組織画像のセグメンテーション

組織学的画像解析は、様々な細胞内の物質や構造が染色された組織サンプルの顕微鏡画像が対象となり、医学研究や画像診断において広く利用されています。組織学的画像解析の結果は、臨床上の意思決定や複雑な生物学的プロセスの理解に直接影響するため、その精度の向上は非常に重要となります。

課題

組織画像セグメンテーションの複雑さは、一般的な画像取得の手法に起因します。組織学における組織サンプルの染色は、吸収性色素を使用した着色であり、染色されたサンプルは白色光照明下においてフルカラーで観察されます。蛍光顕微鏡観察では、観察された画像から特定の蛍光を分離することが可能ですが、組織染色では染色パターンを明確に分離することが困難です。ピクセル強度に基づく閾値処理は、染色のばらつきや形状・サイズの異なる様々な細胞から構成される組織の複雑な形態により、不十分なセグメンテーションとなることが多々あります。そのため、組織画像のセグメンテーション及び解析は、従来から経験豊富な専門家の主観に頼るところが大きく、また非常に時間がかかるプロセスでした。

NBILの解決法

組織画像の正確かつ効率的なセグメンテーションの実現にはAIが有用となります。深層学習ベースのアルゴリズムは、複雑な組織画像であっても、人間と同等の精度でセグメンテーションを行うことが可能です。一度、注釈付きデータセットによるトレーニングが完了すれば、AIは画像内の何千もの要素を迅速に識別できるようになるため、手作業の労力が減少し、疾患の発症機序の解明や新規治療法の開発などの前臨床研究の合理化につながります。

方法

私たちの研究では、HE染色されたヒト子宮頸がんの組織サンプルを対象に、AIを活用した解析を行いました。HE染色は単純かつ非特異的な染色法であり、ヘマトキシリンにより核が青色に、エオジンにより細胞質がピンク色に染色されるため、組織切片全体の観察を可能にする鮮明なコントラストが得られます。一方で、染色強度のばらつきや、細胞構造の多様なサイズ・形状の違いを注意深く観察・評価する必要があるため、セグメンテーションが困難となります。

この課題を解決するため、私たちは複数のAIネットワークを開発しました。各AIネットワークは、巨大な腫瘍組織から赤血球、細胞核に至るまで、様々なスケールにわたる特徴を識別できるよう調整されました。これらのネットワークは、組織画像の一部分の注釈付きデータを使用したトレーニングプロセスを経て、画像の全範囲を解析できるように展開されました。

結果

解析の結果、検査対象である全組織領域のうち、約21%を腫瘍組織が占めていました。AIによるセグメンテーションプロセスで約36万個の核の輪郭が描出され、うち13.2万個が腫瘍領域内に位置していました。

結論

トレーニングされたAIネットワークを使用することで、35,000×41,000ピクセルの広範な画像を数秒で迅速に処理できるようになりました。本ネットワークは現状のまま、あるいはサンプルの特性に対応したマイナーチェンジを加えることで、様々なHE染色組織画像の解析に適応できるため、前臨床研究のワークフローを大幅に加速しうると考えています。

お問い合わせ