МЕТОД АВТОМАТИЧНОЇ СЕГМЕНТАЦІЇ ІМУНОГІСТОХІМІЧНИХ ЗОБРАЖЕНЬ
DOI:
https://doi.org/10.31891/2307-5732-2024-337-3-47Анотація
У цифровій патології виявлення та класифікація клітин часто є передумовами для кількісного визначення клітин і дослідження неоднорідності тканин. Розділення та маркування кожного ядра клітини є ключовим завданням у сегментації біомедичних зображенЬ. Використання одного підходу для усіх біомедичних зображень є недостатнім, тому необхідно розробити метод з урахуванням вхідних параметрів зображення. Імуногістохімія (IHC) є основною технологією, яка використовується для оцінки кількості біомаркерів на рівні білків у зразках тканин. У онкологічній клінічній діагностиці та дослідженнях аналізи імуногістохімічні зображення відіграють центральну роль у характеристиці пухлини та оцінці біомаркерів. Попередній діагноз зазвичай формується на основі візуального мікроскопічного дослідження експертом. Задачі опрацювання імуногістохімічних зображень є особливо складними для мультиплексних імуногістохімічних зображень через високий рівень варіабельності фарбування, інтенсивності та пошкоджень в результаті попереднього оброблення. Ручна оцінка забарвлених задопомогою біомаркера Her2/neu мікроскопічних зображень характеризується наявністю помилок, великою трудомісткістю у зв’язку із різноманітним фарбуванням, перекриваючими ділянками та неоднорідними параметрами предметного скла.
У даній роботі метод автомаитчного підбору алгоритмів сегментації імуногістохімічних зображень на прикладі імуногістохімічних зображень. Враховуючи необхідність у адаптивному підборі параметрів сегментації, розроблений метод дозволяє підбирати алгоритми сегментації та їх вхідні параметри на основі вхідних параметрів зображення ,таких як середній рівень яскравості, середній рівень каналів RGB зображення. Також у даній роботі окрім базових алгоритмів сегментації, таких як k-means, водорозподілу, порогової сегментації, використовується підхід глибокого машинного навчання на основі архітектури U-net. Встановлено, що для обробки зображень з великою кількістю мікрооб’єктів кращі результати показала сегментація засобами U-net, а для об’єктів з малою кількістю мікрооб’єктів найкращі результат демонструє сукупність алгоритмів водорозподілу у поєднанні із пороговою сегментацією зі значеннями від 65 до 90.
