基于深度学习的肾皮质多组织染色的组织结构分割方法的开发与评价

基于深度学习的肾皮质多组织染色的组织结构分割方法的开发与评价

肾活检是肾脏疾病诊断和分期的金标准，尽管肾实质的视觉形态学评估可以为疾病分类提供有用的信息，但传统的手工评估和视觉量化是耗时的，效率低且可重复性差。随着数字病理学和机器学习技术的发展，给这个问题提供了一个前所未有的解决方案。应用深度学习从整个幻灯片图像中自动分割组织学结构(边界划定)可以促进建立新的肾脏活检评估方案。本研究开发并验证了用于肾活检和肾切除术的组织结构分割的深度学习网络。

本研究使用的数据来自多中心肾病综合征研究网络(NEPTUNE)数据集，125例微小病变型肾病的肾活检，包含六种组织学结构:肾小球簇状组织、肾小球单位、近端小管段、远端小管段、动脉和小动脉以及小管周围毛细血管。5名病理学家手动分割，建立组织结构的基础真实值，共459张图像、30048条注释，对每个WSI进行一种染色，共四种染色方法，分别为苏木精和伊红(H&E)125例、周期性酸-甲基胺银(SIL)125例，周期性酸-希夫(PAS)102例和马森三色(TRI)107例。在实验过程中，将所有数据按照6:3:1的比例随机划分为训练组、测试组、验证组。

本研究在PyTorch框架中实现了标准的U-Net架构，稍微调整了参数，对每个染色后的WSI进行最佳数字放大训练，过程如图1所示。(a)选择WSI生成训练、验证和测试数据。(b)放大40倍后从原始WSI中裁剪出感兴趣的区域。(c)病理学家注释生成Ground truth标签，裁剪包含图像数据和Ground truth标签的重叠patch(如黑框所示)。(d)对于每条路径，引入随机数据增强方法来解释结构的大小变化、染色变化和组织变化(例如厚度)。(e)将所有训练patch传递给PyTorch上的U-Net进行训练，以评估模型性能。评估指标包括F分数（F-Score）、真阳性率(TPR)、阳性预测值(PPV)和Dice相似系数（DSC）等。

六种组织结构分割结果如表1所示：肾小球簇：在PAS和H&E染色上使用5倍数码放大可获得最佳的检测和分割。肾小球单位：所有染色中F分数和DSC大于0.89，在PAS和SIL染色上使用5倍数码放大可获得最佳的检测和分割。近端小管：不同染色剂的分割结果差异不大，F评分在0.89-0.91之间波动,DSC在0.88-0.95之间波动；PAS、SIL和TRI染色剂的分割效果优于H&E染色剂，10倍数码放大可获得最佳的检测和分割。远端小管：不同染色的分割结果变化很大:H&E和TRI的F值分别为0.78和0.81,SIL和PAS的F值分别为0.91和0.93，H&E和TRI的DSC评分分别为0.78和0.82,SIL和PAS的DSC评分分别为0.92和0.93；在PAS和SIL染色上使用10倍数码放大获得最佳检测和分割结果。动脉/小动脉：TRI、H&E和PAS染色的F值在0.79到0.85之间，DSC在0.85到0.90之间；在PAS染色上使用10倍数码放大可获得最佳的检测和分割。管周毛细血管：在PAS染色上使用40倍数码放大获得最佳的检测和分割结果。

本研究验证了一个直观的假设，对于那些更难在视觉上识别的组织结构(即切线切割的动脉/小动脉)需要更多的样本如图2所示，对于那些太小或定义不清的结构(即小管周围毛细血管)，需要进行管理和迭代注释以提高分割精度。

总之，本研究应用深度学习网络，跨越不同的人群和病理实验室对肾脏组织结构进行多种染色和分割，是迄今为止规模最大的研究，有助于建立新的肾活检评估方案，也为临床病理工作流程中实现人机交互协议奠定了坚实的基础。