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

Nas salas silenciosas e bem iluminadas de um laboratório de patologia, o diagnóstico do câncer muitas vezes começa com um ato simples: uma fatia de tecido humano é colocada em uma lâmina de vidro, tratada com corantes químicos e examinada sob um microscópio. Esses corantes, conhecidos como colorações, são ferramentas essenciais que transformam estruturas celulares invisíveis em cores visíveis, permitindo que os médicos vejam a diferença entre células saudáveis e doentes. No entanto, o processo de preparação dessas lâminas não é perfeitamente uniforme. Assim como um pintor pode misturar um lote de tinta azul que resulta em um tom ligeiramente mais escuro ou mais claro do que o lote anterior, a coloração química das lâminas de tecido varia de uma amostra para outra. Uma lâmina pode ter núcleos de um roxo profundo, enquanto outra tem um tom mais claro, mesmo que o tecido por baixo seja idêntico. Essa variação cria um obstáculo significativo para computadores que tentam analisar essas imagens. Quando pesquisadores querem comparar múltiplas lâminas do mesmo paciente tiradas em momentos diferentes, ou combinar diferentes tipos de colorações para obter um quadro completo, eles devem alinhar as imagens perfeitamente. Esse processo, chamado de registro, é como tentar sobrepor dois mapas transparentes da mesma cidade que foram desenhados com cores de tinta diferentes e escalas ligeiramente distintas. Se as cores forem muito diferentes, o computador fica confuso e não consegue alinhar as ruas corretamente.

Uma equipe de pesquisadores da Universidade de Oulu e da Universidade de Helsinki estabeleceu o objetivo de resolver esse problema específico de alinhamento de imagens histopatológicas que foram coradas de maneiras diferentes. Eles se concentraram em imagens de lâminas inteiras (whole-slide images), que são digitalizações digitais de altíssima resolução de amostras de tecido, frequentemente contendo bilhões de pixels. Os pesquisadores testaram três métodos diferentes para ver qual deles conseguiria alinhar melhor essas imagens incompatíveis. Dois dos métodos baseavam-se no brilho e na cor de cada pixel individual, essencialmente tentando combinar as imagens ao fazer com que os tons de rosa e roxo parecessem idênticos. O terceiro método adotou uma abordagem diferente: ele ignorou as cores inteiramente e, em vez disso, buscou por marcos anatômicos específicos e reconhecíveis, como a forma distinta de um aglomerado de células ou um vaso sanguíneo, para guiar o alinhamento. Para tornar o teste justo e rigoroso, a equipe primeiro utilizou um modelo computacional especializado para alterar artificialmente as cores das imagens, simulando as variações naturais que ocorrem em laboratórios reais. Em seguida, aplicaram suas técnicas de alinhamento para ver qual método conseguiria lidar com o caos das cores sem perder os detalhes estruturais do tecido.

Os resultados do estudo revelaram um vencedor claro diante da variação de coloração. O método que se baseou no pareamento de marcos anatômicos específicos provou ser o mais robusto e preciso. Ao focar nas formas físicas e nas posições das estruturas dentro do tecido, em vez das cores, essa abordagem conseguiu alinhar as imagens mesmo quando as colorações eram drasticamente diferentes. Os pesquisadores descobriram que essa técnica baseada em marcos mantinha um alto nível de precisão, independentemente de as imagens estarem em suas cores originais variadas ou tivessem sido processadas para parecerem mais uniformes. Em contraste, os métodos que dependiam da intensidade de pixels tiveram dificuldades significativas quando as cores mudaram. Uma das ferramentas baseadas em intensidade, que havia desempenhado um papel razoável nas imagens originais, viu sua precisão cair drasticamente após as cores serem normalizadas, falhando em alinhar as estruturas do tecido corretamente. A outra ferramenta baseada em intensidade mostrou alguma melhoria após os ajustes de cores, demonstrando maior força, mas ainda não conseguiu igualar a consistência e a confiabilidade da abordagem baseada em marcos.

O estudo também destacou a eficabilidade de um modelo de aprendizado profundo chamado StainNet, que foi utilizado para padronizar as cores das imagens antes de testar os métodos de alinhamento. Este modelo transformou com sucesso as colorações variadas em uma aparência consistente, de forma muito semelhante a um editor de fotos ajustando o balanço de branco para fazer com que uma série de fotos pareça ter sido tirada sob a mesma iluminação. Embora essa correção de cor tenha ajudado os métodos baseados em intensidade a desempenhar um pouco melhor, não os salvou de sua fraqueza fundamental: eles continuaram sendo excessivamente dependentes dos tons específicos de cor para funcionar corretamente. O método baseado em marcos, no entanto, permaneceu estável e preciso durante todo o processo. Os pesquisadores mediram a precisão de cada método calculando a distância entre onde um ponto específico deveria estar e onde o computador o posicionou após o alinhamento. A abordagem baseada em marcos produziu consistentemente os menores erros, muitas vezes mantendo o desalinhamento abaixo de cinco pixels, enquanto os métodos baseados em intensidade produziram erros que eram às vezes dezenas de vezes maiores, especialmente quando as imagens haviam sido corrigidas em cor.

Apesar do claro sucesso do método baseado em marcos, os pesquisadores observaram um desafio prático que permanece. Embora o computador possa alinhar as imagens perfeitamente uma vez que os marcos sejam identificados, encontrar e marcar esses pontos específicos no tecido requer um especialista humano para olhar a imagem e apontá-los. Esse passo manual é demorado e exige grande habilidade. O estudo sugere que o futuro deste campo reside em ensinar os computadores a identificar esses marcos automaticamente, o que combinaria a confiabilidade da abordagem baseada em marcos com a velocidade da automação. Até lá, as descobertas confirmam que, para a tarefa complexa de alinhar amostras de tecido coradas de formas diferentes, confiar na estrutura física do tecido é muito mais eficaz do que tentar combinar as cores. Essa distinção é crucial para o futuro da patologia digital, onde o alinhamento preciso é necessário para comparar dados de pacientes ao longo do tempo e para desenvolver ferramentas automatizadas que possam auxiliar no diagnóstico do câncer com maior precisão.