نرمال سازی رنگ تصاویر بافت آسیب شناسی با استفاده از شبکه های مولد تخاصمی شرطی

تشخیص سرطان عمدتا توسط تجزیه و تحلیل بصری آسیب شناس، با بررسی مورفولوژی برش های بافت تحت میکروسکوپ انجام می شود. اگر تصویر میکروسکوپی یک نمونه رنگ آمیزی نشود بدون رنگ و بافت به نظر می رسد، بنابراین برای ایجاد کنتراست و شناسایی اجزای خاص بافت، نمونه ها به رنگ آمیزی شیمیایی نیاز دارند. در حین آماده سازی بافت، با توجه به ترکیبات شیمیایی گوناگون، اسکنرهای متنوع و تنوع در انواع بیمارها، بافت های مشابه معمولا در ظاهر متفاوت هستند. این تنوع بالا در رنگ آمیزی علاوه بر اختلاف تفسیری در بین آسیب شناسان، یکی از چالش های اصلی در طراحی سیستم های قدرتمند و انعطاف پذیر برای تجزیه و تحلیل خودکار است. استراتژی های مختلفی از نرمال سازی رنگ به عنوان یک مرحله پیش پردازش در خط لوله سیستم های خودکار پیشنهاد شده است. روشPix۲Pix  که برگرفته شده از شبکه های مولد تخاصمی شرطی(cGAN)  می باشد، یکی از روش های قدرتمند و با توانمندی بالا برای حل مسائل انتقال تصویر به تصویر است. نوآوری اصلی این مقاله ارائه ی یک روش جدید و قدرتمند برای نرمال سازی رنگ تصاویر بافت آسیب شناسی با استفاده از روش Pix۲Pix است که با استفاده از مجموعه داده Mitos-Atypia۱۴ پیاده سازی و ارزیابی شده است. در روش پیشنهادی تصاویر در مقیاس خاکستری به عنوان ورودی به شبکه داده می شود و سپس شبکه یاد می گیرد که با حفظ ساختار و الگوی هیستوپاتولوژی بافت تصویر ورودی را به یک سبک رنگ آمیزی خاص مجددا رنگ آمیزی می کند. این روش در مقایسه با روش های پیشین که به یک تصویر مرجع درستی وابسته بودند، از توزیع تمامی تصاویر مجموعه آموزش برای یادگیری استفاده می کند.  روش پیشنهادی در مقایسه با برخی از بهترین روش هایی که تاکنون ارائه شده اند، در هر دو ارزیابی کمی و کیفی نتایج  بهتری را به دست آورده است. همچنین به عنوان نوآوری دیگر، روش پیشنهادی در کاربرد بالینی طبقه بندی بافت سینه بر روی مجموعه داده PatchCamelyon اعمال و مورد آزمایش قرار گرفته است، که نتایج حاصل، بهبود ۵ درصدی AUC را نشان می دهد.

کلیدواژه ها:

یادگیری عمیق ، شبکه های مولد تخاصمی شرطی ، انتقال تصویر به تصویر ، تصاویر هیستوپاتولوژی ، نرمال سازی رنگ