CORE -- A Cell-Level Coarse-to-Fine Image Registration Engine for Multi-stain Image Alignment
本文介绍了 CORE，这是一个新颖的由粗到精的框架，它通过结合基于提示的组织过滤、全局形态对齐以及用于细粒度非刚性变形的自定义形状感知点集配准模型，实现了跨多种多染色全切片图像的准确、鲁棒且泛化性强的细胞核级配准。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，你是一名正在试图破解犯罪案件的侦探，但你的证据散落在三个不同的犯罪现场，每个现场都在不同的颜色光线下拍摄。一张照片是在明亮的日光下拍摄的，另一张是在红色聚光灯下，第三张则是在深蓝色的月光下。建筑物（即组织）是相同的，但光线使得窗户和门看起来完全不同。如果你尝试将这些照片叠放在一起，窗户就无法对齐，你会错过线索。这就是病理学家——那些在显微镜下观察人体微小组织切片以诊断疾病的医生——每天面临的挑战。他们经常对同一片组织进行染色，使用不同的彩色染料来突出显示不同的部分（比如细胞核或特定蛋白质），然后进行拍照。这些照片被称为“全切片图像”（WSIs），它们如此巨大，就像城市的千兆像素全景图一样。问题在于，当你移动载玻片、切割新的切片或改变染料时，组织会发生拉伸、撕裂或轻微位移。试图将这些巨大的、色彩各异且不匹配的地图对齐，就像是试图将一张皱巴巴、带有污渍的城市地图折叠回一个完美的正方形而不使其撕裂一样。如果他们不能完美地对齐，就无法结合不同染色中的信息，从而获得体内发生情况的全貌。
于是，CORE 诞生了，这是一个由研究团队开发的全新数字工具，它就像一台超级智能、神奇的折叠机，专门处理这些医疗地图。你可以把 CORE 想象成一位两步走的舞蹈教练。首先，它跳一段“粗略”的舞蹈：它观察大局，忽略微小的细节，以匹配组织的总体形状。这就像是在观察拼图的轮廓，并将大的角落碎片拼接在一起。它使用了一种被称为“基于提示的分割”（prompt-based segmentation）的巧妙技巧，这就像是向一个非常聪明的 AI 助手发出指令：“找到组织并忽略灰尘和笔迹”，从而创建一个干净的样本轮廓。一旦大形状大致对齐，CORE 就会转向“精细”的舞蹈。这时，它进入了细胞层面。它寻找图像中的微小点——细胞核——它们就像独特的街道指示牌。然后，它使用一种特殊的数学技巧，即“形状感知点集配准”（shape-aware point-set registration），不仅根据位置，还根据外观来匹配这些街道指示牌。即使在颜色完全不同的情况下，如果一个细胞核在其中一张照片中是圆而大的，它也会在另一张照片中寻找一个同样圆而大的细胞核。最后，它会抚平任何剩余的褶皱，就像熨烫衬衫一样，以确保每一个细胞都完美对齐。
该论文将 CORE 介绍为一种旨在应对医疗切片复杂现实的“由粗到精的配准引擎”。研究人员在包含 30 种不同染色类型的六个不同数据集上测试了这个引擎，其中包括常见的 H&E（标准的粉紫色染色）和复杂的免疫荧光（使用多种发光颜色）。他们发现 CORE 在工作中表现得极其出色。在针对乳腺癌组织的重要基准测试 ACROBAT 上，CORE 将误差降低到了第 90 百分位仅 139.0 微米 (µm)，击败了其他十种顶尖方法。此外，它的速度也更快，仅需 14 秒，而其他工具则需要 50 到 120 秒。在包含缺失部分和严重拉伸的棘手组织数据集 ANHIR 上，CORE 实现了仅 0.0040（相对于图像大小）的平均误差，再次超越了竞争对手。团队展示了通过结合快速、广泛的对齐与缓慢、细致的逐细胞检查，他们可以处理重新染色（对同一块组织再次染色）或连续切片（紧挨着取的切片）的切片，即使在组织被撕裂或折叠的情况下也是如此。
作者明确反对仅仅依赖单一的方法。他们表明，仅观察大局（粗略阶段）的方法会错过微小细节，而那些试图在没有初步引导的情况下直接匹配细胞的方法往往会产生混乱并失败。他们还证明，依赖简单颜色匹配或特定类型染料的旧工具在颜色发生剧烈变化时效果不佳。CORE 表明，成功的秘诀在于一个层级结构：从大开始，然后变小，并利用细胞的形状而非仅仅是颜色来引导对齐。论文通过广泛的实验证明了这一点，展示了 CORE 在各种困难场景下都能在准确性和速度方面持续优于现有技术。他们甚至开发了一个免费的交互式工具 TiaViz，让任何人都能实时观看这种对齐过程，证明了该过程可以在全分辨率图像上运行，而无需保存庞大的中间文件。虽然该工具功能强大，但作者也指出，如果组织受损严重导致没有清晰的标志物，或者细胞极其稀疏，它仍可能面临困难；但在绝大多数情况下，它为解决这个长期困扰数字病理学的瓶颈问题提供了一个稳健且具有通用性的解决方案。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。