Выявление метастазов рака толстой кишки в лимфоузлы на гистосканах
Заказчик ФГБУ "НМИЦ им. А.Н. Рыжих" Минздрава России

  • Тип данных

    SVS (разметка в xml)

  • Задача

    На основе svs-файлов предсказать "зону интереса" (метастатическое поражение)

  • Эффекты
    • повышение эффективности стадирования рака толстой кишки
    • снижение затрат на химиотерапевтические препараты
    • снижение частоты осложнений химиотерапии
    • стандартизация процедуры патоморфологического исследования
  • Классы разметки
    • опухолевая ткань
    • здоровый лимфоузел
    • метастатически измененный лимфоузел
    • артефакты (разрывы, пятна краски)
  • Метрики качества
    • DICE здоровой ткани = 0.921
    • DICE опухолевой ткани = 0.854
Команда разметки
Разметка гистосканов была выполнена сотрудниками патоморфологической лаборатории НМИЦ колопроктологии имени А.Н. Рыжих. Для технической доработки слайдов привлекались врачи-ординаторы, которые уточняли границы обозначенных областей базовой разметки при просмотре слайда в более крупном масштабе, размечали артефакты, исправляли технические ошибки.
Инструмент разметки
В качестве инструмента разметки использовалось программное обеспечение Aperio ImageScope, входит в состав системы для сканирования микропрепаратов Aperio AT2 и является нативной программой для просмотра svs-слайдов.
Дистрибутив Aperio ImageScope доступен для свободного скачивания.
(с регистрацией пользователей) на официальной странице Leica Biosystems. Разметка файлов сохраняется в формате XML.
Входом модели являются наборы изображений размером 1024х1024 пикселя.
Процессу предсказания предшествует несколько этапов препроцессинга, которые выполняются последовательно:
  • отделение явных зон фона от более вероятных зон лимфоузлов
  • определение прямоугольных контуров зон интереса
  • разделение изображения на кропы на основе регулярной сетки с размером ячейки 1024х1024 пикселя разрешении 2 мкм/пкс. Шаг сетки выбран равным половине размера ячейки, чтобы создать перекрытие между ячейками
Результат представляется в виде маски предсказания по классам «здоровая ткань» и «замещенная ткань» с указанием процента замещения.
В качестве основы для обучения модели сегментации тканей была использована архитектура DeepLabV3.