Вибір перспективного методу нормалізації забарвлення гістологічних зображень тканин кишківника при створенні моделей глибокого навчання

Abstract

Розвиток сучасних комп’ютерних технологій відкриває нові можливості для автоматизованого аналізу гістологічних повнослайдових зображень. Це здійснюється завдяки підходам цифрової патології та методам штучного інтелекту, зокрема машинного та глибокого навчання. Одним із ключових викликів у цьому процесі є значна варіативність кольорів гістологічних зображень. Вона обумовлена різними методами забарвлення зразків, особливостями лабораторного обладнання для сканування препаратів, а також індивідуальними характеристиками тканин пацієнтів. Ці фактори можуть істотно впливати на точність роботи автоматизованих систем підтримки прийняття рішень, класифікації гістологічних зображень і сегментації структур тканин. Відсутність єдиного стандарту нормалізації кольорів ускладнює застосування глибоких нейронних мереж у задачах аналізу гістологічних зображень. У цьому дослідженні розглянуто вибір методу нормалізації забарвлення зображень тканин кишківника для розробки моделей глибокого навчання, орієнтованих на мультикласову сегментацію структурно-функціональних компонентів. У ході проведеного дослідження охарактеризовано підходи до стандартизації характеристик повнослайдових гістологічних зображень, що можуть бути використані для підвищення точності гістопатологічного аналізу тканин кишківника. Проведено оцінку ефективності різних методів нормалізації та визначено найбільш придатний для даного типу задач. Отримані експериментальні результати демонструють високу ефективність використання методу Reinhard Modified, який забезпечує високі показники якості сегментації: Mean IoU: 0.7086, Mean Dice: 0.8279, Precision: 0.8321, Recall: 0.8241, Accuracy: 0.8241, F1-Score: 0.8279, Specificity: 0.9112. Отримані результати підтверджують перспективність використання нормалізації кольорів у цифровій патології та автоматизованому аналізі гістологічних зображень. Застосування стандартних методів нормалізації може значно підвищити точність роботи систем штучного інтелекту, що має важливе значення для медичної діагностики та дослідницької діяльності. The advancement of modern computer technologies opens new opportunities for the automated analysis of whole-slide histological images. This is made possible by digital pathology approaches and artificial intelligence methods, particularly machine learning and deep learning. One of the key challenges in this process is the significant variability in the color of histological images. This variability arises from different staining techniques, the characteristics of laboratory equipment used for scanning specimens, and the individual properties of patient tissues. These factors can significantly affect the accuracy of automated decision-support systems, histological image classification, and tissue structure segmentation. The absence of a unified color normalization standard complicates the application of deep neural networks in histological image analysis tasks. This study examines the selection of a color normalization method for intestinal tissue images in the development of deep learning models aimed at multiclass segmentation of structural and functional tissue components. The conducted research characterizes approaches to standardizing the features of whole-slide histological images, which can be used to improve the accuracy of histopathological analysis of intestinal tissues. Various normalization methods were evaluated, and the most suitable approach for this type of task was identified. The experimental results demonstrate the high efficiency of using the Reinhard Modified method, which ensures high segmentation quality metrics: Mean IoU: 0.7086, Mean Dice: 0.8279, Precision: 0.8321, Recall: 0.8241, Accuracy: 0.8241, F1-Score: 0.8279, Specificity: 0.9112. The obtained results confirm the potential of color normalization in digital pathology and automated histological image analysis. The application of standardized normalization methods can significantly improve the accuracy of artificial intelligence systems, which is crucial for medical diagnostics and research activities. The advancement of modern computational technologies has opened new opportunities for the automated analysis of whole-slide histological images. This progress is driven by digital pathology approaches and artificial intelligence (AI) methods, particularly machine learning and deep learning. One of the key challenges in this field is the significant variability in the color of histological images. This variability arises due to differences in staining techniques, variations in laboratory equipment used for specimen scanning, and the unique properties of patient tissues. Such factors can substantially impact the accuracy of automated decision-support systems, histological image classification, and tissue structure segmentation. The absence of a unified color normalization standard further complicates the application of deep neural networks in histological image analysis. This study examines the selection of an optimal color normalization method for intestinal tissue images in the development of deep learning models designed for multiclass segmentation of structural and functional tissue components. The article characterizes various approaches to standardizing whole-slide histological image features, which can enhance the accuracy of histopathological analysis. Multiple normalization methods were evaluated, and the most suitable approach for this task was identified. Experimental results demonstrate the high efficiency of the Reinhard Modified method, which achieved superior segmentation quality metrics: Mean IoU: 0.7086, Mean Dice: 0.8279, Precision: 0.8321, Recall: 0.8241, Accuracy: 0.8241, F1-Score: 0.8279, Specificity: 0.9112. The findings confirm the potential of color normalization in digital pathology and automated histological image analysis. Implementing standardized normalization methods can significantly improve the accuracy of AI-driven diagnostic systems, which is crucial for medical diagnostics and research applications.