Modelli generativi basati su apprendimento profondo per la simulazione di immagini istopatologiche di tessuto prostatico = Generative models based on deep learning for the simulation of prostate histopathological images

Il carcinoma prostatico è la neoplasia più comune tra gli uomini e rappresenta il 19,8% di tutti i tumori maschili. Nonostante sia molto diffuso, si tratta solitamente di una patologia a lenta evoluzione, asintomatica ed eterogenea. Di conseguenza, è fondamentale attuare delle politiche di screening volte a diagnosticare precocemente il tumore e stimare il corretto grado tumorale (Gleason Score). La diagnosi viene effettuata manualmente dal patologo attraverso l’esame istologico in H&E del campione asportato tramite agobiopsia. Poiché i principali criteri diagnostici si basano su aspetti puramente morfologici, l’assegnazione del Gleason Score è dispendiosa in termini di tempo e soffre di un’elevata variabilità inter- e intra-operatore. Per far fronte a tutte queste problematiche, il lavoro di tesi in questione mira allo sviluppo di un sistema automatico in grado di sintetizzare immagini istopatologiche di tessuto prostatico a partire da un ground truth. Lo scopo è quello di ideare un algoritmo di supporto che affianchi il patologo nel riconoscimento e nella classificazione delle lesioni tumorali, permettendo di velocizzare il processo diagnostico. Sono stati sviluppati due sistemi automatici basati su GAN condizionali per scopi di image-to-image translation. Il primo consente la generazione di maschere di segmentazione semantica, mentre il secondo permette la generazione semantica di immagini istologiche. Il dataset di partenza, fornito dal Vancouver Prostate Center, consiste in 333 WSI annotate manualmente da sei patologi esperti. Nella fase di pre-processing, le multiple annotazioni sono state unite in un unico ground truth label attraverso l’algoritmo STAPLE, in modo tale da ottenere una maschera altamente accurata e robusta. Le maschere binarie dei nuclei e dei bianchi ricavate mediante appositi algoritmi, sono servite per arricchire l’informazione semantica dei ground truth label e per creare le mappe d’istanza, in cui sono raffigurati i bordi dei nuclei e dei bianchi. Infine, la fase di estrazione delle patch ha consentito di selezionare immagini che contenessero almeno il 90% di una stessa classe. Per la sintesi delle maschere è stata implementata la StyleGAN2, addestrata su un dataset bilanciato. Affinché fosse possibile distinguere l’architettura del tessuto per differenti gradi della patologia, sono stati calcolati opportuni parametri morfologici. Si riportano come esempio alcuni parametri reali e generati. Numero nuclei: 289±106/192±27(B); 332±84/253±55(G3); 367±114/306±44(G4); 383±101/248±185(G5). Area nuclei: 69±11/85±6(B); 85±20/104±10(G3); 88±28/96±9(G4); 84±28/66±17(G5). Perimetro bianchi: 574±479/403±118(B); 169±90/292±451(G3); 149±92/212±235(G4); 94±51/1053±1092(G5). Si è verificato che ogni parametro stimato dalle maschere sintetiche rientrasse all’interno della distribuzione dei valori ottenuta per quella specifica classe dalle immagini reali. La valutazione complessiva è avvenuta anche mediante feature di tessitura del primo e secondo ordine. D’altra parte, per il task di generazione semantica, sono state implementate tre varianti del modello Pix2Pix, quali SPADE, CLADE e INADE. Le immagini sintetiche ottenute sono state confrontate con le immagini originali attraverso tre metriche di valutazione: PSNR, RMSE e SSIM. In conclusione, i modelli permettono al medico di disporre di campioni di tessuto di classe nota e costituiscono dei metodi di data augmentation per altri algoritmi di segmentazione.