通过深度学习模型的道嵌入的3D多重组织成像重建和优化感兴趣区域 (ROI) 选择
Erik Burlingame1, Luke Ternes1, Jia-Ren Lin2,3
1Department of Biomedical Engineering and Computational Biology Program, Oregon Health and Science University, Portland, OR, United States.
Frontiers in bioinformatics
|November 6, 2023
概括
深度学习可以重建3D瘤成像,并从组织学幻灯片中客观地选择感兴趣的区域 (ROI),通过解决瘤异质性来改善癌症诊断. 这种方法提高了多重组织成像 (MTI) 分析效率.
科学领域:
- 计算病理学计算病理学
- 生物医学成像分析分析
- 人工智能在瘤学中的应用
背景情况:
- 基于组织的抽样用于癌症诊断面临着由于瘤异质性的挑战,因为单个活检可能不代表整个瘤.
- 传统的多重组织成像 (MTI) 通常依赖于二维组织微阵列 (TMA),这些微阵列不够接近3D瘤结构.
- 目前,对于循环免疫光 (CyCIF) 等先进成像技术的感兴趣区域 (ROI) 选择是主观的,耗时的,尽管有3D瘤图谱的价值.
研究的目的:
- 开发深度学习方法,从有限的数据中重建3D循环免疫光 (CyCIF) 表示.
- 为组织学 (H&E) 和CyCIF图像创建一个共同嵌入的框架,以实现跨域翻译.
- 建立一个客观的方法来选择下游分析的最低代表性ROI,解决当前主观方法的局限性.
主要方法:
- 使用生成建模方法来学习多模式图像翻译,用于重建3D CyCIF表示.
- 同时嵌入CyCIF图像和血素和 (H&E) 段进行了学习多模式映射.
- 应用了凸优化技术,以基于学习的跨域翻译来选择客观的ROI.
主要成果:
- 生成建模成功实现了使用训练数据子集对结直肠癌样本的3D虚拟CyCIF重建.
- 同时嵌入组织学和MTI特征促进了客观的ROI选择方法.
- 拟议的ROI选择表明了分析瘤细胞异质性的效率和潜力.
结论:
- 基于深度学习的3D虚拟CyCIF重建为广泛的组织处理提供了可行的替代方案.
- 通过共同嵌入组织学和MTI数据来选择目标ROI,提高了癌症子样本的效率和准确性.
- 这些进展有望在计算病理学中进行更全面,更具成本效益的瘤微环境分析.
