Gestió de la malaltia renal: identificació i classificació del glomèrul renal
Mar 14, 2022
Per a més informació:ali.ma@wecistanche.com
Part Ⅱ: una xarxa neuronal per a la classificació dels glomèruls basada en imatges histològiques de la biòpsia renal
Giacomo Donato Cascaranol, Francesco Saverio Debitontol & et al.
Resum
Antecedents: els sistemes de diagnòstic assistit per ordinador (CAD) basats en imatges mèdiques podrien donar suport als metges en el procés de presa de decisions. Durant les últimes dècades, els investigadors han proposat sistemes CAD en diversos dominis mèdics aconseguint resultats prometedors.
Els sistemes CAD tenen un paper important en la patologia digital donant suport als patòlegs a l'hora d'analitzar portas de biòpsia mitjançant fluxos de treball estandarditzats i objectius. En el treball proposat, vam dissenyar i provar un nou mòdul de sistema CAD basat en tècniques de processament d'imatges i aprenentatge automàtic, l'objectiu del qual era classificar la condició que afecta els corpuscles renals (glomèruls) entre escleròtica i no escleròtica. Aquesta discriminació és útil per a l'avaluació de portaobjectes de biòpsia realitzada pels patòlegs.
Resultats: Vam recollir 26 diapositives digitals extretes delronyonsde 19 donants amb tinció periòdica d'àcid-Schiff, patòlegs experts han dut a terme la preparació de diapositives, l'adquisició digital i les anotacions dels glomèruls. Abans de configurar els classificadors, vam avaluar diverses tècniques d'extracció de característiques de les regions anotades. A continuació, un procediment de reducció de característiques seguit d'una xarxa neuronal artificial de poca profunditat va permetre discriminar entre les classes de glomèruls. Vam avaluar el flux de treball considerant un conjunt de dades independent (és a dir, processant imatges no utilitzades en el procediment d'entrenament). Deu execucions independents de l'algoritme d'entrenament i l'avaluació van permetre assolir un MCC i una precisió de 0,95 (±0.01) i 0,99 (desviació estàndard).<0.00), respectively.="" we="" also="" obtained="" good="" precision="" (0.9844±0.0111)="" and="" recall="">
Conclusions: els resultats del conjunt de proves confirmen que el flux de treball proposat és coherent i fiable per al domini investigat, i pot donar suport a la pràctica clínica de discriminar les dues classes de glomèruls. Les anàlisis de classificacions errònies mostren que les imatges implicades solen estar afectades per artefactes de tinció o presenten seccions parcials
Feu clic a la dosi de Cistanche tubulosa per a la malaltia renal
Discussió
Avaluant l'enfocament proposat en un conjunt de proves independent, el flux de treball de classificació va aconseguir un MCC i una precisió mitjans de {{0}},95 i 0,99, respectivament, i una baixa variabilitat en 10 iteracions independents (MCC std{{5} }.01 i Accuracy std<0.00). good="" precision="" and="" recall="" were="" also="" obtained(precision:="" 0.9844±0.011l,="" recall:0.9310±0.0153).="" the="" proposed="" approach="" thus="" leads="" to="" an="" improvement="" of="" the="" classification="" performance="" if="" compared="" to="" the="" reported="" literature="">
Mentre implementàvem i avaluàvem el flux de treball informat, vam enfrontar i provar el problema comú de desequilibri de dades, que s'ha resolt utilitzant MCC com a coeficient de comparació de rendiment i ROCcurve per seleccionar el llindar de classificació òptim. Els resultats reportats suggereixen que la configuració del flux de treball proposada és fiable per al domini investigat, donant suport a la pràctica clínica de discriminar les dues classes de glomèruls.
Analitzant glomèruls mal classificats, també vam trobar que les imatges d'entrada corresponents a les mostres mal classificades mostraven artefactes de tinció o parts parcials (majoritàriament a les vores); En la pràctica clínica, però, els patòlegs descarten aquestes imatges que també es podrien excloure en el flux de treball proposat dissenyant estratègies per detectar amb antelació imatges afectades per aquests problemes.
Fig. 1 Fals negatiu mal classificat pel millor model
Conclusions
En el treball presentat, vam proposar tot un flux de treball per a la classificació dels glomèruls escleròtics i no escleròtics. Es van examinar i avaluar diversos algorismes d'extracció de característiques, escollint dues tipologies de característiques: característiques morfològiques i de textura. Hem recollit 150 característiques: 2 característiques morfològiques i 148 característiques de textura que s'han calculat mitjançant els algorismes mrcLBP i Haralick. El nombre de funcions es va reduir a 95 mitjançant el PCA. Es va entrenar una xarxa neuronal artificial validada creuament i es van enfrontar problemes desequilibrats amb el conjunt de dades i l'ajust de la xarxa. Els resultats obtinguts van millorar l'estat de l'art en la realització d'aquest tipus de tasques de classificació.
En el futur, investigarem com minimitzar el nombre de supòsits empírics en el procés d'extracció de característiques i incorporar una classificació ponderada entre els plecs; a més, es realitzarà una anàlisi de característiques per identificar-ne les millors.
A més, es podrien investigar noves tècniques per afrontar el problema del desequilibri del conjunt de dades i basades en mètodes de sobremostreig [20]. També seria interessant avaluar els enfocaments d'aprenentatge profund [21-24] i realitzar una comparació directa amb la metodologia proposada en aquest article. Ja s'ha realitzat un estudi preliminar sobre diferents tècniques de segmentació semàntica d'aprenentatge profund aplicades als WSI [25]. Finalment, el flux de treball presentat s'integrarà en una eina CAD completa per aronyóanàlisi de biòpsies.
Mètodes
En aquest estudi, presentem un marc CAD que permet classificar elsglomèrulcondició utilitzant un enfocament basat en funcions. La solució proposada, que es basa en tècniques de processament d'imatges i aprenentatge automàtic, s'ha dissenyat per etiquetar automàticament cadascunaglomèrulcom escleròtica o no escleròtica. A la figura 2 es mostra una representació detallada del flux de treball complet per a la classificació dels glomèruls. El canal de processament es pot organitzar en tres passos principals: (i) extracció de característiques; (i) reducció de característiques; (i) classificació.
Fig. 2 Extracció de funcions completes i flux de treball de classificació
Descripció de les dades
Les imatges de diapositives senceres es van recollir entre juliol de 2011 i febrer de 2015 per metges del Departament d'Emergències i Trasplantaments d'Òrgans de l'Hospital Universitari de Bari (Itàlia). Tot elronyóles biòpsies amb tinció de PAS es van escanejar mitjançant l'Aperio ScanScope CS a 20× amb una resolució de 0,50 μm/píxel. Els WSI que s'han considerat en aquest estudi es van recollir d'un total de 26ronyóbiòpsies digitals de 19 donants i emmagatzemades a resolució completa en format de fitxer SVS (un format Aperio fle que consisteix en TIFF de rajoles piramidals amb metadades i compressió no estàndard).
Cada WSI conté un nombre diferent de seccions de biòpsia (d'una a set). Tot el conjunt de dades utilitzat compta amb una mitjana de quatre seccions de biòpsia per WSI i una quantitat total de 105 seccions. Les imatges recollides del conjunt de dades utilitzat es caracteritzen per grans diferències quant a color i saturació, encara que totes s'han tractat amb tinció de PAS. A la figura 3 es mostren exemples de diferències de saturació.
Fig. 3 Exemples de glomèruls amb diferents nivells de saturació en la biòpsia renal de taca de PAS
Creació del conjunt de dades
Tots els glomèruls van ser identificats i etiquetats manualment per dos graduats en medicina. Aleshores, un patòleg renal expert va validar les anotacions finals. El procediment va consistir a perfilar la regió real dels glomèruls i etiquetar cadascunaglomèrulcom a escleròtic o no escleròtic mitjançant l'eina Aperio ImageScope.
A causa de la variabilitat introduïda amb l'anotació manual, cada regió etiquetada estava envoltada per un quadre delimitador rectangular amb un factor de sobreestimació d'1,1 per a cada dimensió. A continuació, es van extreure totes les regions de glomèruls detectades i etiquetades i es van utilitzar per crear el conjunt de dades.
El conjunt de dades inicial obtingut estava format per 428 glomèruls escleròtics i 2344 glomèruls no escleròtics, amb una proporció entre les dues classes d'1/5,5. En detall, es van etiquetar un total de 2772 glomèruls i, de mitjana, cada biòpsia i cada secció contenien 106 i 26 glomèruls, respectivament.
El conjunt de dades es va dividir posteriorment en conjunts de trens i de proves. En particular, el 20% del conjunt de dades original s'ha utilitzat com a conjunt de proves i la informació de l'objectiu del conjunt de proves només s'ha utilitzat per avaluar el rendiment final. La selecció s'ha realitzat aleatòriament amb la restricció que si aglomèrulaparegut al conjunt de proves, tots els altres glomèruls pertanyents a la mateixa biòpsia han d'aparèixer al conjunt de proves, és a dir, la divisió tren/test s'ha realitzat a nivell de biòpsia. La darrera configuració del conjunt de dades es mostra a la taula 1.
Extracció de característiques
L'extracció de característiques és el primer pas del flux de treball que permet definir un conjunt de característiques utilitzades per discriminar entre els dos tipus diferents de glomèruls. A partir del raonament humà utilitzat pels metges capaços d'abordar el problema, les millors característiques per afrontar el problema són les relacionades amb dues tècniques principals de processament d'imatges: les característiques morfològiques i les basades en la textura.
Tal com va suggerir el patòleg implicat en l'estudi, les principals diferències entre glomèruls escleròtics i no escleròtics es refereixen a la forma de la càpsula de Bowman, la dimensió i la textura deguda als vasos sanguinis. Els glomèruls no escleròtics solen caracteritzar-se per una forma el·líptica i la presència de la càpsula de Bowman que està separada del floc capil·lar amb el mesangi per l'espai de Bowman. El conjunt dels nuclis de les cèl·lules (punts blaus a la figura 4), la llum dels capil·lars (zones blanques a la figura 4) i la matriu mesangial (regions amb tonalitat similar i diferents nivells de saturació a la figura 4) mostren una particularitat. textura anomenada comunament "textura de magrana. Els glomèruls escleròtics, en canvi, es caracteritzen per un augment de la matriu extracel·lular que oblitera la llum dels capil·lars i per un espai de Bowman reduït o absent a causa del material col·lagenós.
Les figures 4 i 5 presenten un exemple de no escleròtics i escleròticsglomèrul, respectivament. Val la pena assenyalar que l'ajustament dels algorismes de processament d'imatges, inclosos els valors dels paràmetres i les configuracions de l'algorisme, s'han fet només al conjunt de trens.
Característiques morfològiques
Pel que fa als trets morfològics, hem considerat dos trets relacionats amb la càpsula de Bowman i l'espai de Bowman. La primera característica es calcula com la suma de les àrees relacionades amb la càpsula de Bowman, les àrees dels vasos sanguinis i els espais intercapil·lars que es caracteritzen per una coloració de blancura a causa de la tinció de PAS. La detecció de la màscara que descriu la regió es basa en tres procediments de processament d'imatges paral·lels que tenien en compte els canals de tres espais de color diferents: RGB, CMYK i Lab. En detall:
· el canal verd de l'espai de color RGB, ja que és el més representatiu delglomèrulestructura;· s'ha escollit el complementari de magenta del model de color CMYK a causa de la significació empírica detectable d'aquest component de color (Figs.3,4 i 5);
· Components a i b de l'espai de color Lab a causa del vincle amb la visió humana del color.
Un exemple de l'aplicació dels processos sobre glomèruls escleròtics i no escleròtics es presenta a les Figs.6 i 7, respectivament.
L'extracció de les màscares per al canal verd de l'espai de color RGB i per al canal magenta del model de color CMYK segueix els mateixos passos de processament d'imatge:
1. Binarització: per mantenir els píxels relacionats amb el blanc
regions un valor llindar s'ha establert empíricament a 190 [16];
2. Operadors morfològics: per netejar la imatge obtinguda
a partir del pas anterior, s'ha utilitzat l'erosió, la dilatació i el filtratge mitjà amb un disc de radi que va de l a 3 com a element estructurador;
3. Contorn actiu: per netejar la forma de la màscara obtinguda, s'ha utilitzat l'algorisme de contorn actiu [26] amb 200 iteracions (el nombre escollit d'iteracions evita un suavització extrema de laglomèrulforma).
La tercera màscara es va calcular a partir dels components a i b de l'espai de color de Lab. La matriu ab s'ha utilitzat com a entrada a l'algorisme de agrupació de k-means [27]. En particular, el nombre de clústers es va establir empíricament en 5 i el nombre de repeticions del procés d'agrupament es va establir en 3 per tal d'establir diferents posicions inicials del centre de clúster per evitar mínims locals. La màscara es va calcular posteriorment conservant només aquells píxels pertanyents al clúster amb el valor d'intensitat d'escala de grisos més gran. A continuació, es van aplicar els passos 2 i 3 del procés de segmentació verd-magenta.
Finalment, les tres màscares s'han utilitzat per calcular la màscara final utilitzant un criteri majoritari: només es van mantenir els píxels pertanyents a almenys dues màscares. Es van utilitzar els algorismes d'anàlisi de textures obtinguts: Patró binari local (LBP) i característiques Haralick.
Com ja es va proposar a [13], el LBP de color multiradial (mrcLBP) és una variació adequada del LBP clàssic per afrontar el problema d'identificació. En detall, considera l'aplicació de l'algorisme LBP als tres canals de color RGB amb diferents valors de radi (1,3, 9 i 27) i amb invariància a la rotació. Aquesta configuració es va aplicar al RGB brutglomèrulimatges. Les característiques obtingudes van ser deu per cada radi, obtenint així un total de 120 característiques (10 característiques per radi, 4 radis, tres canals).
El segon conjunt de característiques basades en textures es basava en les característiques Haralick. S'han calculat les quatre matrius de co-ocurrència de nivell gris, una per a cada direcció; després, es van calcular els 14 índexs Haralick, que van donar lloc a 56 característiques. Per reduir aquest nombre, es va calcular la mitjana i el rang entre les quatre direccions. Per tant, el nombre final de funcions va ser de 28 (14 mitjans i 14 rangs, un per a cada característica Haralick). Com a resultat de l'extracció de característiques de textura, es van calcular un total de 148 característiques.
Característiques de preprocessament
Tal com s'ha descrit anteriorment, el procés d'extracció de característiques va generar 150 característiques que van considerar tant les característiques morfològiques com les basades en la textura dels glomèruls. L'anàlisi de components principals (PCA) es va aplicar com a algorisme de reducció de característiques per reduir la correlació entre les diferents característiques que s'utilitzaran com a inputs del pas de classificació. Abans de la PCA, cada característica es va normalitzar amb la puntuació Z.
Com s'ha dit abans, l'ajustament del processament d'imatges i els algorismes de classificació s'han dut a terme només al conjunt del tren. L'algoritme de reducció de característiques, en canvi, no necessitava ni utilitzava la informació de l'etiqueta. Per aquest motiu, l'aplicació de PCA es podria executar en tot el conjunt de dades o només en el conjunt de dades d'entrenament, amb diferents avantatges i inconvenients. Ambdues solucions es van aplicar al conjunt de dades i, a causa de la complexitat del problema de classificació, s'ha escollit el 99,9 per cent de la variància com a valor llindar. Finalment, es van obtenir 95 i 93 característiques quan el PCA s'ha aplicat a tot el conjunt de dades i només al conjunt de trens, respectivament. Com que els dos enfocaments van donar lloc a un nombre similar de característiques, hem optat per tenir en compte tota la informació dins del conjunt de dades, de manera que el nombre de característiques considerades per a la fase de classificació va ser de 95.
Classificació dels glomèruls
Els passos de classificació dels glomèruls es basen en ANN i específicament en una arquitectura ANN poc profunda. El disseny de l'arquitectura ANN i l'ajustament dels seus paràmetres es van prendre només tenint en compte el conjunt de trens, mentre que tots els resultats informats i les discussions sobre el rendiment es refereixen al conjunt de proves (vegeu Resultats i discussió). El plec K (k es va establir en 10) es va utilitzar com a tècnica de validació creuada per generalitzar, evitar el sobreajust i obtenir un classificador independent del conjunt de dades d'entrada específic. Es van utilitzar diverses inicialitzacions de xarxa per a cada plec i una votació dura entre els plecs tant per obtenir la independència d'una inicialització de xarxa concreta com per calcular l'etiqueta general de la classe de plec.
Els paràmetres d'entrenament fixos eren els següents: una capa oculta, trànsit i softmax com a funcions d'activació per a la capa oculta i de sortida, respectivament; entropia creuada com a funció de pèrdua; gradient conjugat escalat com a algorisme de retropropagació. Es va implementar un criteri d'aturada anticipada de l'entrenament, basat en el conjunt de validació, per afavorir la generalització i evitar el sobreajustament; el criteri d'aturada es produeix si el rendiment del conjunt de validació no disminueix dins d'una finestra lliscant de 6 èpoques.
El nombre de neurones de la capa oculta s'ha seleccionat de la següent manera. Es va comparar el rendiment de 95 xarxes. En detall, es van entrenar diverses xarxes amb la mida de la capa oculta que oscil·lava entre 1 i 95 (val la pena recordar que 95 és el nombre de les característiques d'entrada). Entre les 95 topologies avaluades, s'ha seleccionat la que té una mida de capa oculta igual a 27 en funció del millor valor MCC calculat com a MCC mitjà dels plecs. A la figura 10 es mostra una representació gràfica de la tendència de l'MCC i dels índexs de precisió; la configuració final de la xarxa neuronal artificial es resumeix a la taula 6.
Problema de conjunt de dades desequilibrat
Com s'ha informat anteriorment, el conjunt d'entrenament es va veure afectat per una gran distribució desequilibrada entre glomèruls escleròtics i no escleròtics (5,5 glomèruls no escleròtics per a cada escleròtic).glomèrul). Per tal d'evitar el sobreajustament en la fase d'entrenament, l'augment de dades no es va considerar una solució adequada ja que les característiques seleccionades són invariants a les transformacions principals de la imatge. Per tant, hem considerat el següent enfocament.
En primer lloc, hem considerat l'ús de l'MCC com a comparació general del rendiment entre els plecs. Tal com s'informa a l'Eq. 4, MCC té en compte els falsos negatius i els falsos positius i calcula un coeficient de correlació entre les classes previstes i les classes objectiu. Aquest coeficient pot variar dins de l'interval [-1;1], on 1 indica predicció perfecta,-1 desacord complet i 0 és equivalent al predictor aleatori. Com s'indica a [28], entre les puntuacions de rendiment habituals, MCC és l'únic que té en compte la proporció de la mida de la matriu de confusió, i es va revelar que era un índex de rendiment millor que la precisió o la puntuació F1 en conjunts de dades desequilibrats.
Pel que fa a la selecció del valor llindar de classificació correcte, s'ha utilitzat la corba de la característica operativa de recepció (ROC). Es van analitzar dos enfocaments. El primer (Enfocament A) assumeix el valor òptim com el primer punt d'intersecció entre la corba ROC i una línia amb un pendent igual a la relació entre el nombre total de mostres negatives i positives i que llisca des de la cantonada superior esquerra de la Gràfic ROC((FPR, TPR)=(0,1)). Mentre que, la segona aproximació (Enfocament B)[29] avalua el punt de distància mínima (vegeu l'equació 5) des del punt (0,1) de la gràfica ROC.
La comparació dels dos mètodes (Enfocament A i Enfocament B) en termes de diferents índexs de rendiment (Eq.1, 2,3 i 4) es recull a la Taula 7. Atès que en el domini mèdic, una predicció correcta de positius a un La malaltia és més important que la predicció de negatius, es prefereix un record més alt, per la qual cosa es va triar l'enfocament B.
Referències
Neuen BL, Chadban SJ, Demaio AR, Johnson DW, Perkovic V.Malaltia renal crònicai l'agenda global de les MNT.BMJ Global Health.2017.
Wang H, Naghavi M, Allen C, Barber RM, Carter A, Casey DC, et al. Esperança de vida global, regional i nacional, mortalitat per totes les causes i mortalitat per causa específica per a 249 causes de mort, 1980-2015: anàlisi asistemàtica per al Global Burden of Disease Study 2015. The Lancet. 2016;6:66.
Wolfe RA, AshbyVB, Milford EL, Ojo AO, Ettenger RE, Agodoa LYC, et al. Comparació de la mortalitat en tots els pacients en diàlisi, pacients en diàlisi en espera de trasplantament i receptors d'un primer trasplantament de cadàver. N Engl J Med.2002;6:66.
Port FK, Wolfe RA, Mauger EA, Berling DP, Jiang K. Comparació de probabilitats de supervivència per a pacients de diàlisi vs receptors de trasplantament renal cadavèric. J Am Med Assoc. 1993;6:66.
Liyanage, NinomiyaTJha V, Neal B, Patrice HM, Okpechil, et al. Word-5.[accés ampli al tractament per amalaltia renal en fase terminal: una revisió sistemàtica. The Lancet.2015;666.
Cecka JM.El registre científic de trasplantament renal UNOS-deu anys deronyótrasplantaments. Clin Transpl. 19976:66.
Xarxa Unida per compartir òrgans. Memòria anual 2004
Perico N, Ruggenenti P, Scalamogna M, Remuzzi G. Abordant l'escassetat de donantsronyons: com utilitzar el millor que tenim.Am J Nephrol. 2003;6:66.
Moore PS, Farney AC, Sundberg AK, Rohr MS, Hartmann EL, Iskandar SS, et al.Trasplantament de ronyó dual: una comparació de casos i controls ambtrasplantament de ronyó únicde donants amb criteris estàndard i ampliats.Trasplantament. 2007;6:66.
RemuzziG, GrinyoJ, Ruggenenti P Bertini M, Cole EH, Milford EL, et al. Experiència primerenca ambtrasplantament de ronyó dualen adults utilitzant criteris de donant ampliats.DobleTrasplantament renalGrup (DKG.JAm Soc Nephrol. 1999;6:66.
