Manejo da Doença Renal: Identificação e Classificação do Glomérulo Renal

Para mais informações:ali.ma@wecistanche.com

Parte Ⅱ: Uma rede neural para classificação de glomérulos com base em imagens histológicas de biópsia renal

Giacomo Donato Cascaranol, Francesco Saverio Debitonol & et al.

Abstrato

Antecedentes: Sistemas de diagnóstico auxiliado por computador (CAD) baseados em imagens médicas podem auxiliar os médicos no processo de tomada de decisão. Durante as últimas décadas, pesquisadores propuseram sistemas CAD em diversos domínios médicos alcançando resultados promissores.

Os sistemas CAD desempenham um papel importante na patologia digital, auxiliando os patologistas na análise de lâminas de biópsia por meio de fluxos de trabalho padronizados e objetivos. No trabalho proposto, projetamos e testamos um novo módulo de sistema CAD baseado em técnicas de processamento de imagem e aprendizado de máquina, cujo objetivo era classificar a condição que afeta os corpúsculos renais (glomérulos) entre escleróticas e não escleróticas. Tal discriminação é útil para a avaliação de lâminas de biópsia realizada por patologistas.

Resultados: Coletamos 26 slides digitais retirados dorinsde 19 doadores com coloração de ácido periódico-Schiff, patologistas especialistas conduziram a preparação das lâminas, aquisição digital e anotações dos glomérulos. Antes de definir os classificadores, avaliamos várias técnicas de extração de características das regiões anotadas. Então, um procedimento de redução de características seguido por uma rede neural artificial rasa permitiu discriminar entre as classes de glomérulos. Avaliamos o fluxo de trabalho considerando um conjunto de dados independente (ou seja, processando imagens não utilizadas no procedimento de treinamento). Dez execuções independentes do algoritmo de treinamento e avaliação permitiram alcançar MCC e Precisão de 0,95 (±0.01) e 0,99 (desvio padrão<0.00), respectively.="" we="" also="" obtained="" good="" precision="" (0.9844±0.0111)="" and="" recall="">

Conclusões: Os resultados do conjunto de testes confirmam que o fluxo de trabalho proposto é consistente e confiável para o domínio investigado e pode apoiar a prática clínica de discriminar as duas classes de glomérulos. Análises sobre classificações errôneas mostram que as imagens envolvidas geralmente são afetadas por artefatos de coloração ou apresentam cortes parciais

Clique para dosagem de Cistanche tubulosa para doença renal

Discussão

Avaliando a abordagem proposta em um conjunto de teste independente, o fluxo de trabalho de classificação alcançou uma média de MCC e Precisão de {{0}},95 e 0,99, respectivamente, e baixa variabilidade em 10 iterações independentes (MCC std{{5} }.01 e precisão padrão<0.00). good="" precision="" and="" recall="" were="" also="" obtained(precision:="" 0.9844±0.011l,="" recall:0.9310±0.0153).="" the="" proposed="" approach="" thus="" leads="" to="" an="" improvement="" of="" the="" classification="" performance="" if="" compared="" to="" the="" reported="" literature="">

Ao implementar e avaliar o fluxo de trabalho relatado, enfrentamos e testamos o problema comum de desbalanceamento de dados, que foi resolvido usando MCC como coeficiente de comparação de desempenho e curva ROC para selecionar o limite de classificação ideal. Os resultados relatados sugerem que a configuração do fluxo de trabalho proposto é confiável para o domínio investigado, apoiando a prática clínica de discriminar as duas classes de glomérulos.

Analisando os glomérulos mal classificados, descobrimos também que as imagens de entrada correspondentes às amostras mal classificadas apresentavam artefatos de coloração ou partes parciais (principalmente nas bordas); exemplos comuns são mencionados na Fig.1. Na prática clínica, entretanto, os patologistas descartam tais imagens que também poderiam ser excluídas do fluxo de trabalho proposto, projetando estratégias para detectar antecipadamente as imagens afetadas por tais problemas.

Fig. 1 Falso Negativo classificado erroneamente pelo melhor modelo

Conclusões

No trabalho apresentado, propusemos todo um fluxo de trabalho para a classificação de glomérulos escleróticos e não escleróticos. Vários algoritmos de extração de características foram examinados e avaliados, com duas tipologias de características sendo escolhidas: características morfológicas e texturais. Coletamos 150 feições: 2 feições morfológicas e 148 feições de textura que foram computadas usando os algoritmos mrcLBP e Haralick. O número de recursos foi então reduzido para 95 usando o PCA. Uma rede neural artificial de validação cruzada foi treinada e problemas de ajuste de rede e conjunto de dados desbalanceados foram enfrentados. Os resultados obtidos melhoraram o estado da arte na realização deste tipo de tarefa de classificação.

No futuro, investigaremos como minimizar o número de suposições empíricas no processo de extração de características e incorporar uma classificação ponderada entre as dobras; além disso, será realizada uma análise de características para identificar as melhores.

Além disso, novas técnicas para enfrentar o problema de desbalanceamento de conjuntos de dados e baseadas em métodos de sobreamostragem podem ser investigadas [20]. Também seria interessante avaliar abordagens de deep learning [21-24] e realizar uma comparação direta com a metodologia proposta neste artigo. Um estudo preliminar sobre diferentes técnicas de segmentação semântica de deep learning aplicadas a WSIs já foi realizado [25]. Por fim, o fluxo de trabalho apresentado será integrado a uma ferramenta CAD completa pararimanálise de biópsias.

Métodos

Neste estudo, apresentamos um framework CAD que permite a classificação dosglomérulocondição usando uma abordagem baseada em recursos. A solução proposta, baseada em técnicas de processamento de imagem e aprendizado de máquina, foi projetada para rotular automaticamente cadaglomérulocomo escleróticas ou não escleróticas. Uma representação detalhada do fluxo de trabalho completo para classificação de glomérulos é apresentada na Fig. 2. O pipeline de processamento pode ser organizado em três etapas principais: (i) extração de características; (i) redução de características; (i) classificação.

Fig. 2 Fluxo de trabalho de extração e classificação de recursos completos

Descrição de dados

As imagens de lâminas inteiras foram coletadas entre julho de 2011 e fevereiro de 2015 por médicos do Departamento de Emergência e Transplantes de Órgãos do Hospital Universitário de Bari (Itália). Todosrimbiópsias com coloração PAS foram digitalizadas usando o Aperio ScanScope CS em 20× com uma resolução de 0,50 μm/pixel. Os WSIs que foram considerados neste estudo foram coletados de um total de 26rimbiópsias digitais de 19 doadores e armazenadas em resolução máxima no formato de arquivo SVS (um formato de arquivo Aperio que consiste em TIFF lado a lado piramidal com metadados e compactação não padronizados).

Cada WSI contém um número diferente de seções de biópsia (de um a sete). Todo o conjunto de dados usado conta uma média de quatro seções de biópsia por WSI e uma quantidade total de 105 seções. As imagens coletadas do conjunto de dados utilizado são caracterizadas por grandes diferenças em termos de cor e saturação, mesmo que todas tenham sido tratadas com coloração PAS. Exemplos de diferenças de saturação são relatados na Fig. 3.

Fig. 3 Exemplos de glomérulos com diferentes níveis de saturação na biópsia renal com coloração PAS

Criação do conjunto de dados

Todos os glomérulos foram identificados manualmente e rotulados por dois médicos graduandos. Em seguida, um patologista renal especialista validou as anotações finais. O procedimento consistiu em delinear a região real dos glomérulos e rotular cadaglomérulocomo escleróticas ou não escleróticas usando a ferramenta Aperio ImageScope.

Devido à variabilidade introduzida com a anotação manual, cada região rotulada foi circundada por uma caixa delimitadora retangular com um fator de superestimação de 1,1 para cada dimensão. Em seguida, todas as regiões de glomérulos detectadas e marcadas foram extraídas e usadas para criar o conjunto de dados.

O conjunto de dados inicial obtido foi composto por 428 glomérulos escleróticos e 2344 glomérulos não escleróticos, com uma razão entre as duas classes de 1/5,5. Em detalhes, um total de 2.772 glomérulos foram marcados e, em média, cada biópsia e cada corte continham 106 e 26 glomérulos, respectivamente.

O conjunto de dados foi posteriormente dividido em conjuntos de treinamento e de teste. Em particular, 20% do conjunto de dados original foi usado como conjunto de teste, e as informações do alvo do conjunto de teste foram usadas apenas para avaliar o desempenho final. A seleção foi feita aleatoriamente com a restrição de que se umgloméruloapareceu no conjunto de teste, todos os outros glomérulos pertencentes à mesma biópsia devem aparecer no conjunto de teste, o que significa que a divisão treino/teste foi realizada no nível da biópsia. A configuração do conjunto de dados mais recente é relatada na Tabela 1.

Extração de recursos

A extração de características é a primeira etapa do fluxo de trabalho que permite a definição de um conjunto de características utilizadas para discriminar entre os dois diferentes tipos de glomérulos. Com base no raciocínio humano utilizado pelos médicos capazes de resolver o problema, os melhores recursos para enfrentar o problema são aqueles relacionados a duas principais técnicas de processamento de imagens: recursos morfológicos e baseados em textura.

Conforme sugerido pelo patologista envolvido no estudo, as principais diferenças entre os glomérulos escleróticos e não escleróticos estão no formato da cápsula de Bowman, na dimensão e na textura devido aos vasos sanguíneos. Os glomérulos não escleróticos geralmente são caracterizados por uma forma elíptica e pela presença da cápsula de Bowman que é separada do tufo capilar com o mesângio pelo espaço de Bowman. O conjunto dos núcleos das células (pontos azuis na Fig. 4), o lúmen dos capilares (áreas brancas na Fig. 4) e a matriz mesangial (regiões com tonalidade semelhante e diferentes níveis de saturação na Fig. 4) mostram uma particular textura comumente chamada de "textura romã". Os glomérulos escleróticos, ao contrário, são caracterizados por um aumento da matriz extracelular que oblitera a luz dos capilares e por um espaço de Bowman reduzido ou ausente devido ao material colagenoso.

As Figuras 4 e 5 relatam um exemplo de não esclerótico e escleróticoglomérulo, respectivamente. Vale ressaltar que o ajuste fino dos algoritmos de processamento de imagem, incluindo os valores dos parâmetros e as configurações dos algoritmos, foram feitos apenas no conjunto de trens.

Características morfológicas

Em relação às características morfológicas, consideramos duas características relacionadas à cápsula de Bowman e ao espaço de Bowman. A primeira característica é calculada como a soma das áreas relacionadas à cápsula de Bowman, às áreas dos vasos sanguíneos e aos espaços intercapilares que se caracterizam por uma coloração esbranquiçada devido à coloração PAS. A detecção da máscara que descreve a região é baseada em três procedimentos de processamento de imagem paralelos que levam em consideração os canais de três espaços de cores diferentes: RGB, CMYK e Lab. Em detalhe:

· o canal verde do espaço de cores RGB, pois é o mais representativo dogloméruloestrutura;· o complementar do magenta do modelo de cor CMYK foi escolhido devido à significância empírica detectável deste componente de cor (Figs.3,4 e 5);

· componentes aeb do espaço de cores Lab devido à ligação com a visão humana de cores.

Um exemplo da aplicação dos processos em glomérulos não escleróticos e escleróticos é relatado nas Figs. 6 e 7, respectivamente.

A extração das máscaras para o canal verde do espaço de cores RGB e para o canal magenta do modelo de cores CMYK segue as mesmas etapas de processamento da imagem:

1. Binarização: para manter os pixels relacionados ao branco

regiões um valor limite foi empiricamente definido para 190 [16];

2. Operadores morfológicos: para limpar a imagem obtida

a partir da etapa anterior, utilizou-se erosão, dilatação e filtragem mediana com um disco de raio variando de l a 3 como elemento estruturante;

3. Contorno ativo: para limpar a forma da máscara obtida, foi utilizado o algoritmo de contorno ativo [26] com 200 iterações (o número de iterações escolhido evita uma suavização extrema dogloméruloforma).

A terceira máscara foi calculada a partir dos componentes a e b do espaço de cores Lab. A matriz ab foi usada como entrada para o algoritmo de agrupamento k-means [27]. Em particular, o número de clusters foi definido empiricamente para 5, e o número de repetições do processo de clustering foi definido para 3, a fim de definir diferentes posições iniciais do centroide do cluster para evitar mínimos locais. A máscara foi calculada posteriormente retendo apenas os pixels pertencentes ao cluster com o maior valor médio de intensidade de escala de cinza. Em seguida, foram aplicados os passos 2 e 3 do processo de segmentação verde-magenta.

Finalmente, as três máscaras foram usadas para calcular a máscara final usando um critério de maioria: apenas os pixels pertencentes a pelo menos duas máscaras foram mantidos. Os algoritmos de análise de textura obtidos foram utilizados: Padrão Binário Local (LBP) e características Haralick.

Como já proposto em [13], o LBP multi-radial colorido (mrcLBP) é uma variação adequada do LBP clássico para enfrentar o problema de identificação. Em detalhe, considera a aplicação do algoritmo LBP aos três canais de cores RGB com diferentes valores de raio (1,3, 9 e 27) e com invariância à rotação. Tal configuração foi aplicada ao RGB brutogloméruloimagens. As feições obtidas foram dez para cada raio, obtendo assim um total de 120 feições (10 feições por raio, 4 raios, três canais).

O segundo conjunto de recursos baseados em textura foi baseado nos recursos Haralick. As quatro Matrizes de Coocorrência de Nível Cinza, uma para cada direção, foram computadas; em seguida, foram computados os 14 índices Haralick, resultando em 56 recursos. Para reduzir esse número, a média e a amplitude entre as quatro direções foram então calculadas. Assim, o número final de traços foi de 28 (14 médias e 14 alcances, um para cada traço Haralick). Como resultado da extração de recursos de textura, um total de 148 recursos foram computados.

Pré-processamento de recursos

Conforme descrito acima, o processo de extração de características gerou 150 características que consideraram as características morfológicas e baseadas em textura dos glomérulos. A Análise de Componentes Principais (PCA) foi aplicada como algoritmo de redução de características para reduzir a correlação entre as diferentes características que serão utilizadas como entradas da etapa de classificação. Antes do PCA, cada recurso era normalizado pelo Z-score.

Como dito anteriormente, o ajuste fino do processamento de imagem e os algoritmos de classificação foram realizados apenas no conjunto de trens. O algoritmo de redução de recursos, em vez disso, não precisou nem usou as informações do rótulo. Por esta razão, a aplicação do PCA pode ser executada em todo o conjunto de dados ou apenas no conjunto de dados de treinamento, com diferentes vantagens e desvantagens. Ambas as soluções foram aplicadas ao conjunto de dados e, devido à complexidade do problema de classificação, 99,9% da variância foi escolhida como valor limite. Finalmente, 95 e 93 características foram obtidas quando o PCA foi aplicado a todo o conjunto de dados e apenas ao conjunto de trens, respectivamente. Como as duas abordagens levaram a um número semelhante de características, optamos por levar em consideração todas as informações contidas no conjunto de dados, portanto, o número de características consideradas para a fase de classificação foi de 95.

Classificação dos glomérulos

As etapas de classificação dos glomérulos são baseadas em RNA e especificamente em uma arquitetura rasa de RNA. O projeto da arquitetura da RNA e o ajuste de seus parâmetros foram feitos considerando apenas o conjunto de trens, enquanto todos os resultados reportados e discussões de desempenho referem-se ao conjunto de teste (ver Resultados e Discussão). K-fold(k foi definido como 10) foi usado como uma técnica de validação cruzada para generalizar, evitar overfitting e obter um classificador independente do conjunto de dados de entrada específico. Várias inicializações de rede para cada dobra e votação difícil entre as dobras foram usadas tanto para obter independência de uma inicialização de rede específica quanto para calcular o rótulo geral da classe de dobra.

Os parâmetros de treinamento fixos foram os seguintes: uma camada oculta, trânsito e softmax como funções de ativação para a camada oculta e de saída, respectivamente; entropia cruzada como função de perda; gradiente conjugado dimensionado como algoritmo de retropropagação. Um critério de parada antecipada de treinamento, baseado no conjunto de validação, foi implementado para promover a generalização e evitar o over-fitting; o critério de parada ocorre se o desempenho no conjunto de validação não diminuir dentro de uma janela deslizante de 6 épocas.

O número de neurônios da camada oculta foi selecionado da seguinte forma. O desempenho de 95 redes foi comparado. Em detalhe, várias redes com o tamanho da camada oculta variando de 1 a 95 foram treinadas (vale lembrar que 95 é o número das feições de entrada). Dentre as 95 topologias avaliadas, aquela com tamanho de camada oculta igual a 27 foi selecionada com base no melhor valor de MCC calculado como a média de MCC das dobras. Uma representação gráfica da tendência de CCM e índices de precisão é mostrada na Fig.10; a configuração final da Rede Neural Artificial está resumida na Tabela 6.

Problema de conjunto de dados desbalanceado

Conforme relatado acima, o conjunto de treinamento foi afetado por uma distribuição desequilibrada pesada entre glomérulos escleróticos e não escleróticos (5,5 glomérulos não escleróticos para cadaglomérulo). Para evitar overfitting na fase de treinamento, o aumento de dados não foi considerado uma solução adequada, uma vez que as características selecionadas são invariantes às principais transformações da imagem. Por isso, consideramos a seguinte abordagem.

Primeiramente, consideramos o uso do MCC como uma comparação geral de desempenho entre as dobras. Conforme relatado na Eq. 4, o MCC leva em consideração falsos negativos e falsos positivos e calcula um coeficiente de correlação entre as classes prevista e alvo. Esse coeficiente pode variar dentro do intervalo [-1;1], onde 1 indica previsão perfeita,-1 discordância completa e 0 é equivalente ao preditor aleatório. Como afirmado em [28], entre as pontuações usuais de desempenho, o MCC é o único que leva em consideração a razão do tamanho da matriz de confusão, e revelou-se um índice de desempenho melhor do que a precisão ou pontuação F1 em conjuntos de dados não balanceados.

Para a seleção do valor limite de classificação correto, foi utilizada a curva Receiving Operating Characteristic (ROC). Duas abordagens foram analisadas. A primeira (Abordagem A) assume o valor ótimo como o primeiro ponto de interseção entre a curva ROC e uma linha com inclinação igual à razão entre o número total de amostras negativas e positivas e deslizando do canto superior esquerdo da Gráfico ROC((FPR, TPR)=(0,1)). Já a segunda abordagem (Abordagem B)[29] avalia o ponto de distância mínima (ver Eq.5) do ponto (0,1) do ROCplot.

A comparação dos dois métodos (Abordagem A e Abordagem B) em termos de diferentes índices de desempenho (Eq.1, 2,3 e 4) é relatada na Tabela 7. Já que no domínio médico, uma previsão correta de positivos para um a doença é mais importante do que a predição de negativos, é preferível uma maior recordação, pelo que foi escolhida a Abordagem B.

Referências

1. Neuen BL, Chadban SJ, Demaio AR, Johnson DW, Perkovic V.Doença renal crônicae a agenda global de DNTs.BMJ Global Health.2017.

2. Wang H, Naghavi M, Allen C, Barber RM, Carter A, Casey DC, et al. Expectativa de vida global, regional e nacional, mortalidade por todas as causas e mortalidade por causa específica para 249 causas de morte, 1980-2015: análise sistemática para o Global Burden of Disease Study 2015.The Lancet. 2016;6:66.

3. Wolfe RA, AshbyVB, Milford EL, Ojo AO, Ettenger RE, Agodoa LYC, et al. Comparação da mortalidade em todos os pacientes em diálise, pacientes em diálise aguardando transplante e receptores de um primeiro transplante cadavérico. N Engl J Med.2002;6:66.

4. Port FK, Wolfe RA, Mauger EA, Berling DP, Jiang K. Comparação de probabilidades de sobrevivência para pacientes em diálise versus receptores de transplante renal cadavéricos. J Am Med Assoc. 1993;6:66.

5. Liyanage, Ninomiya TJha V, Neal B, Patrice HM, Okpehil, et al. Word-5.[amplo acesso ao tratamento paradoença renal terminal: uma revisão sistemática. The Lancet.2015;666.

6. Cecka JM.O registro científico de transplante renal UNOS - dez anos derimtransplantes. Clin Transpl. 19976:66.

7. Rede Unida para Compartilhamento de Órgãos. Relatório anual de 2004

8. Perico N, Ruggenenti P, Scalamogna M, Remuzzi G. Combater a escassez de doadoresrins: como usar o melhor que temos.Am J Nephrol. 2003;6:66.

9. Moore PS, Farney AC, Sundberg AK, Rohr MS, Hartmann EL, Iskandar SS, et al.Transplante renal duplo: uma comparação caso-controle comtransplante de rim únicode doadores de critérios padrão e expandidos.Transplantação. 2007;6:66.

10. RemuzziG, GrinyoJ, Ruggenenti P Bertini M, Cole EH, Milford EL, et al. Experiência inicial comtransplante renal duploem adultos usando critérios de doadores expandidos.Transplante de rimGrupo (DKG.JAm Soc Nephrol. 1999;6:66.