http://join2-wiki.gsi.de/foswiki/pub/Main/Artwork/join2_logo100x88.png

Interpretable image features and stain-independent machine learning methods for automated analysis of renal histopathology = Interpretierbare Bildmerkmale und färbungsunabhängige Methoden des maschinellen Lernens für die automatisierte Analyse von Gewebeschnitten der Niere

Gupta, Laxmi^RWTH*

2023

Verantwortlichkeitsangabevorgelegt von Laxmi Gupta, M.Sc.

ImpressumAachen : RWTH Aachen University 2023

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2023, Kumulative Dissertation

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak10

Hauptberichter/Gutachter
Merhof, Dorit (Thesis advisor)^RWTH* ; Boor, Peter (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2023-08-10

Online
DOI: 10.18154/RWTH-2023-08404
URL: https://publications.rwth-aachen.de/record/968038/files/968038.pdf

Einrichtungen

1. Institut und Lehrstuhl für Pathologie (528001-2 ; 922910)

Thematische Einordnung (Klassifikation)
DDC: 610

Kurzfassung
Die Analyse histopathologischer Whole Slide Images wird herkömmlicherweise von Experten mittels visueller Analyse durchgeführt. Dieser Prozess ist sehr arbeits- und zeitaufwendig. Allerdings ist eine automatisierte Analyse kompliziert, unter anderem aufgrund der Bildgröße und Abweichungen zwischen Geweben, Pathologen, Färbung. Diese Faktoren stellen die wichtigsten Beschränkungen in der automatisierten Analyse histopathologischer Bilddaten dar. Das Ziel dieser Arbeit ist die Überwindung dieser Beschränkungen mit den folgenden Schwerpunkten:1. Extraktion quantitative und interpretierbarer Bildmerkmale mithilfe eines -omics Verfahren, genannt „Pathomics“, mit dem Ziel der Erweiterung biologischen Wissens. 2. Automatisierung histopathologischer Analysen, sodass diese färbungsunabhängig sind und Färbungsinformationen zur Verbesserung der Verfahren ausnutzen können. Diese Arbeit basiert auf Gewebeschnitten der Niere, extrahiert von Labormäusen. Im ersten Teil der Arbeit haben wir eine neuartige Pipeline entwickelt, in welcher ein umfangreicher Satz an visuellen und sub-visuellen Bildmerkmalen extrahiert wurde. Visuelle Merkmale beziehen sich auf Eigenschaften, die Pathologen feststellen können, während sub-visuelle von Experten nicht mit bloßem Auge erkennbare Merkmale sind. Wir haben einen Merkmalssatz bestehend aus Intensität, Textur, Form, Morphologie, Farbe und Nukleimerkmalen von verschiedenen Nierenabteilen extrahiert, insbesondere von glomerulärem Tuft, Bowmann-Kapsel, Tubuli, Interstitium, Arterien und deren Lumen. Ähnlich wie Radiomics in der Radiologie, wird dieses Vorgehen in der Histopathologie als Pathomics bezeichnet. Als nächstes definieren wir Auswahlmethoden für Merkmale und selektieren dadurch die informativsten Merkmale. Durch statistische Analysen zeigen wir Zusammenhänge zu Morphologie und Pathologie auf. In unserer Fallstudie identifizieren wir Bildmerkmale zu individuellen Nierenabteilen, welche bei einer experimentellen Unilateral Uretral Obstruction im Vergleich zur Kontrolle verändert wurden. So bestätigen wir nicht nur bestehendes biologisches Vorwissen, sondern machen dies quantitativ nutzbar, um neue Erkenntnisse zu gewinnen. Unsere Pipeline erzeugt eine quantitative, reproduzierbare und expertenunabhängige Auswertung von Whole Slide Images, welche zum Beispiel für eine quantitative Analyse genutzt werden kann, um pathologiespezifische Veränderungen in Gewebeschnitten zu erkennen. Das zweite Ziel adressiert generative Methoden zur Färbungsumwandlung (z.B., GANs). Dadurch wird eine färbungsunabhängige Analyse möglich und stellt damit einen Lösungsansatz für eine der größten Herausforderungen der automatischen Bildanalyse in der Histopathologie dar. In dieser Arbeit liegt der Fokus auf der Ausnutzung so genannter virtueller Färbungen zur Verbesserung von Deep Learning Algorithmen. Dazu präsentieren wir die Idee des image enrichtments, der virtuellen Generierung diverser Färbungen, um diese in einem Multikanal-Bild zum Training von tiefen neuronalen Netzen zu nutzen. Solche Multikanal-Bilder haben einen höheren Informationsgehalt, sodass wir höhere Genauigkeiten mit Segmentierungsnetzen erzielen können.

Histological whole slide images are conventionally analyzed visually by clinical experts, which is a highly labor and time intensive procedure. However, analyzing the extensive information on such images in an automated way has been difficult so far due to the vast sizes of the images, tissue-, pathological-, staining-variations, and so on. These factors account for some of the most important limitations in histopathological analyses. In this work, the goal is to overcome some of these limitations by automating histopathological analyses with the following focus:1. To extract quantitative and interpretable features to expand prior biological knowledge, in an -omics like approach, “Pathomics”.2. To make automatic histopathological analyses stain-independent and exploit information contained in stains to improve automatic analyses. All methods in this work are based on renal images obtained from mice. For the first part, we developed a novel pipeline that extracts a comprehensive set of visual features as well as sub-visual features. Here, visual features are those which are detectable by a pathologist, and sub-visual features are those which are not discernible by human experts. A large set of features (intensity, textural, shape, morphological, color, and nuclei-related) were extracted from several renal compartments including glomerular tuft, Bowmann’s Capsule, tubule, interstitium, arterial blood vessels and their lumen. This approach, similar to Radiomics, is referred to as Pathomics in pathology. We defined feature selection methods to extract the most informative and discriminative features and performed statistical analyses to understand the relation of the extracted features, both individually, and in combinations, with tissue morphology and pathology. In the presented case-study, we highlight features that are affected in each compartment for experimental unilateral ureteral obstruction and their contralateral tissue for comparative analyses. In this way, prior biological knowledge is confirmed and presented in a quantitative way, alongside with novel findings. The proposed approach provides a quantitative, reproducible, and rater-independent characterization of whole slide images, e.g. for quantitatively assessing disease-specific changes in histopathology. To address the second goal, we developed Generative Adversarial Networks based methods which facilitate virtual stain translations. This makes it possible to perform stain independent analyses, which overcomes a major limitation in automatic histopathological analyses. In this work, we focus on utilizing the virtually stained images thus obtained to further improve the performance of deep learning algorithms. To this end, we introduced the idea of “image enrichment”: we merge virtually stained images with the original image to create a multi-channel image, which provides an “enriched” image with a higher information content. We prove the gain of information by showing that deep neural networks trained with the enriched images show higher segmentation accuracies.

OpenAccess:
PDF
(zusätzliche Dateien)

Dokumenttyp
Dissertation / PhD Thesis

Format
online

Sprache
English

Externe Identnummern
HBZ: HT030344168

Interne Identnummern
RWTH-2023-08404
Datensatz-ID: 968038

Beteiligte Länder
Germany