Simple Science

Scienza all'avanguardia spiegata semplicemente

# Informatica# Visione artificiale e riconoscimento di modelli

Allineare le immagini di microscopia per ottenere informazioni mediche

Un metodo per registrare immagini SHG e H E per una diagnosi migliore.

Marek Wodzinski, Henning Müller

― 4 leggere min


Metodo di registrazioneMetodo di registrazionedi immagini almicroscopioSHG e HE.Un nuovo modo per allineare le immagini
Indice

La registrazione delle immagini al microscopio è super importante per la ricerca medica e la diagnostica. Questo processo riguarda l'allineamento di immagini prese con tecniche diverse in modo che possano essere confrontate facilmente. Una delle sfide è registrare le immagini della microscopia a generazione di armoniche di secondo ordine (SHG) con quelle colorate usando ematossilina ed eosina (H E). La SHG è un metodo di imaging non invasivo che mette in evidenza le fibre di collagene nei tessuti, ma fornisce meno dettagli rispetto alle immagini H E.

La Sfida

Il problema principale con questa registrazione è che le immagini SHG e H E hanno caratteristiche diverse. Le immagini SHG contengono informazioni limitate e variano molto in luminosità e contrasto rispetto alle immagini H E. Questo rende difficile trovare caratteristiche in comune tra di loro. L'obiettivo è creare un metodo che possa allineare con precisione questi due tipi diversi di immagini.

Metodo Proposto

Proponiamo un nuovo metodo per registrare le immagini SHG e H E che prevede tre passaggi principali:

  1. Preprocessing: Questo passaggio regola entrambe le immagini per farle sembrare più simili. Si tratta di cambiare le immagini H E in un formato di colore diverso e di equalizzarne la luminosità. Anche le immagini SHG vengono regolate, ma restano nel loro formato originale. Questa equalizzazione aiuta a far combaciare meglio le immagini riducendo il rumore e rendendo le caratteristiche più comparabili.

  2. Allineamento Iniziale: Questo passaggio utilizza tecniche specifiche per trovare punti chiave in entrambe le immagini e allinearle in base a questi punti. Usciamo SuperPoint e SuperGLUE per abbinare questi punti. Questo metodo è efficace, anche quando le immagini sono notevolmente disallineate o ruotate. Permette un forte allineamento iniziale senza la necessità di riaddestrare modelli complessi.

  3. Registrazione Deformabile: Un passaggio opzionale che regola ulteriormente le immagini, permettendo flessibilità nell'allineamento. Questo passaggio si basa sulla ricerca di trasformazioni ottimali tramite ottimizzazione iterativa. Tuttavia, questo passaggio potrebbe non sempre migliorare i risultati ed è a volte non necessario, poiché l'allineamento iniziale è spesso sufficiente.

Valutazione

Il metodo proposto è stato testato usando un set di 166 paia di immagini SHG e H E. Di queste, 156 coppie sono state usate per l’addestramento, mentre 10 coppie hanno servito come validazione. Le immagini provenivano da tessuti cancerosi umani del seno e del pancreas ad alta magnificazione. I risultati hanno mostrato che il nostro metodo ha raggiunto un tasso di successo dell'88% nell'allineare correttamente le immagini.

Analisi dei Risultati

Confrontando il nostro metodo con altri, abbiamo trovato che ha funzionato meglio, specialmente nei casi difficili in cui le immagini erano complicate da allineare. L'allineamento iniziale ha funzionato bene per quasi tutte le coppie di validazione. Tuttavia, la registrazione deformabile non ha offerto miglioramenti significativi nella maggior parte dei casi, e a volte ha peggiorato la situazione.

Limitazioni

Nonostante il successo, ci sono ancora alcune limitazioni nel nostro metodo. Il processo di allineamento iniziale può richiedere tempo, mediamente circa 40 secondi per coppia di immagini. Questo è in parte perché i metodi SuperPoint e SuperGlue dipendono dalla ricerca di corrispondenze a varie rotazioni e scale, il che aumenta il tempo di elaborazione.

Inoltre, mentre la registrazione deformabile può affinare l'allineamento, non porta sempre a risultati migliori a causa delle differenze nel contenuto delle immagini. Le immagini possono presentare strutture distinte, il che complica il modo in cui si allineano.

Osservazioni

È interessante notare che il nostro metodo di combinare SuperPoint e SuperGlue supera alcune tecniche più recenti, anche quando queste dichiarano di essere più versatili. Questo suggerisce che per questo specifico tipo di registrazione di immagini, i metodi più vecchi possono ancora avere valore.

Abbiamo anche notato che è generalmente più facile registrare immagini intere piuttosto che sezioni ritagliate. Quando si utilizzano immagini ritagliate, può essere difficile trovare caratteristiche corrispondenti, ma usare immagini intere può fornire un contesto migliore e migliorare il successo dell'abbinamento.

Direzioni Future

Guardando al futuro, suggeriamo che le future sfide in quest'area potrebbero separare i compiti in due parti: allineare inizialmente immagini intere e poi affinare l'allineamento delle sezioni ritagliate. Questo potrebbe semplificare il processo di registrazione e migliorare l'accuratezza.

Conclusione

In sintesi, abbiamo sviluppato un metodo per registrare le immagini SHG e H E che combina un preprocessing efficace, un forte allineamento iniziale utilizzando l'abbinamento dei punti chiave e un affinamento opzionale tramite registrazione deformabile. Il nostro metodo mostra risultati promettenti nell'allineare questi diversi tipi di immagini al microscopio ed è aperto per l'uso da parte di altri ricercatori. Questo progresso potrebbe aiutare in varie applicazioni di ricerca medica, portando a una migliore analisi e comprensione dei campioni di tessuto.

Fonte originale

Titolo: Automatic Registration of SHG and H&E Images with Feature-based Initial Alignment and Intensity-based Instance Optimization: Contribution to the COMULIS Challenge

Estratto: The automatic registration of noninvasive second-harmonic generation microscopy to hematoxylin and eosin slides is a highly desired, yet still unsolved problem. The task is challenging because the second-harmonic images contain only partial information, in contrast to the stained H&E slides that provide more information about the tissue morphology. Moreover, both imaging methods have different intensity distributions. Therefore, the task can be formulated as a multi-modal registration problem with missing data. In this work, we propose a method based on automatic keypoint matching followed by deformable registration based on instance optimization. The method does not require any training and is evaluated using the dataset provided in the Learn2Reg challenge by the COMULIS organization. The method achieved relatively good generalizability resulting in 88% of success rate in the initial alignment and average target registration error equal to 2.48 on the external validation set. We openly release the source code and incorporate it in the DeeperHistReg image registration framework.

Autori: Marek Wodzinski, Henning Müller

Ultimo aggiornamento: 2024-09-24 00:00:00

Lingua: English

URL di origine: https://arxiv.org/abs/2409.15931

Fonte PDF: https://arxiv.org/pdf/2409.15931

Licenza: https://creativecommons.org/licenses/by/4.0/

Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.

Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.

Articoli simili