Методика формирования базы гистопатологических изображений папиллярного рака щитовидной железы для глубокого обучения

Цели. Морфологический анализ образцов папиллярного рака щитовидной железы важен для дальнейшего планирования лечения. Автоматизация этого процесса связана с использованием традиционных и нейросетевых способов извлечения признаков изображений. Подготовительная работа предполагает подготовку набора данных, содержащих изображения, которые применяются для обучения нейронных сетей. В статье рассматривается вопрос выбора признаков для разметки гистологических изображений, особенности работы с полнослайдовыми изображениями, предлагается методика подготовки данных для разработки системы поиска похожих фрагментов гистопатологического изображения рака щитовидной железы. Исследуется влияние размера представительного фрагмента полнослайдового изображения папиллярного рака щитовидной железы на точность классификации обученной нейронной сети Efficient-NetB0, оцениваются слабые стороны использования фрагментов изображений разного представительного размера и причины неудовлетворительной точности классификации на больших увеличениях.
Материалы и методы. Использовались гистопатологические полнослайдовые изображения 129 пациентов. Гистологические микропрепараты, содержащие элементы опухоли и окружающей ткани, сканировались в аппарате Aperio AT2 (Leica Biosystems, Германия) с максимальным разрешением. Разметка проводилась в программном пакете ASAP. Для выбора оптимального представительного размера фрагмента решалась задача классификации с применением предобученной нейронной сети EfficientNetB0.
Результаты. Предложена методика подготовки базы данных гистопатологических изображений папиллярного рака щитовидной железы, проведены эксперименты по определению оптимального представительного размера фрагмента изображения. Наилучший результат точности определения класса тестовой выборки показал размер представительного фрагмента 394,32×394,32 мкм.
Заключение. Анализ влияния представительных размеров фрагментов гистопатологических изображений выявил проблемные места при решении задачи классификации, обусловленные спецификой нарезки и окрашивания изображений, морфологической сложностью и текстурным различием изображений одного класса. Поскольку проблема подготовки набора данных для обучения нейронной сети на решение задачи поиска инвазии сосудов на гистопатологическом изображении является нетривиальной, требуются дополнительные этапы подготовки данных.

1. A national cancer data base report on 53,856 cases of thyroid carcinoma treated in the U.S., 1985–1995 / S. A. Hundahl [et al.] // Cancer. – 1998. – Vol. 83, iss. 12. – Р. 2638–22948. https://doi.org/10.1002/(SICI)1097-0142(19981215)83:12<2638::AID-CNCR31>3.0.CO;2-1

2. Гистологическая и молекулярно-генетическая характеристика клинически агрессивных вариантов папиллярного рака щитовидной железы / А. В. Боголюбова [и др.] // Архив патологии. – 2019. – Т. 81, № 1. – С. 46–51. https://doi.org/10.17116/patol20198101146

3. Morphological and clinical presentation of papillary thyroid carcinoma in children and adolescents of Belarus: the influence of radiation exposure and the source of irradiation / M. Fridman [et al.] // Experimental and Molecular Pathology. – 2015. – Vol. 98, iss. 3. – Р. 527–531. https://doi.org/10.1016/j.yexmp.2015.03.039

4. Xu, B. Crucial parameters in thyroid carcinoma reporting – challenges, controversies and clinical implications / B. Xu, R. A. Ghossein // Histopathology. – 2018. – Vol. 72, iss. 1. – Р. 32–39. https://doi.org/10.1111/his.13335

5. Косарева, А. А. Определение схожего анатомического участка на КТ-изображении грудной клетки с использованием традиционных методов выделения признаков изображения / А. А. Косарева, П. В. Камлач, В. А. Ковалев // Доклады БГУИР. – 2022. – Т. 20, № 5. – С. 48–56. http://dx.doi.org/10.35596/1729-7648-2022-20-5-48-56

6. Multi-radial LBP features as a tool for rapid glomerular detection and assessment in whole slide histopathology images / O. Simon [et al.] // Scientific Reports. – 2018. – Vol. 8. – Р. 1–11. https://doi.org/10.1038/s41598-018-20453-7

7. A novel method for morphological pleomorphism and heterogeneity quantitative measurement: Named cell feature level co-occurrence matrix / A. Saito [et al.] // J. of Pathology Informatics. – 2016. – Vol. 7, iss. 1. – Р. 1–9. https://doi.org/10.4103/2153-3539.189699

8. Jothi, J. A. A. Automatic classification of thyroid histopathology images using multi-classifier system / J. A. A. Jothi, V. M. A. Rajam // Multimedia Tools and Applications. – 2017. – Vol. 76, iss. 18. – Р. 18711–18730. https://doi.org/10.1007/s11042-017-4363-0

9. Interactive thyroid whole slide image diagnostic system using deep representation / P. Chen [et al.] // Computer Methods and Programs in Biomedicine. – 2020. – Vol. 195. – Р. 105630. https://doi.org/10.1016/j.cmpb.2020.105630

10. Litjens, G. Automate Slide Analysis Platform (ASAP) [Electronic resource] / G. Litjens. – 2017. – Mode of access: https://github.com/geertlitjens/ASAP. – Date of access: 10.09.2022

11. Tan, M. EfficientNet: Rethinking model scaling for convolutional neural networks / M. Tan, Q. V. Le / Proc. of the 36th Intern. Conf. on Machine Learning, ICML 2019, Long Beach, 9–15 June 2019. – Long Beach, 2019. – Р. 6105–6114.

12. Rijsbergen, C. J. van. Information Retrieval / C. J. van Rijsbergen. – 2nd ed. – Butterworth-Heinemann, 1979. – 224 р.

13. Sasaki, Y. The Truth of the F-measure [Electronic resource] / Y. Sasaki. – 2007. – Mode of access: https://www.cs.odu.edu/~mukka/cs795sum09dm/Lecturenotes/Day3/F-measure-YS-26Oct07.pdf. – Date of access: 17.02.2023.