cruce rapido - Consumibles Co., Ltd de la histología de Nantong

Scientific Reports volumen 12, Número de artículo: 11623 (2022) Citar este artículo

1079 Accesos

1 Citas

Detalles de métricas

El análisis conjunto de múltiples expresiones de proteínas y patrones de morfología tisular es importante para el diagnóstico de enfermedades, la planificación del tratamiento y el desarrollo de fármacos, lo que requiere la alineación de tinción cruzada de múltiples portaobjetos inmunohistoquímicos e histopatológicos. Sin embargo, la alineación de tinción cruzada de enormes imágenes de diapositivas completas (WSI) de gigapíxeles con precisión de una sola célula es difícil. Además de las gigantescas dimensiones de los datos de los WSI, existen grandes variaciones en la apariencia celular y la morfología del tejido a través de diferentes tinciones junto con deformaciones morfológicas causadas por la preparación del portaobjetos. El objetivo de este estudio es construir un marco de registro de imágenes para la alineación de tinción cruzada de WSI de gigapíxeles de portaobjetos microscópicos histopatológicos e inmunohistoquímicos y evaluar su aplicabilidad clínica. Según el leal saber y entender de los autores, este es el primer estudio que realiza una alineación de tinción cruzada completamente automática en tiempo real de WSI con un aumento objetivo de 40x y 20x. El marco de registro de WSI propuesto consiste en un módulo de registro de imagen global rápido, un modelo de localización de campo de visión (FOV) interactivo en tiempo real y un módulo de registro de imagen de varios niveles propagado en tiempo real. En este estudio, el método propuesto se evalúa en dos tipos de conjuntos de datos de cáncer de dos hospitales que utilizan diferentes escáneres digitales, incluido un conjunto de datos de cáncer de mama de tinción dual con 43 WSI de hematoxilina y eosina (H&E) y 43 inmunohistoquímicos (IHC) CK(AE1/). AE3) WSI y un conjunto de datos de cáncer de próstata con tinción triple que contiene 30 H&E WSI, 30 IHC CK18 WSI y 30 IHC HMCK WSI. En la evaluación, el rendimiento del registro se mide no solo por la precisión del registro sino también por el tiempo computacional. Los resultados muestran que el método propuesto logra una alta precisión de 0,833 ± 0,0674 para el conjunto de datos de cáncer de próstata con tinción triple y 0,931 ± 0,0455 para el conjunto de datos de cáncer de mama con tinción doble, respectivamente, y toma solo 4,34 s por registro WSI en promedio. Además, para datos del 30,23%, el método propuesto tarda menos de 1 s para el registro de WSI. En comparación con los métodos de referencia, el método propuesto demuestra un rendimiento superior en la precisión del registro y el tiempo computacional, lo que tiene un gran potencial para ayudar a los médicos a identificar tejidos cancerosos y determinar la etapa del cáncer en la práctica clínica.

El control de las interacciones moleculares y celulares multimodales, el crecimiento tumoral y la morfología de los tejidos es fundamental para el diagnóstico del cáncer, el desarrollo de fármacos y la investigación biológica y, por lo general, se realiza mediante el análisis de múltiples portaobjetos microscópicos con varias tinciones simultáneamente. Se trata de un análisis conjunto de un portaobjetos de hematoxilina y eosina (H&E) para evaluar la morfología celular y múltiples portaobjetos inmunohistoquímicos (IHC) para monitorear varios patrones de expresión de proteínas juntos con una resolución microscópica unicelular1. En la práctica, la tinción con H&E se adopta como estándar de oro para analizar la morfología de los tejidos. Por otro lado, la tinción IHC se utiliza ampliamente para detectar antígenos, es decir, proteínas, en el diagnóstico de células anormales como las que se encuentran en tejidos cancerosos, lo que permite a los biólogos y médicos observar la distribución de proteínas en diferentes partes del tejido biológico. En neurociencia, IHC permite a los científicos inspeccionar de cerca las expresiones de proteínas dentro de estructuras cerebrales específicas2,3,4. En el desarrollo de fármacos, la IHC se ha aplicado para probar la eficacia de los fármacos mediante el control de ciertas expresiones de proteínas y el análisis de los niveles activos de los objetivos de la enfermedad5,6. En el diagnóstico clínico, con el conocimiento de los marcadores tumorales y las herramientas IHC, los profesionales médicos y los científicos pueden diagnosticar tumores como benignos o malignos, determinar el estadio del cáncer e identificar el tipo de célula y el origen de una metástasis para encontrar el sitio de la tumor primario

Sin embargo, es difícil alinear, comparar y cuantificar las expresiones de proteínas de los tejidos de interés de múltiples imágenes de portaobjetos completos (WSI) con diferentes tinciones debido a las enormes dimensiones de las imágenes de gigapíxeles para analizar, las distorsiones y deformaciones no rígidas introducidas durante la preparación del portaobjetos y las células diferentes. apariencia y morfología del tejido a través de las tinciones. La Figura 1a muestra los desafíos inducidos a partir de los pasos de preparación de datos individuales para el análisis WSI de tinción cruzada en el diagnóstico de cáncer. En primer lugar, se cortan secciones en serie de un bloque de paciente donante y se montan en portaobjetos de vidrio, lo que provoca deformaciones y distorsiones no rígidas en los portaobjetos. En segundo lugar, los portaobjetos se procesan con varios tipos de tinciones. Como cada tinción resalta sustancias específicas en los tejidos, las apariencias de las imágenes de las células y los diseños de tejido en varias tinciones se vuelven claramente diferentes. En tercer lugar, las diapositivas se digitalizan en enormes WSI del tamaño de un gigabyte con resolución microscópica de una sola célula, incluido un H&E WSI y múltiples IHC WSI para observar la morfología del tejido y varios patrones de expresión de proteínas juntos. Por lo general, los WSI se almacenan en una estructura de datos piramidal multirresolución del tamaño de un gigabyte de bajo a alto aumento con un tamaño general de alrededor de 100 000 \(\times \) 200 000 píxeles en el nivel de resolución más alto. Además de las enormes dimensiones de los datos para procesar, existen grandes variaciones en los colores de las manchas, la apariencia de las células y la morfología de los tejidos en los WSI.

Debido al avance de la potencia informática, se han desarrollado muchos algoritmos informáticos7,8,9,10 para la alineación automática de imágenes microscópicas biológicas. La herramienta bUnwarpJ de Arganda-Carreras et al.7 está desarrollada para la alineación de secciones biológicas, lo que permite el registro bidireccional de imágenes. Saalfeld et al. presentó un método de registro basado en mínimos cuadrados utilizando correspondencias de características lineales8 y un enfoque de registro elástico basado en correspondencias de bloques no lineales9. Wang et al. construyó un método CwR10, que contiene un modelo de validación y alineación 3D utilizando el campo de deformación b-spline. En este estudio, los enfoques antes mencionados7,8,9,10 se adoptan como métodos de referencia.

A partir de la revisión de la literatura, muchos estudios anteriores11,12,13,14,15,16,17,18,19,20 realizaron la alineación de imágenes aplicando directamente la transformación de imágenes a imágenes completas. Posteriormente, se han desarrollado varios enfoques21,22,23,24,25,26 con un esquema más eficiente, como los marcos jerárquicos para tratar con grandes conjuntos de datos microscópicos. Debido al avance de la tecnología de imágenes, se requiere la alineación de imágenes en la aplicación de imágenes enormes de tamaño de gigabytes, como WSI. Sin embargo, los métodos mencionados anteriormente son demasiado costosos para la memoria y lentos para ser aplicados a la alineación WSI. Para lidiar con el enorme tamaño de los WSI, se han creado varios enfoques basados en mosaicos. Roberts et al.27 presentaron un marco de registro no rígido basado en coincidencia de bloques de resolución múltiple. Song et al.28 y Lotz et al.29 ampliaron el enfoque de Roberts27 para la reconstrucción de tejidos de secciones histológicas con diferentes tinciones. Canción et al. desarrolló un método de clasificación de contenido no supervisado que produce imágenes de probabilidad multicanal a partir de imágenes de diferentes manchas para aumentar la similitud de las dos imágenes e integró el método de clasificación en el marco basado en la coincidencia de bloques de resolución múltiple. Lotz et al.29 primero calcula el registro no lineal en imágenes de baja resolución para corregir las deformaciones globales a gran escala que ocurren en los tejidos, y los resultados de este registro no lineal se utilizan luego como una suposición inicial para un registro por parches. En este estudio, los tres enfoques basados en mosaicos para la alineación WSI27,28,29 se adoptan como métodos de referencia para el análisis del tiempo de ejecución.

(a) Desafíos causados por los pasos de preparación de datos individuales para el análisis WSI de tinción cruzada. Resultados de muestra por el método propuesto en (b) alineación WSI de tinción triple de portaobjetos H&E, HMCK y CK18 para diagnóstico de cáncer de próstata y en (c) alineación WSI de tinción doble de portaobjetos H&E y CK(AE1/AE3) para diagnóstico de cáncer de mama .

El cáncer de próstata es la segunda causa principal de muerte relacionada con el cáncer en hombres en los Estados Unidos30. En 2018, el cáncer de próstata ha causado 358.989 muertes en todo el mundo31,32,33. En el diagnóstico de carcinoma de próstata invasivo, es vital verificar si la capa de células basales está ausente o no. Por lo tanto, una ausencia completa de tinción en los marcadores asociados con las células basales respalda una interpretación maligna. El valor diagnóstico y pronóstico de la CK18 en cáncer de próstata y tumor humano ha sido demostrado y descrito en 34,35,36. En 2012, Weng et al.34 señalaron que CK18 se expresa en una variedad de órganos epiteliales adultos, juega un papel en la carcinogénesis y en combinación con otros marcadores es un marcador importante de eficacia terapéutica. En 2016, Yin et al.35 determinaron que la expresión de CK18 IHC en tejidos PCa está inversamente correlacionada con el grado tumoral de una manera estadísticamente significativa (\(p=0.028\)) donde las muestras de tejido con grados tumorales más altos (puntuación de Gleason \(\ ge 7\)) muestran una disminución gradual de la intensidad de CK18. En 2021, Menz et al.36 muestran que la inmunotinción reducida de CK18 está relacionada con un estadio UICC alto (\(p=0,0010\)), un grado Thoenes alto (\(p=0,0086\)) y un estadio tumoral avanzado (\(p< 0.0001\)) basado en 11952 muestras de tumores. Usando IHC, la citoqueratina de alto peso molecular (HMCK) es un marcador citoplasmático que resalta los filamentos intermedios de citoqueratina (CK) en las células basales glandulares y es específico para las células basales en la próstata.

En la práctica clínica, se realiza un análisis manual de tinción cruzada de portaobjetos completos; Para diagnosticar una muestra como benigna o maligna, los médicos deben identificar manualmente los tejidos cancerosos primero y luego determinar la etapa y el grado del tumor de un paciente con cáncer de próstata. Como solo los tejidos con CK18 positivo detectado y dentro de la glándula con HMCK positivo detectado se determinan como tejidos cancerosos, para identificar tejidos cancerosos y determinar la etapa y el grado del tumor, los médicos tienen que alinear manualmente tres WSI microscópicos de tamaño gigabyte de cada uno. paciente y luego cuantificar subjetivamente los tejidos cancerosos de WSI, para realizar un análisis simultáneo de un portaobjetos IHC HMCK, un portaobjetos IHC CK18 y un portaobjetos H&E. Sin embargo, esto es difícil y poco reproducible teniendo en cuenta las enormes dimensiones de las imágenes de gigapíxeles para analizar, las distorsiones y deformaciones no rígidas introducidas durante la preparación del portaobjetos y la apariencia diferente de las células y la morfología del tejido en diferentes tinciones. La alineación automática de tinción cruzada de WSI permite a los expertos médicos y científicos identificar fácilmente los tejidos cancerosos, cuantificar la cantidad de tejidos cancerosos y determinar la etapa y el grado de un tumor. La Figura 1b muestra el resultado de la tinción triple automática de la muestra de cáncer de próstata mediante el método propuesto.

El cáncer de mama es el cáncer más prevalente en las mujeres y una de las principales causas de mortalidad37,38. En el pronóstico de pacientes con cáncer de mama, la tasa de supervivencia a cinco años es del 90 % y a diez años es del 83 %. Sin embargo, la tasa de supervivencia empeora significativamente cuando el cáncer de mama hace metástasis38,39. En el caso del cáncer de mama localizado, la tasa de supervivencia a cinco años es del 99 %, que desciende al 85 % en el caso de metástasis regionales (ganglios linfáticos). Además, la tasa de supervivencia a cinco años es del 26% en el caso de metástasis a distancia. Por lo tanto, es importante identificar las metástasis para brindar un tratamiento adecuado y mejorar la tasa de supervivencia. El pronóstico de las pacientes con cáncer de mama está determinado principalmente por la extensión del cáncer evaluado mediante el sistema de estadificación TNM que evalúa el tamaño del tumor (T), el estado de los ganglios linfáticos axilares (N) y el estado de metástasis (M). El estado de los ganglios linfáticos axilares podría estimarse mediante la evaluación del ganglio linfático centinela, que es el primer ganglio linfático que recibe el drenaje linfático aferente del cáncer primario y, por lo tanto, es el primer ganglio afectado por la metástasis. Por lo tanto, las pacientes cuyos ganglios linfáticos centinela son negativos para metástasis de cáncer de mama podrían prescindir de una disección de ganglios linfáticos axilares más extensa. Como alternativa, la disección de los ganglios linfáticos axilares se puede realizar en pacientes con cáncer de mama, particularmente en pacientes con alta sospecha de metástasis en los ganglios linfáticos axilares.

Los focos metastásicos a los ganglios linfáticos se han clasificado en macrometástasis (tamaño metastásico superior a 2,0 mm), micrometástasis (tamaño metastásico superior a 0,2 mm, pero ninguno superior a 2,0 mm) y células tumorales aisladas (ITC, tamaño metastásico no superior a 0,2 mm ). Es difícil para los humanos identificar las ITC debido a su pequeño tamaño, particularmente en casos con muchos ganglios linfáticos axilares, lo que lleva a un tratamiento insuficiente de los pacientes. Además, el examen de rutina de los portaobjetos H&E de los ganglios linfáticos, en particular para la disección de los ganglios linfáticos axilares, que pueden contener muchos ganglios linfáticos, requiere mucho tiempo y los patólogos corren el riesgo de pasar por alto pequeños focos metastásicos. El ensayo MIRROR (Micrometastases and Isolated tumor cells: Relevant, Robust or Rubbish) enfatizó la necesidad de una terapia adicional en casos de carcinoma de mama invasivo con ITC o micrometástasis40,41,42,43, lo que respalda la identificación de ITC o micrometástasis que se necesita con urgencia en el manejo de pacientes con cáncer de mama. La tinción IHC para citoqueratina en la sección de ganglios linfáticos podría usarse para detectar ITC. En este estudio, ilustramos la alineación de tinción cruzada automática de WSI de H&E y los portaobjetos IHC CK(AE1/AE3) ayudan a examinar todos los ganglios linfáticos e identifican pequeños focos metastásicos para mejorar la precisión de la evaluación patológica de los ganglios linfáticos, como se muestra en la Fig. 1c.

En este documento, presentamos un marco de registro jerárquico completamente automático e interactivo en tiempo real que puede realizar la alineación de tinción cruzada de WSI de gigapíxeles de portaobjetos microscópicos histopatológicos e inmunohistoquímicos en tiempo real y también superar el cuello de botella de velocidad principal para ayudar a los médicos a identificar cáncer. tejidos y determinar la etapa y el grado de un tumor. El marco de registro jerárquico propuesto se describe en detalle en la sección "Métodos". La eficacia y la solidez del marco de registro jerárquico totalmente automático propuesto se validan utilizando dos conjuntos de datos, incluido un conjunto de datos de cáncer de mama con tinción dual con 43 portaobjetos H&E y 43 portaobjetos IHC CK(AE1/AE3) y un conjunto de datos de cáncer de próstata con tinción triple con 30 portaobjetos H&E , 30 portaobjetos IHC CK18 y 30 portaobjetos IHC HMCK. La figura 1b, c presenta el resultado de la alineación automática de WSI de muestras de cáncer de próstata con tinción triple y muestras de cáncer de mama con tinción doble mediante el método propuesto, respectivamente. La Figura 2 ilustra el diagrama de flujo para el método propuesto en el análisis WSI de tinción cruzada en uso clínico. Además, se ha creado un sistema en línea basado en la web del método propuesto para la demostración en vivo de la alineación de tinción cruzada en tiempo real de imágenes de diapositivas completas. Vea el video complementario en https://www.youtube.com/watch?v=0Uc6-s_ClIg&ab_channel=ProfChing-WeiWang.

Diagrama de flujo en uso clínico para el método propuesto en el análisis WSI de tinción cruzada. (a) Los expertos médicos acceden a la base de datos de WSI en un navegador web a través de sus dispositivos. (b) El método propuesto realiza el registro en tiempo real y ayuda al análisis de múltiples WSI simultáneamente.

En este estudio, se construyeron y recopilaron dos conjuntos de datos de WSI de dos hospitales diferentes, incluido un conjunto de datos de cáncer de mama de tinción dual con 43 portaobjetos H&E y 43 portaobjetos IHC CK(AE1/AE3) recopilados del Hospital Universitario Nacional de Taiwán, Taipei, Taiwán con un aprobación ética (NTUH-REC 201810082RINB) y un conjunto de datos de cáncer de próstata de triple tinción con 30 portaobjetos H&E, 30 portaobjetos IHC CK18 y 30 portaobjetos IHC HMCK recopilados del Tri-Service General Hospital, Taipei, Taiwán, con una aprobación ética (TSGHIRBI-107 -05-171). Los portaobjetos se generaron mediante procedimientos de preparación de muestras de rutina. En primer lugar, los tejidos se fijan en formalina tamponada al 10 % y se incluyen en parafina. A continuación, se cortaron secciones en serie (4 μm) con Leica RM2155 y luego se tiñeron con H&E y tinciones IHC asociadas. En la digitalización, los portaobjetos de cáncer de próstata se escanearon con el escáner Leica AT Turbo (Leica. Wetzlar Alemania) con un aumento del objetivo de 40x y los portaobjetos con cáncer de mama se escanearon con el escáner 3DHISTECH Pannoramic SCAN II (3DHISTECH Kft. Budapest Hungría) con un aumento del objetivo de 20x. . Resumimos la información de los dos conjuntos de datos experimentales en la Tabla 1.

En la evaluación, se realizaron tres experimentos, incluido un experimento de alineación de tinción cruzada en portaobjetos de cáncer de próstata de tinción triple (consulte la sección "Evaluación cuantitativa del conjunto de datos de cáncer de próstata de tinción triple"), un experimento de alineación de tinción cruzada en portaobjetos de cáncer de próstata de tinción doble portaobjetos de cáncer (consulte la sección "Evaluación cuantitativa del conjunto de datos de cáncer de mama de tinción dual") y un experimento sobre el análisis del tiempo de ejecución (consulte la sección "Análisis del tiempo de ejecución"). La primera evaluación se realizó en 30 conjuntos de muestras de cáncer de próstata con triple tinción, incluidos portaobjetos H&E y portaobjetos IHC con dos tipos de antígenos, CK18 y HMCK, y comparamos el método propuesto con cuatro técnicas de registro de imágenes para la alineación de imágenes microscópicas biológicas, que incluyen bUnwarpJ7, LeastSquares8, Elastic9 y CwR10. La segunda evaluación se realizó en 43 pares de portaobjetos de cáncer de mama con tinción dual, incluidos 43 portaobjetos de H&E y 43 portaobjetos de IHC con antígeno CK(AE1/AE3), y además comparamos el método propuesto con el mejor enfoque de referencia realizado en el primer experimento. , es decir, bUnwarpJ7. El tercer experimento se realizó para producir análisis de tiempo de ejecución en los 43 pares de portaobjetos de cáncer de mama de tinción dual. Comparamos el tiempo computacional en el registro WSI del método propuesto y el mejor enfoque de referencia realizado en el primer experimento, es decir, bUnwarpJ7, Roberts et al.27, Song et al.28 y Lotz et al.29. Todos los análisis estadísticos se realizaron con el software SPSS44 y todos los experimentos se realizaron en una estación de trabajo con un procesador de CPU Intel Xeon Gold 6134 y 64 GB de RAM.

Con respecto al método de evaluación para medir la precisión del registro, como se señaló en los estudios previos45,46, el enfoque de evaluación tradicional basado en la suma de las diferencias al cuadrado de las intensidades de imagen entre el objetivo y la fuente transformada podría ser inexacto en aplicaciones de imágenes biológicas como el píxel. la intensidad en el objetivo y la intensidad del píxel registrado con precisión en la fuente transformada son generalmente diferentes debido a la variación de la mancha. Como resultado, se adopta el enfoque de evaluación cuantitativa de los trabajos previos45,46 donde cinco puntos de referencia correspondientes entre las imágenes de destino y las imágenes de origen transformadas asociadas por cada método de registro fueron marcados manualmente por patólogos experimentados, y se aplica un sistema de coincidencia automática para comparar el coordenadas de las anotaciones manuales correspondientes, produciendo puntajes de precisión de registro para cada par de imágenes en función de la tasa de coincidencia exitosa sobre las anotaciones correspondientes (dentro de una distancia de cinco píxeles). La puntuación de precisión de registro final de cada método de registro se calcula utilizando la precisión promedio de todos los pares de imágenes, como se muestra en la Fig. 3.

Resultados de registro del método propuesto y enfoques de referencia7,8,9,10 en muestras de cáncer de próstata con triple tinción. Los rectángulos azules representan las ubicaciones de los puntos de referencia seleccionados definidos por patólogos experimentados en la imagen de destino; los cuadros rojos representan desajustes de los puntos de referencia correspondientes en la imagen de origen transformada (IHC1); los cuadros amarillos representan desajustes de los puntos de referencia correspondientes en la imagen fuente transformada (IHC2); los cuadros verdes representan coincidencias de puntos de referencia correspondientes en la imagen de origen transformada.

La Figura 4a presenta los resultados de la evaluación de la precisión del registro en imágenes de tejido de cáncer de próstata con tinción triple mediante el método propuesto y cuatro enfoques de referencia, incluidos bUnwarpJ7, Leastsquares8, Elastic9 y CwR10. Además, se aplican cuatro modelos de transformación, que incluyen afín, rígido, similitud y traducción, en las pruebas de los enfoques de referencia, excepto el CwR10. Como se muestra en la Fig. 4, el método propuesto funciona bien de manera consistente y supera significativamente a los métodos de referencia. Los resultados cuantitativos detallados se pueden encontrar en la Tabla 2. Además, llevamos a cabo el análisis estadístico y el resultado muestra que el método propuesto es significativamente mejor que los métodos de referencia (\(p<0.01\)) para el cáncer de próstata con triple tinción registro de imagen de tejido. La Figura 3 muestra algunos resultados de muestra de los resultados del registro del método propuesto y los enfoques de referencia.

(a) Resultados de la evaluación en los portaobjetos de cáncer de próstata con triple tinción mediante el método propuesto y los enfoques de referencia7,8,9,10. (b) Resultados de la evaluación en los portaobjetos de cáncer de mama con tinción dual mediante el método propuesto y el enfoque de referencia mejor realizado en el primer experimento7. (c) Análisis del tiempo de ejecución en el registro WSI de tinción cruzada del método propuesto y los enfoques de referencia 7,27,28,47.

La Figura 4b compara los resultados de la evaluación en imágenes de tejido de cáncer de mama con tinción dual mediante el método propuesto y el mejor enfoque de referencia realizado en el primer experimento, es decir, bUnwarpJ7. El método propuesto logra una alta precisión de registro promedio (93,49 %), mientras que el enfoque bUnwarpJ7 obtiene una precisión promedio de solo el 25,58 %. Los resultados cuantitativos detallados se pueden encontrar en la Tabla 3. Usando el software SPSS44, el resultado muestra que el método propuesto funciona significativamente mejor que bUnwarpJ7 (\(p<0.001\)).

Para el análisis de tiempo de ejecución, se usa el conjunto de datos de cáncer de mama y el tiempo computacional del registro WSI del método propuesto se compara con el mejor enfoque de referencia realizado en el primer experimento, es decir, el enfoque bUnwarpJ7, y tres enfoques de referencia adicionales, incluido Roberts et al. .27, Song et al.28 y Lotz et al.29. Al probar el registro de WSI, como el sistema del enfoque bUnwarpJ7 tiende a fallar debido a la falta de memoria, realizamos un análisis de regresión para estimar el tiempo de cálculo para el registro de WSI utilizando mínimos cuadrados. Los resultados cuantitativos detallados se pueden encontrar en la Tabla 4. El método propuesto solo toma 4.34 s por registro WSI en promedio. En comparación, bUnwarpJ approach7 cuesta 55162,4 s (15,3 horas) por registro de WSI en promedio. Roberts et al.27 y Song et al.28 tardan más de 400 s (6,67 minutos) por registro WSI en promedio, y Lotz et al.29 cuestan 76,42 s por registro WSI en promedio. La Figura 4c muestra las distribuciones del tiempo computacional de registro de WSI por métodos individuales, lo que demuestra que el método propuesto toma mucho menos tiempo que todos los enfoques de referencia7,27,28,29. Al realizar la prueba LSD, el método propuesto es significativamente más rápido que los enfoques de referencia7,27,28,29 con \(p<0.001\) en el registro WSI. Además, el método propuesto puede finalizar el registro WSI en 1 s para el 30,23 % de los pares WSI del conjunto de datos experimental. En el video complementario se presenta una demostración del registro WSI de tinción cruzada en tiempo real mediante el método propuesto. (https://www.youtube.com/watch?v=0Uc6-s_ClIg&ab_channel=ProfChing-WeiWang).

La alineación de tinción cruzada y el análisis conjunto de múltiples portaobjetos IHC y H&E son importantes para el diagnóstico de enfermedades, el desarrollo de fármacos y la investigación biológica, lo que permite la evaluación simultánea de múltiples tipos de expresiones de proteínas para los tipos de tejido de interés con una resolución unicelular. Tomando el diagnóstico de caso de carcinoma de próstata invasivo, en la práctica clínica, las secciones en serie del donante de cáncer de próstata se tiñen con tres tinciones diferentes, que incluyen HMCK, CK18 y H&E, como se muestra en la Fig. 1b. Para identificar los tejidos cancerosos, los médicos tienen que comparar esos tres portaobjetos diferentes, lo que lleva mucho tiempo, es un tema y es difícil de cuantificar los tumores. La alineación automática de imágenes biológicas de tinción cruzada ayuda al médico a identificar tejidos cancerosos, cuantificar la cantidad de tejidos cancerosos y determinar la etapa del cáncer. La Figura 1b muestra la alineación de tinción triple en los resultados de muestras de tejido de cáncer de próstata realizados por el método propuesto.

En el pronóstico de pacientes con cáncer de mama, los focos metastásicos a los ganglios linfáticos se han clasificado en macrometástasis (tamaño metastásico mayor de 2,0 mm), micrometástasis (tamaño metastásico mayor de 0,2 mm, pero ninguna mayor de 2,0 mm) y células tumorales aisladas (ITC, tamaño metastásico no superior a 0,2 mm). Actualmente, el estado de los ganglios linfáticos se determina de forma rutinaria mediante el examen de láminas H&E. Se puede aplicar tinción inmunohistoquímica para citoqueratina en la sección de ganglios linfáticos para descartar ITC, que se detectan principalmente mediante IHC debido a su pequeño tamaño. A pesar de que se debate la importancia clínica de las TIC o micrometástasis, los resultados del ensayo MIRROR enfatizaron la necesidad de una terapia adicional en casos de carcinoma de mama invasivo con TIC o micrometástasis40,41,42,43, lo que respalda que la identificación de TIC o micrometástasis actualmente es clínicamente necesario. Sin embargo, debido a que la IHC para citoqueratina no se realiza de forma rutinaria en todos los ganglios linfáticos axilares de pacientes con cáncer de mama, es posible que las ITC no se detecten, particularmente en casos con muchos ganglios linfáticos axilares, y resulten en un tratamiento insuficiente de los pacientes. Además, el examen de rutina de los portaobjetos de H&E de los ganglios linfáticos, en particular para la disección de los ganglios linfáticos axilares que pueden incluir muchos ganglios linfáticos, requiere mucho tiempo y los patólogos pueden correr el riesgo de no detectar pequeños focos metastásicos. En este estudio, se realiza la alineación WSI automática de doble tinción de los portaobjetos H&E e IHC CK(AE1/AE3), que ayudan a los médicos a examinar todas las secciones de los ganglios linfáticos e identificar posibles focos metastásicos diminutos, como se muestra en la Fig. 1b. Debido a la limitación de movimiento, la inmunohistoquímica para CK se puede realizar en dos ganglios linfáticos centinela (LN), generalmente centinela LN1 y LN2. Sin embargo, en la práctica clínica nos encontramos con mucha frecuencia con más de dos GL centinela más linfadenectomías axilares, que pueden incluir muchos ganglios. Este método puede ayudar a identificar posibles micrometástasis e ITC que pueden pasar desapercibidas para los patólogos en secciones de ganglios linfáticos sin inmunohistoquímica para CK.

En los experimentos de alineación de tinción triple en 90 imágenes de tejido de cáncer de próstata, el método propuesto logra una precisión de registro de tinción triple de 0,833±0,0674, mientras que cuatro enfoques de referencia7,8,9,10 tienen un desempeño deficiente, obteniendo una precisión promedio no superior a 0,60. . En el análisis estadístico, el método propuesto es significativamente mejor que todos los enfoques de referencia7,8,9,10 (\(p<0,01\)) para el registro de imágenes microscópicas de tinción cruzada. En la alineación de la evaluación de imágenes de tejido de cáncer de mama, comparamos el método propuesto y el mejor enfoque de referencia realizado en la alineación de triple tinción de imágenes de tejido de cáncer de próstata, es decir, bUnwarpJ7 en 86 imágenes de tejido de cáncer de mama. En evaluación, el método propuesto logra una alta precisión de registro de imagen 0.931±0.0455. En comparación, el método de referencia - enfoque bUnwarpJ solo obtiene una precisión promedio de 0.255. En el análisis estadístico, el método propuesto supera significativamente el enfoque bUnwarpJ (\(p<0.001\)) para la alineación de tinción dual de imágenes de tejido de cáncer de mama.

Para el análisis del tiempo de ejecución, el método propuesto toma solo 4.34 s por registro WSI en promedio. En comparación, los enfoques de referencia7,27,28,29 gastan más de 70 s por registro de WSI en promedio. Además, para el 30,23 % de los datos, es decir, 13 de los 43 pares de datos de cáncer de mama del WSI, el método propuesto tarda menos de 1 s en el registro del WSI. En este estudio, presentamos un sistema de registro de tinción cruzada robusto, completamente automático y en tiempo real para alinear múltiples portaobjetos IHC y portaobjetos histopatológicos H&E para ayudar a evaluar la morfología del tejido y varias expresiones de proteínas juntas, utilizando dos escáneres digitales diferentes, es decir, Leica y 3DHISTECH, en dos muestras de cáncer diferentes, es decir, cáncer de mama y cáncer de próstata, y de dos hospitales diferentes. El método propuesto no se limita al análisis de tinción cruzada, sino que también podría usarse para la comparación de secciones en serie de tinción única.

En este estudio, presentamos un marco de registro basado en mosaicos de propagación gruesa a fina en tiempo real y completamente automático para la alineación WSI de tinción cruzada. El marco propuesto consta de dos partes principales, incluido un módulo de registro global rápido (sección "Registro rápido de imágenes globales") y un módulo de registro de imágenes multinivel en tiempo real propagado (sección "Registro de imágenes multinivel propagadas"). La figura 5 presenta el diagrama de flujo del método propuesto. Para el módulo de registro global rápido como se ilustra en la Fig. 5a., en primer lugar, las características del citoplasma de las imágenes de bajo nivel se extraen mediante desconvolución de color (sección "Modelo de extracción de características del citoplasma"); en segundo lugar, se detectan los puntos de referencia correspondientes entre el objetivo y la imagen de origen (sección "Detección de puntos de referencia correspondientes") y luego se utilizan para calcular los parámetros de transformación global (sección "Cálculo de los parámetros de transformación global"); en tercer lugar, la imagen de origen de bajo nivel se alinea con el objetivo utilizando los parámetros de transformación global (sección "Transformación de imagen global"). Para la segunda parte del método propuesto, es decir, el módulo de registro de imágenes multinivel propagado en tiempo real como se ilustra en la Fig. 5b), en primer lugar, el conjunto de mosaicos del WSI de origen, correspondiente al campo de visión (FOV) del objetivo WSI, se extraen utilizando los parámetros de transformación; en segundo lugar, el campo de visión de origen se alinea con el campo de visión de destino mediante el registro por parches en tiempo real propuesto (sección "registro de imagen multinivel propagado").

Todos los métodos se llevaron a cabo de acuerdo con las directrices y regulaciones pertinentes. Los protocolos experimentales fueron aprobados por los comités de ética de investigación del Hospital Universitario Nacional de Taiwán (con número de aprobación ética: NTUH-REC 201810082RINB) y el Hospital General Tri-Service, Taipei, Taiwán ((con número de aprobación ética: TGHIRB1-107-05 -171). Los comités de ética de investigación del Hospital Universitario Nacional de Taiwán y el Hospital General Tri-Service renunciaron formalmente a los formularios de consentimiento informado del paciente, y los datos se anularon y se usaron para un estudio retrospectivo sin afectar la atención del paciente.

Diagrama de flujo del marco de alineación WSI de tinción cruzada interactivo en tiempo real propuesto, que consta de (a) un módulo de registro de imagen global rápido y (b) un registro de imagen de varios niveles propagado en tiempo real. Para (a) registro global rápido, (ai) se construye un modelo de separación de manchas para extraer las características del citoplasma; (a.ii) Los puntos de referencia correspondientes se detectan utilizando las características del citoplasma; (a.iii) Con base en los hitos correspondientes, se generan parámetros de transformación global; (a.iv) Se obtiene un resultado de registro de imagen global aplicando los parámetros de transformación global a la imagen de bajo nivel. Para (b) el registro de imágenes de varios niveles, se obtiene un conjunto de mosaicos del WSI de origen correspondiente al campo de visión (FOV) del WSI de destino utilizando los parámetros de transformación global. (bi) El conjunto de mosaico obtenido como el FOV de origen resaltado en verde se usa como entrada, y cada mosaico se selecciona como el centro, que está coloreado en rojo, para obtener un área ampliada resaltada en naranja. Después de eso, cada área ampliada se escala y luego se gira en el sentido de las agujas del reloj mediante el ancla de rotación como centro. (b.ii) El mosaico superior izquierdo resaltado en azul se traduce; (b.iii) Luego, el mosaico se recorta y se une a la imagen de salida del registro; (b.iv) Se produce el FOV de la fuente registrada.

Sea \(\{\ {\mathcal {J}}^{\xi } \}\ \) un par de WSI digitales, que contienen un objetivo WSI \({\mathcal {J}}^t\) y una fuente WSI \({\mathcal {J}}^s\) para la alineación donde \(\xi =t\) representa el objetivo y \(\xi =s\) representa la fuente, respectivamente. Formulamos un conjunto de WSI digitales \(\{\ {\mathcal {J}}^{\xi } \}\ \) en una estructura de datos basada en mosaicos piramidales de varios niveles \(\{\ I^{\xi } _{l,i,j} \}\ \) con múltiples capas de bajo a alto aumento, donde i y j representan el número de columna y fila de un mosaico en el nivel l, respectivamente, y la unidad del tamaño del mosaico es \ (m \times m\), donde \(m=256\) en este estudio. Las imágenes de mosaico de origen y destino de bajo nivel \(I^{t}_{low}, I^{s}_{low}\) se extraen de los WSI de destino y origen en el nivel \(l_{low}\), y \(l_{low} = \sum {I_{l}} <=(2m)^{2}\). \(I^{t}_{low}\) y \(I^{s}_{low}\) se utilizan para el rápido proceso de registro global de imágenes.

Para obtener los parámetros de transformación global y el resultado del registro de imágenes de bajo nivel, el proceso de registro de imágenes de bajo nivel consta de cuatro partes, como se muestra en la Fig. 5a. (1) Usando la técnica de deconvolución de color con una matriz de transformación ortonormal, la separación de tinción se realiza en las imágenes de mosaico de origen y objetivo de bajo nivel para extraer las características del citoplasma del objetivo y la fuente. (2) La detección de puntos de referencia correspondiente se aplica a las imágenes de características del citoplasma obtenidas en el paso anterior para establecer correspondencias por pares entre el objetivo y la fuente. (3) Al alinear las correspondencias por pares, los parámetros de transformación global (matriz de rotación, factor de escala y vector de traducción) se generan en función de la detección de puntos de referencia correspondientes. (4) La imagen de origen de bajo nivel se alinea con el objetivo utilizando los parámetros de transformación obtenidos en el paso 3, produciendo una fuente registrada de bajo nivel. Los parámetros de transformación global de bajo nivel se utilizan luego para la localización de FOV interactiva en tiempo real y el registro de imágenes de varios niveles en tiempo real.

En color RGB, cada color se puede representar como \(\vec {c} \equiv (c_{1}, c_{2}, c_{3})\). Para modelar el color en una imagen como la suma vectorial de un deseado (D), no deseado (U) y un fondo (P), se define un nuevo modelo vectorial de la siguiente manera:

Luego, el color \(\vec {c}\) se transforma en el nuevo vector unitario \(\vec {c} = u.\vec {u} + d.\vec {d} + n.\vec {n} + \vec{p}\). Al establecer \(u = 0\), se elimina el componente no deseado, generando un nuevo color \(\vec {c_{\prime}} = d.\vec {d} + n.\vec {n} + \vec { pags}\). En una imagen de tres canales, un sistema de color se describe como una forma de matriz \(\mu \) en la que cada fila representa una mancha específica y cada columna representa la densidad óptica (OD) detectada por \(c_1\), \(c_2\ ) y \(c_3\) para cada mancha, respectivamente.

En este estudio, una matriz OD normalizada, \({\widehat{\mu }}\), para describir el sistema de color para la transformación ortonormal se define de la siguiente manera:

Sea \(G = [g_0, g_1, g_2]\) como un vector \(3 \times 1\) para la cantidad de manchas en el píxel específico, donde \(g_0\), \(g_1\) y \(g_2\) representan el primer, segundo y tercer canal, respectivamente. Los niveles de OD en píxeles individuales podrían formularse como \(O = G{\widehat{\mu }}\). Por lo tanto, la multiplicación de la imagen OD con la inversa de la matriz OD da como resultado una representación ortogonal de las manchas que forman la imagen \(G = {\widehat{\mu }}^{-1}O\). Luego, las características del citoplasma, \(g^{1}_{0}\) y \(g^{2}_{0}\), de la imagen de destino y la imagen de origen se extraen para la detección adicional de puntos de referencia correspondientes.

Dado un par de características del citoplasma, \(g^{1}_{0}\) y \(g^{2}_{0}\), un conjunto de posibles transformaciones \({\mathcal {T}}\ ) entre \(g_{0}^{1}\) y \(g_{0}^{2}\), y una función de mapeo \(H_\tau (g_{0}^{2})\) , nuestro objetivo es obtener la transformación óptima \(\tau ^{\prime} = \arg \min _{\tau \in {\mathcal {T}}} ||H_\tau (g_{0}^{2}) - g_{0}^{1}||^{2}\). La transformación óptima \(\tau ^{\prime}\) se puede lograr usando la distancia más corta del invariante de transformación \(\theta (g_{0}^{1}, g_{0}^{2}) = | |H_{\tau ^{\prime}}(g_{0}^{2}) - g_{0}^{1}||^{2}\), que corresponde a la distancia euclidiana en \({\ L }{^2} = \{\ \Upsilon : \Re \rightarrow \Re : \int _{-\infty }^{\infty }|\Upsilon (\nu )^{2}|d\nu <\ infinito \}\ \). Sin embargo, la transformación óptima \(\tau ^{\prime}\) y la distancia más corta \(\theta (g_{0}^{1}, g_{0}^{2})\) no son fáciles de lograr como la función objetivo, porque no es convexa y podría ocurrir una solución atrapada de mínimos locales. Para hacer frente a los problemas antes mencionados, aplicamos un conjunto de características geométricas \(\Gamma = \{\ \psi _{\gamma ^{1}} : \gamma ^{1} \in {\mathcal {T}}_ {\theta } \}\ \subset \L ^{2} \), que se construye transformando una función generadora \(\psi \in \L ^{2}\), donde \({\mathcal {T} }_{\theta } \subset {\mathcal {T}}\) representa una discretización finita de las transformaciones \({\mathcal {T}}\) y \(\psi _{\gamma ^{1}} = U_{\gamma ^{1}}(\psi )\) representa la transformación de la función generadora \(\psi \) por \(\gamma ^{1}\).

Sean \(P={ \{\ p_{k}\}\ }_{k=0}^{K}\) y \(Q={ \{\ q_{k}\}\ }_{k= 0}^{K}\) sean dos conjuntos de correspondencias por pares entre \(g_{0}^{1}\) y \(g_{0}^{2}\) en \(\Gamma \), respectivamente,

donde \(\alpha _{k}\) y \(\beta _{k}\) no son coeficientes negativos.

Se obtienen dos conjuntos de correspondencias por pares P y Q mediante los siguientes pasos: (1) los conjuntos de puntos clave \(E^{1}\) y \(E^{2}\) se detectan aplicando la diferencia de gaussiana (DoG) detector48, (2) los puntos de referencia correspondientes P y Q se seleccionan como consenso geométrico entre los puntos clave \(E^{1}\) y \(E^{2}\) mediante la aplicación de Random Sample Consensus (RANSAC)49. La detección de características P y Q correspondientes se utilizan luego para calcular un conjunto de parámetros de transformación global.

Al alinear dos conjuntos de correspondencias por pares, \(P = { \{\ p_{k}\}\ }_{k=0}^{K} \) y \(Q = { \{\ q_{k}\ }\ }_{k=0}^{K}\), la tarea es calcular un conjunto de parámetros de transformación global rápidamente a un nivel de resolución bajo, incluido el factor de escala S, la matriz de rotación R y el vector de traducción T. En primer lugar, para calcular el factor de escala S, se calculan los centroides de cada conjunto, luego ambos centroides se trasladan a su origen (los vectores centrados). Sea \({\overline{p}} = \frac{\sum _{k=0}^{K}p_{k}}{K}\) y \({\overline{q}} = \frac{ \sum _{k=0}^{K}q_{k}}{K}\) sean los centroides de cada conjunto, y \(p_{k}^{\prime} = p_{k}-{\overline {p}}\) y \(q_{k}^{\prime} = q_{k}-{\overline{q}}\) sean los vectores centrados, el factor de escala S se puede calcular de la siguiente manera:

donde \(\sigma \) representa la varianza.

A continuación, se calcula \(d \times d\) matriz de covarianza C: \(C=\sum _{k=0}^{K}(q_{k}^{\prime} \times {p_{k}^ {\prime}}^{tr})\), y tr es el operador de transposición de matriz. Luego, utilizando el algoritmo de descomposición de valores singulares de Jacobi (SVD)50 \(\delta \), se calcula la matriz SVD X: \(X=\delta (C)\). Para obtener la matriz de rotación R, se descompone la matriz SVD X, \(UZV=X\), donde U, V son matrices de rotación y Z es una matriz diagonal. La matriz de rotación R se puede calcular mediante la siguiente expresión:

donde \(E= \begin{bmatrix} 1 &{} 0 &{} 0\\ 0 &{} 1 &{} 0\\ 0 &{} 0 &{} 1 \end{bmatrix}\) es una \(3 \times 3\) matriz identidad diagonal.

Después de calcular el factor de escala S y la matriz de rotación R, el vector de traslación T se puede calcular mediante:

S, R y T se utilizan para alinear la imagen de origen de bajo nivel \(I^{s}_{low}\) con el objetivo \(I^{t}_{low}\), FOV interactivo en tiempo real localización y procesos de registro de imágenes multinivel en tiempo real.

Después de obtener un conjunto de parámetros de transformación de la sección anterior, el siguiente paso es alinear la imagen de origen de bajo nivel \(I^{s}_{low,(x,y,w,h)}\) con la imagen de destino y para producir una fuente registrada de bajo nivel \(I^{s'}_{low,(x^{\prime},y^{\prime},w,h)}\), donde (x, y ) es la coordenada de \(I^{s}_{low,(x,y,w,h)}\) y \((x^{\prime},y^{\prime})\) es la coordenada de \(I^{s'}_{low,(x^{\prime},y^{\prime},w,h)}\). La relación de mapeo se formula de la siguiente manera.

El módulo de localización de FOV interactivo en tiempo real está diseñado para ubicar y buscar el conjunto de mosaicos asociado del WSI de origen correspondiente al FOV del WSI de destino, como se muestra en la Fig. 5b. Sea \(F^{t} = I^{t}_{l,(u^t,v^t,w^t,h^t)}\) el FOV del objetivo WSI, donde \(( u^t,v^t)\) es la coordenada global de \(F^{t}\); \(n_1 \times n_2\) es el número de fichas que contienen \(F^t\). En primer lugar, se calcula la coordenada global \((u^s,v^s)\) del mosaico superior izquierdo del FOV en el WSI de origen correspondiente al FOV objetivo \(F^t\),

donde \(\triangle = l-l_{low}\) se utiliza para la calibración de nivel.

En segundo lugar, se obtiene el conjunto de teselas asociado del WSI de origen correspondiente a \(F^t\): \(G:{\{\ g_{l,i,j} \}\ }_{\{\ i=a ,\ldots,a+n_1,j=b,\ldots,b+n_2 \}\ }\). El conjunto de teselas asociado se utiliza luego para calcular las salidas de registro. A continuación, se aplica la transformación a cada área ampliada de cada mosaico \(g_{l,i,j}\) en el conjunto de mosaicos obtenido, produciendo un área ampliada transformada. Posteriormente, el mosaico superior izquierdo de cada área ampliada transformada se selecciona y luego se integra en una imagen como salida de registro, es decir, el FOV correspondiente de la fuente WSI (ver Fig. 5b). Los procesos de registro detallados del método propuesto se describen a continuación.

Sea \(B_{g_{l,k,o},(x,y,w,h)} = { \{\ b_{l,i,j} \}\ }_{ i=k-\lfloor { \frac{q}{2}}\rpiso ,\ldots ,k+\lpiso {\frac{q}{2}}\rpiso ,j=o-\lpiso {\frac{q}{2}}\rpiso , \ldots ,o+\lfloor {\frac{q}{2}}\rfloor } \) sea un área ampliada que contenga \(q \times q\) mosaicos de cada \(g_{l,i,j}\) como el mosaico central, donde \(k=a,\ldots ,a+n_{1}\), \(o=b,\ldots ,b+n_2\), \(x = (k-\lfloor {\frac {q}{2}}\rpiso )m\), \(y = (o-\lpiso {\frac{q}{2}}\rpiso )m\), \(w \times h =(qm) ^2\), y \(q = 5\) en este estudio. En primer lugar, el factor de traducción se calcula para cada área ampliada \(B_{g_{l,k,o},(x,y,w,h)}\) en el nivel l:

En segundo lugar, cada área ampliada \(B_{g_{l,k,o},(x,y,w,h)}\) se transforma en paralelo mediante la siguiente fórmula:

donde \( B^{\prime}_{g_{l,k,o},(x^{\prime},y^{\prime},w,h)} \) representa un conjunto de áreas ampliadas transformadas, \(\lambda _x\) y \(\lambda _y\) significa la parte superpuesta entre cada mosaico.

En tercer lugar, una ficha de cada área ampliada transformada \(B^{\prime}_{g_{l,k,o},(x^{\prime},y^{\prime},w,h)}\) se selecciona como mosaico de salida de registro: \(z_{g_{l,k,o}} = I^{\prime}_{l,((k-\lfloor {\frac{q}{2}}\rfloor )m,(o-\lpiso {\frac{q}{2}}\rpiso )m,qm,qm)}\). Finalmente, \(n_1 \times n_2\) mosaicos se integran como el FOV correspondiente del WSI de origen: \(Z =\{\ z_{g_{l,k,o}} \}\ \).

Se ha creado un sistema en línea basado en la web del método propuesto para la demostración en vivo de la alineación de tinción cruzada en tiempo real de imágenes de diapositivas completas. Vea el video complementario en https://www.youtube.com/watch?v=0Uc6-s_ClIg&ab_channel=ProfChing-WeiWang.

Pitiot, A. & Guimond, A. Regularización geométrica de campos de desplazamiento para el registro de imágenes histológicas. Medicina. Anal de imagen. 12, 16–25 (2008).

Artículo PubMed Google Académico

Utal, A., Stopka, A., Roy, M. & Coleman, P. La inmunohistoquímica Pep-19 define los ganglios basales y las estructuras asociadas en el cerebro humano adulto, y se reduce drásticamente en la enfermedad de Huntington. Neurociencia 86, 1055–1063 (1998).

Artículo CAS PubMed Google Académico

Eriksdotter-Nilsson, M., Björklund, H. & Olson, L. Inmunohistoquímica de laminina: un método simple para visualizar y cuantificar las estructuras vasculares en el cerebro de los mamíferos. J. Neurosci. Métodos 17, 275–286 (1986).

Artículo CAS PubMed Google Académico

Clinton, SM et al. Expresión de mRNA y proteína klotho en parénquima cerebral de rata desde el desarrollo posnatal temprano hasta la edad adulta. Res. cerebral. 1527, 1–14 (2013).

Artículo CAS PubMed PubMed Central Google Scholar

Ma, X. et al. Marcadores inmunohistoquímicos predictivos relacionados con la selección de fármacos para pacientes tratados con sunitinib o sorafenib para el cáncer metastásico de células renales. ciencia Rep. 6, 1–11 (2016).

Artículo CAS Google Académico

de Gooyer, JM et al. Selección inmunohistoquímica de biomarcadores para la cirugía guiada por imagen dirigida al tumor del mixofibrosarcoma. ciencia Rep. 10, 1–8 (2020).

Artículo ANUNCIOS Google Académico

Arganda-Carreras, I. et al. Registro uniforme y elástico de secciones histológicas mediante la regularización vector-spline. En Enfoques de visión artificial para el análisis de imágenes médicas, vol. 4241 de Lecture Notes in Computer Science (eds Beichel, R. & Sonka, M.) 85–95 (Springer, 2006).

Google Académico

Saalfeld, S., Cardona, A., Hartenstein, V. & Tomančák, P. Mosaicos tan rígidos como sea posible y registro de secciones en serie de conjuntos de datos de grandes sistemas. Bioinformática 57–63 (2010).

Saalfeld, S., Fetter, R., Cardona, A. & Tomancak, P. Reconstrucción de volumen elástico a partir de series de secciones de microscopía ultrafinas. Nat. Métodos 9, 717–720 (2012).

Artículo CAS PubMed Google Académico

Wang, C., Gosno, E. & Li, Y. Registro 3D completamente automático y robusto de imágenes microscópicas de sección en serie. ciencia Rep. 5, 15051 (2015).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Huang, K., Cooper, L., Sharma, A. & Pan, T. Algoritmo de registro automático rápido para imágenes microscópicas grandes. En 2006 Taller de aplicaciones y sistemas de ciencias biológicas de IEEE/NLM, 1–2 (2006).

Kurien, T. et al. Reconstrucción tridimensional de un carcinoma de mama humano utilizando equipo de laboratorio de rutina e inmunohistoquímica. J. Clin. Patol. 58, 968–972 (2005).

Artículo CAS PubMed PubMed Central Google Scholar

Ma, B., Lin, Z., Winkelbach, S., Lindenmaier, W. y Dittmar, KE Registro automático de secciones en serie de ganglios linfáticos de ratón mediante Image-Reg. Micron 39, 387–396 (2008).

Artículo PubMed Google Académico

Magee, D., Treanor, D. & Quirke, P. Un nuevo algoritmo de registro de imágenes con aplicación a la histopatología 3D. En Análisis de Imágenes Microscópicas con Aplicaciones en Biología. Nueva York, Nueva York (2008).

Mosaliganti, K. et al. Registro y visualización 3d de imágenes de microscopía de gran tamaño. En Imágenes médicas 2006: Procesamiento de imágenes, vol. 6144, 61442V (Sociedad Internacional de Óptica y Fotónica, 2006).

Pitiot, A., Bardinet, E., Thompson, PM & Malandain, G. Registro afín por partes de imágenes biológicas para la reconstrucción de volumen. Medicina. Anal de imagen. 10, 465–483 (2006).

Artículo PubMed MATEMÁTICAS Google Académico

Ruiz, A., Ujaldon, M., Cooper, L. & Huang, K. Registro no rígido para grandes conjuntos de imágenes microscópicas en procesadores gráficos. J. Sistema de procesamiento de señales. 55, 229–250 (2009).

Artículo Google Académico

Cooper, L., Naidu, S., Leone, G., Saltz, J. & Huang, K. Registro de imágenes microscópicas de alta resolución con diferentes tinciones histoquímicas: una herramienta para mapear la expresión génica con estructuras celulares. En Actas del Taller sobre Análisis de Imágenes Microscópicas con Aplicaciones en Biomedicina (2007).

Cooper, L. et al. Registro basado en características de imágenes de histopatología con diferentes tinciones: una aplicación para el pronóstico computarizado de linfoma folicular. computar Métodos Programas Biomed. 96, 182–192 (2009).

Artículo PubMed PubMed Central Google Académico

du Bois d'Aische, A. et al. Registro no rígido de campo denso multimodal eficiente: Alineación de imágenes histológicas y de sección. Medicina. Anal de imagen. 9, 538–546 (2005).

Artículo PubMed Google Académico

Feuerstein, M., Heibel, H., Gardiazabal, J., Navab, N. & Groher, M. Reconstrucción de imágenes de histología 3-D mediante registro deformable simultáneo. En Conferencia internacional sobre computación de imágenes médicas e intervención asistida por computadora, 582–589 (Springer, 2011).

Schwier, M., Böhler, T., Hahn, HK, Dahmen, U. y Dirsch, O. Registro de imágenes histológicas de diapositivas completas guiadas por estructuras de vasos. J. Pathol. Informar. 4, 10 (2013).

Artículo Google Académico

Rossetti, BJ et al. Registro dinámico para imágenes de diapositivas completas en serie de gigapíxeles. En 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017), 424–428 (IEEE, 2017).

Trahearn, N., Epstein, D., Cree, I., Snead, D. y Rajpoot, N. Inspector de hipermanchas: un marco para el registro sólido y el análisis de coexpresión localizada de múltiples imágenes de portaobjetos completos de secciones de histología en serie . ciencia Rep. 7, 1–13 (2017).

Artículo CAS Google Académico

Moles López, X. et al. Registro de imágenes de diapositivas inmunohistoquímicas completas: una forma eficiente de caracterizar la colocalización de biomarcadores. Mermelada. Medicina. Informar. Asoc. 22, 86–99 (2014).

Artículo PubMed PubMed Central Google Académico

Jiang, J., Larson, NB, Prodduturi, N., Flotte, TJ & Hart, SN Estimación y regresión de densidad jerárquica robusta para el registro conjunto de imágenes histológicas completas reteñidas. PLoS ONE 14, e0220074 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Roberts, N. et al. Hacia el uso rutinario de la histopatología 3D como herramienta de investigación. Soy. J. Pathol. 180, 1835–1842 (2012).

Artículo PubMed PubMed Central Google Académico

Canción, Y. et al. Clasificación de contenido no supervisada basada en un registro no rígido de imágenes histológicas teñidas de forma diferente. Trans. IEEE. biomedicina Ing. 61, 96–108 (2014).

Artículo CAS PubMed Google Académico

Lotz, J. et al. Registro de imágenes no lineales basado en parches para imágenes de diapositivas completas de gigapíxeles. Trans. IEEE. biomedicina Ing. 63, 1812–1819 (2016).

Artículo CAS PubMed Google Académico

Landis, SH, Murray, T., Bolden, S. y Wingo, PA Estadísticas del cáncer, 1998. CA A Cancer J. Clin. 48, 6–29 (1998).

Artículo CAS Google Académico

Bray, F. et al. Estadísticas mundiales de cáncer 2018: estimaciones de GLOBOCAN de incidencia y mortalidad en todo el mundo para 36 cánceres en 185 países. CA A Cáncer J. Clin. 68, 394–424 (2018).

Ferlay, J. et al. Observatorio Mundial del Cáncer: Cancer Today (Agencia Internacional para la Investigación del Cáncer, 2018).

Google Académico

Rawla, P. Epidemiología del cáncer de próstata. Mundo J. Oncol. 10, 63 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Weng, Y.-R., Cui, Y. y Fang, J.-Y. Funciones biológicas de la citoqueratina 18 en el cáncer. mol. Cáncer Res. 10, 485–493 (2012).

Artículo CAS PubMed Google Académico

Yin, B. et al. La regulación a la baja de la citoqueratina 18 está asociada con la resistencia al paclitaxel y la agresividad tumoral en el cáncer de próstata. En t. J. Oncol. 48, 1730-1736 (2016).

Artículo CAS PubMed Google Académico

Menz, A. et al. Impacto diagnóstico y pronóstico de la expresión de citoqueratina 18 en tumores humanos: un estudio de micromatrices de tejido en 11 952 tumores. mol. Medicina. 27, 1–16 (2021).

Artículo MathSciNet Google Académico

Siegel, RL, Miller, KD y Jemal, A. Estadísticas del cáncer, 2016. CA A Cancer J. Clin. 66, 7–30 (2016).

Litjens, G. et al. 1399 Secciones de ganglios linfáticos centinela teñidas con H&E de pacientes con cáncer de mama: el conjunto de datos camelyon. GigaScience 7, giy065 (2018).

Artículo PubMed Central Google Académico

Howlader, N. et al. Revisión de estadísticas de cáncer SEER, 1975–2009 (poblaciones de cosecha 2009) 1975–2009. (Instituto Nacional del Cáncer, 2012).

Weaver, DL et al. Efecto de las metástasis ocultas sobre la supervivencia en el cáncer de mama con ganglios negativos. N. ingl. J.Med. 364, 412–421 (2011).

Artículo CAS PubMed PubMed Central Google Scholar

Giuliano, AE et al. Asociación de metástasis ocultas en los ganglios linfáticos centinela y la médula ósea con la supervivencia entre las mujeres con cáncer de mama invasivo en etapa temprana. JAMA 306, 385–393 (2011).

Artículo CAS PubMed PubMed Central Google Scholar

Giuliano, AE et al. Disección axilar versus ninguna disección axilar en mujeres con cáncer de mama invasivo y metástasis en el ganglio centinela: un ensayo clínico aleatorizado. JAMA 305, 569–575 (2011).

Artículo CAS PubMed PubMed Central Google Scholar

De Boer, M. et al. Micrometástasis o células tumorales aisladas y evolución del cáncer de mama. N. ingl. J.Med. 361, 653–663 (2009).

Artículo PubMed Google Académico

SPSS. Spss para windows, rel.17.0.1. 2008. (2008).

Wang, C.-W. y Chen, H.-C. Método mejorado de alineación de imágenes en aplicación a imágenes de rayos X e imágenes biológicas. Bioinformática 29, 1879–1887. https://doi.org/10.1093/bioinformatics/btt309 (2013).

Artículo CAS PubMed Google Académico

Wang, C., Ka, S.-M. & Chen, A. Registro de imágenes robusto de imágenes microscópicas biológicas. ciencia Rep. 4, 6050 (2014).

Artículo CAS PubMed PubMed Central Google Scholar

Mueller, D., Vossen, D. & Hulsken, B. Registro deformable en tiempo real de portaobjetos completos multimodales para patología digital. computar Medicina. Gráfico de imágenes. 35, 542–556 (2011). Proceso completo de la imagen de la diapositiva.

Lowe, DG Características distintivas de la imagen a partir de puntos clave de escala invariable. En t. J. Cómputo. Vis. 60, 91–110 (2004).

Artículo Google Académico

Fischler, MA & Bolles, RC Consenso de muestra aleatoria: un paradigma para el ajuste de modelos con aplicaciones para análisis de imágenes y cartografía automatizada. común ACM 24, 381–395 (1981).

Artículo MathSciNet Google Académico

Drmač, Z. & Veselić, K. Nuevo algoritmo jacobi svd rápido y preciso. I*. SIAM J. Matriz Anal. aplicación 29, 1322–1342 (2008).

Artículo MathSciNet MATEMÁTICAS Google Académico

Descargar referencias

Este estudio cuenta con el apoyo del Ministerio de Ciencia y Tecnología de Taiwán, mediante subvenciones (109-2221-E-011-018-MY3) y la Universidad Nacional de Ciencia y Tecnología de Taiwán - Hospital General Tri-Service (NTUST-TSGH-111- 05).

Instituto de Graduados en Ciencias Aplicadas y Tecnología, Universidad Nacional de Ciencia y Tecnología de Taiwán, Taipei, Taiwán

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

Instituto de Graduados en Ingeniería Biomédica, Universidad Nacional de Ciencia y Tecnología de Taiwán, Taipei, Taiwán

Ching-Wei Wang y Kuan-Yu Lin

Departamento de Patología, Hospital General Tri-Service, Taipei, Taiwán

Cheng Ping Yu

Instituto de Patología y Parasitología, Centro Médico de Defensa Nacional, Taipei, Taiwán

Cheng Ping Yu

Departamento de Patología, Hospital Universitario Nacional de Taiwán, Taipei, Taiwán

Gravamen de Huang-Chun

Instituto de Posgrado en Patología, Universidad Nacional de Taiwán, Taipei, Taiwán

Gravamen de Huang-Chun

También puede buscar este autor en PubMed Google Scholar

CWW conceptualizó y diseñó este estudio. YCL y KYL realizaron los experimentos. YCL analizó los datos. CPY y HCL proporcionaron datos médicos y conocimientos biológicos. CWW desarrolló el método. CWW, YCL, MAK y KYL escribieron el manuscrito. Todos los autores revisaron y aprobaron la versión final.

Correspondencia a Ching-Wei Wang.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Wang, CW., Lee, YC., Khalil, MA. et al. Alineación rápida de tinción cruzada de imágenes de diapositivas completas de gigapíxeles con aplicación al análisis de cáncer de próstata y cáncer de mama. Informe científico 12, 11623 (2022). https://doi.org/10.1038/s41598-022-15962-5

Descargar cita

Recibido: 30 noviembre 2021

Aceptado: 01 julio 2022

Publicado: 08 julio 2022

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.