Schnelles Kreuz - Nantong Histology Consumables Co., Ltd

Wissenschaftliche Berichte Band 12, Artikelnummer: 11623 (2022) Diesen Artikel zitieren

1079 Zugriffe

1 Zitate

Details zu den Metriken

Die gemeinsame Analyse mehrerer Proteinexpressionen und Gewebemorphologiemuster ist für die Krankheitsdiagnose, Behandlungsplanung und Arzneimittelentwicklung wichtig und erfordert eine Kreuzfärbungsausrichtung mehrerer immunhistochemischer und histopathologischer Objektträger. Allerdings ist die Kreuzfärbungsausrichtung riesiger Gigapixel-Ganzbildträgerbilder (WSIs) mit Einzelzellpräzision schwierig. Abgesehen von den gigantischen Datendimensionen von WSIs gibt es große Unterschiede im Aussehen der Zellen und der Gewebemorphologie bei verschiedenen Färbungen sowie morphologische Deformationen, die durch die Objektträgerpräparation verursacht werden. Ziel dieser Studie ist es, ein Bildregistrierungsgerüst für die Kreuzfärbungsausrichtung von Gigapixel-WSIs histopathologischer und immunhistochemischer mikroskopischer Objektträger zu erstellen und dessen klinische Anwendbarkeit zu bewerten. Nach bestem Wissen der Autoren ist dies die erste Studie, die eine vollautomatische Kreuzfärbungsausrichtung von WSIs in Echtzeit mit 40-facher und 20-facher Objektivvergrößerung durchführt. Das vorgeschlagene WSI-Registrierungsframework besteht aus einem schnellen globalen Bildregistrierungsmodul, einem interaktiven Echtzeit-FOV-Lokalisierungsmodell (Field of View) und einem in Echtzeit verbreiteten mehrstufigen Bildregistrierungsmodul. In dieser Studie wird die vorgeschlagene Methode anhand von zwei Arten von Krebsdatensätzen aus zwei Krankenhäusern unter Verwendung unterschiedlicher digitaler Scanner evaluiert, darunter ein doppelt gefärbter Brustkrebsdatensatz mit 43 Hämatoxylin- und Eosin (H&E)-WSIs und 43 immunhistochemischen (IHC) CK(AE1/ AE3) WSIs und ein dreifach färbender Prostatakrebs-Datensatz mit 30 H&E-WSIs, 30 IHC-CK18-WSIs und 30 IHC-HMCK-WSIs. Bei der Bewertung wird die Registrierungsleistung nicht nur an der Registrierungsgenauigkeit, sondern auch an der Rechenzeit gemessen. Die Ergebnisse zeigen, dass die vorgeschlagene Methode eine hohe Genauigkeit von 0,833 ± 0,0674 für den dreifach gefärbten Prostatakrebs-Datensatz bzw. 0,931 ± 0,0455 für den zweifach gefärbten Brustkrebs-Datensatz erreicht und im Durchschnitt nur 4,34 s pro WSI-Registrierung benötigt. Darüber hinaus benötigt die vorgeschlagene Methode für 30,23 % der Daten weniger als 1 s für die WSI-Registrierung. Im Vergleich zu den Benchmark-Methoden zeigt die vorgeschlagene Methode eine überlegene Leistung in Bezug auf Registrierungsgenauigkeit und Rechenzeit, was ein großes Potenzial für die Unterstützung von Ärzten bei der Identifizierung von Krebsgewebe und der Bestimmung des Krebsstadiums in der klinischen Praxis bietet.

Die Überwachung multimodaler molekularer und zellulärer Interaktionen, des Tumorwachstums und der Gewebemorphologie ist für die Krebsdiagnose, die Arzneimittelentwicklung und die biologische Forschung von entscheidender Bedeutung und erfolgt in der Regel durch die gleichzeitige Analyse mehrerer mikroskopischer Objektträger mit verschiedenen Färbungen. Dabei handelt es sich um eine gemeinsame Analyse eines Hämatoxylin- und Eosin-Objektträgers (H&E) zur Beurteilung der Zellmorphologie und mehrerer immunhistochemischer (IHC) Objektträger zur gemeinsamen Überwachung verschiedener Proteinexpressionsmuster mit mikroskopischer Einzelzellauflösung1. In der Praxis wird die H&E-Färbung als Goldstandard zur Analyse der Gewebemorphologie übernommen. Andererseits wird die IHC-Färbung häufig zum Nachweis von Antigenen, insbesondere Proteinen, bei der Diagnose abnormaler Zellen, wie sie beispielsweise in Krebsgewebe vorkommen, eingesetzt, sodass Biologen und Ärzte die Verteilung von Proteinen in verschiedenen Teilen des biologischen Gewebes beobachten können. In den Neurowissenschaften ermöglicht IHC Wissenschaftlern die genaue Untersuchung der Proteinexpression in bestimmten Gehirnstrukturen2,3,4. In der Arzneimittelentwicklung wurde IHC eingesetzt, um die Wirksamkeit von Arzneimitteln zu testen, indem bestimmte Proteinexpressionen überwacht und die aktiven Konzentrationen von Krankheitszielen analysiert wurden5,6. In der klinischen Diagnose sind Mediziner und Wissenschaftler mit dem Wissen über Tumormarker und IHC-Tools in der Lage, Tumore als gutartig oder bösartig zu diagnostizieren, das Krebsstadium zu bestimmen und den Zelltyp und Ursprung einer Metastase zu identifizieren, um den Ort der Metastasierung zu finden Primärtumor.

Allerdings ist es aufgrund der enormen Dimensionen der zu analysierenden Gigapixel-Bilder, nicht starrer Verzerrungen und Deformationen, die während der Objektträgervorbereitung eingeführt werden, und unterschiedlicher Zellen schwierig, die Proteinexpressionen von interessierenden Geweben aus mehreren Ganzobjektträgerbildern (WSIs) mit unterschiedlichen Färbungen auszurichten, zu vergleichen und zu quantifizieren Aussehen und Gewebemorphologie über alle Färbungen hinweg. Abbildung 1a zeigt die Herausforderungen, die sich aus einzelnen Datenvorbereitungsschritten für die Kreuzfärbungs-WSI-Analyse in der Krebsdiagnose ergeben. Serienschnitte werden zunächst aus einem Patientenspenderblock geschnitten und auf Glasobjektträger montiert, was zu nicht starren Verformungen und Verzerrungen über die Objektträger führt. Zweitens werden Objektträger mit verschiedenen Arten von Färbungen bearbeitet. Da jede Färbung bestimmte Substanzen im Gewebe hervorhebt, unterscheiden sich die Bilderscheinungen von Zellen und Gewebeanordnungen bei verschiedenen Färbungen deutlich. Drittens werden Objektträger in riesige Gigabyte-große WSIs mit mikroskopischer Einzelzellauflösung digitalisiert, darunter ein H&E-WSI und mehrere IHC-WSIs, um die Gewebemorphologie und verschiedene Proteinexpressionsmuster gemeinsam zu beobachten. Typischerweise werden WSIs in einer Gigabyte-großen Pyramidendatenstruktur mit mehreren Auflösungen von niedriger bis hoher Vergrößerung mit einer allgemeinen Größe von etwa 100.000 \(\times \) 200.000 Pixeln auf der höchsten Auflösungsstufe gespeichert. Zusätzlich zu den enormen Datenmengen, die verarbeitet werden müssen, gibt es in den verschiedenen WSIs große Unterschiede in der Färbung, dem Erscheinungsbild der Zellen und der Gewebemorphologie.

Aufgrund der Weiterentwicklung der Rechenleistung wurden viele Computeralgorithmen7,8,9,10 für die automatische Ausrichtung biologischer Mikroskopbilder entwickelt. Das bUnwarpJ-Tool von Arganda-Carreras et al.7 wurde für die Ausrichtung biologischer Schnitte entwickelt und ermöglicht eine bidirektionale Bildregistrierung. Saalfeld et al. präsentierte eine auf der Methode der kleinsten Quadrate basierende Registrierungsmethode unter Verwendung linearer Merkmalskorrespondenzen8 und einen elastischen Registrierungsansatz basierend auf nichtlinearen Blockkorrespondenzen9. Wang et al. erstellten eine CwR-Methode10, die ein 3D-Ausrichtungs- und Validierungsmodell unter Verwendung des B-Spline-Deformationsfelds enthält. In dieser Studie werden die oben genannten Ansätze7,8,9,10 als Benchmark-Methoden übernommen.

Aus der Literaturübersicht geht hervor, dass bereits viele Studien11,12,13,14,15,16,17,18,19,20 eine Bildausrichtung durch direkte Anwendung der Bildtransformation auf gesamte Bilder durchführten. Später wurden mehrere Ansätze21,22,23,24,25,26 mit einem effizienteren Schema wie etwa hierarchischen Rahmenwerken für den Umgang mit großen mikroskopischen Datensätzen entwickelt. Aufgrund der Weiterentwicklung der Bildgebungstechnologie ist eine Bildausrichtung bei der Anwendung auf riesige Gigabyte-große Bilder wie WSIs erforderlich. Die oben genannten Methoden sind jedoch zu speicherintensiv und zu langsam, um auf die WSI-Ausrichtung angewendet zu werden. Für den Umgang mit der enormen Größe von WSIs wurden mehrere kachelbasierte Ansätze entwickelt. Roberts et al.27 präsentierten ein auf Multi-Resolution-Block-Matching basierendes, nicht starres Registrierungs-Framework. Song et al.28 und Lotz et al.29 erweiterten Roberts‘ Ansatz27 für die Geweberekonstruktion histologischer Schnitte mit unterschiedlichen Färbungen. Lied et al. entwickelte eine unbeaufsichtigte Inhaltsklassifizierungsmethode, die Mehrkanal-Wahrscheinlichkeitsbilder aus Bildern verschiedener Flecken erzeugt, um die Ähnlichkeit der beiden Bilder zu erhöhen, und integrierte die Klassifizierungsmethode in das auf mehreren Auflösungen und Blockanpassungen basierende Framework. Lotz et al.29 berechnen zunächst die nichtlineare Registrierung auf Bildern mit niedriger Auflösung, um globale, großräumige Verformungen in Geweben zu korrigieren, und die Ergebnisse dieser nichtlinearen Registrierung werden dann als erste Schätzung für eine fleckenweise Registrierung verwendet. In dieser Studie werden die drei kachelbasierten Ansätze für die WSI-Ausrichtung27,28,29 als Benchmark-Methoden für die Laufzeitanalyse übernommen.

(a) Herausforderungen, die durch einzelne Datenvorbereitungsschritte für die Kreuzfärbungs-WSI-Analyse verursacht werden. Probenergebnisse nach der vorgeschlagenen Methode in (b) dreifach gefärbter WSI-Ausrichtung von H&E-, HMCK- und CK18-Objektträgern für die Prostatakrebsdiagnose und in (c) doppelt gefärbter WSI-Ausrichtung von H&E- und CK(AE1/AE3)-Objektträgern für die Brustkrebsdiagnose .

Prostatakrebs ist die zweithäufigste krebsbedingte Todesursache bei Männern in den Vereinigten Staaten30. Im Jahr 2018 verursachte Prostatakrebs weltweit 358.989 Todesfälle31,32,33. Bei der Diagnose eines invasiven Prostatakarzinoms ist es wichtig zu prüfen, ob die Basalzellschicht fehlt oder nicht. Daher spricht das völlige Fehlen einer Färbung bei Basalzell-assoziierten Markern für eine bösartige Interpretation. Der diagnostische und prognostische Wert von CK18 bei Prostatakrebs und menschlichen Tumoren wurde nachgewiesen und beschrieben in34,35,36. Im Jahr 2012 wiesen Weng et al.34 darauf hin, dass CK18 in einer Vielzahl erwachsener Epithelorgane exprimiert wird, eine Rolle bei der Karzinogenese spielt und in Kombination mit anderen Markern ein wichtiger Marker für die therapeutische Wirksamkeit ist. Im Jahr 2016 stellten Yin et al.35 fest, dass die IHC-CK18-Expression in PCa-Geweben in statistisch signifikanter Weise umgekehrt mit dem Tumorgrad korreliert (\(p=0,028\)), wobei Gewebeproben mit höheren Tumorgraden (Gleason-Score \(\ ge 7\)) zeigen eine allmählich verringerte CK18-Intensität. Im Jahr 2021 zeigen Menz et al.36, dass eine verringerte CK18-Immunfärbung mit einem hohen UICC-Stadium (\(p=0,0010\)), einem hohen Thoenes-Grad (\(p=0,0086\)) und einem fortgeschrittenen Tumorstadium (\(p<) verbunden ist 0,0001\)) basierend auf 11952 Tumorproben. Mithilfe von IHC ist hochmolekulares Zytokeratin (HMCK) ein zytoplasmatischer Marker, der intermediäre Zytokeratinfilamente (CK) in Drüsenbasalzellen hervorhebt und spezifisch für Basalzellen in der Prostata ist.

In der klinischen Praxis wird eine manuelle Kreuzfärbungsanalyse ganzer Objektträger durchgeführt; Um eine Probe als gutartig oder bösartig zu diagnostizieren, müssen Ärzte zunächst manuell Krebsgewebe identifizieren und dann das Tumorstadium und den Tumorgrad eines Patienten mit Prostatakrebs bestimmen. Da nur die Gewebe mit positivem CK18-Nachweis und innerhalb der Drüse mit positivem HMCK-Nachweis als Krebsgewebe eingestuft werden, müssen Ärzte zur Identifizierung von Krebsgewebe und zur Bestimmung des Tumorstadiums und -grades jeweils drei Gigabyte große mikroskopische WSIs manuell ausrichten Patienten und quantifizieren Sie dann subjektiv das Krebsgewebe von WSIs, um eine gleichzeitige Analyse eines IHC-HMCK-Objektträgers, eines IHC-CK18-Objektträgers und eines H&E-Objektträgers durchzuführen. Dies ist jedoch schwierig und schlecht reproduzierbar, wenn man die enormen Ausmaße der zu analysierenden Gigapixel-Bilder, die bei der Objektträgervorbereitung verursachten nicht starren Verzerrungen und Verformungen sowie das unterschiedliche Erscheinungsbild der Zellen und die Gewebemorphologie bei verschiedenen Färbungen bedenkt. Durch die automatische Kreuzfärbungsausrichtung von WSIs können medizinische Experten und Wissenschaftler das Krebsgewebe leicht identifizieren, die Menge des Krebsgewebes quantifizieren und das Stadium und den Grad eines Tumors bestimmen. Abbildung 1b zeigt das Ergebnis der automatischen Dreifachfärbung einer Prostatakrebsprobe mit der vorgeschlagenen Methode.

Brustkrebs ist die häufigste Krebsart bei Frauen und eine der Haupttodesursachen37,38. In der Prognose von Brustkrebspatientinnen beträgt die Fünf-Jahres-Überlebensrate 90 % und die Zehn-Jahres-Überlebensrate 83 %. Allerdings verschlechtert sich die Überlebensrate erheblich, wenn Brustkrebs metastasiert38,39. Bei lokalisiertem Brustkrebs liegt die 5-Jahres-Überlebensrate bei 99 %, bei regionalen (Lymphknoten-)Metastasen sinkt sie auf 85 %. Darüber hinaus beträgt die 5-Jahres-Überlebensrate bei Fernmetastasen 26 %. Daher ist es wichtig, die Metastasen zu identifizieren, um eine angemessene Behandlung zu gewährleisten und die Überlebensrate zu verbessern. Die Prognose von Brustkrebspatientinnen wird hauptsächlich durch das Ausmaß des Krebses bestimmt, der mithilfe des TNM-Stufensystems bewertet wird, das die Größe des Tumors (T), den Status der axillären Lymphknoten (N) und den Status der Metastasierung (M) beurteilt. Der Status der axillären Lymphknoten könnte durch die Beurteilung des Sentinel-Lymphknotens abgeschätzt werden, der der erste Lymphknoten ist, der die afferente Lymphdrainage vom primären Krebs erhält und somit der erste Knoten ist, der von Metastasen betroffen ist. Daher könnte Patienten, deren Sentinel-Lymphknoten keine Brustkrebsmetastasierung aufweist, eine umfassendere axilläre Lymphknotendissektion erspart bleiben. Alternativ kann bei Brustkrebspatientinnen eine axilläre Lymphknotendissektion durchgeführt werden, insbesondere bei Patienten mit starkem Verdacht auf axilläre Lymphknotenmetastasen.

Metastasierungsherde in Lymphknoten wurden in Makrometastasen (Metastasengröße größer als 2,0 mm), Mikrometastasen (Metastasengröße größer als 0,2 mm, aber keine größer als 2,0 mm) und isolierte Tumorzellen (ITCs, Metastasengröße nicht größer als 0,2 mm) eingeteilt ). Aufgrund ihrer geringen Größe ist es für den Menschen schwierig, ITCs zu identifizieren, insbesondere in Fällen mit vielen axillären Lymphknoten, was zu einer Unterbehandlung der Patienten führt. Darüber hinaus ist die routinemäßige Untersuchung von H&E-Lymphknotenpräparaten, insbesondere bei der axillären Lymphknotendissektion, die viele Lymphknoten enthalten kann, zeitaufwändig und Pathologen laufen Gefahr, winzige Metastasenherde zu übersehen. Die MIRROR-Studie (Micrometastases and Insulated Tumor Cells: Relevant, Robust or Rubbish) betonte die Notwendigkeit einer zusätzlichen Therapie bei invasivem Brustkarzinom mit ITCs oder Mikrometastasen40,41,42,43, wobei die Unterstützung der Identifizierung von ITCs oder Mikrometastasen dringend erforderlich ist die Betreuung von Brustkrebspatientinnen. Die IHC-Färbung für Zytokeratin auf Lymphknotenabschnitten könnte zum Nachweis von ITCs verwendet werden. In dieser Studie veranschaulichen wir die automatische Kreuzfärbungsausrichtung von WSIs von H&E- und IHC-CK(AE1/AE3)-Objektträgern, die dabei helfen, alle Lymphknoten zu untersuchen und winzige Metastasenherde zu identifizieren, um die Genauigkeit der pathologischen Beurteilung von Lymphknoten zu verbessern, wie in Abb. 1c.

In diesem Artikel stellen wir ein interaktives, vollautomatisches hierarchisches Registrierungs-Framework in Echtzeit vor, das in der Lage ist, eine Kreuzfärbungsausrichtung von Gigapixel-WSIs histopathologischer und immunhistochemischer mikroskopischer Objektträger in Echtzeit durchzuführen und auch den großen Geschwindigkeitsengpass bei der Unterstützung von Ärzten bei der Identifizierung von Krebserkrankungen zu überwinden Gewebe und bestimmen das Stadium und den Grad eines Tumors. Das vorgeschlagene hierarchische Registrierungsframework wird im Abschnitt „Methoden“ ausführlich beschrieben. Die Wirksamkeit und Robustheit des vorgeschlagenen vollautomatischen hierarchischen Registrierungsrahmens wird anhand von zwei Datensätzen validiert, darunter ein Brustkrebs-Datensatz mit doppelter Färbung mit 43 H&E-Objektträgern und 43 IHC-CK(AE1/AE3)-Objektträgern sowie ein Prostatakrebs-Datensatz mit dreifacher Färbung und 30 H&E-Objektträgern , 30 IHC CK18-Objektträger und 30 IHC HMCK-Objektträger. Abbildung 1b,c zeigt das automatische WSI-Ausrichtungsergebnis von dreifach gefärbten Prostatakrebsproben bzw. zweifach gefärbten Brustkrebsproben nach der vorgeschlagenen Methode. Abbildung 2 zeigt das Flussdiagramm für die vorgeschlagene Methode zur Kreuzfärbungs-WSI-Analyse im klinischen Einsatz. Darüber hinaus wurde ein webbasiertes Online-System der vorgeschlagenen Methode zur Live-Demonstration der Kreuzfärbungsausrichtung ganzer Objektträgerbilder in Echtzeit erstellt. Bitte sehen Sie sich das ergänzende Video unter https://www.youtube.com/watch?v=0Uc6-s_ClIg&ab_channel=ProfChing-WeiWang an.

Flussdiagramm im klinischen Einsatz für die vorgeschlagene Methode bei der Kreuzfärbungs-WSI-Analyse. (a) Medizinische Experten greifen über ihre Geräte über einen Webbrowser auf die WSI-Datenbank zu. (b) Die vorgeschlagene Methode führt eine Echtzeitregistrierung durch und unterstützt die gleichzeitige Analyse mehrerer WSIs.

In dieser Studie wurden zwei Datensätze von WSIs erstellt und in zwei verschiedenen Krankenhäusern gesammelt, darunter ein doppelt gefärbter Brustkrebs-Datensatz mit 43 H&E-Objektträgern und 43 IHC-CK(AE1/AE3)-Objektträgern, die vom National Taiwan University Hospital, Taipei, Taiwan, mit einem gesammelt wurden ethische Genehmigung (NTUH-REC 201810082RINB) und ein dreifach gefärbter Prostatakrebs-Datensatz mit 30 H&E-Objektträgern, 30 IHC-CK18-Objektträgern und 30 IHC-HMCK-Objektträgern, gesammelt vom Tri-Service General Hospital, Taipei, Taiwan, mit einer ethischen Genehmigung (TSGHIRBI-107). -05-171). Die Objektträger wurden im Rahmen routinemäßiger Probenvorbereitungsverfahren erstellt. Zunächst werden die Gewebe in 10 % gepuffertem Formalin fixiert und in Paraffin eingebettet. Als nächstes wurden mit Leica RM2155 Serienschnitte geschnitten (4 μm) und dann mit H&E- und zugehörigen IHC-Färbungen gefärbt. Bei der Digitalisierung wurden die Prostatakrebs-Objektträger mit dem Leica AT Turbo-Scanner (Leica, Wetzlar, Deutschland) bei 40-facher Objektivvergrößerung und die Brustkrebs-Objektträger mit dem 3DHISTECH Pannoramic SCAN II-Scanner (3DHISTECH Kft. Budapest, Ungarn) bei 20-facher Objektivvergrößerung gescannt . Wir haben die Informationen der beiden experimentellen Datensätze in Tabelle 1 zusammengefasst.

Zur Auswertung wurden drei Experimente durchgeführt, darunter ein Experiment zur Kreuzfärbungsausrichtung auf dreifach gefärbten Prostatakrebs-Objektträgern (siehe Abschnitt „Quantitative Auswertung des Dreifachfärbungs-Prostatakrebs-Datensatzes“) und ein Experiment zur Kreuzfärbungsausrichtung auf zweifach gefärbten Brustkrebsobjektträgern Krebsobjektträger (siehe Abschnitt „Quantitative Auswertung des Dual-Färbungs-Brustkrebsdatensatzes“) und ein Experiment zur Laufzeitanalyse (siehe Abschnitt „Laufzeitanalyse“). Die erste Bewertung wurde an 30 Sätzen dreifach gefärbter Prostatakrebsproben durchgeführt, darunter H&E-Objektträger und IHC-Objektträger mit zwei Arten von Antigenen, CK18 und HMCK, und wir vergleichen die vorgeschlagene Methode mit vier Bildregistrierungstechniken für die biologische mikroskopische Bildausrichtung, darunter bUnwarpJ7, LeastSquares8, Elastic9 und CwR10. Die zweite Bewertung wurde an 43 Paaren doppelt gefärbter Brustkrebs-Objektträger durchgeführt, darunter 43 H&E-Objektträger und 43 IHC-Objektträger mit CK(AE1/AE3)-Antigen, und wir vergleichen die vorgeschlagene Methode weiter mit dem besten Benchmark-Ansatz, der im ersten Experiment durchgeführt wurde , also bUnwarpJ7. Das dritte Experiment wurde durchgeführt, um eine Laufzeitanalyse der 43 Paare doppelt gefärbter Brustkrebs-Objektträger zu erstellen. Wir vergleichen die Rechenzeit bei der WSI-Registrierung der vorgeschlagenen Methode und des besten Benchmark-Ansatzes, der im ersten Experiment durchgeführt wurde, d. h. bUnwarpJ7, Roberts et al.27, Song et al.28 und Lotz et al.29. Alle statistischen Analysen wurden mit der SPSS-Software44 durchgeführt und alle Experimente wurden auf einer Workstation mit einem Intel Xeon Gold 6134 CPU-Prozessor und 64 GB RAM durchgeführt.

Was die Bewertungsmethode zur Messung der Registrierungsgenauigkeit betrifft, so wurde in früheren Studien45,46 darauf hingewiesen, dass der traditionelle Bewertungsansatz, der auf der Summe der quadrierten Unterschiede der Bildintensitäten zwischen dem Ziel und der transformierten Quelle basiert, bei biologischen Bildanwendungen wie dem Pixel ungenau sein könnte Die Intensität im Ziel und die Intensität des genau registrierten Pixels in der transformierten Quelle unterscheiden sich im Allgemeinen aufgrund von Fleckenschwankungen. Infolgedessen wird der quantitative Bewertungsansatz der vorherigen Arbeiten45,46 übernommen, bei dem fünf entsprechende Orientierungspunkte zwischen Zielbildern und zugehörigen transformierten Quellbildern durch jede Registrierungsmethode zunächst manuell von erfahrenen Pathologen markiert wurden und ein automatisches Matching-System zum Vergleich angewendet wurde Koordinaten der entsprechenden manuellen Anmerkungen, wodurch Registrierungsgenauigkeitswerte für jedes Bildpaar basierend auf der erfolgreichen Übereinstimmungsrate über die entsprechenden Anmerkungen (innerhalb eines Abstands von fünf Pixeln) erstellt werden. Die endgültige Registrierungsgenauigkeitsbewertung jeder Registrierungsmethode wird anhand der durchschnittlichen Genauigkeit aller Bildpaare berechnet, wie in Abb. 3 dargestellt.

Registrierungsergebnisse der vorgeschlagenen Methode und Benchmark-Ansätze7,8,9,10 in dreifach gefärbten Prostatakrebsproben. Die blauen Rechtecke stellen die Positionen der ausgewählten Orientierungspunkte dar, die von erfahrenen Pathologen im Zielbild definiert wurden; die roten Kästchen stellen Nichtübereinstimmungen der entsprechenden Orientierungspunkte im transformierten Quellbild (IHC1) dar; Die gelben Kästchen stellen Nichtübereinstimmungen der entsprechenden Orientierungspunkte im transformierten Quellbild (IHC2) dar. Die grünen Kästchen stellen Übereinstimmungen entsprechender Orientierungspunkte im transformierten Quellbild dar.

Abbildung 4a zeigt die Bewertungsergebnisse der Registrierungsgenauigkeit bei dreifach gefärbten Prostatakrebs-Gewebebildern mit der vorgeschlagenen Methode und vier Benchmark-Ansätzen, darunter bUnwarpJ7, Leastsquares8, Elastic9 und CwR10. Darüber hinaus werden beim Testen der Benchmark-Ansätze mit Ausnahme des CwR10 vier Transformationsmodelle angewendet, darunter affine, starre, Ähnlichkeits- und Übersetzungsmodelle. Wie in Abb. 4 dargestellt, schneidet die vorgeschlagene Methode durchweg gut ab und übertrifft die Benchmark-Methoden deutlich. Detaillierte quantitative Ergebnisse finden Sie in Tabelle 2. Darüber hinaus führen wir die statistische Analyse weiter durch und das Ergebnis zeigt, dass die vorgeschlagene Methode deutlich besser ist als die Benchmark-Methoden (\(p<0,01\)) für dreifach gefärbten Prostatakrebs Registrierung von Gewebebildern. Abbildung 3 zeigt einige Beispielergebnisse der Registrierungsergebnisse der vorgeschlagenen Methode und Benchmark-Ansätze.

(a) Bewertungsergebnisse der dreifach gefärbten Prostatakrebs-Objektträger nach der vorgeschlagenen Methode und den Benchmark-Ansätzen7,8,9,10. (b) Bewertungsergebnisse der Brustkrebs-Objektträger mit doppelter Färbung nach der vorgeschlagenen Methode und dem am besten durchgeführten Benchmark-Ansatz im ersten Experiment7. (c) Laufzeitanalyse bei der Kreuzfärbungs-WSI-Registrierung der vorgeschlagenen Methode und Benchmark-Ansätze7,27,28,47.

Abbildung 4b vergleicht die Bewertungsergebnisse von Brustkrebsgewebebildern mit doppelter Färbung mit der vorgeschlagenen Methode und dem besten Benchmark-Ansatz, der im ersten Experiment durchgeführt wurde, d. h. bUnwarpJ7. Die vorgeschlagene Methode erreicht eine hohe durchschnittliche Registrierungsgenauigkeit (93,49 %), während der bUnwarpJ-Ansatz7 eine durchschnittliche Genauigkeit von nur 25,58 % erreicht. Detaillierte quantitative Ergebnisse finden Sie in Tabelle 3. Unter Verwendung der SPSS-Software44 zeigt das Ergebnis, dass die vorgeschlagene Methode eine deutlich bessere Leistung als bUnwarpJ7 (\(p<0,001\)) erbringt.

Für die Laufzeitanalyse wird der Brustkrebsdatensatz verwendet und die Rechenzeit der WSI-Registrierung der vorgeschlagenen Methode mit dem besten Benchmark-Ansatz verglichen, der im ersten Experiment durchgeführt wurde, d. h. dem bUnwarpJ-Ansatz7, und drei weiteren Benchmark-Ansätzen, darunter Roberts et al .27, Song et al.28 und Lotz et al.29. Beim Testen der WSI-Registrierung führen wir eine Regressionsanalyse durch, um die Rechenzeit für die WSI-Registrierung mithilfe der Methode der kleinsten Quadrate abzuschätzen, da das System des bUnwarpJ-Ansatzes7 dazu neigt, aufgrund von Speichermangel auszufallen. Detaillierte quantitative Ergebnisse finden sich in Tabelle 4. Die vorgeschlagene Methode benötigt im Durchschnitt nur 4,34 s pro WSI-Registrierung. Im Vergleich dazu kostet der bUnwarpJ-Ansatz7 durchschnittlich 55162,4 s (15,3 Stunden) pro WSI-Registrierung. Roberts et al.27 und Song et al.28 benötigen durchschnittlich mehr als 400 s (6,67 Minuten) pro WSI-Registrierung, und Lotz et al.29 kostet durchschnittlich 76,42 s pro WSI-Registrierung. Abbildung 4c zeigt die Verteilungen der WSI-Registrierungsrechenzeit nach einzelnen Methoden und zeigt, dass die vorgeschlagene Methode viel weniger Zeit benötigt als alle Benchmark-Ansätze7,27,28,29. Durch die Durchführung des LSD-Tests ist die vorgeschlagene Methode deutlich schneller als die Benchmark-Ansätze7,27,28,29 mit \(p<0,001\) bei der WSI-Registrierung. Darüber hinaus ist die vorgeschlagene Methode in der Lage, die WSI-Registrierung für 30,23 % der WSI-Paare des experimentellen Datensatzes innerhalb von 1 s abzuschließen. Eine Demonstration der Echtzeit-Kreuzfärbungs-WSI-Registrierung mit der vorgeschlagenen Methode wird im Zusatzvideo vorgestellt. (https://www.youtube.com/watch?v=0Uc6-s_ClIg&ab_channel=ProfChing-WeiWang).

Die Kreuzfärbungsausrichtung und die gemeinsame Analyse mehrerer IHC- und H&E-Objektträger sind wichtig für die Krankheitsdiagnose, Arzneimittelentwicklung und biologische Forschung und ermöglichen die gleichzeitige Beurteilung mehrerer Arten von Proteinexpressionen für interessierende Gewebetypen mit Einzelzellauflösung. Bei der Diagnose eines invasiven Prostatakarzinoms werden in der klinischen Praxis Serienschnitte von Prostatakrebsspendern mit drei verschiedenen Farbstoffen gefärbt, darunter HMCK, CK18 und H&E, wie in Abb. 1b dargestellt. Um Krebsgewebe zu identifizieren, müssen Ärzte diese drei verschiedenen Objektträger vergleichen, was zeitaufwändig und schwierig ist und die Quantifizierung von Tumoren erschwert. Die automatische Kreuzfärbung der biologischen Bildausrichtung hilft Ärzten, Krebsgewebe zu identifizieren, die Menge an Krebsgewebe zu quantifizieren und das Krebsstadium zu bestimmen. Abbildung 1b zeigt die Dreifachfärbungsausrichtung der Ergebnisse von Prostatakrebs-Gewebeproben, die mit der vorgeschlagenen Methode durchgeführt wurden.

Bei der Prognose von Brustkrebspatientinnen wurden Metastasenherde in Lymphknoten in Makrometastasen (Metastasengröße größer als 2,0 mm), Mikrometastasen (Metastasengröße größer als 0,2 mm, aber keine größer als 2,0 mm) und isolierte Tumorzellen (ITCs, Metastasengröße nicht größer als 0,2 mm). Derzeit wird der Status der Lymphknoten routinemäßig durch die Untersuchung von H&E-Objektträgern bestimmt. Eine immunhistochemische Färbung auf Zytokeratin im Lymphknotenabschnitt kann angewendet werden, um ITCs auszuschließen, die aufgrund ihrer geringen Größe meist von IHC erkannt werden. Obwohl die klinische Bedeutung von ITCs oder Mikrometastasen umstritten ist, unterstreichen die Ergebnisse der MIRROR-Studie die Notwendigkeit einer zusätzlichen Therapie bei invasivem Brustkarzinom mit ITCs oder Mikrometastasen40,41,42,43 und belegen, dass die Identifizierung von ITCs oder Mikrometastasen derzeit erfolgt klinisch notwendig. Da die IHC für Zytokeratin jedoch nicht routinemäßig an jedem axillären Lymphknoten von Brustkrebspatientinnen durchgeführt wird, ist es möglich, dass ITCs unentdeckt bleiben, insbesondere in Fällen mit vielen axillären Lymphknoten, und zu einer Unterbehandlung der Patientinnen führen. Darüber hinaus ist die routinemäßige Untersuchung von H&E-Lymphknotenpräparaten, insbesondere bei der axillären Lymphknotendissektion, die viele Lymphknoten umfassen kann, zeitaufwändig und Pathologen laufen möglicherweise Gefahr, winzige Metastasenherde zu übersehen. In dieser Studie wird eine automatische Dual-Färbung der WSI-Ausrichtung von H&E- und IHC-CK(AE1/AE3)-Objektträgern durchgeführt, die Ärzten hilft, alle Lymphknotenabschnitte zu untersuchen und potenzielle winzige Metastasenherde zu identifizieren, wie in Abb. 1b dargestellt. Aufgrund der Bewegungseinschränkung kann die Immunhistochemie für CK an zwei Sentinel-Lymphknoten (LN) durchgeführt werden, normalerweise Sentinel-LN1 und LN2. In der klinischen Praxis stoßen wir jedoch sehr häufig auf mehr als zwei Sentinel-LNs plus axilläre Lymphknotendissektionen, die viele Lymphknoten umfassen können. Diese Methode kann dabei helfen, potenzielle Mikrometastasen und ITCs zu identifizieren, die von Pathologen in Lymphknotenschnitten ohne Immunhistochemie für CK möglicherweise unbemerkt bleiben.

In den Experimenten zur Dreifachfärbungsausrichtung an 90 Prostatakrebs-Gewebebildern erreicht die vorgeschlagene Methode eine Dreifachfärbungs-Registrierungsgenauigkeit von 0,833 ± 0,0674, während vier Benchmark-Ansätze7,8,9,10 schlecht abschneiden und eine durchschnittliche Genauigkeit von nicht mehr als 0,60 erreichen . In der statistischen Analyse ist die vorgeschlagene Methode deutlich besser als alle Benchmark-Ansätze7,8,9,10 (\(p<0,01\)) für die Kreuzfärbung mikroskopischer Bildregistrierung. Bei der Auswertung von Brustkrebs-Gewebebildern vergleichen wir die vorgeschlagene Methode mit dem besten Benchmark-Ansatz, der bei der dreifach gefärbten Ausrichtung von Prostatakrebs-Gewebebildern durchgeführt wurde, d. h. bUnwarpJ7 auf 86 Brustkrebs-Gewebebildern. Bei der Auswertung erreicht die vorgeschlagene Methode eine hohe Bildregistrierungsgenauigkeit von 0,931 ± 0,0455. Im Vergleich dazu erreicht die Benchmark-Methode – bUnwarpJ-Ansatz – nur eine durchschnittliche Genauigkeit von 0,255. In der statistischen Analyse übertrifft die vorgeschlagene Methode den bUnwarpJ-Ansatz (\(p<0,001\)) für die Ausrichtung von Brustkrebsgewebebildern mit zwei Färbungen deutlich.

Für die Laufzeitanalyse benötigt die vorgeschlagene Methode durchschnittlich nur 4,34 s pro WSI-Registrierung. Im Vergleich dazu verbringen die Benchmark-Ansätze7,27,28,29 durchschnittlich mehr als 70 Sekunden pro WSI-Registrierung. Darüber hinaus benötigt die vorgeschlagene Methode für 30,23 % der Daten, also 13 von 43 WSI-Paaren von Brustkrebsdaten, weniger als 1 s für die WSI-Registrierung. In dieser Studie stellen wir ein vollautomatisches und robustes Echtzeit-Kreuzfärbungssystem zur Ausrichtung mehrerer IHC-Objektträger und histopathologischer H&E-Objektträger vor, um die gemeinsame Beurteilung der Gewebemorphologie und verschiedener Proteinexpressionen zu unterstützen. Dabei kommen zwei verschiedene digitale Scanner zum Einsatz, nämlich Leica und 3DHISTECH, an zwei verschiedenen Krebsproben, nämlich Brustkrebs und Prostatakrebs, und aus zwei verschiedenen Krankenhäusern. Die vorgeschlagene Methode ist nicht auf die Kreuzfärbungsanalyse beschränkt, sondern könnte auch für den Einzelfärbungs-Serienschnittvergleich verwendet werden.

In dieser Studie stellen wir ein in Echtzeit durchgeführtes und vollautomatisches kachelbasiertes Registrierungsgerüst mit grober bis feiner Ausbreitung für die Kreuzfärbung der WSI-Ausrichtung vor. Das vorgeschlagene Framework besteht aus zwei Hauptteilen, darunter einem schnellen globalen Registrierungsmodul (Abschnitt „Schnelle globale Bildregistrierung“) und einem propagierten Echtzeit-Bildregistrierungsmodul auf mehreren Ebenen (Abschnitt „Propagierte mehrstufige Bildregistrierung“). Abb. 5 zeigt das Flussdiagramm der vorgeschlagenen Methode. Für das schnelle globale Registrierungsmodul, wie in Abb. 5a dargestellt, werden zunächst Zytoplasmamerkmale von Bildern auf niedriger Ebene mithilfe der Farbentfaltung extrahiert (Abschnitt „Zytoplasma-Merkmalsextraktionsmodell“). zweitens werden entsprechende Orientierungspunkte zwischen dem Ziel- und dem Quellbild erkannt (Abschnitt „Erkennung entsprechender Orientierungspunkte“) und dann zur Berechnung der globalen Transformationsparameter verwendet (Abschnitt „Berechnung globaler Transformationsparameter“); Drittens wird das Low-Level-Quellbild mithilfe der globalen Transformationsparameter (Abschnitt „Globale Bildtransformation“) am Ziel ausgerichtet. Für den zweiten Teil der vorgeschlagenen Methode, d. h. das in Echtzeit verbreitete mehrstufige Bildregistrierungsmodul, wie in Abb. 5b dargestellt, wird zunächst der Kachelsatz des Quell-WSI verwendet, der dem Sichtfeld (FOV) des Ziels entspricht WSI werden mithilfe der Transformationsparameter extrahiert; Zweitens wird das Quell-FOV durch die vorgeschlagene patchweise Registrierung in Echtzeit an das Ziel-FOV angepasst (Abschnitt „Propagierte mehrstufige Bildregistrierung“).

Alle Methoden wurden in Übereinstimmung mit den relevanten Richtlinien und Vorschriften durchgeführt. Die Versuchsprotokolle wurden von den Forschungsethikkommissionen des National Taiwan University Hospital (mit der ethischen Genehmigungsnummer: NTUH-REC 201810082RINB) und des Tri-Service General Hospital, Taipei, Taiwan (mit der ethischen Genehmigungsnummer: TSGHIRB1-107-05) genehmigt -171). Die Forschungsethikkommissionen des National Taiwan University Hospital und des Tri-Service General Hospital verzichteten formell auf die Einverständniserklärung des Patienten. Die Daten wurden anonymisiert und für eine retrospektive Studie verwendet, ohne die Patientenversorgung zu beeinträchtigen.

Flussdiagramm des vorgeschlagenen interaktiven Echtzeit-Kreuzfärbungs-WSI-Alignment-Frameworks, bestehend aus (a) einem schnellen globalen Bildregistrierungsmodul und (b) einer in Echtzeit propagierten mehrstufigen Bildregistrierung. Für (a) eine schnelle globale Registrierung wird (ai) ein Fleckentrennungsmodell erstellt, um die Zytoplasmamerkmale zu extrahieren; (a.ii) Entsprechende Orientierungspunkte werden mithilfe der Zytoplasmamerkmale erkannt. (a.iii) Basierend auf den entsprechenden Orientierungspunkten werden globale Transformationsparameter generiert; (a.iv) Ein globales Bildregistrierungsergebnis wird durch Anwenden der globalen Transformationsparameter auf das Low-Level-Bild erhalten. Für (b) mehrstufige Bildregistrierung wird mithilfe der globalen Transformationsparameter ein Kachelsatz des Quell-WSI abgerufen, der dem Sichtfeld (FOV) des Ziel-WSI entspricht. (bi) Die abgerufene Kachel, die als grün hervorgehobenes Quell-FOV festgelegt ist, wird als Eingabe verwendet, und jede Kachel wird als rot gefärbte Mitte ausgewählt, um einen vergrößerten, orange hervorgehobenen Bereich zu erhalten. Danach wird jeder vergrößerte Bereich skaliert und anschließend um den Rotationsanker als Mittelpunkt im Uhrzeigersinn gedreht. (b.ii) Die blau hervorgehobene Kachel oben links ist übersetzt; (b.iii) Die Kachel wird dann zugeschnitten und in das Registrierungsausgabebild eingefügt; (b.iv) Das registrierte Quell-FOV wird erstellt.

Sei \(\{\ {\mathcal {J}}^{\xi } \}\ \) ein Paar digitaler WSI, das ein Ziel-WSI \({\mathcal {J}}^t\) und eine Quelle enthält WSI \({\mathcal {J}}^s\) für die Ausrichtung, wobei \(\xi =t\) das Ziel und \(\xi =s\) die Quelle darstellt. Wir formulieren einen Satz digitaler WSIs \(\{\ {\mathcal {J}}^{\xi } \}\ \) in einer mehrstufigen Pyramidenkachel-basierten Datenstruktur \(\{\ I^{\xi } _{l,i,j} \}\ \) mit mehreren Ebenen von niedriger bis hoher Vergrößerung, wobei i und j jeweils die Spalten- und Zeilennummer einer Kachel in Ebene l darstellen und die Einheit der Kachelgröße \ ist (m \times m\), wobei \(m=256\) in dieser Studie. Ziel- und Quellkachelbilder niedriger Ebene \(I^{t}_{low}, I^{s}_{low}\) werden aus Ziel- und Quell-WSIs auf Ebene \(l_{low}\) extrahiert. und \(l_{low} = \sum {I_{l}} <=(2m)^{2}\). \(I^{t}_{low}\) und \(I^{s}_{low}\) werden für den schnellen globalen Bildregistrierungsprozess verwendet.

Um die globalen Transformationsparameter und das Ergebnis der Low-Level-Bildregistrierung zu erhalten, umfasst der Low-Level-Bildregistrierungsprozess vier Teile, wie in Abb. 5a dargestellt. (1) Unter Verwendung der Farbentfaltungstechnik mit einer orthonormalen Transformationsmatrix wird eine Fleckentrennung auf den Ziel- und Quellkachelbildern auf niedriger Ebene durchgeführt, um die Zytoplasmamerkmale des Ziels und der Quelle zu extrahieren. (2) Die Erkennung entsprechender Orientierungspunkte wird auf die im vorherigen Schritt erhaltenen Zytoplasma-Merkmalsbilder angewendet, um paarweise Korrespondenzen zwischen dem Ziel und der Quelle herzustellen. (3) Durch das Ausrichten paarweiser Korrespondenzen werden globale Transformationsparameter (Rotationsmatrix, Skalierungsfaktor und Translationsvektor) basierend auf der Erkennung der entsprechenden Landmarken generiert. (4) Das Low-Level-Quellenbild wird mithilfe der aus Schritt 3 erhaltenen Transformationsparameter auf das Ziel ausgerichtet, wodurch eine Low-Level-registrierte Quelle entsteht. Die globalen Transformationsparameter auf niedriger Ebene werden dann für die interaktive FOV-Lokalisierung in Echtzeit und die mehrstufige Bildregistrierung in Echtzeit verwendet.

In RGB-Farben kann jede Farbe als \(\vec {c} \equiv (c_{1}, c_{2}, c_{3})\) dargestellt werden. Um die Farbe in einem Bild als Vektoraddition aus einem gewünschten (D), einem unerwünschten (U) und einem Hintergrund (P) zu modellieren, wird ein neues Vektormodell wie folgt definiert:

Dann wird die Farbe \(\vec {c}\) in den neuen Einheitsvektor \(\vec {c} = u.\vec {u} + d.\vec {d} + n.\vec {n} transformiert. + \vec {p}\). Durch Setzen von \(u = 0\) wird die unerwünschte Komponente entfernt und eine neue Farbe erzeugt \(\vec {c_{\prime}} = d.\vec {d} + n.\vec {n} + \vec { P}\). In einem Dreikanalbild wird ein Farbsystem als Matrixform \(\mu \) beschrieben, wobei jede Zeile einen bestimmten Fleck darstellt und jede Spalte die optische Dichte (OD) darstellt, die durch \(c_1\), \(c_2\) erfasst wird. ) und \(c_3\) für jeden Fleck.

In dieser Studie wird eine normalisierte OD-Matrix \({\widehat{\mu }}\) zur Beschreibung des Farbsystems für die orthonormale Transformation wie folgt definiert:

Sei \(G = [g_0, g_1, g_2]\) als \(3 \times 1\)-Vektor für die Menge an Flecken an dem spezifischen Pixel bezeichnet, wobei \(g_0\), \(g_1\) und \(g_2\) repräsentieren jeweils den ersten, zweiten und dritten Kanal. Die OD-Werte an einzelnen Pixeln könnten als \(O = G{\widehat{\mu }}\) formuliert werden. Daher führt die Multiplikation des OD-Bildes mit der Umkehrung der OD-Matrix zu einer orthogonalen Darstellung der Flecken, die das Bild \(G = {\widehat{\mu }}^{-1}O\) bilden. Anschließend werden die Zytoplasmamerkmale \(g^{1}_{0}\) und \(g^{2}_{0}\) des Zielbilds und des Quellbilds für die weitere entsprechende Landmarkenerkennung extrahiert.

Gegeben ein Paar Zytoplasmamerkmale, \(g^{1}_{0}\) und \(g^{2}_{0}\), ein Satz möglicher Transformationen \({\mathcal {T}}\ ) zwischen \(g_{0}^{1}\) und \(g_{0}^{2}\) und einer Abbildungsfunktion \(H_\tau (g_{0}^{2})\) , Unser Ziel ist es, die optimale Transformation \(\tau ^{\prime} = \arg \min _{\tau \in {\mathcal {T}}} ||H_\tau (g_{0}^{2}) zu erhalten. - g_{0}^{1}||^{2}\). Die optimale Transformation \(\tau ^{\prime}\) kann unter Verwendung des kürzesten Abstands der Transformationsinvariante \(\theta (g_{0}^{1}, g_{0}^{2}) = | erreicht werden |H_{\tau ^{\prime}}(g_{0}^{2}) - g_{0}^{1}||^{2}\), was dem euklidischen Abstand in \({\ L }{^2} = \{\ \Upsilon : \Re \rightarrow \Re : \int _{-\infty }^{\infty }|\Upsilon (\nu )^{2}|d\nu <\ infty \}\ \). Allerdings sind die optimale Transformation \(\tau ^{\prime}\) und der kürzeste Abstand \(\theta (g_{0}^{1}, g_{0}^{2})\) nicht einfach zu erreichen als Zielfunktion, da sie nicht konvex ist und lokale Minima-eingefangene Lösungen auftreten können. Um die oben genannten Probleme zu lösen, wenden wir eine Reihe geometrischer Merkmale \(\Gamma = \{\ \psi _{\gamma ^{1}} : \gamma ^{1} \in {\mathcal {T}}_ an {\theta } \}\ \subset \L ^{2} \), das durch Transformation einer erzeugenden Funktion \(\psi \in \L ^{2}\) konstruiert wird, wobei \({\mathcal {T} }_{\theta } \subset {\mathcal {T}}\) stellt eine endliche Diskretisierung der Transformationen \({\mathcal {T}}\) und \(\psi _{\gamma ^{1}} = dar U_{\gamma ^{1}}(\psi )\) repräsentiert die Transformation der erzeugenden Funktion \(\psi \) durch \(\gamma ^{1}\).

Sei \(P={ \{\ p_{k}\}\ }_{k=0}^{K}\) und \(Q={ \{\ q_{k}\}\ }_{k= 0}^{K}\) seien zwei Sätze paarweiser Korrespondenzen zwischen \(g_{0}^{1}\) und \(g_{0}^{2}\) in \(\Gamma \),

wobei \(\alpha_{k}\) und \(\beta_{k}\) keine negativen Koeffizienten sind.

Zwei Sätze paarweiser Korrespondenzen P und Q werden durch die folgenden Schritte erhalten: (1) Schlüsselpunktmengen \(E^{1}\) und \(E^{2}\) werden durch Anwendung der Gaußschen Differenz (DoG) ermittelt. Detektor48, (2) die entsprechenden Orientierungspunkte P und Q werden als geometrischer Konsens zwischen den Schlüsselpunkten \(E^{1}\) und \(E^{2}\) durch Anwendung von Random Sample Consensus (RANSAC)49 ausgewählt. Die entsprechende Merkmalserkennung P und Q wird dann verwendet, um einen Satz globaler Transformationsparameter zu berechnen.

Durch die Ausrichtung zweier Sätze paarweiser Korrespondenzen gilt \(P = { \{\ p_{k}\}\ }_{k=0}^{K} \) und \(Q = { \{\ q_{k}\ }\ }_{k=0}^{K}\) besteht die Aufgabe darin, einen Satz globaler Transformationsparameter schnell auf niedriger Auflösungsebene zu berechnen, einschließlich des Skalierungsfaktors S, der Rotationsmatrix R und des Translationsvektors T. Erstens: Um den Skalierungsfaktor S zu berechnen, werden die Schwerpunkte jedes Satzes berechnet und dann werden beide Schwerpunkte in ihren Ursprung (die zentrierten Vektoren) verschoben. Sei \({\overline{p}} = \frac{\sum _{k=0}^{K}p_{k}}{K}\) und \({\overline{q}} = \frac{ \sum _{k=0}^{K}q_{k}}{K}\) seien die Schwerpunkte jeder Menge und \(p_{k}^{\prime} = p_{k}-{\overline {p}}\) und \(q_{k}^{\prime} = q_{k}-{\overline{q}}\) die zentrierten Vektoren sind, kann der Skalierungsfaktor S wie folgt berechnet werden:

wobei \(\sigma \) die Varianz darstellt.

Als nächstes wird die \(d \times d\)-Kovarianzmatrix C berechnet: \(C=\sum _{k=0}^{K}(q_{k}^{\prime} \times {p_{k}^ {\prime}}^{tr})\), und tr ist der Matrixtransponierungsoperator. Dann wird unter Verwendung des Jacobi Singular Value Decomposition (SVD)-Algorithmus50 \(\delta \) die SVD-Matrix X berechnet: \(X=\delta (C)\). Um die Rotationsmatrix R zu erhalten, wird die SVD-Matrix X zerlegt, \(UZV=X\), wobei U, V Rotationsmatrizen und Z eine Diagonalmatrix sind. Die Rotationsmatrix R kann mit dem folgenden Ausdruck berechnet werden:

wobei \(E= \begin{bmatrix} 1 &{} 0 &{} 0\\ 0 &{} 1 &{} 0\\ 0 &{} 0 &{} 1 \end{bmatrix}\) ein ist \(3 \times 3\) diagonale Identitätsmatrix.

Nach der Berechnung des Skalierungsfaktors S und der Rotationsmatrix R kann der Translationsvektor T wie folgt berechnet werden:

S, R und T werden dann zum Ausrichten des Low-Level-Quellbilds \(I^{s}_{low}\) am Ziel \(I^{t}_{low}\) verwendet, einem interaktiven Echtzeit-FOV Lokalisierung und mehrstufige Bildregistrierungsprozesse in Echtzeit.

Nachdem Sie einen Satz Transformationsparameter aus dem vorherigen Abschnitt erhalten haben, besteht der nächste Schritt darin, das Quellbild auf niedriger Ebene \(I^{s}_{low,(x,y,w,h)}\) am Zielbild auszurichten und um eine registrierte Low-Level-Quelle \(I^{s'}_{low,(x^{\prime},y^{\prime},w,h)}\ zu erzeugen, wobei (x, y ) ist die Koordinate von \(I^{s}_{low,(x,y,w,h)}\) und \((x^{\prime},y^{\prime})\) ist die Koordinate von \(I^{s'}_{low,(x^{\prime},y^{\prime},w,h)}\). Die Abbildungsbeziehung wird wie folgt formuliert.

Das interaktive Echtzeit-FOV-Lokalisierungsmodul wurde entwickelt, um den zugehörigen Kachelsatz des Quell-WSI zu lokalisieren und abzurufen, der dem FOV des Ziel-WSI entspricht, wie in Abb. 5b dargestellt. Sei \(F^{t} = I^{t}_{l,(u^t,v^t,w^t,h^t)}\) das FOV des Ziel-WSI, wobei \(( u^t,v^t)\) ist die globale Koordinate von \(F^{t}\); \(n_1 \times n_2\) ist die Anzahl der Kacheln, die \(F^t\) enthalten. Zunächst wird die globale Koordinate \((u^s,v^s)\) der oberen linken Kachel des FOV im Quell-WSI berechnet, die dem Ziel-FOV \(F^t\) entspricht.

wobei \(\triangle = l-l_{low}\) für die Pegelkalibrierung verwendet wird.

Zweitens wird der zugehörige Kachelsatz des Quell-WSI, der \(F^t\) entspricht, abgerufen: \(G:{\{\ g_{l,i,j} \}\ }_{\{\ i=a ,\ldots ,a+n_1,j=b,\ldots ,b+n_2 \}\ }\). Der zugehörige Kachelsatz wird dann zur Berechnung der Registrierungsausgaben verwendet. Als nächstes wird die Transformation auf jeden vergrößerten Bereich jeder Kachel \(g_{l,i,j}\) im abgerufenen Kachelsatz angewendet, wodurch ein transformierter vergrößerter Bereich entsteht. Anschließend wird die obere linke Kachel jedes transformierten vergrößerten Bereichs ausgewählt und dann als Registrierungsausgabe in ein Bild integriert, dh das entsprechende FOV des Quell-WSI (siehe Abb. 5b). Detaillierte Registrierungsprozesse der vorgeschlagenen Methode werden wie folgt beschrieben.

Sei \(B_{g_{l,k,o},(x,y,w,h)} = { \{\ b_{l,i,j} \}\ }_{ i=k-\lfloor { \frac{q}{2}}\rfloor ,\ldots ,k+\lfloor {\frac{q}{2}}\rfloor ,j=o-\lfloor {\frac{q}{2}}\rfloor , \ldots ,o+\lfloor {\frac{q}{2}}\rfloor } \) sei ein vergrößerter Bereich, der \(q \times q\) Kacheln von jedem \(g_{l,i,j}\) als enthält die mittlere Kachel, wobei \(k=a,\ldots ,a+n_{1}\), \(o=b,\ldots ,b+n_2\), \(x = (k-\lfloor {\frac {q}{2}}\rfloor )m\), \(y = (o-\lfloor {\frac{q}{2}}\rfloor )m\), \(w \times h =(qm) ^2\) und \(q = 5\) in dieser Studie. Zunächst wird der Übersetzungsfaktor für jeden vergrößerten Bereich \(B_{g_{l,k,o},(x,y,w,h)}\) auf Ebene l berechnet:

Zweitens wird jeder vergrößerte Bereich \(B_{g_{l,k,o},(x,y,w,h)}\) parallel durch die folgende Formel transformiert:

wobei \( B^{\prime}_{g_{l,k,o},(x^{\prime},y^{\prime},w,h)} \) eine Menge transformierter vergrößerter Flächen darstellt, \(\lambda _x\) und \(\lambda _y\) bedeutet den überlappenden Teil zwischen den einzelnen Kacheln.

Drittens eine Kachel aus jeder transformierten vergrößerten Fläche \(B^{\prime}_{g_{l,k,o},(x^{\prime},y^{\prime},w,h)}\) wird als Registrierungsausgabekachel ausgewählt: \(z_{g_{l,k,o}} = I^{\prime}_{l,((k-\lfloor {\frac{q}{2}}\rfloor )m,(o-\lfloor {\frac{q}{2}}\rfloor )m,qm,qm)}\). Schließlich werden \(n_1 \times n_2\) Kacheln als entsprechendes FOV des Quell-WSI integriert: \(Z =\{\ z_{g_{l,k,o}} \}\ \).

Für die Live-Demonstration der Kreuzfärbungsausrichtung ganzer Objektträgerbilder in Echtzeit wurde ein webbasiertes Online-System der vorgeschlagenen Methode erstellt. Bitte sehen Sie sich das ergänzende Video unter https://www.youtube.com/watch?v=0Uc6-s_ClIg&ab_channel=ProfChing-WeiWang an.

Pitiot, A. & Guimond, A. Geometrische Regularisierung von Verschiebungsfeldern für die histologische Bildregistrierung. Med. Bild Anal. 12, 16–25 (2008).

Artikel PubMed Google Scholar

Utal, A., Stopka, A., Roy, M. & Coleman, P. Die Pep-19-Immunhistochemie definiert die Basalganglien und die damit verbundenen Strukturen im erwachsenen menschlichen Gehirn und ist bei der Huntington-Krankheit dramatisch reduziert. Neuroscience 86, 1055–1063 (1998).

Artikel CAS PubMed Google Scholar

Eriksdotter-Nilsson, M., Björklund, H. & Olson, L. Laminin-Immunhistochemie: eine einfache Methode zur Visualisierung und Quantifizierung von Gefäßstrukturen im Gehirn von Säugetieren. J. Neurosci. Methoden 17, 275–286 (1986).

Artikel CAS PubMed Google Scholar

Clinton, SM et al. Expression von Klotho-mRNA und -Protein im Gehirnparenchym von Ratten von der frühen postnatalen Entwicklung bis zum Erwachsenenalter. Gehirnres. 1527, 1–14 (2013).

Artikel CAS PubMed PubMed Central Google Scholar

Ma, X. et al. Prädiktive immunhistochemische Marker im Zusammenhang mit der Arzneimittelauswahl für Patienten, die wegen metastasiertem Nierenzellkrebs mit Sunitinib oder Sorafenib behandelt werden. Wissenschaft. Rep. 6, 1–11 (2016).

Artikel CAS Google Scholar

de Gooyer, JM et al. Immunhistochemische Auswahl von Biomarkern für die tumorzielgerichtete bildgesteuerte Chirurgie des Myxofibrosarkoms. Wissenschaft. Rep. 10, 1–8 (2020).

Artikel ADS Google Scholar

Arganda-Carreras, I. et al. Konsistente und elastische Registrierung histologischer Schnitte mittels Vektor-Spline-Regularisierung. In Computer Vision Approaches to Medical Image Analysis, vol. 4241 von Lecture Notes in Computer Science (Hrsg. Beichel, R. & Sonka, M.) 85–95 (Springer, 2006).

Google Scholar

Saalfeld, S., Cardona, A., Hartenstein, V. & Tomančák, P. Möglichst starre Mosaikierung und serielle Schnittregistrierung großer Systemdatensätze. Bioinformatik 57–63 (2010).

Saalfeld, S., Fetter, R., Cardona, A. & Tomancak, P. Elastische Volumenrekonstruktion aus einer Reihe ultradünner Mikroskopieschnitte. Nat. Methoden 9, 717–720 (2012).

Artikel CAS PubMed Google Scholar

Wang, C., Gosno, E. & Li, Y. Vollautomatische und robuste 3D-Registrierung von mikroskopischen Serienschnittbildern. Wissenschaft. Rep. 5, 15051 (2015).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Huang, K., Cooper, L., Sharma, A. & Pan, T. Schneller automatischer Registrierungsalgorithmus für große Mikroskopiebilder. Im Jahr 2006 IEEE/NLM Life Science Systems and Applications Workshop, 1–2 (2006).

Kurien, T. et al. Dreidimensionale Rekonstruktion eines menschlichen Brustkarzinoms unter Verwendung von Routinelaborgeräten und Immunhistochemie. J. Clin. Pathol. 58, 968–972 (2005).

Artikel CAS PubMed PubMed Central Google Scholar

Ma, B., Lin, Z., Winkelbach, S., Lindenmaier, W. & Dittmar, KE Automatische Registrierung von Serienschnitten von Mauslymphknoten mithilfe von Image-Reg. Mikron 39, 387–396 (2008).

Artikel PubMed Google Scholar

Magee, D., Treanor, D. & Quirke, P. Ein neuer Bildregistrierungsalgorithmus mit Anwendung auf die 3D-Histopathologie. In der mikroskopischen Bildanalyse mit Anwendungen in der Biologie. New York, NY (2008).

Mosaliganti, K. et al. Registrierung und 3D-Visualisierung großer Mikroskopiebilder. In Medical Imaging 2006: Image Processing, Bd. 6144, 61442V (Internationale Gesellschaft für Optik und Photonik, 2006).

Pitiot, A., Bardinet, E., Thompson, PM & Malandain, G. Stückweise affine Registrierung biologischer Bilder für die Volumenrekonstruktion. Med. Bild Anal. 10, 465–483 (2006).

Artikel PubMed MATH Google Scholar

Ruiz, A., Ujaldon, M., Cooper, L. & Huang, K. Nicht starre Registrierung für große Mengen mikroskopischer Bilder auf Grafikprozessoren. J. Signalverarbeitungssystem. 55, 229–250 (2009).

Artikel Google Scholar

Cooper, L., Naidu, S., Leone, G., Saltz, J. & Huang, K. Registrierung hochauflösender mikroskopischer Bilder mit verschiedenen histochemischen Färbungen – ein Werkzeug zur Kartierung der Genexpression mit zellulären Strukturen. In Proceedings of the Workshop on Microscopic Image Analysis with Applications in Biomedicine (2007).

Cooper, L. et al. Merkmalsbasierte Registrierung histopathologischer Bilder mit unterschiedlichen Färbungen: Eine Anwendung zur computergestützten Prognose follikulärer Lymphome. Berechnen. Methodenprogramme Biomed. 96, 182–192 (2009).

Artikel PubMed PubMed Central Google Scholar

du Bois d'Aische, A. et al. Effiziente multimodale, nicht starre Registrierung im dichten Feld: Ausrichtung von histologischen Bildern und Schnittbildern. Med. Bild Anal. 9, 538–546 (2005).

Artikel PubMed Google Scholar

Feuerstein, M., Heibel, H., Gardiazabal, J., Navab, N. & Groher, M. Rekonstruktion von 3D-Histologiebildern durch gleichzeitige verformbare Registrierung. In International Conference on Medical Image Computing and Computer-Assisted Intervention, 582–589 (Springer, 2011).

Schwier, M., Böhler, T., Hahn, HK, Dahmen, U. & Dirsch, O. Registrierung histologischer Bilder ganzer Objektträger anhand von Gefäßstrukturen. J. Pathol. Informieren. 4, 10 (2013).

Artikel Google Scholar

Rossetti, BJ et al. Dynamische Registrierung für serielle Gigapixel-Ganzdiabilder. Im Jahr 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017), 424–428 (IEEE, 2017).

Trahearn, N., Epstein, D., Cree, I., Snead, D. & Rajpoot, N. Hyper-Stain-Inspektor: Ein Rahmen für eine robuste Registrierung und lokalisierte Koexpressionsanalyse mehrerer Ganzdiabilder serieller Histologieschnitte . Wissenschaft. Rep. 7, 1–13 (2017).

Artikel CAS Google Scholar

Moles Lopez, X. et al. Registrierung ganzer immunhistochemischer Objektträgerbilder: eine effiziente Methode zur Charakterisierung der Biomarker-Kolokalisation. Marmelade. Med. Informieren. Assoc. 22, 86–99 (2014).

Artikel PubMed PubMed Central Google Scholar

Jiang, J., Larson, NB, Prodduturi, N., Flotte, TJ & Hart, SN Robuste hierarchische Dichteschätzung und Regression für die erneut gefärbte histologische Co-Registrierung ganzer Objektträgerbilder. PLoS ONE 14, e0220074 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Roberts, N. et al. Auf dem Weg zur routinemäßigen Nutzung der 3D-Histopathologie als Forschungsinstrument. Bin. J. Pathol. 180, 1835–1842 (2012).

Artikel PubMed PubMed Central Google Scholar

Song, Y. et al. Unbeaufsichtigte Inhaltsklassifizierung basierend auf nicht starrer Registrierung unterschiedlich gefärbter Histologiebilder. IEEE Trans. Biomed. Ing. 61, 96–108 (2014).

Artikel CAS PubMed Google Scholar

Lotz, J. et al. Patchbasierte nichtlineare Bildregistrierung für Gigapixel-Ganzdiabilder. IEEE Trans. Biomed. Ing. 63, 1812–1819 (2016).

Artikel CAS PubMed Google Scholar

Landis, SH, Murray, T., Bolden, S. & Wingo, PA Krebsstatistik, 1998. CA A Cancer J. Clin. 48, 6–29 (1998).

Artikel CAS Google Scholar

Bray, F. et al. Globale Krebsstatistik 2018: GLOBOCAN-Schätzungen der weltweiten Inzidenz und Mortalität für 36 Krebsarten in 185 Ländern. CA A Krebs J. Clin. 68, 394–424 (2018).

Ferlay, J. et al. Global Cancer Observatory: Cancer Today (Internationale Agentur für Krebsforschung, 2018).

Google Scholar

Rawla, P. Epidemiologie von Prostatakrebs. Welt J. Oncol. 10, 63 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Weng, Y.-R., Cui, Y. & Fang, J.-Y. Biologische Funktionen von Cytokeratin 18 bei Krebs. Mol. Krebs Res. 10, 485–493 (2012).

Artikel CAS PubMed Google Scholar

Yin, B. et al. Eine Herunterregulierung von Zytokeratin 18 ist mit Paclitaxel-Resistenz und Tumoraggressivität bei Prostatakrebs verbunden. Int. J. Oncol. 48, 1730–1736 (2016).

Artikel CAS PubMed Google Scholar

Menz, A. et al. Diagnostische und prognostische Auswirkungen der Cytokeratin-18-Expression in menschlichen Tumoren: Eine Gewebe-Microarray-Studie an 11.952 Tumoren. Mol. Med. 27, 1–16 (2021).

Artikel MathSciNet Google Scholar

Siegel, RL, Miller, KD & Jemal, A. Krebsstatistik, 2016. CA A Cancer J. Clin. 66, 7–30 (2016).

Litjens, G. et al. 1399 H&E-gefärbte Sentinel-Lymphknotenabschnitte von Brustkrebspatientinnen: der Camelyon-Datensatz. GigaScience 7, giy065 (2018).

Artikel PubMed Central Google Scholar

Howlader, N. et al. Überprüfung der SEER-Krebsstatistiken, 1975–2009 (Jahrgang 2009, Populationen) 1975–2009. (Nationales Krebsinstitut, 2012).

Weaver, DL et al. Einfluss okkulter Metastasen auf das Überleben bei nodalnegativem Brustkrebs. N. engl. J. Med. 364, 412–421 (2011).

Artikel CAS PubMed PubMed Central Google Scholar

Giuliano, AE et al. Zusammenhang zwischen okkulten Metastasen in Sentinel-Lymphknoten und Knochenmark und dem Überleben von Frauen mit invasivem Brustkrebs im Frühstadium. JAMA 306, 385–393 (2011).

Artikel CAS PubMed PubMed Central Google Scholar

Giuliano, AE et al. Axilladissektion vs. keine Axilladissektion bei Frauen mit invasivem Brustkrebs und Wächterlymphknotenmetastasen: Eine randomisierte klinische Studie. JAMA 305, 569–575 (2011).

Artikel CAS PubMed PubMed Central Google Scholar

De Boer, M. et al. Mikrometastasen oder isolierte Tumorzellen und der Ausgang von Brustkrebs. N. engl. J. Med. 361, 653–663 (2009).

Artikel PubMed Google Scholar

SPSS. Spss für Windows, rel.17.0.1. 2008. (2008).

Wang, C.-W. & Chen, H.-C. Verbessertes Bildausrichtungsverfahren zur Anwendung auf Röntgenbilder und biologische Bilder. Bioinformatik 29, 1879–1887. https://doi.org/10.1093/bioinformatics/btt309 (2013).

Artikel CAS PubMed Google Scholar

Wang, C., Ka, S.-M. & Chen, A. Robuste Bildregistrierung biologischer mikroskopischer Bilder. Wissenschaft. Rep. 4, 6050 (2014).

Artikel CAS PubMed PubMed Central Google Scholar

Mueller, D., Vossen, D. & Hulsken, B. Echtzeit-verformbare Registrierung multimodaler ganzer Objektträger für die digitale Pathologie. Berechnen. Med. Bildgebungsdiagramm. 35, 542–556 (2011). Prozess des gesamten Diabildes.

Lowe, DG Markante Bildmerkmale aus skaleninvarianten Schlüsselpunkten. Int. J. Comput. Vis. 60, 91–110 (2004).

Artikel Google Scholar

Fischler, MA & Bolles, RC Zufallsstichprobenkonsens: Ein Paradigma für die Modellanpassung mit Anwendungen in der Bildanalyse und automatisierten Kartographie. Komm. ACM 24, 381–395 (1981).

Artikel MathSciNet Google Scholar

Drmač, Z. & Veselić, K. Neuer schneller und genauer Jacobi-SVD-Algorithmus. ICH*. SIAM J. Matrix Anal. Appl. 29, 1322–1342 (2008).

Artikel MathSciNet MATH Google Scholar

Referenzen herunterladen

Diese Studie wird vom Ministerium für Wissenschaft und Technologie Taiwans im Rahmen von Zuschüssen (109-2221-E-011-018-MY3) und der National Taiwan University of Science and Technology – Tri-Service General Hospital (NTUST-TSGH-111-) unterstützt. 05).

Graduierteninstitut für Angewandte Wissenschaft und Technologie, National Taiwan University of Science and Technology, Taipeh, Taiwan

Ching-Wei Wang, Yu-Ching Lee und Muhammad-Adil Khalil

Graduierteninstitut für Biomedizintechnik, National Taiwan University of Science and Technology, Taipeh, Taiwan

Ching-Wei Wang & Kuan-Yu Lin

Abteilung für Pathologie, Tri-Service General Hospital, Taipei, Taiwan

Cheng-Ping Yu

Institut für Pathologie und Parasitologie, National Defense Medical Center, Taipei, Taiwan

Cheng-Ping Yu

Abteilung für Pathologie, National Taiwan University Hospital, Taipei, Taiwan

Huang-Chun Lien

Graduierteninstitut für Pathologie, National Taiwan University, Taipei, Taiwan

Huang-Chun Lien

Sie können diesen Autor auch in PubMed Google Scholar suchen

CWW hat diese Studie konzipiert und gestaltet. YCL und KYL führten die Experimente durch. YCL analysierte die Daten. CPY und HCL lieferten medizinische Daten und biologische Erkenntnisse. CWW hat die Methode entwickelt. CWW, YCL, MAK und KYL haben das Manuskript geschrieben. Alle Autoren haben die endgültige Version überprüft und genehmigt.

Korrespondenz mit Ching-Wei Wang.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Wang, CW., Lee, YC., Khalil, MA. et al. Schnelle Kreuzfärbungsausrichtung von Gigapixel-Bildern ganzer Objektträger zur Anwendung bei Prostatakrebs- und Brustkrebsanalysen. Sci Rep 12, 11623 (2022). https://doi.org/10.1038/s41598-022-15962-5

Zitat herunterladen

Eingegangen: 30. November 2021

Angenommen: 01. Juli 2022

Veröffentlicht: 08. Juli 2022

DOI: https://doi.org/10.1038/s41598-022-15962-5

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.