Böbrek Histolojik İlkellerinin Otomatik Segmentasyonu İçin Derin Öğrenme Uygulaması

İletişim: Audrey Hu (Whatsapp:008613880143964) E-posta:audrey.hu@wecistanche.com

BÖLÜM Ⅱ: Böbrek korteksindeki histolojik yapıların çoklu histolojik boyalarla derin öğrenmeye dayalı segmentasyonunun geliştirilmesi ve değerlendirilmesi

Catherine P.Jayapandian, Yiiang Chen,Andrew R. Janowczyk & et al.

Tüm slayt görüntülerinden histolojik ilkellerin (yapıların) otomatik segmentasyonu (sınırların tanımlanması) için derin öğrenme uygulaması, böbrek biyopsisi değerlendirmesi için yeni protokollerin oluşturulmasını kolaylaştırabilir. Burada, böbrek biyopsileri ve nefrektomilerdeki histolojik yapıların segmentasyonu için derin öğrenme ağları geliştirdik ve doğruladık. Geliştirme için, Hematoxylin & Eosin(125), Periodic Acid Schiff(125), Silver (102), ve Trichrome(107) eğitim, doğrulama ve test setlerine ayrılmıştır (oran 6:1:3). Histolojik yapılar, beş nefropatolog tarafından manuel olarak (30048 toplam açıklama) bölümlere ayrıldı. Yapılar ve lekeler arasında optimum dijital büyütme ile yirmi derin öğrenme modeli eğitildi. Periyodik Asit Schiff lekeli tam slayt görüntüleri, patologlar ve tüm yapılar arasında derin öğrenme segmentasyonu arasındaki en iyi uyumu sağladı (glomerüler kümeler için F-skorları:0.93, glomerüler kümeler için0.94, artı Bowman kapsülü, Proksimal tübüller için 0,91, distal tübüler segmentler için 0,93, peritübüler kapillerler için 0,81 ve arterler ve afferent arteriyoller için 0,85). Optimum dijital büyütmeler glomerüler tutam/tuft artı Bowman kapsülü için 5X, proksimal/distal tübül, arterler ve afferent arteriyoller için 10X idi. ve peritübüler kılcal damarlar için 40X. Gümüş lekeli tam slayt görüntüleri en kötü derin öğrenme performansını verdi. Bu nedenle, bugüne kadarki bu en büyük çalışma, derin öğrenmeyi birden fazla leke ve patoloji laboratuvarında böbrek histolojik yapılarının segmentasyonu için uyarladı. Eğitim ve test için kullanılan tüm veriler ve ayrıntılı bir çevrimiçi eğitim herkese açık olacaktır.

gerçek fonksiyon iyileştirme otu:cistanche

BÖLÜM İÇİN TIKLAYIN Ⅰ

TARTIŞMA

Renal biyopsinin değerlendirilmesi, rutin olarak kullanılan boyaların çeşitliliği nedeniyle diğer cerrahi patoloji örnekleriyle karşılaştırıldığında benzersizdir. Morfolojik değerlendirme, müstahzarların kalitesine, patologların bireysel yapıları ve ilişkili değişiklikleri tespit etme konusundaki uzmanlığına ve doku hasarının derecesini yakalamak için kullanılan nicel veya yarı nicel ölçümlere dayanır. Belirli histolojik primitiflerin sayımı, dağılımı ve morfometrisi gibi görsel histolojik kantitatif değerlendirmenin, çeşitli böbrek hastalıkları için sonucun sağlam öngörücüleri olduğu bilinmektedir.10,17-23 Bununla birlikte, kantitatif analiz insan gözü için bir zorluk olmaya devam etmektedir. Bu ilkellerin bazıları (örneğin peritübüler kılcal damarlar) görsel olarak veya elle ölçülemez ve hesaplama algoritmalarının yardımını garanti eder. Son zamanlarda yapılan çalışmalar, bilgisayarlı görme araçlarının, dijital patoloji ile hastalık teşhisi için triyaj ve karar destek araçları olarak hizmet edebileceğini ileri sürmüştür.

24~27

Bu nedenle, histolojik ilkellerin birden fazla leke türü arasında verimli ve güvenilir bir şekilde bölütlenmesi için otomatik görüntü analizi araçlarının uygulanması ve patoloji iş akışına entegre edilmesi gerekir. DL segmentasyon araçları, tanı ve sonuçla korelasyon için yalnızca görsel değil, aynı zamanda görsel histomorfometrik özelliklerin (örn., şekil, dokusal ve grafik özellikleri) türetilmesini büyük ölçüde kolaylaştırabilir.280 Bu çalışma, büyük 4 lekenin tam slayt görüntülerini (WSI) kullanarak ve 29 NEPTUNE kayıt merkezinde oluşturulan minimal değişiklik hastalığının (MCD) renal parankimi üzerindeki 6 histolojik primitifin kapsamlı açıklaması için DL algoritmaları sağlayarak doku sorgulamasını ölçeklendirin. Geçtiğimiz birkaç yılda, birkaç çalışma, düşük seviyeli görüntü analizleri (yani histolojik ilkellerin tespiti, segmentasyonu ve sınıflandırılması) ve yüksek seviyeli karmaşık prognoz ve tahmin görevleri için DL ağlarının faydasını göstermiştir.1-35 Çalışmamız, Daha önce yayınlanmış olanlara kıyasla, farklı lekeler üzerinde geliştirilmiş ve çok sayıda açıklamalı görüntü kullanan algoritmalar sunan, böbrek biyopsilerinin en büyük, kapsamlı DL çalışması. Çalışmamızdan elde edilen birincil sonuçlar ve önemli bulgular aşağıda açıklanmıştır.

Mevcut literatürle karşılaştırma

Önceki çalışmalar36-44 arasındaki farklar ve katkılarımız Ek Şekil S6'da özetlenmiştir.

Daha önce yayınlanmış çalışmalar, tek bir histolojik ilkel ve tek bir lekeye odaklanmaktadır. Örneğin, Marsh ve ark. H&E36 ile boyanmış transplant böbrek donmuş bölümlerinde küresel glomerüloskleroz tespiti için CNN'leri değerlendirdi; Kanna et al. normal, segmental ve global olarak sklerozan glomerülleri trikrom ile boyanmış formalinle sabitlenmiş ve parafifin gömülü böbrek bölümlerinden ayırt etmek için CNN'leri değerlendirdi37; Gallego et al. PAS ile boyanmış bölümlerde glomerülleri saptamak için uygulanan DL; Bel

Daha önce yayınlanmış çalışmalar, tek bir histolojik ilkel ve tek bir lekeye odaklanmaktadır. Örneğin, Marsh ve ark. H&E36 ile boyanmış transplant böbrek donmuş bölümlerinde küresel glomerüloskleroz tespiti için CNN'leri değerlendirdi; Kanna et al. normal, segmental ve global olarak sklerozan glomerülleri trikrom ile boyanmış formalinle sabitlenmiş ve parafifin gömülü böbrek bölümlerinden ayırt etmek için CNN'leri değerlendirdi37; Gallego et al. PAS ile boyanmış bölümlerde glomerülleri saptamak için uygulanan DL; Bel et al. nefrektomi korteks dokusunun PAS ile boyanmış WSI'lerini kullanarak normal ve patolojik histolojik yapıların segmentasyonunu gösterdi.Temerinac Ott ve ark. aynı dokunun farklı şekilde boyanmış bölümlerinden elde edilen sonuçları kullanarak 1 boyamada glomerüler algılamayı iyileştirmek için bir DL yaklaşımı göstermek. Tanı amaçlı rutin olarak kullanılan tüm boyalarda histolojik primitifler.

Büyük ölçekli DL ağlarında kullanılmadan önce dikkate alınması gereken bir diğer kritik unsur, bunların heterojen veri kümelerine nasıl uygulanabilecekleridir. DL modellerimiz, 4 leke kullanılarak doku alımı, işleme ve slayt hazırlamada preanalitik varyasyonları olan çok heterojen bir WSI setinde eğitildi ve test edildi, böylece çok bölgeli bir ortamda DL yaklaşımının uygulanabilirliğinin titiz bir şekilde değerlendirilmesini kolaylaştırdı.

Gadermayr ve arkadaşlarının lekeden bağımsız glomerüler segmentasyon için üretken çekişmeli derin ağları uygulaması gibi histolojik ilkellerin segmentasyonu için farklı DL yaklaşımları kullanılmıştır. Bel et al. çok merkezli leke dönüşümü için DL uygulamalarında kullanılan döngü tutarlı üretken rakip ağlar (döngü-GAN'ler). Hermsen et al. PAS boyamasında 40 transplant biyopsisi kullanarak 7 doku sınıfının U-Net tabanlı segmentasyonunu göstermiştir.2 Bu çalışmada yaklaşımımız, optimum dijital büyütme ve ilkel ve boyalar arasında değişen sayıda ek açıklama kullanarak çoklu U-Net tabanlı DL ağları geliştirmekti.

Önceki tüm çalışmalar, bizim çalışmamıza kıyasla nispeten daha az sayıda renal biyopsi/nefrektomi WSI kullanmıştır (Tablo 2). Büyük bir WSI veri setinin kullanımı, patologlara her ilkel ve leke için iyi açıklamalı eğitim örnekleri oluşturma konusunda fikir vermemizi sağladı. yanı sıra U-Net CNN'leri kullanarak en iyi ağ performansı için gereken eğitim örneklerinin sayısı(Şekil 8).

Bireysel histolojik primitiflerin segmentasyonunun özgüllüğü ve patolojik varyasyonları, DL modellerinin klinik uygulamaya yerleştirilmesi için kritik öneme sahiptir.12,43 Bu çalışmada oluşturulan DL ağları, MCD veya MCD'de görülenler gibi yapısal olarak normal histolojik ilkellere özgüdür. nefrektomiler ve hem yetişkin hem de pediatrik böbrek biyopsilerine uygulanabilir. DL ağları, nefrektomi örneklerinden alınan renal parankim yamalarında test edildiğinde, yapısal olarak normal histolojik primitiflerin özgüllüğü korunmuştur. Bu çalışmada sunulan DL çerçevesi, gelecekte özellikle otomatik segmentasyona ve yapısal olarak anormal histolojik ilkellerin değerlendirilmesine ve bunların klinik sonuçlarla korelasyonuna odaklanan ağların mimarisini de mümkün kılacaktır.

böbrek fonksiyonu iyileştirme: cistanche tubulosa özü

Farklı lekelerin DL tabanlı sıralaması

Çalışmamız, U-Net modelini kullanarak yapısal olarak normal histolojik ilkellerin tanımlanması için PAS boyasının en uygun olduğunu göstermektedir. Bunun nedeni, PAS'ın TRI veya SIL ile karşılaştırıldığında patoloji laboratuvarlarında tutarlı bir şekilde daha homojen görünmesi olabilir. PAS lekeli WSI'ler, farklı yapıların temel zarlarını vurgular ve bu da, bölünecek her bir ilkel sınırının üstün tanımını sağlar. Bu nedenle, peritübüler kapillerlerin segmentasyonu için kullanılan tek boya PAS idi. Sonuçlarımıza göre, PAS ve H&E boyaları glomerüler tutam ve birim segmentasyonu, arterler/arteriyoller için PAS ve TRI, tübüler segmentler için PAS ve SIL ve peritübüler kapillerler için PAS için daha iyi performans gösterdi. DL modelleri için optimum dijital büyütme

Sonuçlarımız, 256 × 256'lık birleşik bir yama boyutu ile, DL modelleri için optimal büyütmenin glomerüller için 5×, tübüller ve damarlar için 10× ve kılcal damarlar için 40× olduğunu göstermektedir (Şekil 1).İlginç bir şekilde, optimal büyütmelerin çoğu patologların 15x ila 20x kullandığı glomerüller hariç, patologların tekil ilkellere açıklama eklerken kullanma eğiliminde oldukları büyütmelerle uyumluydu. Lekeden bağımsız olarak 10× büyütme. Peritübüler kılcal damarlar gibi daha küçük yapılar için, doğru DL segmentasyonu için daha büyük dijital büyütme (40x) gerekliydi.

Siteler ve eserler arasında DL segmentasyon performansı Doku hazırlığının heterojenliği ve analitiklerin standardizasyonunun olmaması, patoloji materyalinin birkaç laboratuvardan toplandığı çok merkezli çalışmalar için özellikle önemlidir. Beklendiği gibi, doku sunumunda ve cam, doku ve tarama artefaktlarında heterojenlik her birinin DL performansına değişken katkısı olduğu gözlemlendi. Örneğin, genel olarak doku artefaktlarının DL ağları üzerinde sınırlı etkisi olmasına rağmen, kesitin kalınlığının performansı etkilediği görüldü. Bireysel artefaktların etkisi de histolojik ilkel ile ilgiliydi; örneğin, cam artefaktları, arterler/arteriyoller ve proksimal tübüller için DL performansı üzerinde hafif bir olumsuz etki göstermiştir.

Ek olarak, siteler arasında DL performansında değişkenlik vardı ve bu değişkenlik histolojik ilkel bağımlı gibi görünüyordu (Ek Şekil S4).

Eğitim örneklerinin sayısının bir fonksiyonu olarak DL performansı

Kantitatif verilerimiz, görsel olarak tanımlanması daha zor olan ilkeller için daha fazla örneğe ihtiyaç duyulduğuna dair sezgisel varsayımı doğruladı (yani, teğetsel olarak kesilmiş arterler/arteriyoller veya ilgilenilen bölgenin kenarındaki ilkeller [ROI])(Şekil 8). çok küçük veya tanımsız (yani peritübüler kılcal damarlar) olan ilkeller, bölümleme doğruluğunu geliştirmek için iyileştirme ve yinelemeli açıklama gerekliydi. Glomerüler kümelerin segmentasyonu için, ağ az sayıda (60-183) eğitim örneğiyle maksimum doğruluğa yakınsadı; performans, ek örneklerin eklenmesiyle gelişmedi. Tübüller ve arterler/arteriyoller segmentasyonu için, karşılık gelen ağlar, artan sayıda örnekle marjinal ila orta performans artışı gösterdi. Buna karşılık, peritübüler kılcal örneklerin sayısında 2,5 katlık bir artışla F-skoru ve DSC(0.27-0.81)'de önemli bir artış gözlemlendi, F-skor artışının doğrusal bir kapsamı daha fazla örnekle daha da iyi doğruluk gösterir.

Segmentasyon sonuçlarını yorumlama

Artefaktlarla ilgilenilen bölgelerde (yani doku kıvrımları, düzensiz boyama) birkaç yanlış pozitif gözlemlendi, bu da hesaplama modellerinin çağrılmasından önce slayt görüntülerinin dijital kalite değerlendirmesine ihtiyaç olduğunu düşündürdü (Ek Şekil S4). Birkaç ROI'de, DL'nin patologlardan daha iyi performans gösterdiği ortaya çıktı - örneğin, bir arter/arteriolün küçük bir kısmı ROI'lerin kenarındayken ve görsel olarak tespit edilmesi zor olduğu için patolog tarafından temel gerçek olarak manuel olarak açıklama yapılmadığında. Bu, patologların yalnızca duvarın (tunika media ve intima) ve lümenin görünür olduğu arterleri içerdiği ve tunika ortamının dış sınırını böldüğü arterlerin segmentasyonu için kullanılan protokolle açıklanabilir. Böylece, arterlerin tunika ortamını ve intimasını saptamak üzere eğitilmiş modeller, lümen olmamasına rağmen tunika ortamının küçük parçalarını (arteryel/arteriyel duvar teğetsel olarak kesilmiş) arterler/arteriyoller olarak doğru bir şekilde tanımladı (Şekil 9).

Ek olarak, böbrek biyopsi bölümlerindeki tübüller, uzunlamasına kesitlerden daha çok enine kesitlerde görülür. İlk sınıflandırıcı, tübül sınırları daha az keskin olduğundan ve uzunlamasına kesitli tübüller ilk eğitim setinde yeterince temsil edilmediğinden, çoğunlukla H&E lekeli görüntülerde bazı uzunlamasına kesitli tübülleri gözden kaçırdı. Açıklama ve ağ sürecini kolaylaştırmak ve iyileştirmek için, tübüllerin U-Net segmentasyonu ile ilişkili yanlış negatif hatalar patolog tarafından görsel olarak tanımlandı ve manuel olarak düzeltildi ve güncellenen açıklamalar ağa geri döndürüldü. Birkaç küçük arteriyol de ilk yineleme sırasında DL algoritması (yanlış pozitifler) tarafından yanlış bir şekilde distal tübüller olarak tanımlandı. Bu yanlış pozitif notlar, ilk sınıflandırıcı çıktısının gözden geçirilmesi üzerine patolog tarafından kaldırıldı ve DL algoritmasının yanlış pozitiflerini ve negatif hatalarını ortadan kaldırmak için deney kurulumunu veya ağ parametrelerini değiştirmeden yeniden eğitim için düzeltilmiş görüntüler ağa döndürüldü.45

Mevcut paylaşım yönergelerine uygun olarak, bu raporla birlikte tüm verilerimizi ve beraberindeki kesin bilgi açıklamalarını topluluk için kamuya açık hale getiriyoruz. Bu çalışmanın bir parçası olarak yayınlanan çevrimiçi ek materyalin, hesaplamalı böbrek patolojisi alanını ilerletmesi ve segmentasyon görevlerini en iyi şekilde gerçekleştirmek için açıklamalar, büyütmeler, büyütmeler ve önerilen boyamalar oluşturmak için en iyi uygulamaları sağlaması beklenmektedir.

Sonuç olarak, bu çalışma, büyük ölçekli doku niceleme çabalarına ve klinik ve patoloji iş akışlarında makine insan etkileşimli protokollerinin uygulanmasına yardımcı olmak için makine öğrenimi sınıflandırıcılarını çağırmaya yönelik sağlam bir temeli temsil etmektedir. Histolojik ilkellerin DL segmentasyonu, biyopsi yorumlamasını sağlamak için histomorfometrik özelliklerin hesaplamalı türetilmesini sağlar. Ek olarak, bu çalışmada sunulan çerçeve gelecekte özellikle (i) anormal veya patolojik histolojik ilkellere (yani, küresel ve segmental skleroz, glomerüler proliferatif özellikler, toplayıcı kanallar, damarlar ve periferik sinirler, tübüler atrofi, interstisyel fibroz ve arterioskleroz),(ii)renal korteks ve medüller kompartmanlar ve (ii) daha geniş bir hastalık yelpazesi. Ayrıca, bu yeni yaklaşımlar, hastalık prognozu sağlayan ve hatta böbrek hastalıkları için klinik olarak uygulanabilir, tahribatsız hesaplamalı patolojiye dayalı görüntüleme tanısal biyobelirteçlerin tedavi yanıtını4 öngören keşfi kolaylaştıran makine öğrenimi araçlarının geliştirilmesinin yolunu açabilir.2

Cistanche böbrek hastalığı için etkili

Not: cistanche, çöllerde yetişen tobik bir bitkidir. ayrıca ejderha otu ve çöl ginsengi olarak da adlandırılır. cistanche, bağışıklığı iyileştirmek, yorgunluğu gidermek ve böbrek fonksiyonlarını iyileştirmek gibi parmokolojik çalışmalara göre insan sağlığı için harika birçok etkiye sahiptir. Chengdu wecistanhce, üstün kaliteli cistanche ürünleri tedarik etmeye odaklanmaktadır.