ATMAD：自動組織マイクロアレイの堅牢な画像解析

背景：過去20年間で、多ティッシュとDNAマイクロアレイの概念を組み合わせた組織マイクロアレイ（TMA）と呼ばれる革新的な技術が、組織学の分野で広く使用されてきました。デザイングリッド（アレイ）レイアウトによると、単一のサポート（通常はガラススライド）に組み立てられたいくつかの（最大1000以上の）組織サンプルのコレクションで構成され、同一および標準化された条件下で多数のサンプルを処理することによりマルチプレックス分析を可能にします。ただし、TMA製造プロセス中、組織サンプルを組み立てるときの不正確さと埋め込みワックスの変形により、サンプルの位置は設計グリッドから高度に歪むことができます。その結果、これらの歪みは、サンプルのアイデンティティが設計とその製造された出力の間で不一致になった場合、（組織学的）アッセイの結果の深刻な誤差につながる可能性があります。したがって、TMAサンプルを設計グリッドと局在させて一致させるTMAを解放するための堅牢な方法の開発は、この著名な技術のボトルネックを克服するために重要です。 結果：このホワイトペーパーでは、明るいフィールドおよび蛍光顕微鏡（またはスキャナー）で獲得した画像に特化した自動、高速、堅牢なTMA離配成（ATMAD）アプローチを提案します。まず、組織サンプルは、入力TMA画像の等方性ウェーブレット変換に局所的に適応するしきい値を適用することにより、大きな画像に局在しています。誤検出を減らすために、検出された各位置で楕円形のオブジェクトをセグメント化するためのパラメトリック形状モデルが考慮されます。サイズを満たしていないセグメント化されたオブジェクトと丸みの基準は、設計グリッドと一致する前に、組織サンプルのリストから破棄されます。サンプルマッチングは、薄板モデルの下でTMAグリッド変形を推定することにより実行されます。最後に、推定変形のおかげで、初期の画像処理ステップで拒否された予備的な組織サンプルは、2番目のセグメンテーションステップを実行することで認識されます。 結論：TMA分析のための新しい離配置アプローチを開発しました。ウェーブレットベースの検出、アクティブな輪郭セグメンテーション、および薄板のスプライン補間を組み合わせることにより、TMAグリッドのダイナミックで低い信号対雑音比、複雑な背景、非線形変形でTMA画像を処理することができます。さらに、変形推定により、TMAの製造品質を資産するための定量的情報が生成されます。

BACKGROUND: Over the last two decades, an innovative technology called Tissue Microarray (TMA), which combines multi-tissue and DNA microarray concepts, has been widely used in the field of histology. It consists of a collection of several (up to 1000 or more) tissue samples that are assembled onto a single support - typically a glass slide - according to a design grid (array) layout, in order to allow multiplex analysis by treating numerous samples under identical and standardized conditions. However, during the TMA manufacturing process, the sample positions can be highly distorted from the design grid due to the imprecision when assembling tissue samples and the deformation of the embedding waxes. Consequently, these distortions may lead to severe errors of (histological) assay results when the sample identities are mismatched between the design and its manufactured output. The development of a robust method for de-arraying TMA, which localizes and matches TMA samples with their design grid, is therefore crucial to overcome the bottleneck of this prominent technology. RESULTS: In this paper, we propose an Automatic, fast and robust TMA De-arraying (ATMAD) approach dedicated to images acquired with brightfield and fluorescence microscopes (or scanners). First, tissue samples are localized in the large image by applying a locally adaptive thresholding on the isotropic wavelet transform of the input TMA image. To reduce false detections, a parametric shape model is considered for segmenting ellipse-shaped objects at each detected position. Segmented objects that do not meet the size and the roundness criteria are discarded from the list of tissue samples before being matched with the design grid. Sample matching is performed by estimating the TMA grid deformation under the thin-plate model. Finally, thanks to the estimated deformation, the true tissue samples that were preliminary rejected in the early image processing step are recognized by running a second segmentation step. CONCLUSIONS: We developed a novel de-arraying approach for TMA analysis. By combining wavelet-based detection, active contour segmentation, and thin-plate spline interpolation, our approach is able to handle TMA images with high dynamic, poor signal-to-noise ratio, complex background and non-linear deformation of TMA grid. In addition, the deformation estimation produces quantitative information to asset the manufacturing quality of TMAs.