Die Herausforderung
Ein Pharmaunternehmen verfügte über einen Klassifikator zur Krankheitserkennung, der mit Bildern von Gewebe trainiert war, das mit einem bestimmten Reagenz gefärbt wurde. Das Unternehmen wollte denselben Klassifikator auf Gewebebilder anwenden, die mit anderen Reagenzien gefärbt waren.
Eine große Schwierigkeit war das Fehlen gepaarter Bilder, die einen direkten Vergleich zwischen den Färbungen erlaubt hätten. Die Alternativen, etwa ein neuer Klassifikator und ein neues Verarbeitungs-Toolset für jedes Färbereagenz, waren teuer und zeitaufwendig. Daher beauftragte uns das Unternehmen, den am besten geeigneten Ansatz zu erforschen und zu entwickeln.
Unsere Lösung
In sehr kurzer Zeit haben wir eine Reihe aktueller Ansätze an den histologischen Bildern des Kunden evaluiert. Unter anderem setzten wir Generative Adversarial Networks (GANs) für die ungepaarte Bild-zu-Bild-Übersetzung ein. Ein GAN kombiniert zwei oder mehr Deep-Learning-Modelle und erzeugt Bilder, die seinem Trainingsdatensatz visuell ähneln.
Neben dem Framework, das Bilder in die benötigte Färbedomäne überträgt, haben wir ein interaktives Visualisierungstool entwickelt, um die Qualität der generierten Bilder zu validieren.
- Evaluation mehrerer Ansätze zur Bildübersetzung an histologischen Bildern
- GAN-basierte ungepaarte Bild-zu-Bild-Übersetzung zwischen Färbedomänen
- Software-Framework, das Bilder in die vom bestehenden Klassifikator erwartete Domäne überträgt
- Interaktives Visualisierungstool zur Validierung der generierten Bilder
Das Ergebnis
Mit dem Framework zur Bild-zu-Bild-Übersetzung und dem Visualisierungstool konnte der Kunde Zeit und Kosten für die Verarbeitung und Klassifizierung unterschiedlich gefärbter Gewebebilder deutlich senken. Bestehende Softwarekomponenten und Modelle ließen sich wiederverwenden, statt für jede Färbung neue zu entwickeln.
