Eine Gewebediagnostik des Hautmelanoms wurde durch multimodale Bildgebung in Kombination mit einer automatischen Bildanalyse erreicht. Normales Epithel, Melanom und andere Hautgewebe wurden erfolgreich durch einen hierarchischen Klassifikator unterschieden, der auf Texturmerkmalen aus Histogrammen erster Ordnung und GLCM basiert, die im lokalen Modell berechnet wurden. Zwischenzeitlich konnte nachgewiesen werden, dass Textureigenschaften auf Basis von Histogrammen erster Ordnung denjenigen auf GLCM-Basis laut Klassifikationsergebnissen überlegen sind.

Von Shuxia Guo // Tobias Meyer // Jürgen Popp // Thomas Bocklitz // Susanne Pfeifenbring

Die meisten Krankheiten verändern Gewebestrukturen und -funktionen, so dass aus Gewebemessungen Informationen über die biologischen Veränderungen abgeleitet werden können. Diese Informationen können für Gewebediagnostik und Krankheitsdetektion genutzt werden. Der „Goldstandard“ unter den Diagnosemethoden ist für viele Krankheiten nach wie vor eine histopathologische Untersuchung [1]. Dazu wird das Gewebe entfernt, geschnitten, gefärbt und mikroskopisch untersucht. Die mikroskopischen Aufnahmen werden dabei von einem Pathologen begutachtet, welcher die Diagnose anhand der visuellen Eigenschaften des Gewebes fällt. Die Notwendigkeit einer Gewebebiopsie und -färbung macht die histopathologische Untersuchung für die In-vivo-Diagnostik ungeeignet und führt zu einer langen Zeitverzögerung von der Resektion bis zur Diagnose. Noch schwerer wiegt, dass die Diagnose vom Pathologen abhängt und verschiedene Pathologen kontroverse Diagnosen für denselben Gewebeschnitt stellen können. Diese Thematik hat uns dazu bewogen, multimodale Bildgebung für die Gewebediagnostik einzusetzen, was sich auf die Kombination von Zwei-Photonen-angeregte Fluoreszenz (TPEF) und die Generation der zweiten harmonischen (SHG) bezieht. Die multimodale Bildgebung ist markierungsfrei, nicht invasiv und bietet einen molekularen Kontrast, was die Technik ideal für die In-vivo-Diagnostik macht [2]. Ein anschauliches Beispiel für unsere gewebebasierten Studien ist die Diagnostik des Hautmelanoms, eines in der westlichen Welt weit verbreiteten Krebstyps, dessen jährliches Auftreten von 1975 bis 1985 um 4,6 % und von 1986 bis 2007 um 2,7 % gestiegen ist [3]. Um eine klinische Anwendung zu erreichen, ist es jedoch erforderlich, die optischen Signale in diagnostisch relevante Informationen auf hohem Niveau zu übersetzen.Deshalb haben wir eine Bildanalyse-Pipeline eingerichtet und ihre Performance mit multimodalen Bildern gebenchmarkt, die aus 13 menschlichen Hautgeweben mit melanozytären Läsionen aufgenommen wurden [4]. Nach der multimodalen Bildgebung wurden diese Gewebe mit HE (Hämatoxylin und Eosin) gefärbt, mikroskopisch aufgenommen und von einem erfahrenen Pathologen untersucht, um die (normalen) Epithel- und Tumorregionen zu annotieren. Die Bildanalyse beginnt mit der Beseitigung ungleichmäßiger Beleuchtungsartefakte durch die Kombination von Wavelet- und Fourier-Transformation. Danach folgen Hintergrundabschätzung und Intensitätsstandardisierung. Im nächsten Schritt wurden Textureigenschaften, einschließlich der Merkmale eines Histogramms erster Ordnung und der lokalen Grauwertematrix (GLCM), mit Hilfe eines sich bewegenden Fensters mit unterschiedlicher Fenstergrößen berechnet. Auf der Grundlage dieser Texturmerkmale wurde ein hierarchisches statistisches Modell entwickelt, das sich aus einer auf Fishers Diskriminanzverhältnis (FDR) basierten Merkmalsselektion und einer Support Vector Machine (SVM) zusammensetzt, um drei Gewebetypen (normales Epithel, Melanom und andere Gewebe) zu unterscheiden. Das Modell wurde im lokalen Modus (d.h. pixelweise) konstruiert unter Verwendung der Annotationen des Pathologen als Grundwahrheit und durch eine Leave-One-Image-Out-Kreuzvalidierung verifiziert. Die drei Gewebetypen wurden mit zufriedenstellender Genauigkeit differenziert, was das große Potenzial der multimodalen Bildgebung in Kombination mit Bildanalyse für die Gewebediagnostik verdeutlicht. Die Ergebnisse eines der Bilder sind in Abbildung 1 beispielhaft dargestellt. Darüber hinaus haben wir eine Klassifikation im globalen Modus (d.h. bildweise) durchgeführt, um das gesamte Bild mit der klinischen Diagnose in Beziehung zu setzen. Die Vorhersage aus der Leave-One-Image-Out-Kreuzvalidierung stimmte mit der klinischen Diagnose einigermaßen überein. Schließlich haben wir die Performance der Texturmerkmale basierend auf dem Histogramm erster Ordnung bzw. GLCM nach FDR verglichen sowie die Ergebnisse der Klassifikation. Zusammenfassend lässt sich sagen, dass die Merkmale des Histogramms erster Ordnung den GLCM-basierten Textureigenschaften für die oben beschriebene Diagnoseaufgabe überlegen waren.

Gefördert von: EU, BMBF, DFG, FCI, Carl-Zeiss Foundation, China Scholarship Council, Italian Ministry for Education, University and Research