[논문 리뷰] Accurate and Robust Alignment of Variable-stained Histologic Images Using a General-purpose Greedy Diffeomorphic Registration Tool

Ludovic Venet, Sarthak Pati외 2명|arXiv (Cornell University)|2019. 04. 26.

AI in cancer detection참고 문헌 23인용 수 6

한 줄 요약

이 논문은 일반 목적의 그레디언트 최적화 알고리즘을 사용하여 다양한 염색 강도를 가진 조직 학적 슬라이드를 정렬하기 위한 이단계적 디피오모르픽 정렬 프레임워크를 제안한다. 초기 아핀 정렬을 고정밀 비정상적 변형 추정과 결합하여 다양한 염색 변동성에 걸쳐 정확하고 강력한 정렬을 달성하였으며, 기준 데이터셋에서 공간 상응성과 일관성 면에서 뛰어난 성능을 입증하였다.

ABSTRACT

Variously stained histology slices are routinely used by pathologists to assess extracted tissue samples from various anatomical sites and determine the presence or extent of a disease. Evaluation of sequential slides is expected to enable a better understanding of the spatial arrangement and growth patterns of cells and vessels. In this paper we present a practical two-step approach based on diffeomorphic registration to align digitized sequential histopathology stained slides to each other, starting with an initial affine step followed by the estimation of a detailed deformation field.

연구 동기 및 목표

• 처리 차이로 인한 심한 염색 변동성으로 인해 조직병리학적 슬라이드를 정렬하는 데 도전하는 문제를 해결하기 위해.
• 다양한 조직학적 영상 쌍에 걸쳐 정확하고 강력한 일반 목적의 정렬 도구를 개발하기 위해.
• 연속적으로 염색된 슬라이드 간의 공간 상응성을 향상시켜 더 나은 병리학적 평가 및 분석을 가능하게 하기 위해.
• 디지털 병리학 워크플로우에서 신뢰할 수 있는 이미지 융합과 정량적 분석을 가능하게 하기 위해.

제안 방법

• 이 방법은 이단계적 접근 방식을 사용한다: 먼저 아핀 변환을 적용하여 전반적인 슬라이드 방향과 밝기 수준을 정렬한다.
• 그레디언트 디피오모르픽 정렬 알고리즘이 국소적인 밝기 및 기하학적 변형을 보정하기 위해 매끄럽고 가역적인 변형 장을 추정한다.
• 해부학적 타당성을 보장하기 위해 투명판 스퍼링 기반 정규화를 사용하는 대칭 디피오모르픽 정렬 프레임워크를 사용한다.
• 염색 변동성을 다루기 위해 정규화 상호정보량(NMI)을 이미지 유사도 측정 지표로 사용한다.
• 수렴성과 정확도를 향상시키기 위해 굵기에서 세밀한 방식으로 반복적으로 최적화를 수행한다.
• 이 접근 방식은 일반 목적의 도구로 구현되었으며, 디지털 병리학 파이프라인에 통합될 수 있도록 설계되었다.

실험 결과

연구 질문

• RQ1 일반 목적의 디피오모르픽 정렬 도구가 다양한 염색 강도와 패턴을 가진 조직학적 슬라이드를 정확하게 정렬할 수 있는가?
• RQ2 제안된 이단계적 접근 방식은 염색 변동성 하에서 기존의 정렬 방법과 비교해 보다 뛰어난 강건성과 정확도를 보이는가?
• RQ3 그레디언트 디피오모르픽 프레임워크는 변형 추정 과정에서 해부학적 구조를 어느 정도 유지하는가?
• RQ4 이 방법은 다양한 조직 유형과 염색 프로토콜에 걸쳐 일관된 성능을 유지를 하는가?

주요 결과

• 제안된 방법은 다양한 염색을 가진 조직학적 슬라이드 정렬에서 기준 정렬 기법보다 뚜렷이 뛰어난 성능을 보였다.
• 이단계적 접근 방식은 더 높은 정규화 상호정보량(NMI) 점수를 달성하여 밝기 및 구조적 상응성이 향상됨을 나타냈다.
• 이 방법은 다양한 조직 유형과 염색 프로토콜에 걸쳐 강건성을 보였으며, 기준 데이터셋에서 일관된 성능을 유지하였다.
• 생성된 변형 장은 매끄럽고 가역적이었으며, 해부학적 타당성을 보장하고 조직의 왜곡을 방지하였다.
• 이 도구는 높은 공간 정확도를 달성하여 아핀 변환 전용 방법 대비 정렬 오류를 최대 40% 감소시켰다.
• 이 프레임워크는 다색 및 연속 슬라이드 정렬에 성공적으로 적용되어 신뢰할 수 있는 이미지 융합과 분석을 가능하게 하였다.