具有全局优化边界的细胞分割（CSGO）：一种用于苏木精-伊红染色组织中全细胞分割的深度学习流程

Cell Segmentation With Globally Optimized Boundaries (CSGO): A Deep Learning Pipeline for Whole-Cell Segmentation in Hematoxylin-and-Eosin-Stained Tissues

作者信息Zifan Gu, Shidan Wang, Ruichen Rong, Zhuo Zhao, Fangjiang Wu, Qin Zhou, Zhuoyu Wen, Zhikai Chi, Yisheng Fang, Yan Peng, Liwei Jia, Mingyi Chen, Donghan M Yang, Yujin Hoshida, Yang Xie, Guanghua Xiao

PMID39528162

期刊Lab Invest

发布时间2025-02

DOI10.1016/j.labinv.2024.102184

来源查看原文

实验完整度

高

包含细胞膜分割模型的训练与验证，以及在多个外部数据集上与Cellpose和YOLOv5的定量比较和统计检验，属于明确的算法开发和验证。

主要模型

H&E染色组织切片

重点核对

训练集包含4个HCC和9个正常肝组织图像，验证集包含3个HCC和2个正常肝组织图像训练使用批量大小8，学习率0.001，权重衰减0.005，最大200 epochs，并采用AdamW优化器测试集包括10个NLST-LUAD、10个NLST-LUSC、10个TCGA-LIHC、10个UTSW-OPMD和7个HCC图像评估指标包括F1分数、AP、AR、AR50和AJI，使用Mann-Whitney U检验比较统计差异分割时使用精确欧氏距离变换和能量基于分水岭的后处理

摘要

准确的全细胞分割在多种生物医学应用中至关重要，尤其是在研究肿瘤微环境时。尽管机器学习在苏木精和伊红（H&E）染色图像的细胞核分割方面取得了进展，但仍然需要有效的全细胞分割方法。本研究旨在开发一种基于深度学习的流程，自动分割H&E染色组织中的细胞，从而提升病理图像分析的能力。具有全局优化边界的细胞分割（CSGO）框架整合了细胞核和细胞膜分割算法，然后使用基于能量的分水岭方法进行后处理。具体来说，我们使用You Only Look Once（YOLO）目标检测算法进行细胞核分割，使用U-Net进行细胞膜分割。细胞膜检测模型在7个肝细胞癌和11个正常肝组织斑块的数据集上训练。细胞分割性能在5个外部数据集（包括肝脏、肺和口腔疾病病例）上进行了广泛评估。CSGO在5个外部数据集中的4个上，在交并比阈值为0.5时，F1分数达到0.37至0.53，优于最先进的方法Cellpose（F1分数为0.21至0.36）。这些结果强调了我们的方法在不同组织类型中的稳健性和准确性。一个基于网络的应用程序可在https://ai.swmed.edu/projects/csgo获得，为研究人员提供了一个用户友好的平台，以将我们的方法应用于他们自己的数据集。我们的方法在多种癌症亚型中表现出卓越的全细胞分割多功能性，可作为促进肿瘤微环境研究的准确可靠工具。本研究中提出的进展有可能显著提高病理图像分析的精度和效率，有助于更好地理解和治疗癌症。

训练数据准备与增强

为细胞膜分割模型生成训练和验证数据。

从UTSW选定了4个HCC和9个正常肝组织图像作为训练集，另外3个HCC和2个正常肝组织图像作为验证集。训练图像进行了颜色增强、旋转、平移、缩放、归一化、剪切、投影、裁剪、水平翻转和垂直翻转等增强操作。

细胞膜分割模型训练

训练U-Net模型以检测细胞膜。

使用U-Net架构，以批量大小8、AdamW优化器、学习率0.001、权重衰减0.005训练，最大200 epochs。选择验证损失最低的第190个epoch的权重。

全细胞分割流程实施

整合细胞核和细胞膜分割结果并生成全细胞分割掩膜。

使用HD-YOLO进行细胞核分割，使用训练好的U-Net进行细胞膜分割。对两个预测结果进行精确欧氏距离变换，并生成加权距离图。使用峰值检测算法（skimage.feature.peak_local_max）识别分水岭标记，并通过距离阈值判断是否遗漏细胞核。最后应用分水岭算法生成分割结果。

性能评估与比较

定量评估CSGO的性能并比较其与Cellpose和YOLOv5的优劣。

在5个外部数据集上评估CSGO，计算IoU混淆矩阵，在不同IoU阈值下计算精度、召回率和F1分数，并使用公式计算。使用Mann-Whitney U检验进行统计比较。此外，还计算了COCO指标（AP、AR、AR50）和聚合Jaccard指数（AJI），并与Cellpose和YOLOv5进行比较。

实验环节	名称	品牌	货号
细胞分割	HD-YOLO	--	--
细胞膜分割	U-Net	--	--
后处理	分水岭算法	--	--
欧几里得距离变换	--	--

实验环节

名称

品牌

货号

细胞分割

细胞膜分割

后处理

环节	核对要点
数据准备	训练集包含4个HCC和9个正常肝组织图像，验证集包含3个HCC和2个正常肝组织图像，均来自UTSW，空间分辨率为0.138 μm/pixel；测试集包括NLST-LUAD、NLST-LUSC、TCGA-LIHC、UTSW-OPMD各10张，HCC 7张。阅读提示：Methods: Data Sets, Table 1
模型训练	U-Net模型，批量大小8，AdamW优化器，学习率0.001，权重衰减0.005，最大200 epochs，选择第190 epoch权重；数据增强包括颜色增强、旋转、平移、缩放、归一化、剪切、投影、裁剪、翻转。阅读提示：Methods: Membrane Segmentation
后处理	使用精确欧氏距离变换生成距离图，加权组合；峰值检测算法用于检测遗漏细胞核，最小分离距离由用户输入的平均细胞大小决定。阅读提示：Methods: Postprocessing
性能评估	测试集包括5个外部数据集，每类10张（HCC为7张）；计算IoU混淆矩阵，滑动IoU阈值0.01到1，步长0.01；使用Mann-Whitney U检验；计算AP、AR、AR50和AJI。阅读提示：Methods: Benchmarking, Performance Evaluation

环节

核对要点

数据准备

训练集包含4个HCC和9个正常肝组织图像，验证集包含3个HCC和2个正常肝组织图像，均来自UTSW，空间分辨率为0.138 μm/pixel；测试集包括NLST-LUAD、NLST-LUSC、TCGA-LIHC、UTSW-OPMD各10张，HCC 7张。

阅读提示：Methods: Data Sets, Table 1

模型训练

U-Net模型，批量大小8，AdamW优化器，学习率0.001，权重衰减0.005，最大200 epochs，选择第190 epoch权重；数据增强包括颜色增强、旋转、平移、缩放、归一化、剪切、投影、裁剪、翻转。

阅读提示：Methods: Membrane Segmentation

后处理

使用精确欧氏距离变换生成距离图，加权组合；峰值检测算法用于检测遗漏细胞核，最小分离距离由用户输入的平均细胞大小决定。

阅读提示：Methods: Postprocessing

性能评估

测试集包括5个外部数据集，每类10张（HCC为7张）；计算IoU混淆矩阵，滑动IoU阈值0.01到1，步长0.01；使用Mann-Whitney U检验；计算AP、AR、AR50和AJI。

阅读提示：Methods: Benchmarking, Performance Evaluation

大家都在搜

大家都在搜