De uitdaging
Een farmaceutisch bedrijf had een classifier voor ziektedetectie, getraind op beelden van weefsel dat met één reagens was gekleurd. Het zocht een manier om dezelfde classifier toe te passen op weefselbeelden die met andere reagentia waren gekleurd.
Een grote moeilijkheid was het ontbreken van gepaarde beelden waarmee kleuringen één op één konden worden vergeleken. De alternatieven, zoals voor elk reagens een nieuwe classifier en verwerkingstoolset bouwen, waren kostbaar en tijdrovend. Daarom gaf het bedrijf ons de opdracht de meest geschikte aanpak te onderzoeken en te ontwikkelen.
Onze oplossing
In zeer korte tijd evalueerden wij een reeks actuele benaderingen op de histologische beelden van de klant. Daarbij zetten we onder meer Generative Adversarial Networks (GAN’s) in voor ongepaarde image-to-image-vertaling. Een GAN combineert twee of meer deep-learningmodellen en is ontworpen om beelden te genereren die visueel lijken op de trainingsset.
Naast het framework dat beelden naar het gewenste kleuringsdomein vertaalt, bouwden we een interactieve visualisatietool om de kwaliteit van de gegenereerde beelden te valideren.
- Evaluatie van verschillende benaderingen voor beeldvertaling op histologische beelden
- Ongepaarde image-to-image-vertaling tussen kleuringsdomeinen op basis van GAN’s
- Softwareframework dat beelden vertaalt naar het domein dat de bestaande classifier verwacht
- Interactieve visualisatietool om gegenereerde beelden te valideren
Het resultaat
Met het framework voor beeldvertaling en de visualisatietool kon de klant de tijd en kosten voor het verwerken en classificeren van weefselbeelden met verschillende reagentia aanzienlijk verlagen. Bestaande softwarecomponenten en modellen worden hergebruikt, in plaats van voor elke kleuring nieuwe te bouwen.
