Detecção e segmentação rápida e automatizada de glomérulos usando tecnologia de IA de autoaprendizagem

Os pesquisadores frequentemente dependem da análise de grandes conjuntos de imagens para obter dados relevantes para suas pesquisas. Essas análises podem ser tanto quantitativas como qualitativas e também devem ser confiáveis e imparciais. Dependendo da área morfológica de interesse, essa tarefa pode ser bastante complicada. Para acelerar esse processo, a Olympus oferece uma solução de deep learning em conjunto com o escâner SLIDEVIEW™ VS200. Neste experimento, foi aplicado o módulo do software de análise de imagens com autoaprendizagem para detectar glomérulos no rim.

Detecção e segmentação de glomérulos do rim

Na pesquisa de patologias renais, os cientistas trabalham para desvendar os processos complexos das doenças associadas ao rim para poder desenvolver tratamentos melhores e mais eficientes.

Os rins realizam muitas funções vitais que ajudam a manter a nossa saúde geral com o auxílio dos glomérulos. Os glomérulos são estruturas renais que filtram o plasma e mantêm a homeostase. Os glomérulos podem ser afetados em várias doenças, que estão sendo amplamente estudadas pelos cientistas. Uma parte essencial dessa pesquisa científica envolve a análise de uma quantidade significativa de seções do rim, que são preparadas usando uma ampla variedade de protocolos de coloração para revelar essas estruturas específicas.

A análise das imagens de seções do rim pode ser crucial na determinação de alterações na quantidade ou na morfologia glomerular. No entanto, o processamento de múltiplas amostras para pesquisa pode ser demorado e subjetivo. Para acelerar e otimizar esse processo, os pesquisadores de nefropatologia podem usar o sistema de escaneamento de lâminas digital SLIDEVIEW VS200 para escanear rapidamente grandes quantidades de lâminas. O software de análise de imagens do sistema agora possui um módulo de rede neural de deep learning que pode ser treinado para reconhecer os glomérulos independentemente das variações de tamanho, formato ou cor.

Desafios da detecção e segmentação automática de glomérulos

A complexidade do tecido renal, a heterogeneidade das características patológicas e o uso convencional de múltiplas colorações em preparos de histologia renal tornam a análise de imagens assistida por computador de amostras de biópsia renal desafiadora. O uso de coloração em seções de tecido também pode gerar diferentes intensidades de cor em cada lâmina, dependendo da quantidade de coloração presente.

Toda essa variabilidade relacionada à aparência dos glomérulos e às imagens digitais de tecidos em geral dificulta a automatização da classificação. Por esse motivo, a aplicação da detecção de glomérulos em tecido renal é um teste especialmente rigoroso para a viabilidade e eficácia do escâner de lâminas VS200 e da solução de deep learning TruAI™.

Lâmina (à esquerda) de uma seção de tecido renal a 20x com os glomérulos tingidos em marrom escuro e (à direita) a 10x mostrando a detecção baseada no método de limiar convencional (em vermelho) que não consegue diferencia as células dos glomérulos de outras células do tecido. As imagens são cortesia de Zhenhua Miao, cientista principal da ChemoCentryx, Inc. Mountain View, CA (EUA)

Experimento usando o escâner SLIDEVIEW™ VS200 e a solução de deep learning TruAI™

Para analisar essas estruturas em imagens escaneadas, os pesquisadores normalmente selecionam os glomérulos manualmente, o que é extremamente demorado. Além disso, os métodos de segmentação automática tradicionais, tais como os algoritmos baseados em limiares, não conseguem detectá-los exclusivamente, conforme mostrado acima.

O pacote de escaneamento de lâminas do VS200 inclui o software VS-Desktop para a análise de imagens. Esse software oferece um módulo TruAI™, que aplica uma abordagem de deep learning à detecção e segmentação com base em redes neurais convolucionais. Essas redes são uma forma de microscopia de autoaprendizagem e são uma tecnologia extremamente poderosa para a segmentação de objetos. Graças a essa tecnologia, podemos automatizar a detecção de glomérulos em um rim.

O processo de treinamento da rede neural é explicado na próxima seção.

Fluxo de trabalho simples para detectar e segmentar amostras automaticamente usando deep learning O primeiro passo para essa análise automática é fornecer ao software imagens de amostras anotadas ou dados "ground truth". O ground truth é criado por meio da marcação manual dos glomérulos em uma pequena quantidade de amostras no software VS-Desktop. Quanto mais objetos forem marcados, melhor. Maiores quantidades de objetos com diferentes intensidades, cores, tamanhos e formatos tornam a rede neural mais robusta. O software de análise de imagens VS possui várias ferramentas para facilitar esta etapa, tornando-o fácil de usar.
Após gerar os dados marcados, a próxima etapa é treinar a rede neural profunda (deep neural network, DNN). Nessa fase, a rede compara os dados ground truth com seus próprios dados calculados até que um valor de alta probabilidade seja alcançado. Esses dados calculados são um tipo de inteligência artificial (IA) que imita o cérebro humano (conhecida como DNN), que aprende a reconhecer estruturas e faz julgamentos inteligentes.

Por fim, a DNN calculada é aplicada ao resto das imagens renais para detectar e separar os glomérulos automaticamente.

Uma rede neural profunda Olympus TruAI™ treinada pode ser transferida e usada em qualquer estação desktop do VS200, assim como em outros produtos compatíveis da Olympus.

Esse processo resulta em um fluxo de trabalho automatizado, conforme mostrado abaixo. A segmentação de glomérulos inclui as três simples etapas a seguir:

1. Uma nova imagem é escaneada com o sistema de escaneamento de lâminas digital SLIDEVIEW™ VS200.

2. Os glomérulos são detectados e separados pela DNN treinada.

3. Os glomérulos detectados podem ser segmentados e usados para realizar outras análises de contagem e medição na imagem de saída.

Resumo das vantagens fornecidas pelo escâner SLIDEVIEW VS200 com a solução de deep learning para a detecção e segmentação de glomérulos

O módulo TruAI™ possibilitou uma fácil detecção de objetos e segmentação de glomérulos em imagens complexas com muito mais credibilidade e exatidão do que outros métodos automáticos existentes. Também é possível realizar uma análise posterior, como a contagem e a medição, com base nesses resultados de segmentação.

A combinação do escâner SLIDEVIEW™ VS200 com a solução de deep learning TruAI™ pode proporcionar um fluxo de trabalho completo, desde a aquisição da amostra até a análise quantitativa exata dos dados, em uma ampla gama de aplicações biológicas em uma variedade de imagens, tais como células e amostras de tecidos em campo claro e fluorescência.

A automação precisa da análise de imagens aliviará grande parte do trabalho manual tedioso para os cientistas, tornando suas pesquisas mais eficientes.

Agradecimentos

Esta nota de aplicação foi preparada com a ajuda dos seguintes pesquisadores:

• Zhenhua Miao, cientista principal da ChemoCentryx, Inc. Mountain View, CA, EUA
• Sara Quiñones Gonzalez, gerente de produtos, Olympus Soft Imaging Solutions GmbH, Münster, Alemanha
• Dr. Daniel Göttel, gerente de suporte de vendas, Olympus Soft Imaging Solutions, Münster, Alemanha