis als een regel gebruikt, waren zij in staat om een computer nauwkeuriger gepakte cellen te laten scheiden dan eerdere methoden, zelfs wanneer ze naar afbeeldingen kijken uit verschillende ziekenhuizen of op verschillende manieren zijn voorbereid.

De kern van dit nieuwe systeem is een driestappenproces dat samenwerkt als een enkele, samenhangende eenheid. Eerst scant een computernetwerk een afbeelding om alle gebieden te vinden waar celkernen aanwezig zijn, waardoor een ruwe kaart van de voorgrond wordt gemaakt. Vervolgens groepeert een wiskundig hulpmiddel deze gebieden in individuele kandidaten, waarbij geprobeerd wordt te bepalen waar de ene cel eindigt en de andere begint. Ten slotte controleert het systeem de vorm van elke kandidaat. Als een kandidaat eruitziet als een gladde ovaal, wordt deze geaccepteerd. Als een kandidaat er grillig, uitgerekt of vreemd gevormd uitziet, weet het systeem dat er iets mis is. Deze "vormcontrole" is niet alleen een laatste controle; het wordt gebruikt als een leer-signaal. Het systeem voert deze informatie terug naar de eerste stap, waarbij het de computer vertelt: "Je hebt de grens hier gemist," of "Je hebt twee cellen samengevoegd tot één," en past toekomstige gissingen dienovereenkomstig aan. Dit creëert een feedbackloop waarbij de computer leert om schonere, nauwkeurigere grenzen te trekken omdat hij constant wordt herinnerd aan de natuurlijke, ovale vorm van de cellen die hij probeert te vinden.

Om te testen of dit idee werkte, trainden de onderzoekers hun systeem op een grote collectie afbeeldingen uit publieke databases en daagden het vervolgens uit met nieuwe, ongeziene data. Ze gebruikten afbeeldingen van negen verschillende soorten organen, evenals privé-monsters van ziekenhuizen in China die duizenden dicht opeengepakte cervicale cellen bevatten. De resultaten waren opmerkelijk. Wanneer het systeem werd getest op afbeeldingen die het nog nooit eerder had gezien, identificeerde en scheidde het individuele kernen met een hoge mate van nauwkeurigheid. In één reeks tests waarbij duizenden cellen van volledige weefselcoupes werden gebruikt, identificeerde de nieuwe methode bijna 99 procent van de cellen correct en was ze in haar labeling ongeveer 97 procent precies. Dit presteerde beter dan verschillende andere leidende computerprogramma's, die de neiging hadden om ofwel kleine cellen die verborgen waren in drukke groepen te missen, of twee aparte cellen foutief samen te voegen tot één vlek.

De ware kracht van deze aanpak werd duidelijk toen de onderzoekers de mogelijkheid van het systeem testten om met verschillende stijlen afbeeldingen om te gaan. In de echte wereld kunnen weefselmonsters er heel verschillend uitzien, afhankelijk van hoe ze zijn gekleurd of welke microscoop wordt gebruikt. Een computer die getraind is op één type afbeelding, faalt vaak wanneer deze een ander type krijgt te zien. Omdat het nieuwe systeem echter vertrouwt op de fundamentele vorm van de cel in plaats van alleen op de specifieke kleuren of texturen van de afbeelding, bleef het robuust. Toen de onderzoekers het systeem trainden op data van één ziekenhuis en het vervolgens testten op data van drie andere ziekenhuizen met volledig andere beeldstijlen, bleef de prestatie nagenoeg identiek. De foutmarge bij het identificeren van individuele cellen bleef onder de twee procent, wat aantoont dat het systeem een universele regel over celvorm heeft geleerd in plaats van slechts een specifieke set plaatjes te hebben onthouden.

De onderzoekers verkenden ook waarom deze methode zo goed werkte door het te vergelijken met systemen die geen vormgeleiding gebruiken. Zonder de vormcontrole produceerde de computer vaak grillige, onregelmatige contouren die het moeilijk maakten om te bepalen waar de ene cel eindigde en de andere begon. Deze slordige grenzen leidden tot fouten waarbij de computer een enkele cel in tweeën splitste of twee aparte cellen aan elkaar plakte. Door de regel af te dwingen dat cellen over het algemeen ovaal zouden zijn, verzachtte het systeem deze fouten en produceerde het schone, duidelijke vormen die veel dichter bij de werkelijke situatie (ground truth) lagen. De studie suggereert dat hoewel cellen door ziekte vervormd kunnen worden, ze zelden hun basisvorm als ovaal volledig verliezen, en het gebruik van deze eenvoudige geometrische waarheid als gids is een krachtige manier om computer vision in de geneeskunde te verbeteren.

Dit werk beweert niet elk probleem in de celanalyse op te lossen. De onderzoekers erkennen dat hun methode moeite kan hebben met cellen die extreem onregelmatig of onherkenbaar beschadigd zijn, aangezien het systeem is gebouwd op de aanname dat cellen min of meer ovaal zijn. Ze merken ook op dat de huidige netwerkarchitectuur relatief eenvoudig is en verder verfijnd kan worden. De bevindingen bieden echter een duidelijke weg vooruit: door het vermogen om te zien te combineren met de kennis van wat men kan verwachten, kunnen computers veel betrouwbaardere partners voor artsen worden. De code en modellen die in deze studie zijn ontwikkeld, zijn nu beschikbaar voor anderen om te gebruiken, wat potentieel kan helpen bij het standaardiseren en verbeteren van de nauwkeurigheid van kankerdiagnoses en andere pathologische beoordelingen in verschillende laboratoria en regio's.