Técnica de ajuste de cor para conjuntos de dados de imagens histopatológicas pode ajudar a capacitar ferramentas de diagnóstico baseadas em aprendizado de máquina

Na histopatologia, onde os tecidos são estudados sob o microscópio para entender e diagnosticar doenças, as colorações representam uma ferramenta essencial. Simplificando, as colorações são produtos químicos cuidadosamente selecionados ou elaborados que aderem a componentes celulares específicos. Quando visualizados sob um microscópio, eles ajudam o usuário a distinguir estruturas celulares mais facilmente, alterando as cores observadas.

Conjuntos de dados de imagens coradas representando tecidos normais e doentes são valiosos para treinar modelos de aprendizado de máquina, o que pode ajudar os médicos a avaliar casos complicados e mitigar vieses pessoais durante o diagnóstico. Para garantir que esses modelos funcionem corretamente, é importante minimizar as diferenças de cor entre as imagens usadas para treinamento e aquelas que eles analisarão em cenários do mundo real. Usando as chamadas “técnicas de adaptação de domínio”, variações de cor que se originam de configurações experimentais exclusivas usadas em diferentes laboratórios podem ser corrigidas, criando dados mais consistentes e comparáveis.

Em um estudo recente publicado em Revista de Imagem Médicapesquisadores da University of North Carolina em Chapel Hill (Estados Unidos) propuseram uma nova técnica de adaptação de domínio. Denominado Stain simultaneously augmentation and normalization (Stain SAN), o método proposto pode ajudar a tornar conjuntos de dados de imagens histopatológicas coradas mais úteis para muitos sistemas emergentes de classificação baseados em aprendizado de máquina, levando, em última análise, a ferramentas de diagnóstico aprimoradas.

O Stain SAN envolve três etapas principais: extração de manchas, adaptação de cor e adaptação de intensidade. Na primeira etapa, a imagem original da mancha é decomposta em um produto de duas matrizes: uma contendo informações de cor e a outra contendo informações de intensidade de luz para cada pixel. Na etapa de adaptação, a distribuição de cores na matriz de cores é modificada por meio de um processo estatístico que considera as imagens de treinamento, garantindo que as cores alteradas caiam dentro de uma distribuição alvo. Finalmente, na terceira etapa e antes da reconstrução da imagem, a matriz de intensidade sofre perturbação aleatória. Isso ajuda a aumentar a diversidade de possíveis domínios de manchas.

“O principal benefício do Stain SAN é que ele combina os pontos fortes dos métodos anteriores de adaptação de coloração, superando suas fraquezas inerentes”, explica o Dr. Taebin Kim, o pesquisador principal. “Outras técnicas estabelecidas, incluindo normalização de coloração, aumento de coloração e mistura de coloração podem ser entendidas como casos especiais do Stain SAN.”

Os pesquisadores testaram sua abordagem, tanto qualitativa quanto quantitativamente, usando imagens histopatológicas de conjuntos de dados disponíveis publicamente. Com base em suas observações, bem como no feedback de um patologista especialista, os pesquisadores descobriram que os conjuntos de dados de imagem processados ​​usando Stain SAN levaram a cores mais consistentemente alinhadas, com domínios de coloração mais generalizados. Além disso, Stain SAN aumentou o contraste entre o núcleo e o citoplasma em cada célula e destacou as diferenças entre as células tumorais e o tecido de suporte.

A equipe também treinou classificadores baseados em machine learning usando conjuntos de dados processados ​​por meio de várias técnicas de adaptação de domínio e testou seu desempenho em relação a imagens processadas de outro conjunto de dados. Curiosamente, o Stain SAN superou todos os métodos mencionados acima, fornecendo precisão significativamente maior.

“Nossos resultados mostram claramente as melhorias feitas ao longo da história do desenvolvimento desses métodos, culminando com um aprimoramento substancial fornecido pelo Stain SAN”, comenta Kim. “Além disso, mostramos que o Stain SAN alcança resultados comparáveis ​​com uma abordagem de última geração baseada em aprendizado profundo sem exigir treinamento separado para adaptação de coloração ou acesso ao domínio alvo durante o treinamento, o que seria irreal na prática clínica. Isso destaca a eficácia e a eficiência computacional do Stain SAN.”

O desenvolvimento de técnicas de adaptação de domínio eficientes como Stain SAN é essencial para preencher a lacuna que existe entre os sistemas de aprendizado de máquina e suas aplicações em assistência médica. A equipe de pesquisa já está planejando melhorias potenciais para seu método e conduzindo mais testes usando outros conjuntos de dados.

“Nossas descobertas endossam o Stain SAN como uma abordagem robusta para adaptação do domínio de coloração em imagens histopatológicas, com implicações para o avanço de tarefas computacionais no campo”, conclui Kim, otimista sobre o futuro.

Esses esforços abrirão caminho para protocolos de diagnóstico mais precisos e convenientes, economizando tempo para médicos e pacientes.