Multi-resolution graph-based representation for analysis of large histo-pathological images

Abstract

La exploración de muestras histopatológicas es potencialmente una importante fuente de información para el diagnóstico de enfermedades, educación y entrenamiento médico. Convencionalmente, este tipo de muestras se observan a través de un microscopio óptico, sin embargo, recientes avances tecnológicos en el área de imagino logia han favorecido el desarrollo de la microscopía virtual, un conjunto de herramientas que permiten la navegación de versiones digitales de placas histopatológicas, también llamadas Placas Virtuales (PV). Ya que las PV son un conjunto de imágenes de campos visuales microscópicos, estas son imágenes de alta resolución. El gran tamaño de las PV representa un cuello de botella para cualquier estrategia de navegación, introduciendo considerables retardos en la presentación de la información al usuario y produciendo en consecuencia, navegaciones poco fluidas. Por esto, el desarrollo de métodos para acelerar la interacción en este tipo de aplicaciones impulsara su uso en áreas como la tele patología. Una de las aproximaciones más aceptadas respecto a este problema son las estrategias de predicción, en las cuales solo las regiones de interés son enviadas al usuario. Por tanto el reto en este tipo de aproximaciones es identificar las regiones relevantes para el patólogo, es decir aquellas que contienen significado semántico para el diagnostico. Los modelos de atención visual intentan emular la percepción visual humana, permitiendo identificar las pocas regiones de una escena que contienen la mayor cantidad de información. Sin embargo, la complejidad de las imágenes histopatológicas hace que este tipo de modelos sea insuficiente para identificar estructuras relevantes dentro de la muestra y se hace necesario utilizar nuevas fuentes de información. En este trabajo se presenta una novedosa aproximación estadística que permite construir un mapa de información relevante de la PV con el fin de permitir navegaciones fluidas en un microscopio virtual. Este trabajo utiliza como una primera aproximación a las regiones relevantes un mapa de saliencia obtenido a partir de un modelo de atención visual \bottom-up", el cual es modificado por conocimiento \top-down. Obtenido a partir de navegaciones de patólogos expertos sobre PVs. Las regiones de la PV son estructuradas en un grafo tipo árbol, de acuerdo a su nivel de relevancia, en esta estructura los nodos representan regiones espaciales de la PV y los arcos representan relaciones de inclusión entre ellas. El método presentado alcanza en promedio, una capacidad de predicción del 67 % de regiones de interés que fueron visitadas en una nueva navegación, asumiendo un caché de solo el 20 % del tamaño total de la placa virtual. Adicionalmente, con respecto a un método más simple, i. e. sin la representación del grafo, el método propuesto mejora en un 3 % la capacidad de identificación de regiones relevantes, lo cual es significativo en este contexto, ya que un porcentaje como este puede representar regiones de mega pixeles en una PV.

Exploration of complete histological samples is a very important source of information for diagnosis, learning and medical training. These samples have been conventionally observed through an optical microscope, but recent advances in imaging technology have enabled the development of virtual microscopy, a set of tools that allows navigation of digitized versions of tissue samples (virtual slides or VS). Since VS are the set of several microscopic visual �elds they are high resolution images with huge storage spaces. The size of these images repre- sents a bottle-neck for any navigation strategy, introducing considerable delays in displaying information to the user, which results in non- uid navigations. Development of methodo- logies for accelerate interaction with such volume of data, represents a reinforcement of its use in real applications as telepathology. One of the most accepted methodologies regarding this problem are based on prediction policies, in which only the regions of current interest are provided to the user. Then, the challenge in these approaches is to identify relevant regions, which for VS exploration enclose semantic meaning for diagnosis. Classical visual attention models emulates the human visual perception allowing to identify relevant regions with highest quantity of information. However, complexity of histo-pathological images make insu�cient these models to identify all relevant structures in the sample, furthermore new information sources that lies the identi�cation of salient features is required. In this work is presented a novel statistical hybrid approach which enable to build up relevant informa- tion VS maps to achieve uent virtual navigation. This approach, uses as �rst relevance approximation, a saliency map obtained from a bottom-up visual attention model, which is modi�ed by a top-down relevance information obtained from actual VS explorations of expert pathologists. Image regions are organized in a graph structure according it's levels of relevance, in this structure nodes are related to spatial regions and edges represent belonging relationships between them. The method herein introduced achieve in average, a prediction capacity of 67 % of RoIs that were visited in a new navigation, assuming a cache of only 20 % of total size of VS. Additionally, with respect to a simpler method, i.e. without graph representation, graph-based method outperforms RoIs identi�cation capacity in about 3 % which is signi�cant in this context since such a percentage could represent regions of mega- pixels of a VS.