Ottimizzazione e validazione quantitativa della registrazione di immagini istologiche all’interno di un framework di deep learning per il virtual restaining = Optimization and quantitative validation of histological image registration within a deep learning framework for virtual restaining

In anatomia patologica le colorazioni istologiche risultano essere il principale strumento per l’analisi dei tessuti biologici al fine di diagnosticare eventuali patologie. Ciascuna colorazione, che può essere ottenuta tramite metodi istochimici o con tecniche di immunoistochimica, pone in evidenza determinate strutture cellulari e tissutali. Perciò spesso vengono colorati più campioni istologici o ricolorata la medesima sezione di tessuto, al fine di fornire informazioni complementari al patologo. Tuttavia, la preparazione e il trattamento dei vetrini è un processo lungo e costoso che richiede infrastrutture di laboratorio specializzate e personale altamente qualificato. Tutto questo comporta un ritardo nella diagnosi e nel trattamento delle malattie, oltre a prediligere l’utilizzo delle sole colorazioni strettamente necessarie per il caso in questione. Al fine di affrontare le problematiche elencate, questo lavoro di tesi si pone l’obiettivo di sviluppare un algoritmo di virtual restaining, in grado di generare un’immagine istologica virtuale, colorata mediante tecniche di immunoistochimica, a partire da un’immagine reale in ematossilina-eosina (H&E). Dal momento che l’immagine generata deve essere di qualità tale da consentire al patologo di effettuare correttamente una diagnosi, non ci si può limitare al solo trasferimento dello stile della colorazione, ma bisogna anche fornirne il contenuto funzionale. Per raggiungere questo obiettivo, i modelli impiegati, basati su tecniche di deep learning, devono essere allenati su dati accoppiati di immagini nei due domini, con le corrispondenti cellule nelle due colorazioni istologiche. Per tale ragione sono stati ottimizzati due diversi metodi di registrazione. Il primo consiste in una trasformazione omografica tra le due immagini istologiche, mentre il secondo si basa sull’algoritmo VALIS (Virtual Alignment of pathoLogy Image Series), proposto da Gatenbee et al. nel 2021, opportunamente modificato e applicato alle intere Whole Slide Images (WSIs). Entrambi gli approcci sono stati testati su 6 dataset, contenenti immagini diverse in termini di colorazioni, numero di vetrini per colorazione, risoluzione massima, tessuto e tipologia di slice (stessa slice o consecutive). Per poter valutare l’efficacia della registrazione nei due metodi proposti, sono state calcolate metriche quantitative basate sull’intensità dei pixel (structural similarity index measure (SSIM), coefficiente di correlazione di Pearson (PCC), informazione mutua (MI) e peak signal-to-noise ratio (PSNR)), sulla segmentazione del tessuto (DICE e distanza di Hausdorff) e sui landmark anatomici (target registration error (TRE)). Il processo di registrazione delle WSIs garantisce la corrispondenza a livello cellulare tra le patch nelle due colorazioni. Si è scelto poi di lavorare con un dataset costituito da immagini provenienti dal tessuto gastrointestinale, con l’obiettivo di generare un’immagine sintetica colorata mediante l’anticorpo fosfoistone H3 (PH3). Infine, sono state addestrate e testate diverse reti neurali in grado di operare nell’ambito dell’Image2Image, ossia in grado di realizzare una trasposizione di dominio. Per valutare le prestazioni delle tecniche di deep learning utilizzate, sono state calcolate metriche in grado di quantificare la somiglianza tra l’immagine IHC reale e quella sintetica e, soprattutto, di esaminare il trasferimento del contenuto funzionale.