Détection et segmentation automatiques et rapides des glomérules à l’aide de la technologie d’IA à autoapprentissage

Les chercheurs doivent souvent procéder à l’analyse de grands ensembles d’images pour être en mesure d’obtenir des données pertinentes pour leurs travaux de recherche. Ces analyses peuvent être à la fois quantitatives et qualitatives et doivent être fiables et sans biais. Cette tâche est plus ou moins fastidieuse selon la région morphologique étudiée. Pour accélérer ce processus, Olympus propose une solution d’apprentissage profond associée au scanner SLIDEVIEW™ VS200. Au cours de cette expérience, le logiciel d’analyse d’images par autoapprentissage du scanner a été utilisé pour détecter les glomérules rénaux.

Détection et segmentation des glomérules rénaux

Dans le domaine de la recherche sur les pathologies rénales, les scientifiques tentent de révéler les processus complexes des maladies rénales afin de pouvoir mettre au point de meilleurs traitements.

Les reins, notamment par l’intermédiaire des glomérules, remplissent de nombreuses fonctions vitales qui contribuent au maintien de notre état de santé général. Les glomérules sont des structures rénales capables de filtrer le plasma et de maintenir l’homéostasie. Ils peuvent être affectés par plusieurs pathologies qui font l’objet de nombreuses études. Une partie essentielle des travaux de recherche menés sur ces maladies consiste à analyser un grand nombre de coupes rénales préparées selon divers protocoles de marquage en vue de mettre en évidence ces structures spécifiques.

L’analyse d’images de coupes rénales peut se révéler essentielle pour déterminer les changements intervenus au niveau du nombre de glomérules ou de leur morphologie. Le traitement et l’analyse de nombreux échantillons à des fins de recherche peut cependant s’avérer chronophages et subjectifs. Pour accélérer et optimiser ce processus, les chercheurs spécialisés en néphropathologie peuvent utiliser le scanner de lames SLIDEVIEW VS200 pour numériser rapidement de gros volumes de lames. Le logiciel d’analyse d’images du système est maintenant doté d’un réseau neuronal à apprentissage profond qui peut être entraîné à reconnaître les glomérules, quelle que soit leur taille, leur forme ou leur couleur.

Défis liés à la détection et à la segmentation automatiques des glomérules

La complexité du tissu rénal, l’hétérogénéité des signes pathologiques et l’utilisation conventionnelle de nombreux produits de marquage des préparations histologiques rénales peuvent rendre l’analyse des images assistée par ordinateur difficile. Le marquage des coupes tissulaires peut également aboutir à des intensités de couleurs différentes selon la lame et en fonction de la quantité de produits de marquage présent.

Toute cette variabilité de l’apparence des glomérules et des images numériques de coupes de tissus en général rend l’automatisation de la classification difficile. C’est pourquoi la détection des glomérules dans les tissus rénaux constitue un test particulièrement rigoureux pour la viabilité et l’efficacité du scanner de lames VS200 et la technologie d’apprentissage profond TruAI™.

Lame (à gauche) d’une coupe de tissu rénal (grossissement x20) avec glomérules marqués apparaissant en marron foncé et lame (à droite) (grossissement x10) illustrant l’échec de la détection par la méthode de détection par seuil conventionnelle (en rouge) des cellules glomérulaires par rapport aux autres cellules présentes dans le tissu Image reproduite avec l’aimable autorisation de Zhenhua Miao, scientifique principal à ChemoCentryx, Inc. Mountain View, Californie, États-Unis)

Expérience utilisant le scanner SLIDEVIEW™ VS200 et la technologie d’apprentissage profond TruAI™

Habituellement, lorsqu’ils analysent ces structures à partir d’images numériques, les chercheurs sélectionnent manuellement les glomérules, ce qui prend beaucoup de temps. De plus, les méthodes traditionnelles de segmentation automatique, telles que les algorithmes basés sur des seuils, ne permettent pas de détecter exclusivement les glomérules, comme l’illustre la figure ci-dessus.

Le système de numérisation de lames VS200 est livré avec le logiciel d’analyse d’image VS-Desktop. Ce logiciel est doté d’un module TruAI™ qui utilise la technologie d’apprentissage profond basé sur les réseaux neuronaux convolutifs pour la détection et la segmentation. Ces réseaux constituent une forme de microscopie à autoapprentissage ainsi qu’une technologie extrêmement puissante de segmentation d’objets. Grâce à cette technologie, nous sommes capables d’automatiser la détection des glomérules rénaux.

L’entraînement du réseau neuronal est expliqué dans la section suivante.

Une procédure facile pour la détection et la segmentation automatiques des échantillons à l’aide de l’apprentissage profond La première étape à suivre en amont de cette analyse automatique est d’alimenter le logiciel en images d’échantillons annotées ou en données « de vérité de terrain ». Ces données sont créées par marquage manuel des glomérules sur quelques images dans le logiciel VS-Desktop. Plus le nombre d’objets marqués est grand, meilleurs seront les résultats. L’utilisation d’un grand nombre d’objets présentant des différences d’intensité, de couleur, de taille et de forme optimise le fonctionnement du réseau neuronal. Le logiciel d’analyse d’images VS est doté de plusieurs fonctionnalités facilitant cette étape.
Une fois les données marquées générées, l’étape suivante consiste à entraîner le réseau neuronal profond (deep neural network, DNN). Au cours de cette phase, le réseau compare les données réelles avec ses propres données calculées jusqu’à atteindre une valeur de probabilité élevée. Ces données calculées sont le fruit d’un type d’intelligence artificielle (IA) qui imite le cerveau humain (le DNN) et qui apprend à reconnaître les structures et à faire des appréciations intelligentes.

Enfin, le réseau neuronal profond calculé est appliqué au reste des images de reins pour détecter et segmenter automatiquement les glomérules.

Un réseau neuronal profond TruAI™ entraîné peut être transféré et utilisé sur n’importe quelle station de bureau VS200 ainsi que sur d’autres produits Olympus compatibles.

Ces étapes aboutissent au processus automatisé présenté ci-dessous. La segmentation des glomérules se divise en trois étapes simples :

1. Une nouvelle lame est numérisée avec le scanner numérique de lames SLIDEVIEW™ VS200 pour produire une image.

2. Les glomérules sont détectés et séparés par le réseau neuronal profond entraîné.

3. Les glomérules détectés peuvent être segmentés et utilisés en vue d’effectuer d’autres analyses de numération et de mesure sur l’image de sortie.

Résumé des avantages apportés par le scanner SLIDEVIEW VS200 doté d’une solution d’apprentissage profond pour la détection et la segmentation des glomérules

Comparativement aux autres méthodes automatiques existantes, le module TruAI™ permet une détection et une segmentation faciles des glomérules sur des images complexes avec une plus grande fiabilité et précision. D’autres analyses, telles que des numérations et des mesures, peuvent également être effectuées sur la base de ces résultats de segmentation.

L’association du scanner SLIDEVIEW™ VS200 et de la solution d’apprentissage profond TruAI™ permet de réaliser une procédure complète allant de l’acquisition des images des échantillons à l’analyse quantitative précise des données dans un large éventail d’applications biologiques sur une grande variété de types d’images, telles que des images de cellules et d’échantillons de tissus en fond clair et de fluorescence.

L’automatisation précise de l’analyse d’images optimisera la conduite des recherches des scientifiques en supprimant une grande partie du travail manuel fastidieux.

Remerciements

Cette note d’application a été rédigée avec l’aide des chercheurs :

• Zhenhua Miao, scientifique principal à ChemoCentryx, Inc. Mountain View, Californie, États-Unis
• Sara Quiñones Gonzalez, responsable de produit, Olympus Soft Imaging Solutions GmbH, Münster, Allemagne
• Dr Daniel Göttel, responsable support des ventes, Olympus Soft Imaging Solutions, Münster, Allemagne