Shape-supervised network for cross-domain nuclei instance segmentation

No mundo silencioso e microscópico de um corpo humano, a história da saúde e da doença é frequentemente escrita na forma e no arranjo das células. Os patologistas, os médicos que examinam amostras de tecido sob um microscópio, dependem fortemente da contagem e análise dos núcleos celulares — os centros de comando centrais e escuros encontrados em quase todas as células. Quando esses núcleos estão compactados densamente ou quando apresentam formas incomuns devido ao câncer ou infecção, a tarefa de identificar cada um deles torna-se incrivelmente difícil. Durante décadas, cientistas tentaram ensinar computadores a realizar este trabalho automaticamente, esperando acelerar os diagnósticos e reduzir o fardo do trabalho manual. No entanto, programas de computador padrão costumam ter dificuldades quando se movem de um tipo de amostra de tecido para outro, ou quando as células estão tão próximas que seus limites se confundem em uma massa única e indistinta. O desafio não reside apenas em ver as células, mas em compreender que cada uma delas é um objeto separado e distinto com uma forma previsível, mesmo quando a imagem está confusa ou vem de um laboratório diferente.

Uma equipe de pesquisadores desenvolveu uma nova abordagem para resolver este problema, criando um sistema que ensina o computador a reconhecer células por sua forma esperada. Em vez de simplesmente pedir ao computador para desenhar uma linha ao redor de cada mancha escura que vê, o novo método, chamado SSNet, atua mais como um guia que verifica constantemente o trabalho contra um modelo mental de como deveria ser um núcleo celular saudável. Os pesquisadores perceberam que, embora as células individuais possam variar, elas geralmente compartilham uma estrutura comum, do tipo oval. Ao construir um sistema que utiliza esse conhecimento como uma regra, eles foram capazes de treinar um computador para separar células aglomeradas com maior precisão do que métodos anteriores, mesmo ao observar imagens de diferentes hospitais ou preparadas de diferentes maneiras.

O núcleo deste novo sistema é um processo de três etapas que trabalha junto como uma unidade coesa. Primeiro, uma rede de computação varre uma imagem para encontrar todas as áreas onde os núcleos celulares estão presentes, criando um mapa aproximado do primeiro plano. Em seguida, uma ferramenta matemática agrupa essas áreas em candidatos individuais, tentando descobrir onde uma célula termina e outra começa. Finalmente, o sistema verifica a forma de cada candidato. Se um candidato parece um oval suave, ele é aceito. Se parecer irregular, esticado ou de forma estranha, o sistema sabe que algo está errado. Esta "verificação de forma" não é apenas uma revisão final; ela é usada como um sinal de ensino. O sistema retroalimenta a primeira etapa, dizendo ao computador: "Você perdeu o limite aqui" ou "Você fundiu duas células em uma", e ajusta suas previsões futuras de acordo. Isso cria um ciclo de feedback onde o computador aprende a desenhar limites mais limpos e precisos porque é constantemente lembrado da forma oval natural das células que está tentando encontrar.

Para testar se esta ideia funcionava, os pesquisadores treinaram seu sistema em uma grande coleção de imagens de bancos de dados públicos e depois o desafiaram com novos dados não vistos. Eles utilizaram imagens de nove tipos diferentes de órgãos, bem como amostras privadas de hospitais na China que continham milhares de células cervicais densamente agrupadas. Os resultados foram impressionantes. Quando o sistema foi testado em imagens que nunca tinha visto antes, ele identificou e separou núcleos individuais com um alto grau de precisão. Em um conjunto de testes envolvendo milhares de células de lâminas de tecidos inteiros, o novo método identificou corretamente quase 99 por cento das células e foi preciso em sua rotulagem cerca de 97 por cento das vezes. Isso superou vários outros programas de computador líderes, que tendiam a perder células pequenas escondidas em grupos densos ou a fundir erroneamente duas células separadas em um único bloco.

A verdadeira força desta abordagem tornou-se evidente quando os pesquisadores testaram sua capacidade de lidar com diferentes estilos de imagens. No mundo real, as amostras de tecido podem parecer muito diferentes dependendo de como são coradas ou de qual microscópio é utilizado. Um computador treinado em um tipo de imagem costuma falhar quando lhe é mostrada outra. No entanto, como o novo sistema depende da forma fundamental da célula em vez de apenas das cores ou texturas específicas da imagem, ele permaneceu robusto. Quando os pesquisadores treinaram o sistema com dados de um hospital e depois o testaram com dados de outros três hospitais com estilos de imagem completamente diferentes, o desempenho permaneceu quase idêntico. A taxa de erro na identificação de células individuais manteve-se abaixo de dois por cento, demonstrando que o sistema aprendeu uma regra universal sobre a forma celular, em vez de apenas memorizar um conjunto específico de fotos.

Os pesquisadores também exploraram por que este método funcionou tão bem, comparando-o com sistemas que não utilizam o direcionamento pela forma. Sem a verificação de forma, o computador frequentemente produzia contornos irregulares e serrilhados que dificultavam distinguir onde uma célula terminava e outra começava. Esses limites desordenados levavam a erros onde o computador dividia uma única célula em duas ou colava duas células separadas. Ao impor a regra de que as células devem ser geralmente ovais, o sistema suavizou esses erros, produzindo formas limpas e distintas que correspondiam muito mais de perto à verdade fundamental. O estudo sugere que, embora as células possam ser deformadas por doenças, elas raramente perdem totalmente sua estrutura oval básica, e usar essa verdade geométrica simples como guia é uma maneira poderosa de melhorar a visão computacional na medicina.

Este trabalho não pretende resolver todos os problemas na análise celular. Os pesquisadores reconhecem que seu método pode ter dificuldades com células extremamente irregulares ou danificadas além do reconhecimento, já que o sistema é construído sobre a premissa de que as células são aproximadamente ovais. Eles também observam que a arquitetura de rede atual é relativamente simples e pode ser refinada ainda mais. No entanto, as descobertas oferecem um caminho claro a seguir: ao combinar a capacidade de ver com o conhecimento do que esperar, os computadores podem se tornar parceiros muito mais confiáveis para os médicos. O código e os modelos desenvolvidos neste estudo estão agora disponíveis para que outros os utilizem, potencialmente ajudando a padronizar e melhorar a precisão dos diagnósticos de câncer e outras avaliações patológicas em diferentes laboratórios e regiões.