基于形态测量的深度学习肾小球分割故障检测

《Computer Methods and Programs in Biomedicine》：Morphometry-based detection of deep learning faults in glomerular segmentation

　　

## 摘要

**背景与目标：** 基于深度学习的分割技术已成为自动标注肾脏活检图像中肾小球的一种强大策略。然而，由于任何人工智能都可能出错，识别和纠正错误标注的策略往往不可或缺。那么，如何在无需病理学家逐一手动检查每张图像的繁重任务的情况下实现这种验证呢？针对这一问题，当前项目对使用形状分析来自动评估深度学习分割所产生的肾小球标注进行了广泛研究。

**方法：** 针对超过17万个肾小球预测结果应用了超过30种形状描述符，并结合了定性和定量评估，包括人工标注的分割错误的富集分析。

**结果：** 研究发现，形态测量学能够成功地突出并区分三种不同类型的分割不一致性。此外，利用形状描述符对分割标注进行排序，可以在排序的前端获得错误的显著富集，这意味着病理学家只需检查和纠正所有标注中最可疑的部分。最终，该研究提出了一个由三种形状描述符组成的组合，能够高效地富集所有错误，无论是否与错误类型相关。

**结论：** 综上所述，该工作展示了形状分析在评估肾小球分割结果方面的方法论特点及优势。我们相信，通过应用这种检测分割错误的策略，将有可能更高效地纠正深度学习生成的肾小球标注。

## 引言

随着数字病理学的发展及相关数字化活检图像的可获取性，深度学习（DL）已成为辅助病理学家完成各种诊断任务的有前景的策略[1]。例如，在肾病理学中，评估肾脏活检最重要的任务之一是表征肾小球中的形态学病变[2]，肾小球是负责血液过滤和尿液生成的毛细血管簇。在此背景下，深度学习在自动检测/分割全切片图像（WSI）中的此类结构方面取得了巨大进展[3][4][5][6][7][8][9][10][11]，同时将它们分类为已定义的病变类别也取得了很大进步[11][12][13][14][15][16][17]。

尽管目前几乎没有深度学习模型进入任何经验证的临床诊断流程，但它们仍然是一个非常有价值的资源，可以增强正在进行的科研。例如，自动检测/分割肾小球可以极大地帮助生成大规模的肾小球图像斑块集合，从而便于开发用于分类等下游任务的模型[13][16][17]。

然而，当使用深度学习来收集训练数据时，分割错误[3][8][9]可能带来不利影响，在使用数据用于下游目的之前，通常需要检测并纠正这些错误。然而，手动筛查此类错误又成为自动创建肾小球图像集合的一大耗时障碍（图1A–C）。

因此，为了充分利用现有的深度学习模型生成研究数据集，需要解决以下开放性问题："在没有金标准的情况下，如何估算错误数量？"以及"如何在不要求病理学家逐一手动重新检查每张图片的情况下，高效地检测和纠正错误？"例如，是否有可能设计一套自动分析指标，当应用于分割标注集合时，能够强烈富集错误，从而使病理学家将纠正工作集中在最可疑的案例上（图1D–E）？

考虑到肾活检图像的肾小球实例分割所产生的标注可解释为二维形状（即多边形），形态测量学/形状分析作为一种识别不一致分割的有前景的策略应运而生。形状分析指对形状特征进行定量和客观的研究，在生物医学图像对象的研究中具有广泛应用，包括生物细胞[18][19]、肿瘤[20][21]、乳房X光片中的钙化灶[22]，甚至肾小球[23][24]。更重要的是，形状分析可用于评估图像分割的结果[8][25]，或作为帮助完善/纠正初始分割结果的手段[8][9]。例如，在肾小球分割方面，Altini等人[8]使用标注面积与其凸包面积之间的差异作为度量，以识别可能包含多个肾小球的标注。Trinh等人[9]建议一个后处理步骤，将每个标注转换为凸包以去除孔洞和不规则性。与这些研究一致，我们最近也报告了使用圆形度和凸度来过滤肾小球分割预测的方法[26]。然而，目前很少有工作针对深度学习肾小球分割可能产生哪些类型的标注错误，以及最好如何使用形状分析来描述和检测此类错误进行更广泛的研究。

据我们所知，当前工作是首个关于利用形状分析检测肾小球分割中标注错误的系统性研究。具体而言，该项目旨在（i）揭示在大规模自动分割肾小球集合中可能出现的常见分割错误类型，并（ii）评估一系列形状描述符在自动突出此类错误方面的能力。

## 方法概述

为评估形状分析作为优先处理需要纠正的肾小球分割工具的应用，本研究采用了如图1F–J所示的策略。具体而言，利用多样化的WSI集合并应用现有的肾小球分割深度学习工具，研究获得了大量预测的肾小球标注。对这些标注进行目视检查后，识别出各种类型的分割错误。随后，应用各种形状描述符进行分析。

**原始WSI的收集：** 为获取涵盖不同组织内容和组织学染色的大型多样化WSI集合，该项目从两个公开资源（图1F）获取了原始WSI：肾脏精准医学项目（KPMP）[27]，包括苏木精-伊红（H&E，n=500）、过碘酸-Schiff（PAS，n=500）、Jones亚甲胺银（SIL，n=500）和三色（TRI，n=500）染色的活检样本，以及基因型-组织表达（GTEx，n=500）项目[28]，包含H&E染色的尸检组织。

**肾小球的自动分割：**

**标注错误的视觉识别：** 基于对分割结果的目视检查，Histo-Cloud工具[4]在检测和分割肾小球方面表现优异，绝大多数标注几乎无错误。然而，鉴于分割对象数量庞大，一小部分标注被发现存在错误和/或不一致性。总共识别出五种错误的标注类型。具体而言，第一组包括……

## 讨论

基于深度学习的分割是肾病理学中自动表征肾小球病变的关键步骤[13][42]。然而，此类分割有时会产生不一致性[3][8][9]，在使用输出用于下游应用之前可能需要纠正。手动验证所有分割将是一项相当耗时的任务，其工作量与待评估对象数量成线性关系。因此，近期研究已聚焦于……

## 结论

本研究证明了形态测量学提供了用于优先处理某些类型肾小球分割故障的通用工具集。除了突出三种常见的分割不一致性外，该研究还识别出三种分别高效的形状描述符，在所研究的分割模型背景下能够高效检测这些错误，在标注的前20%–30%中富集几乎所有错误。在这些指标中包含一种新颖的……

## CRediT作者贡献声明

Hrafn Weishaupt：撰写——审阅与编辑、撰写——原始草稿、可视化、验证、监督、软件、项目管理、方法学、调查、形式化分析、数据管理、概念化。Justinas Besusparis：撰写——审阅与编辑、数据管理。Nazanin Mola：撰写——审阅与编辑、数据管理。St?le Sund：撰写——审阅与编辑、数据管理。Sabine Leh：撰写——审阅与编辑、资源、资金获取、数据管理。

## 资金支持

本项目由挪威西部卫生局资助（战略研究基金F-12563）。

## 利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Sabine Leh报告与Sectra AB的关系，包括：差旅报销。Sabine Leh报告与欧洲数字与整合病理学会的关系，包括：董事会成员。Sabine Leh报告与英国皇家医学会的关系，包括：差旅报销。如有其他作者，他们声明……

## 致谢

本研究结果全部或部分基于肾脏精准医学项目（KPMP，https://www.kpmp.org；最后访问/下载日期：2025年3月27日）和基因型-组织表达项目（GTEx，https://www.gtexportal.org；最后访问/下载日期：2022年6月22日）所产生的数据。肾脏精准医学项目由美国国立糖尿病、消化和肾脏疾病研究所（NIDDK）通过以下资助支持：U01DK133081、U01DK133091、U01DK133092、U01DK133093。

Hrafn Weishaupt | Justinas Besusparis | Nazanin Mola | St?le Sund | Sabine Leh

挪威卑尔根豪克兰大学医院病理学系，Bergen, 5021, 挪威