Современные подходы к выявлению клеточных ядер на гистологических микропрепаратах
ОБЗОРЫ
Аннотация
Введение. Развитие компьютерной морфометрии и искусственного зрения предлагает новые подходы к анализу гистологических микропрепаратов, что является важной частью диагностики онкологических заболеваний. «Золотым стандартом» диагностики онкологических заболеваний является гистопатологический анализ изображений. Цель исследования — оценка частоты встречаемости различных подходов к выделению клеточных ядер методами компьютерного зрения на примере микропрепаратов рака молочной железы. Материалы и методы. Проведены исследование и анализ количества научных публикаций в электронных библиотеках Pub Med и e LIBRARY, посвященных выделению клеточных ядер на медицинских изображениях методами компьютерного зрения, за последние 10 лет. Медицинские изображения были взяты из виртуальной базы гистологических микрофотографий Histology Guide. Результаты. Методы компьютерного зрения, используемые для обработки и анализа гистопатологических изображений молочной железы, могут быть разделены на две основные группы: традиционные методы машинного обучения и методы, основанные на глубоком обучении. В работе рассмотрен ряд методов выявления клеточных ядер, таких как метод семантической сегментации ядер, метод Рейнхарда, метод использования активных контуров, машины опорных векторов (support vector machines, SVM) и деревья решений. Выводы. За последние 10 лет заметно возрос интерес исследователей к анализу медицинских изображений с помощью алгоритмов глубокого обучения, что связано с развитием компьютерных технологий и искусственного интеллекта. Основной проблемой анализа гистологических изображений молочной железы является гетерогенность образцов. Нейросетевая модель, разработанная на ограниченном наборе данных, может не работать с заявленной точностью на других микропрепаратах. Алгоритмы глубокого обучения неуправляемы, в отличие от традиционного метода, где исследователь контролирует каждый этап. Это снижает чувствительность диагностики нейронных сетей.
Библиографические ссылки
1. Lagree A., Mohebpour M., Meti N., Saednia K., Lu F.I., Slodkowska E., Gandhi S., Rakovitch E., Shenfield A., Sadeghi-Naini A., Tran W.T. A review and comparison of breast tumor cell nuclei segmentation performances using deep convolutional neural networks. Sci Rep. 2021;11(1):8025. https://doi.org/10.1038/s41598-021-87496-1.
2. Priya C.V.L., Biju V.G., Vinod B.R., Ramachandran S. Deep learning approaches for breast cancer detection in histopathology images: A review. Cancer Biomark. 2024;40(1):1–25. https://doi.org/10.3233/CBM-230251.
3. Дементьев Н.А., Тихомирова А.А., Дохов М.А., Стернин В.Е. Обоснование подходов к компьютерному распознаванию гистологических структур. Детская медицина Северо-Запада. 2021;9(1):125–126.
4. Леванчук А., Дохов М., Тихомирова А., Стернин В. Современные подходы к определению параметров для исключения артефактов изображения на цифровых микрофотографиях. Визуализация в медицине. 2023;4(4):3–6.
5. Yan T., Chen G., Zhang H., Wang G., Yan Z., Li Y., Xu S., Zhou Q., Shi R., Tian Z., Wang B. Convolutional neural network with parallel convolution scale attention module and Res CBAM for breast histology image classification. Heliyon. 2024;10(10):e30889. https://doi.org/10.1016/j.heliyon.2024.e30889.
6. Kowal M., Żejmo M., Skobel M., Korbicz J., Monczak R. Cell Nuclei Segmentation in Cytological Images Using Convolutional Neural Network and Seeded Watershed Algorithm. J Digit Imaging. 2020;33(1):231–242. https://doi.org/10.1007/s10278-019-00200-8.
7. Schmitz R., Madesta F., Nielsen M., Krause J., Steurer S., Werner R., Rösch T. Multi-scale fully convolutional neural networks for histopathology image segmentation: From nuclear aberrations to the global tissue architecture. Med Image Anal. 2021;70:101996. https://doi.org/10.1016/j.media.2021.101996.
8. Мошков Н.Е. Применение алгоритмов глубокого обучения для сегментирования одиночных клеток и фенотипического профилирования. Автореф. дис. ... канд. комп. наук. М.; 2022.
9. Makrogiannis S., Zheng K., Harris C. Discriminative localized sparse approximations for mass characterization in mammograms. Front Oncol. 2021;11:725320. https://doi.org/10.3389/fonc.2021.725320.
10. Li H., Chen D., Nailon W.H., Davies M.E., Laurenson D.I. Dual Convolutional Neural Networks for Breast Mass Segmentation and Diagnosis in Mammography. IEEE Trans Med Imaging. 2022;41(1):3–13. https://doi.org/10.1109/TMI.2021.3102622.
11. Kofler F., Ezhov I., Fidon L., Pirkl C.M., Paetzold J.C., Burian E., Pati S., Husseini El.M., Navarro F., Shit S., Kirschke J., Bakas S., Zimmer C., Wiestler B., Menze B.H. Robust, primitive, and unsupervised quality estimation for segmentation ensembles. Front Neurosci. 2021;15:752780. https://doi.org/10.3389/fnins.2021.752780.
12. Sawyer Lee R., Dunnmon J.A., He A., Tang S., Ré C., Rubin D.L. Comparison of segmentation-free and segmentation-dependent computer-aided diagnosis of breast masses on a public mammography dataset. J Biomed Inform. 2021;113:103656. https://doi.org/10.1016/j.jbi.2020.103656.
13. Bechelli S. Computer-aided cancer diagnosis via machine learning and deep learning: a comparative review. ar Xiv:2210.1194.2022. https://doi.org/10.48550/ar Xiv.2210.11943.
14. Roy S., Kumar J.A., Lal S., Kini J. A study about color normalization methods for histopathology images. Micron. 2018;114:42–61. https://doi.org/10.1016/j.micron.2018.07.005.
15. Hoque M.Z., Keskinarkaus A., Nyberg P., Seppänen T. Retinex model based stain normalization technique for whole slide image analysis. Comput Med Imaging Graph. 2021;90:101901. https://doi.org/10.1016/j.compmedimag.2021.101901.
16. Стернин В.Е., Дохов М.А., Тихомирова А.А., Леванчук А.В. Методы предварительной обработки цифровых фотографий лимфоцитов. Визуализация в медицине. 2023;5(3):16–20.
17. Xing F., Yang L. Robust Nucleus/Cell Detection and Segmentation in Digital Pathology and Microscopy Images: A Comprehensive Review. IEEE Rev Biomed Eng. 2016;9:234–263. https://doi.org/10.1109/RBME.2016.2515127.
18. Wienert S., Heim D., Saeger K., Stenzinger A., Beil M., Hufnagl P., Dietel M., Denkert C., Klauschen F. Detection and segmentation of cell nuclei in virtual microscopy images: a minimum-model approach. Sci Rep. 2012;2:503. https://doi.org/10.1038/srep00503.
19. Hu H., Qiao S., Hao Y., Bai Y., Cheng R., Zhang W., Zhang G. Breast cancer histopathological images recognition based on two-stage nuclei segmentation strategy. PLo S One. 2022;17(4):e0266973. https://doi.org/10.1371/journal.pone.0266973.
20. Veta M., Pluim J.P., van Diest P.J., Viergever M.A. Breast cancer histopathology image analysis: a review. IEEE Trans Biomed Eng. 2014;61(5):1400–11. https://doi.org/10.1109/TBME.2014.2303852.
21. Zahoor S., Lali I.U., Khan M.A., Javed K., Mehmood W. Breast Cancer Detection and Classification using Traditional Computer Vision Techniques: A Comprehensive Review. Curr Med Imaging. 2020;16(10):1187–1200. https://doi.org/10.2174/1573405616666200406110547.
22. Paramanandam M., O'Byrne M., Ghosh B., Mammen J.J., Manipadam M.T., Thamburaj R., Pakrashi V. Automated Segmentation of Nuclei in Breast Cancer Histopathology Images. PLo S One. 2016;11(9):e0162053. https://doi.org/10.1371/journal.pone.0162053.
23. Mouelhi A., Rmili H., Ali J.B., Sayadi M., Doghri R., Mrad K. Fast unsupervised nuclear segmentation and classification scheme for automatic allred cancer scoring in immunohistochemical breast tissue images. Comput Methods Programs Biomed. 2018;165:37–51. https://doi.org/10.1016/j.cmpb.2018.08.005.
