Schnelle automatisierte Erkennung und Segmentierung von Glomeruli dank selbstlernender KI-Technologie

Forscher müssen oft große Bildmengen analysieren, um relevante Daten für ihre Untersuchungen zu erhalten. Dabei kann es sich um quantitative oder qualitative Analysen handeln, die zuverlässig und objektiv sein müssen. Je nach morphologischem Untersuchungsbereich kann diese Aufgabe recht aufwändig sein. Um diesen Prozess zu beschleunigen, bietet Olympus eine Deep-Learning-Lösung in Kombination mit dem SLIDEVIEW VS200 Scanner an. In diesem Experiment wurde das selbstlernende Bildanalysesoftwaremodul des Scanners auf die Erkennung von Glomeruli in der Niere angewendet.

Erkennung und Segmentierung von Nierenglomeruli

In der Nephropathologie arbeiten Wissenschaftler daran, die komplexen Vorgänge bei Krankheiten im Zusammenhang mit der Niere zu entschlüsseln, um bessere und effizientere Behandlungen zu entwickeln.

Die Nieren erfüllen mit Hilfe der Glomeruli viele lebenswichtige Funktionen, die zur Erhaltung unserer Gesundheit beitragen. Glomeruli sind Nierenstrukturen, die Plasma filtern und die Homöostase aufrechterhalten. Die Glomeruli können bei verschiedenen Krankheiten betroffen sein, die von Wissenschaftlern eingehend untersucht werden. Ein wesentlicher Bestandteil dieser wissenschaftlichen Forschung ist die Analyse einer großen Anzahl von Nierenschnitten, die mit einer Vielzahl von Färbeprotokollen behandelt werden, um diese speziellen Strukturen sichtbar zu machen.

Die Analyse von Nierenschnittbildern kann entscheidend sein, um Veränderungen in der Morphologie oder Anzahl der Glomeruli festzustellen. Die für die Forschung notwendige Untersuchung einer Vielzahl von Proben kann jedoch zeitaufwendig und subjektiv sein. Um diesen Prozess zu beschleunigen und zu optimieren, können Nephropathologen mit dem digitalen SLIDEVIEW VS200 Objektträgerscanner schnell eine große Anzahl von Objektträgern scannen. Die Bildanalysesoftware des Systems umfasst nun auch ein Deep-Learning-Modul für neuronale Netze, das so trainiert werden kann, dass es Glomeruli unabhängig von Variationen in Größe, Form oder Farbe erkennt.

Herausforderungen bei der automatischen Erkennung und Segmentierung von Glomeruli

Die Komplexität des Nierengewebes, die Heterogenität der pathologischen Merkmale und die Verwendung verschiedener Färbemittel für nephrohistologische Präparate stellen die computergestützte Bildanalyse von Nierenbiopsieproben vor große Herausforderungen. Durch das Anfärben von Gewebeschnitten kann jeder Objektträger je nach der Menge des vorhandenen Farbstoffs unterschiedliche Farbintensitäten aufweisen.

Diese Variabilität bei der Darstellung von Glomeruli und digitaler Gewebebilder im Allgemeinen erschwert die automatische Klassifizierung. Deshalb ist die Anwendung der Glomeruli-Erkennung in Nierengewebe ein besonders anspruchsvoller Test für die Eignung und Effizienz des VS200 Objektträgerscanners und der TruAI Deep-Learning-Lösung.

Objektträger (links) eines Nierengewebeschnitts bei 20-facher Vergrößerung mit dunkelbraun gefärbten Glomeruli und (rechts) bei 10-facher Vergrößerung. Es wird deutlich, dass die Glomeruli-Zellen mit der herkömmlichen Schwellenwertmethode (in rot) nicht von anderen Gewebezellen unterschieden werden können. Bilder mit freundlicher Genehmigung von Zhenhua Miao, Principal Scientist bei ChemoCentryx, Inc. Mountain View, CA (USA)

Experiment mit dem SLIDEVIEW VS200 Scanner und der TruAI Deep-Learning-Lösung

Für die Analyse dieser Strukturen in gescannten Bildern werden die Glomeruli normalerweise manuell ausgewählt, was sehr zeitaufwändig ist. Mit herkömmlichen automatischen Segmentierungsmethoden, beispielsweise schwellenwertbasierten Algorithmen, ist es nicht möglich, ausschließlich Glomeruli zu erkennen (siehe oben).

Der VS200 Objektträgerscanner ist mit der VS-Desktop-Software für die Bildanalyse ausgestattet. Diese Software umfasst ein TruAI Modul, bei dem eine Deep-Learning-Lösung für die Erkennung und Segmentierung auf der Basis von konvolutionalen neuronalen Netzen angewendet wird. Diese Netze sind eine Form der selbstlernenden Mikroskopie und eine äußerst leistungsfähige Technologie zur Objektsegmentierung. Dank dieser Technologie können wir die Erkennung der Glomeruli in einer Niere automatisieren.

Der Trainingsprozess des neuronalen Netzes wird im nächsten Abschnitt erläutert.

Einfacher Arbeitsablauf zur automatischen Erkennung und Segmentierung von Proben mithilfe von Deep Learning Der erste Schritt auf dem Weg zur automatischen Analyse besteht darin, die Software mit kommentierten Beispielbildern bzw. Lerndaten (Grundwissen bzw. so genannte „Ground Truth“) zu „füttern“. Dies erfolgt durch die manuelle Kennzeichnung der Glomeruli in einer kleinen Anzahl von Bildern in der VS-Desktop-Software. Je mehr Objekte markiert werden, desto besser. Eine höhere Anzahl von Objekten mit unterschiedlicher Intensität, Farbe, Größe und Form erhöht die Zuverlässigkeit des neuronalen Netzes. Die VS-Bildanalysesoftware verfügt über verschiedene benutzerfreundliche Tools, die diesen Schritt erleichtern.
Nach der Generierung der Beschriftungsdaten wird im nächsten Schritt das tiefe neuronale Netz (DNN) trainiert. In dieser Phase vergleicht das Netz die Lerndaten mit seinen eigenen berechneten Daten, bis ein hoher Wahrscheinlichkeitswert erreicht ist. Bei diesen berechneten Daten handelt es sich um eine Form der künstlichen Intelligenz (KI), die das menschliche Gehirn imitiert. Dieses sogenannte DNN lernt, Strukturen zu erkennen und intelligente Entscheidungen zu treffen.

Schließlich wird das berechnete DNN auf die restlichen Nierenbilder angewendet, um die Glomeruli automatisch zu erkennen und zu segmentieren.

Ein trainiertes tiefes neuronales Netz der Olympus TruAI Technologie kann an jede VS200 Desktop-Station sowie an andere kompatible Olympus Produkte übermittelt und dort verwendet werden.

Dieser Prozess führt zu einem automatisierten Arbeitsablauf, der unten dargestellt ist. Die Segmentierung von Glomeruli umfasst die folgenden drei einfachen Schritte:

1. Mit dem digitalen SLIDEVIEW VS200 Objektträgerscanner wird ein neues Bild gescannt.

2. Das trainierte DNN erkennt und trennt die Glomeruli.

3. Die erkannten Glomeruli können segmentiert und zur weiteren Zähl- und Messanalyse des Ausgangsbildes verwendet werden.

Zusammenfassung der Vorteile des SLIDEVIEW VS200 Scanners mit der Deep-Learning-Lösung für die Erkennung und Segmentierung von Glomeruli

Das TruAI Modul ermöglichte eine einfache Erkennung und Segmentierung von Glomeruli in komplexen Bildern mit wesentlich höherer Zuverlässigkeit und Genauigkeit als andere bestehende automatische Methoden. Basierend auf diesen Segmentierungsergebnissen können zudem weitere Analysen, z. B. Zählungen und Messungen, durchgeführt werden.

Der SLIDEVIEW VS200 Objektträgerscanner kann in Kombination mit der Deep-Learning-Lösung TruAI einen kompletten Arbeitsablauf von der Probenerfassung bis zur präzisen quantitativen Datenanalyse in einer Vielzahl von biologischen Anwendungen auf einer Vielzahl von Bildern, z. B. Zellen und Gewebeproben in Hellfeld und Fluoreszenz, übernehmen.

Die präzise Automatisierung der Bildanalyse nimmt viel mühsame Handarbeit ab und sorgt für mehr Effizienz in der Forschung.

Danksagungen

Dieses Anwendungsbeispiel wurde durch Mitwirkung folgender Forscher erstellt:

• Zhenhua Miao, Principal Scientist bei ChemoCentryx, Inc. Mountain View, CA, USA
• Sara Quiñones Gonzalez, Product Manager, Olympus Soft Imaging Solutions GmbH, Münster, Deutschland
• Dr. Daniel Göttel, Sales Support Manager, Olympus Soft Imaging Solutions, Münster, Deutschland