がん細胞質におけるハイパースペクトル病理画像セグメンテーション：データ拡張に基づく新手法

病理診断において、ヘマトキシリン・エオジン（H&E）染色は組織形態を観察するための一般的な方法です。ヘマトキシリンは核を青紫色に、エオジンは細胞質と細胞外マトリックスをピンク色に染色します。病理医はこれらの染色された切片を顕微鏡で観察し、細胞が癌性変化を起こしているかどうかを判断します。癌の種類を特定するプロセスにおいて、癌細胞の細胞質領域を正確に識別することは重要なステップです。

近年、ハイパースペクトルイメージング技術が病理学研究分野に徐々に入ってきています。従来のCMOSカメラと比較して、ハイパースペクトルカメラはより豊富な細胞情報を取得できます。しかし、この技術は実際の応用において2つの現実的な問題に直面しています。

最初問題はデータ取得の困難さです。ハイパースペクトル画像の取得コストは高く、大規模なアノテーション付きデータセットの構築は容易ではありません。しかし、ディープラーニングモデルは効果的に機能するために大量のデータを必要とします。2番目の問題は機器ノイズです。線形プッシュブルームモードに基づくハイパースペクトルカメラは、しばしば画像処理中に垂直または水平のストライプノイズ、ピクセルシフトなどの問題を引き起こします。これらのノイズは、機器の特性や動作環境によって異なり、完全に回避することは困難です。

これらの問題に対処するため、ジャーナルInformatics in Medicine Unlockedに研究が発表されました。彼らは、CMOS画像を利用して、実際の機器ノイズをシミュレートする疑似ハイパースペクトル画像を生成し、それをU-Netセグメンテーションモデルのトレーニングに使用するデータ拡張方法を提案しました。

1.なぜ拡張にCMOS画像を使用するのか？
直接的な考慮事項はアノテーションコストです。ハイパースペクトル画像における癌細胞の細胞質のテクスチャは複雑であり、グレースケール画像で手動でアノテーションするのは時間と労力がかかります。対照的に、CMOS画像は視覚的に鮮明であり、アノテーション効率ははるかに高いです。研究チームのアイデアは、アノテーションしやすいCMOS画像を使用してノイズを含む疑似ハイパースペクトル画像を生成し、それらの画像を使用してモデルをトレーニングすることです。

具体的なアプローチは3つのステップに分けられます。
最初のステップは色変換と明るさ調整です。CMOS RGB画像をグレースケール画像に変換し、ガンマ補正とヒストグラム均等化によって明るさを調整して、特定の波長帯（例えば580 nm）のハイパースペクトル画像の視覚効果に近づけます。

2番目のステップは機器ノイズの追加です。センサー感度や信号処理の違いによる実際のハイパースペクトルカメラで発生するストライプノイズをシミュレートするために、画像にランダムに垂直および水平のノイズラインを追加します。垂直ノイズラインの数は19から29の間であり、水平ノイズラインの位置と幅もランダム化されます。さらに、情報損失とピクセルシフトもシミュレートされます。

3番目のステップは幾何学的変換です。クロッピング、フリッピング、およびトランスレーションなどの操作を生成された疑似画像に適用して、データセットをさらに拡張します。

このワークフローを通じて、44枚の元のCMOS画像から792枚の疑似ハイパースペクトル画像が生成され、これらが44枚の元のハイパースペクトル画像とマージされた後、トレーニングセットは836枚の画像になりました。

2.実験効果はどうだったか？
研究チームは、IoU（Intersection over Union）とDice係数を指標として使用し、5分割交差検証によってモデルのパフォーマンスを評価しました。

44枚の元のハイパースペクトル画像のみでトレーニングした場合、IoUは0.5786、Dice係数は0.7304でした。疑似ハイパースペクトル画像を追加した後、IoUは0.6458に、Dice係数は0.7820に増加しました。IoUは約11.6%、Dice係数は約7.1%向上しました。

研究では、画像の明るさと細胞密度がセグメンテーション結果に影響することも発見されました。より暗い画像タイプと細胞核が密集した画像タイプは、比較的低いセグメンテーション精度を示しました。これは、モデルが画像品質に一定の依存性を持っていることを示しており、将来の改善の方向性も示唆しています。

3.この研究の意義は何か？
ハイパースペクトル病理画像の処理において、データ不足と機器ノイズは避けられない2つの障害です。この研究は実行可能なアイデアを提供しています。ノイズを苦労して除去するのではなく、トレーニング段階でモデルにノイズに対処することを学習させる方が良いのです。CMOS画像から機器ノイズを含む疑似ハイパースペクトル画像を生成することは、アノテーションの困難さを解決するだけでなく、ノイズに対するモデルの堅牢性を向上させます。

もちろん、この研究には限界もあります。実験データは犬の乳腺腫瘍サンプルから得られたものであり、画像タイプは7種類しかありませんでした。より複雑なサンプルタイプとより大きなデータセットは、徐々に蓄積される必要があります。

しかし、方法論的な観点から見ると、「アノテーションしやすい画像を使用してノイズを含むトレーニングサンプルを生成する」という概念は、病理診断におけるハイパースペクトル顕微鏡イメージングの応用にとって貴重な実践的な道を提供します。病理部門でのハイパースペクトルイメージング機器の普及が進むにつれて、同様のデータ拡張方法は、研究者がより効率的にモデルをトレーニングし、大規模な手動アノテーションへの依存を減らすのに役立つ可能性があります。

免責事項
このコンテンツは、オープンな学術文献（文献リンク：https://www.sciencedirect.com/science/article/pii/S2352914826000213）から編集・作成されたものです。業界の技術的議論および科学普及学習のみに使用され、商業的な約束は一切行わず、投資参照の根拠としても使用できません。本文中に記載されている様々な実験データおよび結論は、テスト環境、サンプルの個体差、モデル構築スキームなどの複数の変数によって干渉を受ける可能性があります。実際のシナリオに適用する場合、関連する効果は、自身のシナリオと組み合わせて独立したテストを通じて検証する必要があります。