AI-driven image-to-image translation for histopathology

Abstract

Histological assessment of tissue specimens is the benchmark for disease diagnosis. Chemical staining of the tissue specimen is the process that enables this assessment by effectively applying distinct colors to different tissue components. A stained tissue reveals a plethora of information that is almost invisible to a human eye in an unstained tissue. However, chemical staining is an age-old technique which has some critical drawbacks such as inconsistent appearance of the stained tissue, waste generation, resource and tissue consumption, and being labor intensive. Although the protocols have advanced over time, the fundamentals have remained largely unchanged. A paradigm shift to the digital medium has the potential to alleviate these problems.

Artificial Intelligence (AI) has been very successful in propelling a range of different domains including biomedical imaging. The major effort in the field has been directed toward disease diagnosis of late. However, these methods can also be utilized for the optimization of various histological processes including virtual staining of unstained tissue images and stain normalization of tissue images with nonuniform color appearance. It is primarily achieved by using AI-based image-to-image translation methods that are capable of transforming images from one domain to another. The studies presented in this work mainly revolve around developing AI-based image-to-image translation methods and comparing existing ones to optimize different histological processes. It also focuses on fine tuning tissue processing and imaging to produce optimal tissue image data for training the virtual staining methods. This thesis highlights the potential of AI-based image-to-image translation methods for virtually recreating the stained tissue images using only unstained images as input. Furthermore, it showcases the challenges of handling variation in inter-laboratory staining appearance and effectiveness of different methods on stain normalization tasks. This work demonstrates the transformative potential of generative AI and its vitality for optimizing histological workflow by enabling faster, leaner, more efficient and sustainable sample processing pipeline, and by improving the consistency of staining appearance. It will also serve as an improved foundation for AI-based diagnostic systems.

<b>Tekoälypohjainen kuvasta-kuvaan muun-taminen histopatologiassa</b>

Kudosnäytteiden histologinen arviointi on monien sairauksien diagnosoinnin perusta. Kudosnäytteen kemiallinen värjäys mahdollistaa tämän arvioinnin värjäämällä kudoksen eri osat. Värjätty kudos paljastaa runsaasti informaatiota, joka on lähes näkymätöntä paljaalle silmälle värjäämättömässä kudoksessa. Kemiallinen värjäys on kuitenkin vanha menetelmä, jolla on merkittäviä haittapuolia, kuten kudoksen epätasainen värjäytyminen, jätteen synty, resurssien ja kudoksen kulutus sekä työläys. Vaikka menetelmät ovat kehittyneet ajan myötä, niiden perusperiaatteet ovat pysyneet suurelta osin muuttumattomina. Siirtyminen digitaaliseen ympäristöön voi mahdollistaa näiden ongelmien lieventämisen.

Tekoäly on saavuttanut merkittävää menestystä monilla eri aloilla, mukaan lukien biolääketieteellinen kuvantaminen. Viimeaikainen painopiste alalla on ollut sairauksien diagnosoinnissa. Tekoälyyn perustuvia menetelmiä voidaan kuitenkin hyödyntää myös erilaisten histologisten prosessien, kuten värittömien kudoskuvien virtuaalivärjäyksen ja epätasaisen värjäyksen omaavien kudoskuvien värin normalisoinnin optimoinnissa. Tämä saavutetaan pääasiassa tekoälyyn perustuvilla kuvasta-kuvaan -muuntomenetelmillä, jotka kykenevät muuntamaan kuvia yhdestä esitystyylistä toiseen. Tämä työ keskittyy pääosin näiden menetelmien kehittämiseen ja olemassa olevien menetelmien vertailuun histologisten prosessien optimoimi-seksi. Lisäksi työ tarkastelee kudosprosessoinnin ja kuvantamisen hienosäätöä optimaalisien kudoskuvien tuottamiseksi virtuaalivärjäysmenetelmien koulutukseen. Tämä väitöskirja tuo esiin tekoälypohjaisten kuvasta-kuvaan -muuntomenetelmien mahdollisuudet luoda värjättyjä kudoskuvia virtuaalisesti pelkästään värjäämättömien kuvien perusteella. Lisäksi työ havainnollistaa laboratoriokohtaisten värjäys-erojen käsittelyn haasteita ja eri menetelmien tehokkuutta värjäyksen normalisoinnissa. Tämä tutkimus osoittaa generatiivisen tekoälyn muutosvoiman ja sen merkityksen histologisen työnkulun optimoinnissa – mahdollistaen nopeamman, kevyemmän, tehokkaamman ja ympäristölle kestävämmän näytekäsittelyprosessin sekä parantaen värjäyksen yhdenmukaisuutta. Tämä tarjoaa myös paremman lähtökohdan tekoälypohjaisille diagnostiikkajärjestelmille.