Automatic segmentation of tumor-activated macrophages in patients affected by colorectal liver metastases

The outcome of Colorectal Liver Metastases (CLM) is influenced by the complex interactions occurring within the tumor foci, but also between normal liver tissue and the tumor itself. We have original data showing that alteration of size and shape of peritumoral macrophages (PM) impact on tumor prognosis, thus reflecting their functional (M1 vs M2) status. The identification of these tiny changes in hundreds of macrophages, usually present in few mm^2 of normal liver tissue, can be extremely difficult and time consuming using classical microscopy. We explore the use of deep learning algorithms for the segmentation of individual macrophages. Several different models and approaches are considered to find the one best suited to the constraints imposed by the problem at hand. The final proposed models is inspired by state-of-the-art Convolutional Neural Networks (CNNs) but appropriately modified to address the problem of instance segmentation.

Negli ultimi anni il machine learning ha rivoluzionato il mondo del processamento digitale di immagini. Problemi che una volta erano considerati irrisolvibili da una macchina, come la classificazione di immagini, sono ora diventati la norma. Diverse branche della scienza sono state influenzate in maniera profonda da questo cambiamento, ma forse quella che più di tutte e destinata ad essere cambiata è la medicina. La radiologia è gia stata pervasa dalla AI e un gran numero di ricerche hanno dimostrato come ormai il machine learning possa ottenere facilemnte risultati comparabili a quelli di un medico. Un ambito quasi inesplorato della medicina è l’istopatologia, un campo dove la quantità di lavoro cresce in maniera costante, ma la disponibilità di medici specializzati è in calo. L’avvento del machine learning nell’ambito della istopatologia può permettere di automatizzare i lavori più onerosi e di permettere al medico di concentrarsi sulla diagnosi. In questo scenario, i malati di cancro al colon retto spesso sviluppano una metastasi al fegato, influenzata da complesse interazioni tra il tessuto sano e il tumore stesso. Dati preliminari suggeriscono che la forma e la dimensione dei macrofagi peri-tumorali possano essere di impatto nella prognosi della malattia. Tuttavia l’identificazione di piccole variazioni in centinaia di cellule, presenti in pochi mm^2 di tessuto, può rivelarsi estremamente lungo e complicato appoggiandosi solo alla miscroscopia classica. Si propone un approccio basato sul machine learning per segmentare in maniera automatica i macrofagi peritumorali in campioni istologici del fegato. A differenza della classificazione di immagini, la segmentazione rimane un problema aperto e, nonostante molti modelli e approcci siano stati proposti nello stato dell’arte, non esiste una soluzione unica ad ogni problema. Ogni campo applicativo pone dei vincoli particolari che richiedono soluzioni specifiche e una attenta selezione dei trade-off. Diversi modelli iivengono proposti tenendo conto dei particolari vincoli imposti dall’ambito applicativo, come la dimensione ridotta del dataset e la varietà di aspetto di queste cellule. Il modello proposto ottiene una Symmetric Best Dice di ≈ 80%, che lo rende vicino ad essere pronto per un applicazione reale.