Staining resilient algorithms for cancer image analysis in digital pathology
Hoque, Md. Ziaul (2024-12-04)
© University of Oulu, 2024. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited. © Oulun yliopisto, 2024. Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
https://rightsstatements.org/vocab/InC/1.0/
https://urn.fi/URN:NBN:fi:oulu-202411086665
Kuvaus
Tiivistelmä
Medical imaging and image-based computer-assisted tools and techniques promise advances in cancer diagnosis, but there are still many unresolved challenges in technical aspects, data standardization, staining variability, and regulatory and ethical approval. These challenges in clinical medicine and pathology include the need to develop methods that are invariant and insensitive to staining variations. In modern clinical practice, digital pathology is indispensable, facilitating efficient image management and analysis through advanced technology that surpasses traditional optical microscopy methods. Technological advances and a growing emphasis on precision medicine have opened the way for developing methods for quantitative pathology assessments. These include methodologies such as whole slide imaging and artificial intelligence-driven solutions, which enable the exploration and extraction of information beyond the capabilities of human visual perception. This thesis focuses on finding solutions to three research questions by introducing robust algorithms that facilitate stained tissue sample image analysis. The main contributions can be classified into three parts: the first contribution is to solve staining challenges with methods that can quantify individual components of histochemical stains for optimal removal of staining variability. The second contribution is to find solutions for histopathology image registration challenges minimizing the misalignment errors and the risks of inter-laboratory variations. Finally, the third contribution is to optimize and aid staging cancer through nuclei detection and invasion depth estimation with minimal inter-observer and intra-observer variations. The performance evaluations of the proposed methods have been thoroughly performed on eight datasets, and these methods outperform state-of-the-art methods in terms of several performance evaluation metrics. This cancer image analysis research involves the development of advanced algorithms and tools that have far-reaching implications for healthcare and set the stage for more efficient cancer treatment. The findings in this thesis will serve as a basis for further research on the application and interpretability of AI-driven tools in support of digital pathology and computer-aided cancer diagnosis.
Lääketieteellinen kuvantaminen ja kuvapohjaiset tietokoneavusteiset työkalut ja tekniikat ovat lupaavia syövän diagnosoinnissa, mutta teknisissä näkökohdissa, datan standardoinnissa sekä sääntely- ja eettisissä hyväksyntäprosesseissa on edelleen monia ratkaisemattomia haasteita. Kliinisen lääketieteen ja patologian haasteisiin kuuluu invarianttien ja epäherkkien menetelmien kehittämisen tarve. Nykyaikaisessa kliinisessä käytännössä digitaalinen patologia on tärkeä, sillä se mahdollistaa tehokkaan kuvien hallinnan ja analysoinnin kehittyneen teknologian avulla, joka ylittää perinteiset optisen mikroskopian menetelmät. Teknologinen kehitys ja kasvava painotus täsmälääketieteeseen ovat mahdollistaneet kvantitatiivisten patologiaan liittyvien menetelmien kehittymistä. Näihin kuuluvat menetelmät, kuten digitaalipatologia ja tekoälyyn perustuvat ratkaisut, jotka mahdollistavat tiedon tutkimisen ja poimimisen tavoilla, joihin ihmisen visuaalinen havainnointikyky ei pysty. Tämä väitöskirja keskittyy löytämään ratkaisuja kolmeen tutkimuskysymykseen, joihin on kehitetty algoritmeja jotka helpottavat värjättyjen kudosnäytteiden kuvien analysointia. Väitöskirjan tärkeimmät panokset voidaan luokitella kolmeen osaan: ensimmäinen osio keskittyy menetelmiin, jotka pystyvät kvantifioimaan histokemiallisten värjäysten yksittäiset komponentit ja helpottamaan värjäysvaihteluiden optimaalista poistamista. Toisessa osiossa etsitään ratkaisuja histopatologian kuvanrekisteröinnin haasteisiin minimoimalla laboratorioiden välisiä vaihteluita ja kohdistusvirheitä. Lopuksi kolmas osio keskittyy optimoimaan syövän luokittelua solujen tumien havaitsemisen ja solujen invaasiosyvyyden mittaamisen avulla. Ehdotettujen menetelmien suorituskykyarvioinnit on suoritettu perusteellisesti kahdeksalla tietojoukolla, ja menetelmämme ylittävät alan huipputekniikat useiden suorituskykymittareiden osalta. Tämä syöpäkuvien analyysitutkimus sisältää kehittyneiden algoritmien ja työkalujen kehittämistä, joilla tulee olemaan laajakantoisia vaikutuksia terveydenhuoltoon ja jotka luovat pohjan tehokkaammalle syövän hoidolle. Väitöskirjassa tehdyt havainnot toimivat perustana jatkotutkimuksille, jotka koskevat tekoälypohjaisten työkalujen soveltamista ja tulkittavuutta digitaalisen patologian ja tietokoneavusteisen syövän diagnostiikan tukena.
Original papers
-
Hoque, Md. Z., Keskinarkaus, A., Nyberg, P., & Seppänen, T. (2021). Retinex model based stain normalization technique for whole slide image analysis. Computerized Medical Imaging and Graphics, 90, 101901. https://doi.org/10.1016/j.compmedimag.2021.101901 https://doi.org/10.1016/j.compmedimag.2021.101901
-
Hoque, Md. Z., Keskinarkaus, A., Nyberg, P., Mattila, T., & Seppänen, T. (2022). Whole slide image registration via multi-stained feature matching. Computers in Biology and Medicine, 144, 105301. https://doi.org/10.1016/j.compbiomed.2022.105301 https://doi.org/10.1016/j.compbiomed.2022.105301
-
Hoque, Md. Z., Keskinarkaus, A., Nyberg, P., & Seppänen, T. (2024). Stain normalization methods for histopathology image analysis: A comprehensive review and experimental comparison. Information Fusion, 102, 101997. https://doi.org/10.1016/j.inffus.2023.101997 https://doi.org/10.1016/j.inffus.2023.101997
-
Martos, O., Hoque, M. Z., Keskinarkaus, A., Kemi, N., Näpänkangas, J., Eskuri, M., Pohjanen, V.-M., Kauppila, J. H., & Seppänen, T. (2023). Optimized detection and segmentation of nuclei in gastric cancer images using stain normalization and blurred artifact removal. Pathology - Research and Practice, 248, 154694. https://doi.org/10.1016/j.prp.2023.154694 https://doi.org/10.1016/j.prp.2023.154694
-
Hoque, Md. Z., Keskinarkaus, A., Nyberg, P., Xu, H., & Seppänen, T. (2023). Invasion depth estimation of carcinoma cells using adaptive stain normalization to improve epidermis segmentation accuracy. Computerized Medical Imaging and Graphics, 108, 102276. https://doi.org/10.1016/j.compmedimag.2023.102276 https://doi.org/10.1016/j.compmedimag.2023.102276
-
Hoque, M. Z., Keskinarkaus, A., Nyberg, P., & Seppänen, T. (2024). Transformer-based registration framework for differently stained histopathology image analysis. Manuscript submitted for publication.
Osajulkaisut
-
Hoque, Md. Z., Keskinarkaus, A., Nyberg, P., & Seppänen, T. (2021). Retinex model based stain normalization technique for whole slide image analysis. Computerized Medical Imaging and Graphics, 90, 101901. https://doi.org/10.1016/j.compmedimag.2021.101901 https://doi.org/10.1016/j.compmedimag.2021.101901
-
Hoque, Md. Z., Keskinarkaus, A., Nyberg, P., Mattila, T., & Seppänen, T. (2022). Whole slide image registration via multi-stained feature matching. Computers in Biology and Medicine, 144, 105301. https://doi.org/10.1016/j.compbiomed.2022.105301 https://doi.org/10.1016/j.compbiomed.2022.105301
-
Hoque, Md. Z., Keskinarkaus, A., Nyberg, P., & Seppänen, T. (2024). Stain normalization methods for histopathology image analysis: A comprehensive review and experimental comparison. Information Fusion, 102, 101997. https://doi.org/10.1016/j.inffus.2023.101997 https://doi.org/10.1016/j.inffus.2023.101997
-
Martos, O., Hoque, M. Z., Keskinarkaus, A., Kemi, N., Näpänkangas, J., Eskuri, M., Pohjanen, V.-M., Kauppila, J. H., & Seppänen, T. (2023). Optimized detection and segmentation of nuclei in gastric cancer images using stain normalization and blurred artifact removal. Pathology - Research and Practice, 248, 154694. https://doi.org/10.1016/j.prp.2023.154694 https://doi.org/10.1016/j.prp.2023.154694
-
Hoque, Md. Z., Keskinarkaus, A., Nyberg, P., Xu, H., & Seppänen, T. (2023). Invasion depth estimation of carcinoma cells using adaptive stain normalization to improve epidermis segmentation accuracy. Computerized Medical Imaging and Graphics, 108, 102276. https://doi.org/10.1016/j.compmedimag.2023.102276 https://doi.org/10.1016/j.compmedimag.2023.102276
-
Hoque, M. Z., Keskinarkaus, A., Nyberg, P., & Seppänen, T. (2024). Transformer-based registration framework for differently stained histopathology image analysis. Manuscript submitted for publication.
Kokoelmat
- Avoin saatavuus [38840]