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

In de stille, goed verlichte kamers van een pathologisch laboratorium begint de diagnose van kanker vaak met een eenvoudige handeling: een plakje menselijk weefsel wordt op een glazen objectglas geplaatst, behandeld met chemische kleurstoffen en onder een microscoop bekeken. Deze kleurstoffen, bekend als kleuringsmiddelen (stains), zijn essentiële hulpmiddelen die onzichtbare cellulaire structuren in zichtbare kleuren veranderen, waardoor artsen het verschil kunnen zien tussen gezonde cellen en zieke cellen. De voorbereiding van deze objectglaasjes is echter niet perfect uniform. Net zoals een schilder een partij blauwe verf kan mengen die iets donkerder of lichter uitvalt dan de vorige partij, varieert de chemische kleuring van weefselglaasjes van de ene monster naar het andere. Het ene objectglas kan dieppaarse kernen hebben terwijl het andere een lichtere tint heeft, zelfs als het onderliggende weefsel identiek is. Deze variatie vormt een aanzienlijke hindernis voor computers die deze afbeeldingen proberen te analyseren. Wanneer onderzoekers meerdere objectglaasjes van dezelfde patiënt willen vergelijken die op verschillende momenten zijn genomen, of verschillende soorten kleuringsmiddelen willen combineren om een compleet beeld te krijgen, moeten ze de afbeeldingen perfect uitlijnen. Dit proces, genaamd registratie, is als het proberen over elkaar heen te leggen van twee transparante kaarten van dezelfde stad die met verschillende inktkleuren en licht verschillende schalen zijn getekend. Als de kleuren te verschillend zijn, raakt de computer in de war en kan hij de straten niet correct uitlijnen.

Een team van onderzoekers aan de Universiteit van Oulu en de Universiteit van Helsinki zette zich af om dit specifieke probleem op te lossen: het uitlijnen van histopathologische afbeeldingen die op verschillende manieren gekleurd zijn. Ze richtten zich op whole-slide images, wat extreem hoogresolutie digitale scans van weefselmonsters zijn, die vaak miljarden pixels bevatten. De onderzoekers testten drie verschillende methoden om te zien welke het beste deze niet-overeenstemmende afbeeldingen kon uitlijnen. Twee van de methoden vertrouwden op de helderheid en kleur van elke individuele pixel, waarbij ze in essentie probeerden de afbeeldingen te matchen door de roze en paarse tinten identiek te laten lijken. De derde methode nam een andere aanpak: deze negeerde de kleuren volledig en zocht in plaats daarvan naar specifieke, herkenbare anatomische landpunten, zoals de duidelijke vorm van een celcluster of een bloedvat, om de uitlijning te sturen. Om de test eerlijk en rigoureus te maken, gebruikten de onderzoekers eerst een gespecialiseerd computermodel om de kleuren van de afbeeldingen kunstmatig te veranderen, waarmee de natuurlijke variaties die in echte laboratoria voorkomen, werden gesimuleerd. Vervolgens pasten ze hun uitlijningstechnieken toe om te zien welke methode de kleurchaos kon weerstaan zonder de structurele details van het weefsel te verliezen.

De resultaten van de studie toonden een duidelijke winnaar in de strijd tegen kleuringsvariatie. De methode die vertrouwde op het matchen van specifieke anatomische landpunten bleek de meest robuuste en nauwkeurige. Door zich te concentreren op de fysieke vormen en posities van structuren binnen het weefsel in plaats van op de kleuren, slaagde deze aanpak erin de afbeeldingen uit te lijnen, zelfs wanneer de kleurstoffen drastisch verschilden. De onderzoekers ontdekten dat deze op landpunten gebaseerde techniek een hoog niveau van precisie behield, ongeacht of de afbeeldingen hun originele, variërende kleuren hadden of waren bewerkt om er uniformer uit te zien. In tegenstelling hiertoe hadden de methoden die afhankelijk waren van pixelintensiteit aanzienlijke problemen wanneer de kleuren veranderden. Een van de op intensiteit gebaseerde instrumenten, die aanvankelijk redelijk goed presteerde op de originele afbeeldingen, zag de nauwkeurigheid dramatisch dalen zodra de kleuren werden genormaliseerd, waardoor de weefselstructuren niet langer correct werden uitgelijnd. Het andere op intensiteit gebaseerde instrument vertoonde enige verbetering na het aanpassen van de kleuren, wat duidde op een toegenomen kracht, maar het kon de consistentie en betrouwbaarheid van de op landpunten gebaseerde aanpak niet evenaren.

De studie benadrukte ook de effectiviteit van een deep learning-model genaamd StainNet, dat werd gebruikt om de kleuren van de afbeeldingen te standaardiseren voordat de uitlijndemethoden werden getest. Dit model transformeerde de uiteenlopende kleuringsmiddelen succesvol naar een consistente verschijning, vergelijkbaar met een fotobewerker die de witbalans aanpast om een reeks foto's eruit te laten zien alsof ze onder dezelfde verlichting zijn genomen. Hoewel deze kleurcorrectie de op intensiteit gebaseerde methoden er iets beter uit liet zien, redde het hen niet van hun fundamentele zwakte: ze bleven te afhankelijk van de specifieke tinten kleur om correct te kunnen functioneren. De op landpunten gebaseerde methode bleef echter stabiel en precies gedurende het gehele proces. De onderzoekers maten de nauwkeurigheid van elke methode door de afstand te berekenen tussen waar een specifiek punt zou moeten zijn en waar de computer het punt na de uitlijning heeft geplaatst. De op landpunten gebaseerde aanpak produceerde consequent de kleinste fouten, waarbij de uitlijnfout vaak onder de vijf pixels bleef, terwijl de op intensiteit gebaseerde methoden fouten produceerden die soms tientallen malen groter waren, vooral wanneer de afbeeldingen kleurgecorrigeerd waren.

Ondanks het duidelijke succes van de op landpunten gebaseerde methode, merkten de onderzoekers een praktische uitdaging op die blijft bestaan. Hoewel de computer de afbeeldingen perfect kan uitlijnen zodra de landpunten zijn geïdentificeerd, vereist het vinden en markeren van die specifieke punten op het weefsel dat een menselijke expert naar de afbeelding kijkt en ze aanwijst. Deze handmatige stap is tijdrovend en vereist aanzienlijke vaardigheid. De studie suggereert dat de toekomst van dit veld ligt in het leren van computers om deze landpunten automatisch te identificeren, wat de betrouwbaarheid van de op landpunten gebaseerde aanpak zou combineren met de snelheid van automatisering. Tot die tijd bevestigen de bevindingen dat voor de complexe taak van het uitlijnen van verschillend gekleurde weefselmonsters, het vertrouwen op de fysieke structuur van het weefsel veel effectiever is dan het proberen te matchen van de kleuren. Dit onderscheid is cruciaal voor de toekomst van de digitale pathologie, waar nauwkeurige uitlijning noodzakelijk is voor het vergelijken van patiëntgegevens over de tijd en voor het ontwikkelen van geautomatiseerde tools die kunnen helpen bij het diagnosticeren van kanker met grotere precisie.