Улисс Балис, M.D., щелкает мышью, чтобы идентифицировать вертолет на спутниковой фотографии Багдада, Ирак. Еще одним щелчком мыши алгоритм, который он и его команда разработали, выбирает еще три вертолета, не выделяя ни одно из зданий, улиц, деревьев или автомобилей.
Балис не играет в военные игры. Директор отделения патологической информатики Медицинской школы Мичиганского университета демонстрирует чрезвычайную гибкость программного инструмента, предназначенного для более быстрого, точного и последовательного обнаружения аномалий в образцах клеток и тканей.
В медицинских условиях вместо вертолетов метод, известный как пространственно-инвариантное векторное квантование (SIVQ), может точно определять раковые клетки и другие важные особенности на цифровых изображениях, сделанных со слайдов тканей.
Но SIVQ не ограничивается какой-либо конкретной областью медицины. Он может легко отделить кальцификаты от злокачественных новообразований в образцах ткани груди, найти и подсчитать определенные типы клеток на слайде костного мозга или быстро идентифицировать вишнево-красные ядрышки клеток, связанных с болезнью Ходжкина, согласно результатам, только что опубликованным в Journal of Pathology Informatics.
"Тот факт, что алгоритм легко работает во всех областях и масштабах длины, требуя минимального обучения пользователя, отличает его от традиционных подходов к анализу изображений," Балис говорит.
Технология ?? разработан совместно с исследователями из Массачусетской больницы общего профиля и Гарвардской медицинской школы ?? отличается от обычного программного обеспечения для распознавания образов тем, что его основной поиск основан на серии концентрических колец сопоставления с образцом, а не на более типичных прямоугольных или квадратных блоках. Этот подход использует преимущество непрерывной симметрии колец, позволяя распознавать особенности независимо от того, как они повернуты или перевернуты, как в зеркале.
"Это хорошо, потому что при патологии изображения клеток и тканей не имеют определенной ориентации," Балис говорит. "Они могут смотреть в любом направлении." Одно из изображений, прилагаемых к бумаге, демонстрирует этот принцип; SIVQ последовательно идентифицирует букву A из поля текста, независимо от того, как буквы поворачиваются.
Как это работает
В SIVQ поиск начинается с того, что пользователь выбирает небольшую область пикселей, известную как вектор, которую он хочет попытаться сопоставить в другом месте изображения. Вектор также может поступать из сохраненной библиотеки изображений.
Затем алгоритм сравнивает этот круговой вектор с каждой частью изображения. И в каждом месте кольцо вращается через миллионы возможностей, пытаясь найти совпадение во всех возможных градусах вращения. Меньшие кольца в основном кольце могут обеспечить еще более точный поиск.
Затем программа создает тепловую карту, закрашивая изображение в зависимости от качества совпадения в каждой точке.
Этот метод не будет работать с поисковой структурой квадратной или прямоугольной формы, потому что эти формы не остаются симметричными при вращении, объясняет Балис.
Почему не все все время пользовались кругами?
"Это одна из тех вещей, которые очевидны только задним числом," Балис говорит.
При тестировании алгоритма исследователи даже использовали его, чтобы найти Уолли на иллюстрации из книги “Где Уолдо”? детская книга.
"Вам просто нужно сгенерировать вектор для его лица," объясняет Джейсон Хипп, M.D., Ph.D., соавтор статьи ?? так же, как можно было бы создать вектор для распознавания кальцификатов в ткани груди.
А "игровой чейнджер"
Хипп считает, что эта технология может стать "игровой чейнджер" для поля, открывая множество новых возможностей для более глубокого анализа изображений.
"Это позволит нам думать о вещах по-другому," говорит Хипп, научный сотрудник патологической информатики и клинический преподаватель кафедры патологии. "Мы начинаем устранять разрыв между качественным анализом, проводимым квалифицированными патологами-экспертами, и количественными подходами, которые стали возможны благодаря достижениям в области технологий визуализации."
Например, наиболее распространенным способом изучения образцов тканей по-прежнему является метод окрашивания, восходящий к 1800-м годам. Чтение этих сложных слайдов и постановка диагноза – часть искусства патологии.
SIVQ, однако, может помочь патологам, предварительно просматривая изображение и выявляя потенциально проблемные области, включая тонкие особенности, которые могут быть не очевидны глазу.
Эффективность SIVQ в предварительном выявлении потенциальных проблем становится очевидной, если учесть, что патолог может просмотреть более 100 слайдов за один день.
"В отличие от даже самых прилежных людей, компьютеры не страдают от скуки или усталости," Балис говорит.
Работать вместе
Векторы также могут быть объединены для создания общих библиотек ?? каталог эталонных изображений, по которым компьютер может выполнять поиск ?? Балис объясняет, что может помочь патологам быстро выявлять редкие аномалии.
"Внедрение таких инструментов в клинический рабочий процесс может обеспечить более высокий уровень знаний, которые будут распространяться более широко, и снизить скорость, с которой результаты не будут замечены," Балис говорит.
После публикации этой первой статьи, представляющей алгоритм SIVQ, у команды есть ряд исследовательских проектов, близких к завершению, которые демонстрируют потенциальную полезность технологии в ряде фундаментальных научных и клинических приложений. Эти усилия предполагают сотрудничество с исследователями из Национальных институтов здравоохранения, клиники Мэйо, Университета Рутгерса, Гарвардской медицинской школы и Массачусетской больницы общего профиля.
SIVQ также может помочь в анализе "жидкие биопсии," экспериментальный метод сканирования образцов крови на наличие крошечного количества раковых клеток, скрывающихся среди миллиардов здоровых. Балис участвовал в разработке этой технологии в Массачусетской больнице общего профиля до того, как пришел в U-M, и члены этой исследовательской группы также участвуют в разработке SIVQ и его приложений.
Тем не менее, патологи не должны беспокоиться, что SIVQ оставит их без работы.
"Никто не говорит о замене патологоанатомов в ближайшее время," Балис говорит. "Но, работая в тандеме с этой технологией, есть надежда, что они смогут достичь более высокого общего уровня производительности."