BAHAGIAN Ⅲ: Pembangunan Dan Penilaian Segmentasi Berasaskan Pembelajaran Mendalam Struktur Histologi dalam Korteks Buah Pinggang Dengan Berbilang Noda Histologi

Hubungi: Audrey Hu (Whatsapp:008613880143964) E-mel:audrey.hu@wecistanche.com

Catherine P.Jayapandian, Yiiang Chen,Andrew R. Janowczyk & et al.

Penilaian biopsi buah pinggang adalah unik berbanding dengan spesimen patologi pembedahan lain kerana kepelbagaian kesan yang digunakan secara rutin. Penilaian morfologi persediaan histologi bergantung pada kualiti persediaan itu sendiri, serta kepakaran ahli patologi dalam mengenal pasti normal dan struktur patologi. Penulis menunjukkan bahawa "rangkaian neural convolutional berasaskan pembelajaran mendalam" boleh digunakan untuk segmentasi struktur histologi yang cekap dan boleh dipercayai merentas kesan berbeza parenkim buah pinggang normal menggunakan imej slaid keseluruhan Rangkaian Kajian Sindrom Nefrotik. Dataset ini dipilih susun daripada 38 makmal histologi dan mencerminkan heterogeniti morfologi, teknikal dan noda yang besar. Penemuan ini memberikan pandangan yang berguna, bersama dengan kod sumber dan data, yang akan membantu pembaca mengatasi cabaran dalam ruang ini. Diambil bersama, kerja ini mewakili asas teknikal dari mana alat patologi masa depan boleh dibina untuk membolehkan alat sokongan keputusan klinikal yang boleh diambil tindakan untuk pencirian penyakit yang lebih baik dan penilaian risiko dalam aliran kerja patologi.

KLIK SINI UNTUK BERBAHAGIANⅠ&Ⅱ

ekstrak cistanche dan cistanche

KAEDAH

Pemilihan set data kes dan imej

Kajian ini dijalankan menggunakan biopsi buah pinggang digital dari repositori patologi digital NEPTUNE. NEPTUNE ialah konsortium kolaboratif multipusat Amerika Utara dengan lebih daripada 650 orang dewasa dan kanak-kanak yang mendaftar dari 29 tapak pengambilan (38 makmal patologi). Hanya kes dengan diagnosis MCD dimasukkan dalam kajian ini kerana secara histologi ia adalah yang paling serupa dengan parenkim buah pinggang biasa. Sebanyak 459 WSI yang dipilih susun (125 H&E, 125 PAS, 102 SIL, 107 TRI) daripada 125 biopsi buah pinggang MCD telah digunakan. Tidak semua kes mempunyai semua noda yang tersedia dalam repositori patologi digital. Empat WSI telah dipilih untuk setiap pesakit (1 WSI setiap noda). Daripada setiap WSI, kira-kira 3 hingga 5 ROI yang mengandungi primitif histologi telah dipilih secara rawak, diperiksa oleh pakar patologi dan diekstrak secara manual sebagai jubin 3000 × 3000 kemudian disimpan sebagai 8-imej warna merah reen blue (RGB) dalam format PNG pada pembesaran digital 40x. Butiran tambahan mengenai pendigitalan dan penyusunan WSI biopsi boleh didapati dalam Rajah Tambahan S1.

Pengesahan bebas model DL. Enam WSI daripada 3 spesimen nefrektomi tertanam formalinfixed dan parafin dimasukkan untuk menguji prestasi rangkaian DL untuk pembahagian semua primitif histologi pada parenkim buah pinggang dewasa tanpa keabnormalan struktur yang ketara. Bahagian daripada spesimen nefrektomi telah diwarnai dengan PAS, diimbas ke dalam WSI, dan seterusnya diwarnai dengan antibodi CD34, penanda sel endothelial, dan kemudian diimbas semula ke dalam WSI. Seratus tujuh puluh lima ROI rawak (3000×3000 piksel) telah diekstrak daripada WSI bernoda PAS. WSI berwarna dua kali PAS-CD34 digunakan sebagai kebenaran asas untuk pengesahan pendekatan segmentasi DL untuk caillaes peritubular.

Primitif histologi dan pembahagian manual

Lima pakar patologi buah pinggang secara manual membahagikan ROI untuk menubuhkan kebenaran asas untuk primitif histologi (Jadual 2). Segmen manual dijana menggunakan aplikasi perisian sumber terbuka.5 Anotasi kebenaran tanah disimpan sebagai topeng binari; iaitu, setiap piksel yang dilambangkan sebagai sebahagian daripada primitif histologi (piksel kelas positif dinyatakan sebagai ls binari) atau tidak (kelas negatif piksel dinyatakan sebagai Os binari). Melalui proses ini, 30,048 anotasi telah dibuat oleh ahli patologi pada 1818 ROI (Rajah 10).

Enam primitif histologi telah digunakan untuk kajian ini: jumbai glomerular, unit glomerular (jumbai ditambah kapsul Bowman), segmen tiub proksimal, segmen tiub distal, arteri dan arteriol, dan kapilari peritubular. Label kebenaran asas yang konsisten dan terperinci merentas semua sampel latihan boleh memudahkan prestasi DL yang mantap, terutamanya dalam tugasan pembahagian.24,32,3650-4 Untuk menghasilkan anotasi yang konsisten merentas semua imej, setiap primitif histologi dan sempadannya ditakrifkan dengan teliti , dan prosedur anotasi untuk setiap kes penggunaan diseragamkan (Tambahan Rajah S2). Tambahan pula, setiap anotasi yang dijana oleh ahli patologi telah disemak oleh ahli patologi kedua untuk penilaian kualiti.

herba cistanche adalah bahan yang berkesan untuk ubat penambahbaikan fungsi buah pinggang

Saluran paip eksperimen dan kaedah latihan DL

set data DL. Sehingga empat WSI setiap biopsi (H&E, PAS, TRI, dan SIL untuk setiap satu) digunakan untuk pembahagian jumbai dan unit glomerular, dan segmen tiub proksimal dan distal. Kapilari peritubular dibahagikan menggunakan hanya PAS WSI, dan arteri/arteriol hanya dibahagikan dalam H&E, PAS dan TRI WSI (Jadual 2). WSI dibahagikan pada peringkat pesakit kepada set latihan, pengesahan dan ujian (nisbah 6:1:3). Rangkaian dibangunkan menggunakan WSI pesakit dewasa dan pediatrik (Tambahan Rajah S1). Untuk latihan rangkaian U-Net, 5 ahli patologi menjelaskan 1196 jumbai dan unit glomerular, 4669 proksimal dan 2285 segmen tiub distal, 19,280 kapilari peritubular, dan 2261 arteri/arteriol (Jadual 2).

Konfigurasi rangkaian dan latihan. Seni bina U-Net standard dengan parameter yang diubah suai telah dilaksanakan dalam rangka kerja PyTorch untuk latihan bagi setiap kes penggunaan (Rajah l1). Butiran konfigurasi U-Net, kaedah latihan termasuk pengimbangan set latihan dan penambahan data boleh didapati dalam S3 Tambahan.

Detection and segmentation metrics. Detection and segmentation results were evaluated using F-Score, true positive rate/Values of (TPR), positive predictive value (PPV),and DSC. 0 and 1 represent the maximal discordance and agreement, respectively, between the pathologist ground truth and the U-Net results. TPR, PPV, and F-Score measure the detection accuracy of the DL networks. These metrics are computed using the number of correct segmentation results(true positives), incorrect segmentations(false positives), and missing segmentations(false negatives). DSC is the pixel wise spatial overlap index that measures the segmentation accuracy of the classifier, with values ranging from 0(indicating no spatial overlap between ground truth annotation and corresponding DL output mask) to 1(indicating complete overlap), and a DSC value >0.5 menandakan pembahagian yang betul (positif benar).

Bilangan contoh latihan untuk primitif histologi yang berbeza

Untuk menguji cara bilangan contoh latihan beranotasi secara manual mempengaruhi prestasi rangkaian, kami memilih set perwakilan primitif histologi berdasarkan saiz, kerumitan, pengedaran dan stain:glomerular tufts pada H&E, kapilari peritubular pada PAS, segmen tiub distal pada TRI, dan arteri/arteriol pada SIL. Khususnya, kami berusaha untuk menilai bilangan minimum contoh beranotasi untuk berdiri model U-Net terlatih untuk setiap jenis primitif histologi. Untuk tujuan ini, berbilang model U-Net telah dilatih untuk setiap jenis primitif, setiap kali dengan lebih banyak contoh beranotasi. Ketepatan pengesanan dan pembahagian kemudiannya dikira untuk setiap model U-Net tersebut bagi setiap primitif pada set ujian yang sepadan (Rajah 8).

manfaat cistanche: merawat penyakit kindey

Nota: Cistanche adalah herba perubatan tradisional yang terkenal untuk penyakit buah pinggang. cistanche mengandungi infgredien berkesan utama seperti echinacoside dan acteoside yang boleh menyuburkan kideny dan meningkatkan fungsi buah pinggang. Dalam 《SHENGNONG MEDICA cistanche ekspres direkodkan sebagai herba teratas untuk tujuan penambahbaikan fungsi.