Croisement rapide - Nantong Histologie Consommables Co., Ltd

Rapports scientifiques volume 12, Numéro d'article : 11623 (2022) Citer cet article

1079 accès

1 Citations

Détails des métriques

L'analyse conjointe des expressions protéiques multiples et des modèles de morphologie tissulaire est importante pour le diagnostic de la maladie, la planification du traitement et le développement de médicaments, nécessitant un alignement de coloration croisée de plusieurs lames immunohistochimiques et histopathologiques. Cependant, l'alignement de coloration croisée d'énormes images de diapositives entières gigapixels (WSI) à une précision de cellule unique est difficile. Outre les dimensions gigantesques des données des WSI, il existe de grandes variations sur l'apparence des cellules et la morphologie des tissus à travers différentes colorations ainsi que des déformations morphologiques causées par la préparation des lames. L'objectif de cette étude est de construire un cadre d'enregistrement d'image pour l'alignement de coloration croisée des WSI gigapixels de lames microscopiques histopathologiques et immunohistochimiques et d'évaluer son applicabilité clinique. À la connaissance des auteurs, il s'agit de la première étude à effectuer un alignement de coloration croisée entièrement automatique en temps réel des WSI avec un grossissement objectif de 40 × et 20 ×. Le cadre d'enregistrement WSI proposé consiste en un module d'enregistrement d'image global rapide, un modèle de localisation de champ de vision interactif en temps réel (FOV) et un module d'enregistrement d'image multiniveau propagé en temps réel. Dans cette étude, la méthode proposée est évaluée sur deux types d'ensembles de données sur le cancer provenant de deux hôpitaux utilisant différents scanners numériques, y compris un ensemble de données sur le cancer du sein à double coloration avec 43 WSI d'hématoxyline et d'éosine (H&E) et 43 immunohistochimiques (IHC) CK (AE1/ AE3) WSI et un ensemble de données sur le cancer de la prostate à triple coloration contenant 30 WSI H&E, 30 WSI IHC CK18 et 30 WSI IHC HMCK. Lors de l'évaluation, les performances d'enregistrement sont mesurées non seulement par la précision d'enregistrement mais également par le temps de calcul. Les résultats montrent que la méthode proposée atteint une précision élevée de 0,833 ± 0,0674 pour l'ensemble de données sur le cancer de la prostate à triple coloration et de 0,931 ± 0,0455 pour l'ensemble de données sur le cancer du sein à double coloration, respectivement, et ne prend que 4,34 s par enregistrement WSI en moyenne. De plus, pour 30,23% des données, la méthode proposée prend moins de 1 s pour l'enregistrement WSI. En comparaison avec les méthodes de référence, la méthode proposée démontre des performances supérieures en termes de précision d'enregistrement et de temps de calcul, ce qui présente un grand potentiel pour aider les médecins à identifier les tissus cancéreux et à déterminer le stade du cancer dans la pratique clinique.

La surveillance des interactions moléculaires et cellulaires multimodales, de la croissance tumorale et de la morphologie des tissus est essentielle pour le diagnostic du cancer, le développement de médicaments et la recherche biologique et est généralement effectuée en analysant simultanément plusieurs lames microscopiques avec différentes colorations. Il s'agit de l'analyse conjointe d'une lame d'hématoxyline et d'éosine (H&E) pour évaluer la morphologie cellulaire et de plusieurs lames immunohistochimiques (IHC) pour surveiller ensemble divers modèles d'expression de protéines à une résolution microscopique unicellulaire1. En pratique, la coloration H&E est adoptée comme étalon-or pour analyser la morphologie des tissus. D'autre part, la coloration IHC est largement utilisée pour détecter des antigènes, à savoir des protéines, dans le diagnostic de cellules anormales telles que celles trouvées dans les tissus cancéreux, permettant aux biologistes et aux médecins d'observer la distribution des protéines dans différentes parties du tissu biologique. En neurosciences, l'IHC permet aux scientifiques d'inspecter de près les expressions des protéines dans des structures cérébrales spécifiques2,3,4. Dans le développement de médicaments, l'IHC a été appliqué pour tester l'efficacité des médicaments en surveillant certaines expressions protéiques et en analysant les niveaux actifs des cibles de la maladie5,6. Dans le diagnostic clinique, grâce à la connaissance des marqueurs tumoraux et des outils IHC, les professionnels de la santé et les scientifiques sont en mesure de diagnostiquer les tumeurs comme bénignes ou malignes, de déterminer le stade du cancer et d'identifier le type cellulaire et l'origine d'une métastase afin de trouver le site de la tumeur primitive.

Cependant, aligner, comparer et quantifier les expressions protéiques des tissus d'intérêt à partir de plusieurs images de diapositives entières (WSI) avec différentes colorations est difficile en raison des dimensions énormes des images gigapixels à analyser, des distorsions et des déformations non rigides introduites lors de la préparation des diapositives et des cellules dissemblables. l'apparence et la morphologie des tissus à travers les colorations. La figure 1a montre les défis induits par les étapes de préparation des données individuelles pour l'analyse WSI de coloration croisée dans le diagnostic du cancer. Les coupes en série sont d'abord découpées dans un bloc donneur de patient et montées sur des lames de verre, provoquant des déformations et des distorsions non rigides sur les lames. Deuxièmement, les lames sont traitées avec différents types de colorations. Au fur et à mesure que chaque coloration met en évidence des substances spécifiques dans les tissus, les apparences d'image des cellules et la disposition des tissus à travers diverses colorations deviennent nettement différentes. Troisièmement, les diapositives sont numérisées en énormes WSI de la taille d'un gigaoctet à une résolution microscopique unicellulaire, y compris un H&E WSI et plusieurs IHC WSI pour observer ensemble la morphologie des tissus et divers modèles d'expression de protéines. En règle générale, les WSI sont stockés dans une structure de données pyramidale multi-résolution de la taille d'un gigaoctet, d'un grossissement faible à élevé, avec une taille générale d'environ 100 000 \(\times \) 200 000 pixels au niveau de résolution le plus élevé. En plus des dimensions énormes des données à traiter, il existe de grandes variations sur les couleurs des taches, l'apparence des cellules et la morphologie des tissus entre les WSI.

En raison de l'avancement de la puissance de calcul, de nombreux algorithmes informatiques7,8,9,10 ont été développés pour l'alignement automatique des images microscopiques biologiques. L'outil bUnwarpJ d'Arganda-Carreras et al.7 est développé pour l'alignement de coupes biologiques, permettant un enregistrement d'image bidirectionnel. Saalfeld et al. ont présenté une méthode de recalage basée sur les moindres carrés utilisant des correspondances de caractéristiques linéaires8 et une approche de recalage élastique basée sur des correspondances de blocs non linéaires9. Wang et al. construit une méthode CwR10, qui contient un modèle d'alignement et de validation 3D utilisant le champ de déformation b-spline. Dans cette étude, les approches mentionnées ci-dessus7,8,9,10 sont adoptées comme méthodes de référence.

D'après la revue de la littérature, de nombreuses études11,12,13,14,15,16,17,18,19,20 effectuaient auparavant un alignement d'image en appliquant directement la transformation d'image à des images entières. Plus tard, plusieurs approches21,22,23,24,25,26 ont été développées avec un schéma plus efficace tel que des cadres hiérarchiques pour traiter de grands ensembles de données microscopiques. En raison de l'avancement de la technologie d'imagerie, l'alignement d'image est nécessaire dans l'application à d'énormes images de la taille d'un gigaoctet telles que les WSI. Les méthodes mentionnées ci-dessus sont cependant trop coûteuses en mémoire et trop lentes pour être appliquées à l'alignement WSI. Pour faire face à la taille énorme des WSI, plusieurs approches basées sur les tuiles ont été construites. Roberts et al.27 ont présenté un cadre d'enregistrement non rigide basé sur l'appariement de blocs multi-résolutions. Song et al.28 et Lotz et al.29 ont étendu l'approche de Roberts27 pour la reconstruction tissulaire de coupes histologiques avec différentes colorations. Song et al. développé une méthode de classification de contenu non supervisée qui produit des images de probabilité multicanaux à partir d'images de différentes taches pour augmenter la similitude des deux images et intégré la méthode de classification dans le cadre basé sur la correspondance de blocs multi-résolution. Lotz et al.29 calcule d'abord l'enregistrement non linéaire sur des images à basse résolution pour corriger les déformations globales à grande échelle se produisant dans les tissus, et les résultats de cet enregistrement non linéaire sont ensuite utilisés comme estimation initiale pour un enregistrement par patch. Dans cette étude, les trois approches basées sur les tuiles pour l'alignement WSI27,28,29 sont adoptées comme méthodes de référence pour l'analyse du temps d'exécution.

(a) Défis causés par les étapes de préparation des données individuelles pour l'analyse WSI de coloration croisée. Exemples de résultats par la méthode proposée dans (b) l'alignement WSI à triple coloration des lames H&E, HMCK et CK18 pour le diagnostic du cancer de la prostate et dans (c) l'alignement WSI à double coloration des lames H&E et CK(AE1/AE3) pour le diagnostic du cancer du sein .

Le cancer de la prostate est la deuxième cause de décès lié au cancer chez les hommes aux États-Unis30. En 2018, le cancer de la prostate a causé 358 989 décès dans le monde31,32,33. Dans le diagnostic du carcinome invasif de la prostate, il est essentiel de vérifier si la couche basocellulaire est absente ou non. Par conséquent, une absence totale de coloration dans les marqueurs associés aux cellules basales appuie une interprétation maligne. La valeur diagnostique et pronostique de CK18 dans le cancer de la prostate et la tumeur humaine a été prouvée et décrite dans34,35,36. En 2012, Weng et al.34 ont souligné que la CK18 est exprimée dans une variété d'organes épithéliaux adultes, joue un rôle dans la carcinogenèse et en combinaison avec d'autres marqueurs comme un marqueur important de l'efficacité thérapeutique. En 2016, Yin et al.35 ont déterminé que l'expression de l'IHC CK18 dans les tissus PCa est inversement corrélée au grade de la tumeur de manière statistiquement significative (\(p=0,028\)) où les échantillons de tissus avec des grades de tumeur plus élevés (score de Gleason \(\ ge 7\)) montrent une diminution progressive de l'intensité de la CK18. En 2021, Menz et al.36 montrent qu'une immunocoloration réduite de la CK18 est liée à un stade UICC élevé (\(p=0,0010\)), à un grade Thoenes élevé (\(p=0,0086\)) et à un stade tumoral avancé (\(p< 0,0001\)) basé sur 11952 échantillons de tumeurs. En utilisant l'IHC, la cytokératine de poids moléculaire élevé (HMCK) est un marqueur cytoplasmique qui met en évidence les filaments intermédiaires de cytokératine (CK) dans les cellules basales glandulaires et est spécifique des cellules basales de la prostate.

Dans la pratique clinique, une analyse manuelle de coloration croisée de lames entières est effectuée ; Afin de diagnostiquer un échantillon comme bénin ou malin, les médecins doivent d'abord identifier manuellement les tissus cancéreux, puis déterminer le stade et le grade de la tumeur d'un patient atteint d'un cancer de la prostate. Comme seuls les tissus avec CK18 positif détecté et dans la glande avec HMCK positif détecté sont déterminés comme tissus cancéreux, afin d'identifier les tissus cancéreux et de déterminer le stade et le grade de la tumeur, les médecins doivent aligner manuellement trois WSI microscopiques de la taille d'un gigaoctet de chaque patient, puis quantifier subjectivement les tissus cancéreux des WSI, pour effectuer une analyse simultanée d'une lame IHC HMCK, d'une lame IHC CK18 et d'une lame H&E. Ceci est cependant difficile et peu reproductible compte tenu des dimensions énormes des images gigapixels à analyser, des distorsions et des déformations non rigides introduites lors de la préparation des diapositives et de l'aspect cellulaire et de la morphologie des tissus dissemblables à travers différentes colorations. L'alignement automatique des colorations croisées des WSI permet aux experts médicaux et aux scientifiques d'identifier facilement les tissus cancéreux, de quantifier la quantité de tissus cancéreux et de déterminer le stade et le grade d'une tumeur. La figure 1b montre le résultat de la triple coloration automatique d'un échantillon de cancer de la prostate par la méthode proposée.

Le cancer du sein est le cancer le plus répandu chez les femmes et une cause majeure de mortalité37,38. Dans le pronostic des patientes atteintes d'un cancer du sein, le taux de survie à cinq ans est de 90 % et celui à dix ans est de 83 %. Cependant, le taux de survie est considérablement aggravé lorsque le cancer du sein métastase38,39. Dans le cas d'un cancer du sein localisé, le taux de survie à cinq ans est de 99 %, il chute à 85 % dans le cas de métastases régionales (ganglionnaires). De plus, le taux de survie à cinq ans est de 26 % en cas de métastases à distance. Par conséquent, il est important d'identifier les métastases pour fournir un traitement adéquat et améliorer le taux de survie. Le pronostic des patientes atteintes d'un cancer du sein est principalement déterminé par l'étendue du cancer évaluée à l'aide du système de stadification TNM qui évalue la taille de la tumeur (T), l'état des ganglions lymphatiques axillaires (N) et l'état des métastases (M). L'état des ganglions lymphatiques axillaires pourrait être estimé en évaluant le ganglion sentinelle, qui est le premier ganglion lymphatique à recevoir le drainage lymphatique afférent du cancer primitif et est donc le premier ganglion à être impliqué par la métastase. Par conséquent, les patients dont le ganglion sentinelle est négatif pour les métastases du cancer du sein pourraient être épargnés pour une dissection plus étendue des ganglions lymphatiques axillaires. Alternativement, une dissection des ganglions lymphatiques axillaires peut être effectuée sur des patientes atteintes d'un cancer du sein, en particulier pour les patientes présentant une suspicion élevée de métastases ganglionnaires axillaires.

Les foyers métastatiques des ganglions lymphatiques ont été classés en macrométastases (taille métastatique supérieure à 2,0 mm), micrométastases (taille métastatique supérieure à 0,2 mm, mais aucune supérieure à 2,0 mm) et cellules tumorales isolées (ITC, taille métastatique inférieure à 0,2 mm ). Il est difficile pour l'homme d'identifier les ITC en raison de leur petite taille, en particulier dans les cas comportant de nombreux ganglions lymphatiques axillaires, ce qui entraîne un sous-traitement des patients. De plus, l'examen de routine des lames H&E des ganglions lymphatiques, en particulier pour la dissection des ganglions lymphatiques axillaires, qui peuvent contenir de nombreux ganglions lymphatiques, prend du temps et les pathologistes risquent de manquer de minuscules foyers métastatiques. L'essai MIRROR (Micrometastases and Isolated tumor cells: Relevant, Robust or Rubbish) a souligné la nécessité d'un traitement supplémentaire dans les cas de carcinome mammaire invasif avec CCI ou micrométastases40,41,42,43, soutenant l'identification des CCI ou des micrométastases est nécessaire de toute urgence dans la prise en charge des patientes atteintes d'un cancer du sein. La coloration IHC pour la cytokératine sur la section des ganglions lymphatiques pourrait être utilisée pour détecter les ITC. Dans cette étude, nous illustrons l'alignement automatique de la coloration croisée des WSI des diapositives H&E et IHC CK (AE1 / AE3) qui aident à dépister tous les ganglions lymphatiques et à identifier de minuscules foyers métastatiques pour améliorer la précision de l'évaluation pathologique des ganglions lymphatiques, comme le montre la Fig. 1c.

Dans cet article, nous présentons un cadre d'enregistrement hiérarchique entièrement automatique interactif en temps réel qui est capable d'effectuer un alignement de coloration croisée des gigapixels WSI de lames microscopiques histopathologiques et immunohistochimiques en temps réel et également de surmonter le goulot d'étranglement de vitesse majeur pour aider les médecins à identifier les cancéreux. tissus et déterminer le stade et le grade d'une tumeur. Le cadre d'enregistrement hiérarchique proposé est décrit en détail dans la section "Méthodes". L'efficacité et la robustesse du cadre d'enregistrement hiérarchique entièrement automatique proposé sont validées à l'aide de deux ensembles de données, dont un ensemble de données sur le cancer du sein à double coloration avec 43 lames H&E et 43 lames IHC CK (AE1/AE3) et un ensemble de données sur le cancer de la prostate à triple coloration avec 30 lames H&E , 30 diapositives IHC CK18 et 30 diapositives IHC HMCK. La figure 1b, c présente le résultat d'alignement WSI automatique des échantillons de cancer de la prostate à triple coloration et des échantillons de cancer du sein à double coloration par la méthode proposée, respectivement. La figure 2 illustre l'organigramme de la méthode proposée dans l'analyse WSI de coloration croisée en utilisation clinique. En outre, un système en ligne basé sur le Web de la méthode proposée a été créé pour la démonstration en direct de l'alignement de coloration croisée en temps réel d'images de diapositives entières. Veuillez consulter la vidéo supplémentaire sur https://www.youtube.com/watch?v=0Uc6-s_ClIg&ab_channel=ProfChing-WeiWang.

Organigramme dans l'utilisation clinique de la méthode proposée dans l'analyse WSI de coloration croisée. (a) Les experts médicaux accèdent à la base de données WSI sur un navigateur Web via leurs appareils. (b) La méthode proposée effectue un enregistrement en temps réel et assiste l'analyse simultanée de plusieurs WSI.

Dans cette étude, deux ensembles de données de WSI ont été construits et collectés dans deux hôpitaux différents, y compris un ensemble de données sur le cancer du sein à double coloration avec 43 lames H&E et 43 lames IHC CK (AE1 / AE3) collectées à l'hôpital universitaire national de Taiwan, Taipei, Taiwan avec un approbation éthique (NTUH-REC 201810082RINB) et un ensemble de données sur le cancer de la prostate à triple coloration avec 30 lames H&E, 30 lames IHC CK18 et 30 lames IHC HMCK recueillies auprès de l'hôpital général Tri-Service, Taipei, Taïwan, avec une approbation éthique (TSGHIRBI-107 -05-171). Les lames ont été générées selon des procédures de préparation d'échantillons de routine. Tout d'abord, les tissus sont fixés dans du formol tamponné à 10 % et inclus dans de la paraffine. Ensuite, des coupes en série ont été coupées (4 μm) à l'aide de Leica RM2155, puis colorées avec H&E et les colorants IHC associés. Lors de la numérisation, les lames du cancer de la prostate ont été numérisées à l'aide du scanner Leica AT Turbo (Leica. Wetzlar Allemagne) à un grossissement objectif de 40 × et les lames du cancer du sein ont été numérisées à l'aide du scanner 3DHISTECH Pannoramic SCAN II (3DHISTECH Kft. Budapest Hongrie) à un grossissement objectif de 20 × . Nous avons résumé les informations des deux ensembles de données expérimentales dans le tableau 1.

Lors de l'évaluation, trois expériences ont été réalisées, y compris une expérience sur l'alignement de coloration croisée sur des lames de cancer de la prostate à triple coloration (voir la section "Évaluation quantitative sur l'ensemble de données sur le cancer de la prostate à triple coloration"), une expérience sur l'alignement de coloration croisée sur des lames de cancer du sein à double coloration diapositives sur le cancer (voir la section "Évaluation quantitative sur l'ensemble de données sur le cancer du sein à double coloration") et une expérience sur l'analyse du temps d'exécution (voir la section "Analyse du temps d'exécution"). La première évaluation a été menée sur 30 ensembles d'échantillons de cancer de la prostate à triple coloration, y compris des lames H&E et des lames IHC avec deux types d'antigènes, CK18 et HMCK, et nous comparons la méthode proposée avec quatre techniques d'enregistrement d'image pour l'alignement d'images microscopiques biologiques, y compris bUnwarpJ7, MoindresCarrés8, Elastic9 et CwR10. La deuxième évaluation a été réalisée sur 43 paires de lames de cancer du sein à double coloration, dont 43 lames H&E et 43 lames IHC avec l'antigène CK(AE1/AE3), et nous comparons en outre la méthode proposée avec la meilleure approche de référence réalisée dans la première expérience , c'est-à-dire bUnwarpJ7. La troisième expérience a été réalisée pour produire une analyse du temps d'exécution sur les 43 paires de lames de cancer du sein à double coloration. Nous comparons le temps de calcul dans l'enregistrement WSI de la méthode proposée et la meilleure approche de référence réalisée dans la première expérience, c'est-à-dire bUnwarpJ7, Roberts et al.27, Song et al.28 et Lotz et al.29. Toutes les analyses statistiques ont été effectuées à l'aide du logiciel SPSS44, et toutes les expériences ont été réalisées sur un poste de travail avec un processeur CPU Intel Xeon Gold 6134 et 64 Go de RAM.

En ce qui concerne la méthode d'évaluation pour mesurer la précision d'enregistrement, comme indiqué dans les études précédentes45,46, l'approche d'évaluation traditionnelle basée sur la somme des différences au carré des intensités d'image entre la cible et la source transformée pourrait être inexacte dans les applications d'imagerie biologique car le pixel l'intensité dans la cible et l'intensité du pixel enregistré avec précision dans la source transformée sont généralement différentes en raison de la variation de la coloration. En conséquence, l'approche d'évaluation quantitative des travaux précédents45,46 est adoptée où cinq points de repère correspondants entre les images cibles et les images sources transformées associées par chaque méthode de recalage étaient d'abord marqués manuellement par des pathologistes expérimentés, et un système d'appariement automatique est appliqué pour comparer les coordonnées des annotations manuelles correspondantes, produisant des scores de précision d'enregistrement pour chaque paire d'images sur la base du taux de réussite correspondant sur les annotations correspondantes (à une distance de cinq pixels). Le score de précision d'enregistrement final de chaque méthode d'enregistrement est calculé à l'aide de la précision moyenne sur toutes les paires d'images, comme illustré à la Fig. 3.

Résultats d'enregistrement de la méthode proposée et des approches de référence7,8,9,10 dans des échantillons de cancer de la prostate à triple coloration. Les rectangles bleus représentent les emplacements des points de repère sélectionnés définis par des pathologistes expérimentés dans l'image cible ; les cases rouges représentent les décalages des points de repère correspondants dans l'image source transformée (IHC1) ; les cases jaunes représentent les décalages des points de repère correspondants dans l'image source transformée (IHC2) ; les cases vertes représentent les correspondances des points de repère correspondants dans l'image source transformée.

La figure 4a présente les résultats de l'évaluation de la précision de l'enregistrement sur les images de tissus du cancer de la prostate à triple coloration par la méthode proposée et quatre approches de référence, notamment bUnwarpJ7, Leastsquares8, Elastic9 et CwR10. De plus, quatre modèles de transformation, y compris affine, rigide, similarité et translation, sont appliqués dans les tests des approches de référence à l'exception du CwR10. Comme le montre la figure 4, la méthode proposée fonctionne toujours bien et surpasse de manière significative les méthodes de référence. Des résultats quantitatifs détaillés peuvent être trouvés dans le tableau 2. De plus, nous menons plus loin l'analyse statistique, et le résultat montre que la méthode proposée est significativement meilleure que les méthodes de référence (\(p<0,01\)) pour le cancer de la prostate à triple coloration enregistrement d'images de tissus. La figure 3 montre quelques exemples de résultats de résultats d'enregistrement de la méthode proposée et des approches de référence.

( a ) Résultats de l'évaluation sur les lames de cancer de la prostate à triple coloration par la méthode proposée et les approches de référence7,8,9,10. ( b ) Résultats de l'évaluation sur les lames de cancer du sein à double coloration par la méthode proposée et l'approche de référence la mieux réalisée dans la première expérience7. ( c ) Analyse du temps d'exécution dans l'enregistrement WSI à coloration croisée de la méthode proposée et des approches de référence7,27,28,47.

La figure 4b compare les résultats d'évaluation sur les images de tissus de cancer du sein à double coloration par la méthode proposée et la meilleure approche de référence réalisée dans la première expérience, c'est-à-dire bUnwarpJ7. La méthode proposée atteint une précision d'enregistrement moyenne élevée (93,49 %) tandis que l'approche bUnwarpJ7 n'obtient une précision moyenne que de 25,58 %. Des résultats quantitatifs détaillés peuvent être trouvés dans le tableau 3. En utilisant le logiciel SPSS44, le résultat montre que la méthode proposée fonctionne nettement mieux que bUnwarpJ7 (\(p<0,001\)).

Pour l'analyse du temps d'exécution, l'ensemble de données sur le cancer du sein est utilisé et le temps de calcul de l'enregistrement WSI de la méthode proposée est comparé à la meilleure approche de référence réalisée dans la première expérience, c'est-à-dire l'approche bUnwarpJ7, et à trois approches de référence supplémentaires, y compris Roberts et al .27, Song et al.28 et Lotz et al.29. Lors des tests d'enregistrement WSI, comme le système de l'approche bUnwarpJ7 a tendance à échouer en raison d'un manque de mémoire, nous effectuons donc une analyse de régression pour estimer le temps de calcul pour l'enregistrement WSI en utilisant les moindres carrés. Des résultats quantitatifs détaillés peuvent être trouvés dans le tableau 4. La méthode proposée ne prend que 4,34 s par enregistrement WSI en moyenne. En comparaison, l'approche bUnwarpJ7 coûte en moyenne 55162,4 s (15,3 heures) par enregistrement WSI. Roberts et al.27 et Song et al.28 prennent plus de 400 s (6,67 minutes) par enregistrement WSI en moyenne, et Lotz et al.29 coûtent 76,42 s par enregistrement WSI en moyenne. La figure 4c affiche les distributions du temps de calcul d'enregistrement WSI par méthodes individuelles, montrant que la méthode proposée prend beaucoup moins de temps que toutes les approches de référence7,27,28,29. En effectuant un test LSD, la méthode proposée est nettement plus rapide que les approches de référence7,27,28,29 avec \(p<0,001\) dans l'enregistrement WSI. De plus, la méthode proposée est capable de terminer l'enregistrement WSI en 1 s pour 30,23 % de paires WSI de l'ensemble de données expérimentales. Une démonstration de l'enregistrement WSI de coloration croisée en temps réel par la méthode proposée est présentée dans la vidéo supplémentaire. (https://www.youtube.com/watch?v=0Uc6-s_ClIg&ab_channel=ProfChing-WeiWang).

L'alignement de la coloration croisée et l'analyse conjointe de plusieurs lames IHC et H&E sont importants pour le diagnostic des maladies, le développement de médicaments et la recherche biologique, permettant l'évaluation simultanée de plusieurs types d'expressions protéiques pour les types de tissus d'intérêt à une résolution unicellulaire. En prenant le diagnostic de cas de carcinome invasif de la prostate, dans la pratique clinique, des coupes en série d'un donneur de cancer de la prostate sont colorées avec trois colorants différents, y compris HMCK, CK18 et H&E, comme indiqué sur la figure 1b. Pour identifier les tissus cancéreux, les médecins doivent comparer ces trois diapositives différentes, ce qui prend du temps, est sujet et difficile à quantifier les tumeurs. L'alignement automatique des images biologiques par coloration croisée aide le médecin à identifier les tissus cancéreux, à quantifier la quantité de tissus cancéreux et à déterminer le stade du cancer. La figure 1b montre l'alignement de la triple coloration sur les résultats d'échantillons de tissus du cancer de la prostate effectués par la méthode proposée.

Dans le pronostic des patientes atteintes d'un cancer du sein, les foyers métastatiques des ganglions lymphatiques ont été classés en macrométastases (taille métastatique supérieure à 2,0 mm), micrométastases (taille métastatique supérieure à 0,2 mm, mais aucune supérieure à 2,0 mm) et cellules tumorales isolées (ITC, taille métastatique ne dépassant pas 0,2 mm). Actuellement, l'état des ganglions lymphatiques est systématiquement déterminé par l'examen des lames H&E. La coloration immunohistochimique de la cytokératine sur la section des ganglions lymphatiques peut être appliquée pour exclure les ITC, qui sont principalement détectés par IHC en raison de leur petite taille. Bien que l'importance clinique des CCI ou des micrométastases soit débattue, les résultats de l'essai MIRROR ont souligné la nécessité d'un traitement supplémentaire dans les cas de carcinome invasif du sein avec CCI ou micrométastases40,41,42,43, soutenant que l'identification des CCI ou des micrométastases est actuellement cliniquement nécessaire. Cependant, étant donné que l'IHC pour la cytokératine n'est pas systématiquement effectuée sur chaque ganglion lymphatique axillaire des patientes atteintes d'un cancer du sein, il est possible que les CTI passent inaperçues, en particulier dans les cas comportant de nombreux ganglions lymphatiques axillaires, et entraînent un sous-traitement des patientes. De plus, l'examen de routine des lames H&E des ganglions lymphatiques, en particulier pour la dissection des ganglions lymphatiques axillaires qui peuvent inclure de nombreux ganglions lymphatiques, prend du temps et les pathologistes peuvent potentiellement courir le risque de manquer de minuscules foyers métastatiques. Dans cette étude, un alignement WSI automatique à double coloration des lames H&E et IHC CK (AE1 / AE3) est effectué, ce qui aide les médecins à dépister toutes les sections de ganglions lymphatiques et à identifier les minuscules foyers métastatiques potentiels, comme le montre la Fig. 1b. En raison de la limitation du budget, l'immunohistochimie de la CK peut être effectuée sur deux ganglions lymphatiques sentinelles (LN), généralement les sentinelles LN1 et LN2. Cependant, dans la pratique clinique, nous rencontrons très fréquemment plus de deux LN sentinelles plus des dissections de ganglions lymphatiques axillaires, qui peuvent inclure de nombreux ganglions lymphatiques. Cette méthode peut aider à identifier les micrométastases potentielles et les ITC qui peuvent passer inaperçues par les pathologistes dans les sections de ganglions lymphatiques sans immunohistochimie pour CK.

Dans les expériences d'alignement de triple coloration sur 90 images de tissus de cancer de la prostate, la méthode proposée atteint la précision d'enregistrement de triple coloration de 0,833 ± 0,0674, tandis que quatre approches de référence7,8,9,10 donnent des résultats médiocres, obtenant une précision moyenne ne dépassant pas 0,60. . En analyse statistique, la méthode proposée est nettement meilleure que toutes les approches de référence7,8,9,10 (\(p<0,01\)) pour l'enregistrement d'images microscopiques à coloration croisée. Dans l'alignement de l'évaluation des images de tissus du cancer du sein, nous comparons la méthode proposée et la meilleure approche de référence réalisée dans l'alignement à triple coloration des images de tissus du cancer de la prostate, c'est-à-dire bUnwarpJ7 sur 86 images de tissus du cancer du sein. Lors de l'évaluation, la méthode proposée atteint une précision d'enregistrement d'image élevée de 0,931 ± 0,0455. En comparaison, la méthode de référence - approche bUnwarpJ n'obtient qu'une précision moyenne de 0,255. Dans l'analyse statistique, la méthode proposée surpasse de manière significative l'approche bUnwarpJ (\(p<0,001\)) pour l'alignement à double coloration des images de tissus du cancer du sein.

Pour l'analyse du temps d'exécution, la méthode proposée ne prend que 4,34 s par enregistrement WSI en moyenne. En comparaison, les approches de référence7,27,28,29 passent en moyenne plus de 70 s par enregistrement WSI. De plus, pour 30,23 % des données, soit 13 des 43 paires WSI de données sur le cancer du sein, la méthode proposée prend moins de 1 s pour l'enregistrement WSI. Dans cette étude, nous présentons un système d'enregistrement de coloration croisée en temps réel, entièrement automatique et robuste pour aligner plusieurs diapositives IHC et des diapositives H&E histopathologiques pour aider à l'évaluation de la morphologie des tissus et de diverses expressions protéiques ensemble, en utilisant deux scanners numériques différents, c'est-à-dire Leica et 3DHISTECH, sur deux échantillons de cancer différents, à savoir le cancer du sein et le cancer de la prostate, et provenant de deux hôpitaux différents. La méthode proposée n'est pas limitée à l'analyse de coloration croisée, mais pourrait également être utilisée pour la comparaison de sections en série à coloration unique.

Dans cette étude, nous présentons un cadre d'enregistrement basé sur des tuiles propagées grossièrement à finement en temps réel et entièrement automatique pour l'alignement WSI à coloration croisée. Le cadre proposé se compose de deux parties principales, dont un module de recalage global rapide (section "Rapid global image registration") et un module de recalage d'images multi-niveaux propagées en temps réel (section "Propagated multi-level image registration"). La figure 5 présente l'organigramme de la méthode proposée. Pour le module d'enregistrement global rapide illustré à la Fig. 5a., Premièrement, les caractéristiques du cytoplasme des images de bas niveau sont extraites à l'aide de la déconvolution des couleurs (section "Modèle d'extraction des caractéristiques du cytoplasme") ; dans un deuxième temps, des amers correspondants entre la cible et l'image source sont détectés (section "Détection d'amers correspondants") puis utilisés pour calculer les paramètres de transformation globaux (section "Calcul des paramètres de transformation globaux") ; troisièmement, l'image source de bas niveau est alignée sur la cible en utilisant les paramètres de transformation globale (section "Transformation globale de l'image"). Pour la deuxième partie de la méthode proposée, c'est-à-dire le module d'enregistrement d'images multi-niveaux propagées en temps réel tel qu'illustré à la Fig. 5b), premièrement, l'ensemble de tuiles du WSI source, correspondant au champ de vision (FOV) de la cible WSI, sont extraits à l'aide des paramètres de transformation ; d'autre part, le FOV source est aligné sur le FOV cible par le recalage en temps réel proposé par patch (section "Propagated multi-level image registration").

Toutes les méthodes ont été réalisées conformément aux directives et réglementations en vigueur. Les protocoles expérimentaux ont été approuvés par les comités d'éthique de la recherche du National Taiwan University Hospital (avec le numéro d'approbation éthique : NTUH-REC 201810082RINB) et du Tri-Service General Hospital, Taipei, Taiwan ((avec le numéro d'approbation éthique : TSGHIRB1-107-05 Les formulaires de consentement éclairé des patients ont été formellement annulés par les comités d'éthique de la recherche de l'hôpital universitaire national de Taiwan et de l'hôpital général tri-service, et les données ont été anonymisées et utilisées pour une étude rétrospective sans impact sur les soins aux patients.

Organigramme du cadre d'alignement WSI de coloration croisée interactif en temps réel proposé, composé de (a) un module d'enregistrement d'image global rapide et (b) un enregistrement d'image multiniveau propagé en temps réel. Pour (a) un enregistrement global rapide, (ai) un modèle de séparation des taches est construit pour extraire les caractéristiques du cytoplasme ; (a.ii) Les points de repère correspondants sont détectés à l'aide des caractéristiques du cytoplasme ; (a.iii) Sur la base des points de repère correspondants, des paramètres de transformation globaux sont générés ; (a.iv) Un résultat global d'enregistrement d'image est obtenu en appliquant les paramètres de transformation globaux sur l'image de bas niveau. Pour (b) un enregistrement d'image à plusieurs niveaux, un ensemble de tuiles du WSI source correspondant au champ de vision (FOV) du WSI cible est extrait à l'aide des paramètres de transformation globaux. (bi) La tuile récupérée définie comme source FOV surlignée en vert est utilisée comme entrée, et chaque tuile est sélectionnée comme centre, qui est colorée en rouge, pour obtenir une zone agrandie surlignée en orange. Après cela, chaque zone agrandie est mise à l'échelle puis tournée dans le sens des aiguilles d'une montre par l'ancre de rotation en tant que centre. (b.ii) La tuile en haut à gauche surlignée en bleu est traduite ; (b.iii) La tuile est ensuite recadrée et cousue dans l'image de sortie d'enregistrement ; (b.iv) Le FOV source enregistré est produit.

Soit \(\{\ {\mathcal {J}}^{\xi } \}\ \) une paire de WSI numériques, contenant un WSI cible \({\mathcal {J}}^t\) et une source WSI \({\mathcal {J}}^s\) pour l'alignement où \(\xi =t\) représente la cible et \(\xi =s\) représente la source, respectivement. Nous formulons un ensemble de WSI numériques \(\{\ {\mathcal {J}}^{\xi } \}\ \) dans une structure de données basée sur des tuiles pyramidales à plusieurs niveaux \(\{\ I^{\xi } _{l,i,j} \}\ \) avec plusieurs couches de grossissement faible à élevé, où i et j représentent respectivement le numéro de colonne et de ligne d'une tuile au niveau l, et l'unité de la taille de la tuile est \ (m \times m\), où \(m=256\) dans cette étude. Les images de mosaïque cible et source de bas niveau \(I^{t}_{low}, I^{s}_{low}\) sont extraites des WSI cible et source au niveau \(l_{low}\), et \(l_{faible} = \sum {I_{l}} <=(2m)^{2}\). \(I^{t}_{low}\) et \(I^{s}_{low}\) sont utilisés pour le processus d'enregistrement rapide de l'image globale.

Pour obtenir les paramètres de transformation globaux et le résultat d'enregistrement d'image de bas niveau, le processus d'enregistrement d'image de bas niveau comprend quatre parties, comme illustré sur la figure 5a. (1) En utilisant la technique de déconvolution des couleurs avec une matrice de transformation orthonormale, la séparation des taches est effectuée sur la cible de bas niveau et les images de carreaux de source pour extraire les caractéristiques du cytoplasme de la cible et de la source. (2) La détection de point de repère correspondante est appliquée aux images de caractéristiques du cytoplasme obtenues à l'étape précédente pour établir des correspondances par paires entre la cible et la source. (3) En alignant les correspondances par paires, les paramètres de transformation globaux (matrice de rotation, facteur d'échelle et vecteur de translation) sont générés sur la base de la détection des repères correspondants. (4) L'image source de bas niveau est alignée sur la cible à l'aide des paramètres de transformation obtenus à l'étape 3, produisant une source enregistrée de bas niveau. Les paramètres de transformation globale de bas niveau sont ensuite utilisés pour la localisation FOV interactive en temps réel et l'enregistrement d'images multiniveaux en temps réel.

En couleur RVB, chaque couleur peut être représentée par \(\vec {c} \equiv (c_{1}, c_{2}, c_{3})\). Pour modéliser la couleur d'une image comme l'addition vectorielle d'un élément souhaité (D), indésirable (U) et d'un arrière-plan (P), un nouveau modèle vectoriel est défini comme suit :

Ensuite, la couleur \(\vec {c}\) est transformée dans le nouveau vecteur unitaire \(\vec {c} = u.\vec {u} + d.\vec {d} + n.\vec {n} + \vec {p}\). En définissant \(u = 0\), la composante indésirable est supprimée, générant une nouvelle couleur \(\vec {c_{\prime}} = d.\vec {d} + n.\vec {n} + \vec { p}\). Dans l'image à trois canaux, un système de couleurs est décrit comme une forme matricielle \(\mu \) avec chaque ligne représentant une tache spécifique et chaque colonne représentant la densité optique (DO) telle que détectée par \(c_1\), \(c_2\ ) et \(c_3\) pour chaque tache, respectivement.

Dans cette étude, une matrice OD normalisée, \({\widehat{\mu }}\), pour décrire le système de couleurs pour la transformation orthonormée est définie comme suit :

Soit \(G = [g_0, g_1, g_2]\) un vecteur \(3 \times 1\) pour la quantité de taches au pixel spécifique, où \(g_0\), \(g_1\) et \(g_2\) représentent respectivement le premier, le deuxième et le troisième canal. Les niveaux OD au niveau des pixels individuels pourraient être formulés comme \(O = G{\widehat{\mu }}\). Par conséquent, la multiplication de l'image OD avec l'inverse de la matrice OD donne une représentation orthogonale des taches formant l'image \(G = {\widehat{\mu }}^{-1}O\). Ensuite, les caractéristiques du cytoplasme, \(g^{1}_{0}\) et \(g^{2}_{0}\), de l'image cible et de l'image source sont extraites pour une autre détection de point de repère correspondante.

Étant donné une paire de caractéristiques du cytoplasme, \(g^{1}_{0}\) et \(g^{2}_{0}\), un ensemble de transformations possibles \({\mathcal {T}}\ ) entre \(g_{0}^{1}\) et \(g_{0}^{2}\), et une fonction de mappage \(H_\tau (g_{0}^{2})\) , on cherche à obtenir la transformation optimale \(\tau ^{\prime} = \arg \min _{\tau \in {\mathcal {T}}} ||H_\tau (g_{0}^{2}) - g_{0}^{1}||^{2}\). La transformation optimale \(\tau ^{\prime}\) peut être obtenue en utilisant la distance la plus courte de l'invariant de transformation \(\theta (g_{0}^{1}, g_{0}^{2}) = | |H_{\tau ^{\prime}}(g_{0}^{2}) - g_{0}^{1}||^{2}\), qui correspond à la distance euclidienne en \({\ L }{^2} = \{\ \Upsilon : \Re \rightarrow \Re : \int _{-\infty }^{\infty }|\Upsilon (\nu )^{2}|d\nu <\ infty \}\ \). Cependant, la transformation optimale \(\tau ^{\prime}\) et la distance la plus courte \(\theta (g_{0}^{1}, g_{0}^{2})\) ne sont pas faciles à atteindre comme fonction objectif, car elle est non convexe et une solution piégée par des minima locaux peut se produire. Pour faire face aux problèmes susmentionnés, nous appliquons un ensemble de caractéristiques géométriques \(\Gamma = \{\ \psi _{\gamma ^{1}} : \gamma ^{1} \in {\mathcal {T}}_ {\theta } \}\ \subset \L ^{2} \), qui est construit en transformant une fonction génératrice \(\psi \in \L ^{2}\), où \({\mathcal {T} }_{\theta } \subset {\mathcal {T}}\) représente une discrétisation finie des transformations \({\mathcal {T}}\) et \(\psi _{\gamma ^{1}} = U_{\gamma ^{1}}(\psi )\) représente la transformation de la fonction génératrice \(\psi \) par \(\gamma ^{1}\).

Soit \(P={ \{\ p_{k}\}\ }_{k=0}^{K}\) et \(Q={ \{\ q_{k}\}\ }_{k= 0}^{K}\) soit deux ensembles de correspondances par paires entre \(g_{0}^{1}\) et \(g_{0}^{2}\) dans \(\Gamma \), respectivement,

où \(\alpha _{k}\) et \(\beta _{k}\) ne sont pas des coefficients négatifs.

Deux ensembles de correspondances par paires P et Q sont obtenus par les étapes suivantes : (1) les ensembles de points clés \(E^{1}\) et \(E^{2}\) sont détectés en appliquant la différence de Gaussian (DoG) détecteur48, (2) les points de repère correspondants P et Q sont sélectionnés comme consensus géométrique entre les points clés \(E^{1}\) et \(E^{2}\) en appliquant le Random Sample Consensus (RANSAC)49. Les détections de caractéristiques correspondantes P et Q sont ensuite utilisées pour calculer un ensemble de paramètres de transformation globaux.

En alignant deux ensembles de correspondances par paires, \(P = { \{\ p_{k}\}\ }_{k=0}^{K} \) et \(Q = { \{\ q_{k}\ }\ }_{k=0}^{K}\), la tâche consiste à calculer rapidement un ensemble de paramètres de transformation globaux à faible niveau de résolution, y compris le facteur d'échelle S, la matrice de rotation R et le vecteur de translation T. Premièrement, pour calculer le facteur d'échelle S, les centroïdes de chaque ensemble sont calculés, puis les deux centroïdes sont translatés vers son origine (les vecteurs centrés). Soit \({\overline{p}} = \frac{\sum _{k=0}^{K}p_{k}}{K}\) et \({\overline{q}} = \frac{ \sum _{k=0}^{K}q_{k}}{K}\) soit les centroïdes de chaque ensemble, et \(p_{k}^{\prime} = p_{k}-{\overline {p}}\) et \(q_{k}^{\prime} = q_{k}-{\overline{q}}\) étant les vecteurs centrés, le facteur d'échelle S peut être calculé comme suit :

où \(\sigma \) représente la variance.

Ensuite, \(d \times d\) matrice de covariance C est calculée : \(C=\sum _{k=0}^{K}(q_{k}^{\prime} \times {p_{k}^ {\prime}}^{tr})\), et tr est l'opérateur de transposition matricielle. Ensuite, en utilisant l'algorithme de Jacobi Singular Value Decomposition (SVD)50 \(\delta \), la matrice SVD X est calculée : \(X=\delta (C)\). Pour obtenir la matrice de rotation R, on décompose la matrice SVD X, \(UZV=X\), où U, V sont des matrices de rotation et Z est une matrice diagonale. La matrice de rotation R peut être calculée par l'expression suivante :

où \(E= \begin{bmatrix} 1 &{} 0 &{} 0\\ 0 &{} 1 &{} 0\\ 0 &{} 0 &{} 1 \end{bmatrix}\) est une \(3 \times 3\) matrice d'identité diagonale.

Après avoir calculé le facteur d'échelle S et la matrice de rotation R, le vecteur de translation T peut être calculé par :

S, R et T sont ensuite utilisés pour aligner l'image source de bas niveau \(I^{s}_{low}\) sur la cible \(I^{t}_{low}\), FOV interactif en temps réel processus de localisation et d'enregistrement d'images multiniveaux en temps réel.

Après avoir obtenu un ensemble de paramètres de transformation de la section précédente, l'étape suivante consiste à aligner l'image source de bas niveau \(I^{s}_{low,(x,y,w,h)}\) sur l'image cible et pour produire une source enregistrée de bas niveau \(I^{s'}_{low,(x^{\prime},y^{\prime},w,h)}\), où (x, y ) est la coordonnée de \(I^{s}_{low,(x,y,w,h)}\) et \((x^{\prime},y^{\prime})\) est la coordonnée de \(I^{s'}_{low,(x^{\prime},y^{\prime},w,h)}\). La relation de mappage est formulée comme suit.

Le module de localisation FOV interactif en temps réel est conçu pour localiser et récupérer l'ensemble de tuiles associé du WSI source correspondant au FOV du WSI cible, comme illustré sur la figure 5b. Soit \(F^{t} = I^{t}_{l,(u^t,v^t,w^t,h^t)}\) le FOV du WSI cible, où \(( u^t,v^t)\) est la coordonnée globale de \(F^{t}\) ; \(n_1 \times n_2\) est le nombre de tuiles contenant \(F^t\). Tout d'abord, la coordonnée globale \((u^s,v^s)\) de la tuile supérieure gauche du FOV dans le WSI source correspondant au FOV cible \(F^t\) est calculée,

où \(\triangle = l-l_{low}\) est utilisé pour l'étalonnage du niveau.

Deuxièmement, le jeu de tuiles associé du WSI source correspondant à \(F^t\) est récupéré : \(G:{\{\ g_{l,i,j} \}\ }_{\{\ i=a ,\ldots ,a+n_1,j=b,\ldots ,b+n_2 \}\ }\). L'ensemble de tuiles associé est ensuite utilisé pour calculer les sorties d'enregistrement. Ensuite, la transformation est appliquée à chaque zone agrandie de chaque tuile \(g_{l,i,j}\) dans l'ensemble de tuiles extrait, produisant une zone agrandie transformée. Ensuite, la tuile en haut à gauche de chaque zone agrandie transformée est sélectionnée puis intégrée dans une image en tant que sortie d'enregistrement, c'est-à-dire le FOV correspondant du WSI source (voir Fig. 5b). Les processus d'enregistrement détaillés de la méthode proposée sont décrits ci-dessous.

Soit \(B_{g_{l,k,o},(x,y,w,h)} = { \{\ b_{l,i,j} \}\ }_{ i=k-\lfloor { \frac{q}{2}}\rfloor ,\ldots ,k+\lfloor {\frac{q}{2}}\rfloor ,j=o-\lfloor {\frac{q}{2}}\rfloor , \ldots ,o+\lfloor {\frac{q}{2}}\rfloor } \) soit une zone agrandie contenant \(q \times q\) tuiles de chaque \(g_{l,i,j}\) comme la tuile centrale, où \(k=a,\ldots ,a+n_{1}\), \(o=b,\ldots ,b+n_2\), \(x = (k-\lfloor {\frac {q}{2}}\rfloor )m\), \(y = (o-\lfloor {\frac{q}{2}}\rfloor )m\), \(w \times h =(qm) ^2\) et \(q = 5\) dans cette étude. Tout d'abord, le facteur de translation est calculé pour chaque zone agrandie \(B_{g_{l,k,o},(x,y,w,h)}\) au niveau l :

Deuxièmement, chaque zone agrandie \(B_{g_{l,k,o},(x,y,w,h)}\) est transformée en parallèle par la formule suivante :

où \( B^{\prime}_{g_{l,k,o},(x^{\prime},y^{\prime},w,h)} \) représente un ensemble de zones agrandies transformées, \(\lambda _x\) et \(\lambda _y\) désignent la partie qui se chevauche entre chaque tuile.

Troisièmement, une tuile de chaque zone agrandie transformée \(B^{\prime}_{g_{l,k,o},(x^{\prime},y^{\prime},w,h)}\) est sélectionné comme tuile de sortie d'enregistrement : \(z_{g_{l,k,o}} = I^{\prime}_{l,((k-\lfloor {\frac{q}{2}}\rfloor )m,(o-\lfloor {\frac{q}{2}}\rfloor )m,qm,qm)}\). Enfin, les tuiles \(n_1 \times n_2\) sont intégrées en tant que FOV correspondant du WSI source : \(Z =\{\ z_{g_{l,k,o}} \}\ \).

Un système en ligne basé sur le Web de la méthode proposée a été créé pour la démonstration en direct de l'alignement de coloration croisée en temps réel d'images de diapositives entières. Veuillez consulter la vidéo supplémentaire sur https://www.youtube.com/watch?v=0Uc6-s_ClIg&ab_channel=ProfChing-WeiWang.

Pitiot, A. & Guimond, A. Régularisation géométrique des champs de déplacement pour le recalage d'images histologiques. Méd. Image anale. 12, 16-25 (2008).

Article PubMed Google Scholar

Utal, A., Stopka, A., Roy, M. et Coleman, P. L'immunohistochimie Pep-19 définit les ganglions de la base et les structures associées dans le cerveau humain adulte, et est considérablement réduite dans la maladie de Huntington. Neuroscience 86, 1055-1063 (1998).

Article CAS PubMed Google Scholar

Eriksdotter-Nilsson, M., Björklund, H. & Olson, L. Immunohistochimie de la laminine : une méthode simple pour visualiser et quantifier les structures vasculaires dans le cerveau des mammifères. J. Neurosci. Méthodes 17, 275–286 (1986).

Article CAS PubMed Google Scholar

Clinton, SM et al. Expression de l'ARNm et de la protéine klotho dans le parenchyme cérébral du rat depuis le début du développement postnatal jusqu'à l'âge adulte. Cerveau Res. 1527, 1–14 (2013).

Article CAS PubMed PubMed Central Google Scholar

Ma, X. et al. Marqueurs immunohistochimiques prédictifs liés à la sélection des médicaments pour les patients traités par sunitinib ou sorafenib pour un cancer du rein métastatique. Sci. Rep. 6, 1–11 (2016).

Article CAS Google Scholar

de Gooyer, JM et al. Sélection immunohistochimique de biomarqueurs pour la chirurgie guidée par l'image ciblant la tumeur du myxofibrosarcome. Sci. Rép. 10, 1–8 (2020).

Annonces d'article Google Scholar

Arganda-Carreras, I. et al. Enregistrement cohérent et élastique des coupes histologiques à l'aide de la régularisation par vecteur-spline. Dans Computer Vision Approaches to Medical Image Analysis, vol. 4241 de Lecture Notes in Computer Science (eds Beichel, R. & Sonka, M.) 85–95 (Springer, 2006).

Google Scholar

Saalfeld, S., Cardona, A., Hartenstein, V. & Tomančák, P. Mosaïque aussi rigide que possible et enregistrement de sections en série de grands ensembles de données sstem. Bioinformatique 57–63 (2010).

Saalfeld, S., Fetter, R., Cardona, A. & Tomancak, P. Reconstruction de volume élastique à partir d'une série de sections de microscopie ultra-minces. Nat. Méthodes 9, 717–720 (2012).

Article CAS PubMed Google Scholar

Wang, C., Gosno, E. & Li, Y. Enregistrement 3D entièrement automatique et robuste d'images microscopiques en coupe série. Sci. Rep. 5, 15051 (2015).

Article ADS CAS PubMed PubMed Central Google Scholar

Huang, K., Cooper, L., Sharma, A. & Pan, T. Algorithme d'enregistrement automatique rapide pour les grandes images de microscopie. En 2006, IEEE/NLM Life Science Systems and Applications Workshop, 1–2 (2006).

Kurien, T. et al. Reconstruction tridimensionnelle d'un carcinome du sein humain à l'aide d'un équipement de laboratoire de routine et de l'immunohistochimie. J.Clin. Pathol. 58, 968–972 (2005).

Article CAS PubMed PubMed Central Google Scholar

Ma, B., Lin, Z., Winkelbach, S., Lindenmaier, W. & Dittmar, KE Enregistrement automatique de sections en série de ganglions lymphatiques de souris à l'aide d'Image-Reg. Micron 39, 387–396 (2008).

Article PubMed Google Scholar

Magee, D., Treanor, D. & Quirke, P. Un nouvel algorithme d'enregistrement d'image avec application à l'histopathologie 3D. Dans l'analyse d'images microscopiques avec des applications en biologie. New York, NY (2008).

Mosaliganti, K. et al. Recalage et visualisation 3D de grandes images de microscopie. Dans Imagerie médicale 2006 : Traitement d'images, vol. 6144, 61442V (Société internationale d'optique et de photonique, 2006).

Pitiot, A., Bardinet, E., Thompson, PM & Malandain, G. Enregistrement affine par morceaux d'images biologiques pour la reconstruction de volume. Méd. Image anale. 10, 465–483 (2006).

Article PubMed MATH Google Scholar

Ruiz, A., Ujaldon, M., Cooper, L. & Huang, K. Enregistrement non rigide pour de grands ensembles d'images microscopiques sur des processeurs graphiques. J. Système de traitement du signal. 55, 229-250 (2009).

Article Google Scholar

Cooper, L., Naidu, S., Leone, G., Saltz, J. & Huang, K. Enregistrement d'images microscopiques haute résolution avec différentes colorations histochimiques - un outil pour cartographier l'expression génique avec des structures cellulaires. Dans Actes de l'atelier sur l'analyse d'images microscopiques avec des applications en biomédecine (2007).

Cooper, L. et al. Enregistrement basé sur les caractéristiques des images d'histopathologie avec différentes taches : une application pour le pronostic informatisé du lymphome folliculaire. Calcul. Méthodes Programmes Biomed. 96, 182-192 (2009).

Article PubMed PubMed Central Google Scholar

du Bois d'Aische, A. et al. Recalage non rigide multimodal efficace en champ dense : Alignement d'images histologiques et de coupes. Méd. Image anale. 9, 538–546 (2005).

Article PubMed Google Scholar

Feuerstein, M., Heibel, H., Gardiazabal, J., Navab, N. & Groher, M. Reconstruction d'images d'histologie 3D par enregistrement déformable simultané. Dans Conférence internationale sur l'informatique médicale et l'intervention assistée par ordinateur, 582–589 (Springer, 2011).

Schwier, M., Böhler, T., Hahn, HK, Dahmen, U. & Dirsch, O. Enregistrement d'images histologiques de diapositives entières guidées par des structures de vaisseaux. J. Pathol. Informer. 4, 10 (2013).

Article Google Scholar

Rossetti, BJ et al. Enregistrement dynamique pour les images de diapositives entières en série gigapixel. En 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017), 424–428 (IEEE, 2017).

Trahearn, N., Epstein, D., Cree, I., Snead, D. & Rajpoot, N. Inspecteur d'hyper-taches : un cadre pour un enregistrement robuste et une analyse de co-expression localisée de plusieurs images de diapositives entières de sections d'histologie en série . Sci. Rep. 7, 1–13 (2017).

Article CAS Google Scholar

Moles Lopez, X. et al. Enregistrement d'images de diapositives immunohistochimiques entières : un moyen efficace de caractériser la colocalisation de biomarqueurs. Confiture. Méd. Informer. Assoc. 22, 86–99 (2014).

Article PubMed PubMed Central Google Scholar

Jiang, J., Larson, NB, Prodduturi, N., Flotte, TJ & Hart, SN Estimation de densité hiérarchique robuste et régression pour le co-enregistrement d'images de diapositives entières histologiques recolorées. PLoS ONE 14, e0220074 (2019).

Article CAS PubMed PubMed Central Google Scholar

Roberts, N. et al. Vers une utilisation en routine de l'histopathologie 3D comme outil de recherche. Suis. J. Pathol. 180, 1835–1842 (2012).

Article PubMed PubMed Central Google Scholar

Song, Y. et al. Classification de contenu non supervisée basée sur un enregistrement non rigide d'images d'histologie colorées différemment. IEEE Trans. Biomédical. Ing. 61, 96–108 (2014).

Article CAS PubMed Google Scholar

Lotz, J. et al. Enregistrement d'image non linéaire basé sur des patchs pour des images de diapositives entières en gigapixels. IEEE Trans. Biomédical. Ing. 63, 1812–1819 (2016).

Article CAS PubMed Google Scholar

Landis, SH, Murray, T., Bolden, S. & Wingo, PA Statistiques sur le cancer, 1998. CA A Cancer J. Clin. 48, 6–29 (1998).

Article CAS Google Scholar

Bray, F. et al. Statistiques mondiales sur le cancer 2018 : estimations GLOBOCAN de l'incidence et de la mortalité dans le monde pour 36 cancers dans 185 pays. CA A Cancer J. Clin. 68, 394–424 (2018).

Ferlay, J. et al. Observatoire mondial du cancer : Cancer Today (Centre international de recherche sur le cancer, 2018).

Google Scholar

Rawla, P. Épidémiologie du cancer de la prostate. Monde J. Oncol. 10, 63 (2019).

Article CAS PubMed PubMed Central Google Scholar

Weng, Y.-R., Cui, Y. & Fang, J.-Y. Fonctions biologiques de la cytokératine 18 dans le cancer. Mol. Cancer Rés. 10, 485–493 (2012).

Article CAS PubMed Google Scholar

Yin, B. et al. La régulation à la baisse de la cytokératine 18 est associée à la résistance au paclitaxel et à l'agressivité tumorale dans le cancer de la prostate. Int. J. Oncol. 48, 1730-1736 (2016).

Article CAS PubMed Google Scholar

Menz, A. et al. Impact diagnostique et pronostique de l'expression de la cytokératine 18 dans les tumeurs humaines : une étude par micropuce tissulaire sur 11 952 tumeurs. Mol. Méd. 27, 1–16 (2021).

Article MathSciNetGoogle Scholar

Siegel, RL, Miller, KD et Jemal, A. Statistiques sur le cancer, 2016. CA A Cancer J. Clin. 66, 7–30 (2016).

Litjens, G. et al. 1399 Sections de ganglions lymphatiques sentinelles colorées à l'H&E de patientes atteintes d'un cancer du sein : l'ensemble de données camelyon. GigaScience 7, giy065 (2018).

Article PubMed Central Google Scholar

Howlader, N. et al. Examen des statistiques du cancer SEER, 1975–2009 (populations millésime 2009) 1975–2009. (Institut national du cancer, 2012).

Weaver, DL et al. Effet des métastases occultes sur la survie dans le cancer du sein sans envahissement ganglionnaire. N. Engl. J. Med. 364, 412–421 (2011).

Article CAS PubMed PubMed Central Google Scholar

Giuliano, AE et al. Association de métastases occultes dans les ganglions lymphatiques sentinelles et la moelle osseuse avec la survie chez les femmes atteintes d'un cancer du sein invasif à un stade précoce. JAMA 306, 385–393 (2011).

Article CAS PubMed PubMed Central Google Scholar

Giuliano, AE et al. Dissection axillaire vs pas de dissection axillaire chez les femmes atteintes d'un cancer du sein invasif et de métastases du ganglion sentinelle : un essai clinique randomisé. JAMA 305, 569-575 (2011).

Article CAS PubMed PubMed Central Google Scholar

De Boer, M. et al. Micrométastases ou cellules tumorales isolées et issue du cancer du sein. N. Engl. J. Med. 361, 653–663 (2009).

Article PubMed Google Scholar

SPSS. Spss pour Windows, version 17.0.1. 2008. (2008).

Wang, C.-W. & Chen, H.-C. Procédé d'alignement d'image amélioré appliqué aux images radiographiques et aux images biologiques. Bioinformatique 29, 1879–1887. https://doi.org/10.1093/bioinformatics/btt309 (2013).

Article CAS PubMed Google Scholar

Wang, C., Ka, S.-M. & Chen, A. Enregistrement d'image robuste d'images microscopiques biologiques. Sci. Rep. 4, 6050 (2014).

Article CAS PubMed PubMed Central Google Scholar

Mueller, D., Vossen, D. & Hulsken, B. Enregistrement déformable en temps réel de diapositives entières multimodales pour la pathologie numérique. Calcul. Méd. Graphique d'imagerie. 35, 542-556 (2011). Processus d'image de diapositive entière.

Lowe, DG Caractéristiques d'image distinctives à partir de points clés invariants à l'échelle. Int. J. Comput. Vis. 60, 91-110 (2004).

Article Google Scholar

Fischler, MA & Bolles, RC Consensus d'échantillon aléatoire : un paradigme pour l'ajustement de modèle avec des applications à l'analyse d'images et à la cartographie automatisée. Commun. ACM 24, 381–395 (1981).

Article MathSciNetGoogle Scholar

Drmač, Z. & Veselić, K. Nouvel algorithme svd jacobi rapide et précis. JE*. SIAM J. Matrice Anal. Appl. 29, 1322-1342 (2008).

Article MathSciNet MATH Google Scholar

Télécharger les références

Cette étude est soutenue par le ministère des Sciences et de la Technologie de Taïwan, dans le cadre de subventions (109-2221-E-011-018-MY3) et de l'Université nationale des sciences et technologies de Taïwan - Hôpital général tri-service (NTUST-TSGH-111- 05).

Institut universitaire des sciences appliquées et de la technologie, Université nationale des sciences et technologies de Taiwan, Taipei, Taiwan

Ching-Wei Wang, Yu-Ching Lee et Muhammad-Adil Khalil

Institut universitaire de génie biomédical, Université nationale des sciences et technologies de Taiwan, Taipei, Taiwan

Ching-Wei Wang et Kuan-Yu Lin

Département de pathologie, Hôpital général tri-service, Taipei, Taïwan

Cheng-Ping Yu

Institut de pathologie et de parasitologie, Centre médical de la Défense nationale, Taipei, Taïwan

Cheng-Ping Yu

Département de pathologie, Hôpital universitaire national de Taiwan, Taipei, Taiwan

Huang-Chun Lien

Institut universitaire de pathologie, Université nationale de Taiwan, Taipei, Taiwan

Huang-Chun Lien

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

CWW a conceptualisé et conçu cette étude. YCL et KYL ont réalisé les expériences. YCL a analysé les données. CPY et HCL ont fourni des données médicales et des informations biologiques. CWW a développé la méthode. CWW, YCL, MAK et KYL ont rédigé le manuscrit. Tous les auteurs ont revu et approuvé la version finale.

Correspondance à Ching-Wei Wang.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournir un lien vers la licence Creative Commons et indiquer si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Wang, CW., Lee, YC., Khalil, MA. et coll. Alignement rapide par coloration croisée d'images de diapositives entières gigapixels avec application à l'analyse du cancer de la prostate et du cancer du sein. Sci Rep 12, 11623 (2022). https://doi.org/10.1038/s41598-022-15962-5

Télécharger la citation

Reçu : 30 novembre 2021

Accepté : 01 juillet 2022

Publié: 08 juillet 2022

DOI : https://doi.org/10.1038/s41598-022-15962-5

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.