论文阅读：染色归一化

题目：染色标准化在大肠组织卷积网络分类中的重要性（THE IMPORTANCE OF STAIN NORMALIZATION IN COLORECTAL TISSUE CLASSIFICATION WITH CONVOLUTIONAL NETWORKS）

Introduction：组织切片的固定、包埋、切割和染色程序会影响H&E染色组织学样本的外观，这在不同实验室之间可能存在显著差异，甚至在同一实验室内的染色批次之间也可能存在显著差异。尽管这种差异仅部分限制了病理学家对图像的解释，它会极大地影响自动图像分析算法的结果。为了解决这个问题，最近开发了用于组织学图像的染色归一化（SN）算法，目的是将WSI的染色颜色与给定模板匹配。

在本文中，我们研究了H&E染色结直肠癌组织样本卷积网络组织分类中染色归一化的重要性。首先，提出了一种卷积网络结构来对9种组织类型的直肠癌组织样本进行分类，并在一组74张完整的幻灯片图像上进行了训练和验证。其次，我们使用最近公开的CRC数据集，研究了ConvNets从一个来源的直肠癌数据到不同来源的CRC数据的表示方法的适用性。在这个过程中，我们研究了两种最先进的SN算法的作用，比较了有无染色归一化的结果。

在本文中，我们使用了来自两个不同来源的数据，一组来自直肠癌样本的WSI，另一组最近公开的结直肠癌图像和补片数据集。我们使用直肠癌WSIs队列来训练卷积网络，并验证交叉验证的性能。接下来，在CRC数据集进一步验证了ConvNets在独立数据集上的性能，并研究了染色标准化在CRC组织分类中的作用。

Data：

直肠癌（RC）数据：从74名未接受新辅助化疗和/或放疗的患者手术切除的直肠癌中制备了一组74张组织切片。1.玻片制备包括2µm组织切片的标准固定和H&E染色。2.使用Hamamatsu NanoZoomer 2.0HT C9600-13扫描仪（德国赫尔辛），以200倍放大率（像素分辨率=0.455µm）进行整体扫描，该扫描仪可生成740千兆像素的整张幻灯片图像。3.一位专家使用内部开发的开源软件ASAP5对9个组织类别进行手动注释，包括：（i）肿瘤，（ii）基质，（iii）坏死，（iv）肌肉，（v）健康上皮，（vi）脂肪组织，（vii）淋巴细胞，（viii）粘液和（ix）血细胞（见图2）。4.病理学家连续彻底检查所有注释，必要时进行纠正。

结直肠癌数据：最近公开了10名患者的结直肠癌图像和补片数据集[4]。测试数据集由两个子集组成。第一个子集CRCp包含从10张CRC病例H&E切片中提取的5000块150×150像素的斑块。这些贴片包含8种组织类型的625例，即（i）肿瘤上皮，（ii）简单基质，（iii）复杂基质，（iv）免疫细胞团，（v）碎片和粘液，（vi）粘膜腺体，（vii）脂肪组织，（viii）背景。第二个子集CRCt包含10块大小为5000×5000像素的H&E染色CRC组织样本。

Stain normalization

原图I与归一化后I^

其中θ是从预定义模板图像中提取的一组参数，f是将给定图像的视觉外观与模板图像匹配的映射函数。参数θ通常被定义为捕捉图像中主要染色成分（例如H和E）的颜色信息。因此，染色标准化图像的颜色分布与模板的颜色分布相似。在图1中，描述了来自CRCt的图像及其基于图2的WSI模板的染色标准化版本

 上面为原图，下面为归一化后的图。

两种方法：

第一种是SN1：基于Bejnordi等人[5]最近发表的方法。第二种方法SN2:基于Macenko等人[6]发表的方法，该方法被称为TUPAC6和AMIDA7挑战中染色标准化的参考方法。

三种评估：

首先，我们评估了建议的ConvNet在交叉验证中在WSI级别对RC数据进行分类的性能。

其次，我们评估了在RC数据上训练的同一个ConvNet应用于独立CRC数据集的性能。

在第二个实验中，我们通过将CRC数据的颜色空间与用于训练的RC数据相匹配，比较了两种最先进的染色归一化算法。作为第二个实验的一部分，我们还分析了染色标准化应用于训练和测试数据的重要性。

染色标准化使准确率显著提高20%以上，SN1和SN2的准确率分别达到75.55%（实验B）和73.99%。

 

我们还发现SN2未能使3块脂肪组织正常化，而且无论所考虑的组织类型如何，它都倾向于强制颜色正常化。例如，在图4中，描绘了两个CRC贴片，分别包含肿瘤和血细胞。虽然SN1和SN2都能正确地使肿瘤斑块的染色正常化，但其特征是使用SN2，血细胞的红色完全消失，而SN1保留了红通道的一个重要组成部分

 

a.d是原图，b.e是SN1，c.f是SN2

在自己的数据集染色结果：

 

左图为原图，右图为染色后的图