Automated inmunohistochemical staining quantification in human biopsies: preliminary results using deep learning
- Autores
- Quiñones, Michael; Doctorovich, Juan; Revollo, Natalia; Alonso, Exequiel Gonzalo; Fernández Chávez, Lucía; Facchinetti, Maria Marta; Curino, Alejandro Carlos; Delrieux, Claudio Augusto; Colo, Georgina Pamela
- Año de publicación
- 2021
- Idioma
- inglés
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- Among the current challenges in histopathological assessment for diagnosis in clinical contexts is an accurate determination of the actual tissue malignancy. This task is often performed using microscopy over immunohistochemical (IHQ) staining applied on tissue samples, on which several specialists judge the tissue con- dition following specific criteria. However, this task is proven to be prone to high inter- and intra-subject variance, which raises the need to elaborate more robust tools and frameworks to assist on this task. The recent influx of deep learning technologies, which are proven to be successful in a variety of contexts, appears to be an adequate alternative in this context. In this aim, we present a joint effort between research groups from Cancer Biology Laboratory (INIBIBB-CONICET) and the Imaging Sciences Laboratory (LCI- UNS-CONICET). Starting with IHQ stained images taken with Olym- pus CX31 microscope from thyroid and breast cancer biopsies, we applied a Mask C-RNN network for cell nuclei detection. For this purpose, we retrained the net with a series of labeled examples pro- vided by the biochemical specialists. After this initial detection, a ROI was determined surrounding the nuclei, within which the proportion of diaminobenzidine stain (brown-colored precipitation) is computed as a proxy indicator of the Immunoreactive Score (IRS). For this, a Random Forest classifier was trained using stain/no stain labeled pixels also provided by the experts. The results appear promising in the sense that the resulting system is able to consistently provide malignancy assessment even in difficult cases or when the quality of the microscopy acquisition is below standard.
Fil: Quiñones, Michael. Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras; Argentina
Fil: Doctorovich, Juan. Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras; Argentina
Fil: Revollo, Natalia. Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras; Argentina
Fil: Alonso, Exequiel Gonzalo. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Investigaciones Bioquímicas de Bahía Blanca. Universidad Nacional del Sur. Instituto de Investigaciones Bioquímicas de Bahía Blanca; Argentina
Fil: Fernández Chávez, Lucía. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Investigaciones Bioquímicas de Bahía Blanca. Universidad Nacional del Sur. Instituto de Investigaciones Bioquímicas de Bahía Blanca; Argentina
Fil: Facchinetti, Maria Marta. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Investigaciones Bioquímicas de Bahía Blanca. Universidad Nacional del Sur. Instituto de Investigaciones Bioquímicas de Bahía Blanca; Argentina
Fil: Curino, Alejandro Carlos. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Investigaciones Bioquímicas de Bahía Blanca. Universidad Nacional del Sur. Instituto de Investigaciones Bioquímicas de Bahía Blanca; Argentina
Fil: Delrieux, Claudio Augusto. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca; Argentina
Fil: Colo, Georgina Pamela. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Investigaciones Bioquímicas de Bahía Blanca. Universidad Nacional del Sur. Instituto de Investigaciones Bioquímicas de Bahía Blanca; Argentina
LXVI Reunión anual de la Sociedad Argentina de Investigación Clínica; LXIX Reunión anual de la Sociedad Argentina de Immunología; LIII Reunión anual de la Asociación Argentina de Farmacología Experimental y XI Reunión anual de la Asociación Argentina de Nanomedicinas
Buenos Aires
Argentina
Sociedad Argentina de Investigación Clínica
Sociedad Argentina de Inmunología
Asociación Argentina de Farmacología Experimental
Asociación Argentina de Nanomedicinas - Materia
-
CANCER
DEEP LEARNING - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
- Repositorio
- Institución
- Consejo Nacional de Investigaciones Científicas y Técnicas
- OAI Identificador
- oai:ri.conicet.gov.ar:11336/158474
Ver los metadatos del registro completo
id |
CONICETDig_3ebc2953841a70122f9a0f745f5d6b73 |
---|---|
oai_identifier_str |
oai:ri.conicet.gov.ar:11336/158474 |
network_acronym_str |
CONICETDig |
repository_id_str |
3498 |
network_name_str |
CONICET Digital (CONICET) |
spelling |
Automated inmunohistochemical staining quantification in human biopsies: preliminary results using deep learningQuiñones, MichaelDoctorovich, JuanRevollo, NataliaAlonso, Exequiel GonzaloFernández Chávez, LucíaFacchinetti, Maria MartaCurino, Alejandro CarlosDelrieux, Claudio AugustoColo, Georgina PamelaCANCERDEEP LEARNINGhttps://purl.org/becyt/ford/1.2https://purl.org/becyt/ford/1Among the current challenges in histopathological assessment for diagnosis in clinical contexts is an accurate determination of the actual tissue malignancy. This task is often performed using microscopy over immunohistochemical (IHQ) staining applied on tissue samples, on which several specialists judge the tissue con- dition following specific criteria. However, this task is proven to be prone to high inter- and intra-subject variance, which raises the need to elaborate more robust tools and frameworks to assist on this task. The recent influx of deep learning technologies, which are proven to be successful in a variety of contexts, appears to be an adequate alternative in this context. In this aim, we present a joint effort between research groups from Cancer Biology Laboratory (INIBIBB-CONICET) and the Imaging Sciences Laboratory (LCI- UNS-CONICET). Starting with IHQ stained images taken with Olym- pus CX31 microscope from thyroid and breast cancer biopsies, we applied a Mask C-RNN network for cell nuclei detection. For this purpose, we retrained the net with a series of labeled examples pro- vided by the biochemical specialists. After this initial detection, a ROI was determined surrounding the nuclei, within which the proportion of diaminobenzidine stain (brown-colored precipitation) is computed as a proxy indicator of the Immunoreactive Score (IRS). For this, a Random Forest classifier was trained using stain/no stain labeled pixels also provided by the experts. The results appear promising in the sense that the resulting system is able to consistently provide malignancy assessment even in difficult cases or when the quality of the microscopy acquisition is below standard.Fil: Quiñones, Michael. Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras; ArgentinaFil: Doctorovich, Juan. Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras; ArgentinaFil: Revollo, Natalia. Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras; ArgentinaFil: Alonso, Exequiel Gonzalo. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Investigaciones Bioquímicas de Bahía Blanca. Universidad Nacional del Sur. Instituto de Investigaciones Bioquímicas de Bahía Blanca; ArgentinaFil: Fernández Chávez, Lucía. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Investigaciones Bioquímicas de Bahía Blanca. Universidad Nacional del Sur. Instituto de Investigaciones Bioquímicas de Bahía Blanca; ArgentinaFil: Facchinetti, Maria Marta. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Investigaciones Bioquímicas de Bahía Blanca. Universidad Nacional del Sur. Instituto de Investigaciones Bioquímicas de Bahía Blanca; ArgentinaFil: Curino, Alejandro Carlos. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Investigaciones Bioquímicas de Bahía Blanca. Universidad Nacional del Sur. Instituto de Investigaciones Bioquímicas de Bahía Blanca; ArgentinaFil: Delrieux, Claudio Augusto. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca; ArgentinaFil: Colo, Georgina Pamela. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Investigaciones Bioquímicas de Bahía Blanca. Universidad Nacional del Sur. Instituto de Investigaciones Bioquímicas de Bahía Blanca; ArgentinaLXVI Reunión anual de la Sociedad Argentina de Investigación Clínica; LXIX Reunión anual de la Sociedad Argentina de Immunología; LIII Reunión anual de la Asociación Argentina de Farmacología Experimental y XI Reunión anual de la Asociación Argentina de NanomedicinasBuenos AiresArgentinaSociedad Argentina de Investigación ClínicaSociedad Argentina de InmunologíaAsociación Argentina de Farmacología ExperimentalAsociación Argentina de NanomedicinasFundación Revista MedicinaCurino, Alejandro CarlosMaccioni, MarianaSchaiquevich, Paula SusanaDuran, Hebe Alicia2021info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/conferenceObjectReuniónJournalhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/158474Automated inmunohistochemical staining quantification in human biopsies: preliminary results using deep learning; LXVI Reunión anual de la Sociedad Argentina de Investigación Clínica; LXIX Reunión anual de la Sociedad Argentina de Immunología; LIII Reunión anual de la Asociación Argentina de Farmacología Experimental y XI Reunión anual de la Asociación Argentina de Nanomedicinas; Buenos Aires; Argentina; 2021; 76-770025-76801669-9106CONICET DigitalCONICETenginfo:eu-repo/semantics/altIdentifier/url/https://www.saic.org.ar/revista-medicinaInternacionalinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-29T09:33:23Zoai:ri.conicet.gov.ar:11336/158474instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-29 09:33:23.348CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse |
dc.title.none.fl_str_mv |
Automated inmunohistochemical staining quantification in human biopsies: preliminary results using deep learning |
title |
Automated inmunohistochemical staining quantification in human biopsies: preliminary results using deep learning |
spellingShingle |
Automated inmunohistochemical staining quantification in human biopsies: preliminary results using deep learning Quiñones, Michael CANCER DEEP LEARNING |
title_short |
Automated inmunohistochemical staining quantification in human biopsies: preliminary results using deep learning |
title_full |
Automated inmunohistochemical staining quantification in human biopsies: preliminary results using deep learning |
title_fullStr |
Automated inmunohistochemical staining quantification in human biopsies: preliminary results using deep learning |
title_full_unstemmed |
Automated inmunohistochemical staining quantification in human biopsies: preliminary results using deep learning |
title_sort |
Automated inmunohistochemical staining quantification in human biopsies: preliminary results using deep learning |
dc.creator.none.fl_str_mv |
Quiñones, Michael Doctorovich, Juan Revollo, Natalia Alonso, Exequiel Gonzalo Fernández Chávez, Lucía Facchinetti, Maria Marta Curino, Alejandro Carlos Delrieux, Claudio Augusto Colo, Georgina Pamela |
author |
Quiñones, Michael |
author_facet |
Quiñones, Michael Doctorovich, Juan Revollo, Natalia Alonso, Exequiel Gonzalo Fernández Chávez, Lucía Facchinetti, Maria Marta Curino, Alejandro Carlos Delrieux, Claudio Augusto Colo, Georgina Pamela |
author_role |
author |
author2 |
Doctorovich, Juan Revollo, Natalia Alonso, Exequiel Gonzalo Fernández Chávez, Lucía Facchinetti, Maria Marta Curino, Alejandro Carlos Delrieux, Claudio Augusto Colo, Georgina Pamela |
author2_role |
author author author author author author author author |
dc.contributor.none.fl_str_mv |
Curino, Alejandro Carlos Maccioni, Mariana Schaiquevich, Paula Susana Duran, Hebe Alicia |
dc.subject.none.fl_str_mv |
CANCER DEEP LEARNING |
topic |
CANCER DEEP LEARNING |
purl_subject.fl_str_mv |
https://purl.org/becyt/ford/1.2 https://purl.org/becyt/ford/1 |
dc.description.none.fl_txt_mv |
Among the current challenges in histopathological assessment for diagnosis in clinical contexts is an accurate determination of the actual tissue malignancy. This task is often performed using microscopy over immunohistochemical (IHQ) staining applied on tissue samples, on which several specialists judge the tissue con- dition following specific criteria. However, this task is proven to be prone to high inter- and intra-subject variance, which raises the need to elaborate more robust tools and frameworks to assist on this task. The recent influx of deep learning technologies, which are proven to be successful in a variety of contexts, appears to be an adequate alternative in this context. In this aim, we present a joint effort between research groups from Cancer Biology Laboratory (INIBIBB-CONICET) and the Imaging Sciences Laboratory (LCI- UNS-CONICET). Starting with IHQ stained images taken with Olym- pus CX31 microscope from thyroid and breast cancer biopsies, we applied a Mask C-RNN network for cell nuclei detection. For this purpose, we retrained the net with a series of labeled examples pro- vided by the biochemical specialists. After this initial detection, a ROI was determined surrounding the nuclei, within which the proportion of diaminobenzidine stain (brown-colored precipitation) is computed as a proxy indicator of the Immunoreactive Score (IRS). For this, a Random Forest classifier was trained using stain/no stain labeled pixels also provided by the experts. The results appear promising in the sense that the resulting system is able to consistently provide malignancy assessment even in difficult cases or when the quality of the microscopy acquisition is below standard. Fil: Quiñones, Michael. Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras; Argentina Fil: Doctorovich, Juan. Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras; Argentina Fil: Revollo, Natalia. Universidad Nacional del Sur. Departamento de Ingeniería Eléctrica y de Computadoras; Argentina Fil: Alonso, Exequiel Gonzalo. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Investigaciones Bioquímicas de Bahía Blanca. Universidad Nacional del Sur. Instituto de Investigaciones Bioquímicas de Bahía Blanca; Argentina Fil: Fernández Chávez, Lucía. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Investigaciones Bioquímicas de Bahía Blanca. Universidad Nacional del Sur. Instituto de Investigaciones Bioquímicas de Bahía Blanca; Argentina Fil: Facchinetti, Maria Marta. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Investigaciones Bioquímicas de Bahía Blanca. Universidad Nacional del Sur. Instituto de Investigaciones Bioquímicas de Bahía Blanca; Argentina Fil: Curino, Alejandro Carlos. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Investigaciones Bioquímicas de Bahía Blanca. Universidad Nacional del Sur. Instituto de Investigaciones Bioquímicas de Bahía Blanca; Argentina Fil: Delrieux, Claudio Augusto. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca; Argentina Fil: Colo, Georgina Pamela. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Investigaciones Bioquímicas de Bahía Blanca. Universidad Nacional del Sur. Instituto de Investigaciones Bioquímicas de Bahía Blanca; Argentina LXVI Reunión anual de la Sociedad Argentina de Investigación Clínica; LXIX Reunión anual de la Sociedad Argentina de Immunología; LIII Reunión anual de la Asociación Argentina de Farmacología Experimental y XI Reunión anual de la Asociación Argentina de Nanomedicinas Buenos Aires Argentina Sociedad Argentina de Investigación Clínica Sociedad Argentina de Inmunología Asociación Argentina de Farmacología Experimental Asociación Argentina de Nanomedicinas |
description |
Among the current challenges in histopathological assessment for diagnosis in clinical contexts is an accurate determination of the actual tissue malignancy. This task is often performed using microscopy over immunohistochemical (IHQ) staining applied on tissue samples, on which several specialists judge the tissue con- dition following specific criteria. However, this task is proven to be prone to high inter- and intra-subject variance, which raises the need to elaborate more robust tools and frameworks to assist on this task. The recent influx of deep learning technologies, which are proven to be successful in a variety of contexts, appears to be an adequate alternative in this context. In this aim, we present a joint effort between research groups from Cancer Biology Laboratory (INIBIBB-CONICET) and the Imaging Sciences Laboratory (LCI- UNS-CONICET). Starting with IHQ stained images taken with Olym- pus CX31 microscope from thyroid and breast cancer biopsies, we applied a Mask C-RNN network for cell nuclei detection. For this purpose, we retrained the net with a series of labeled examples pro- vided by the biochemical specialists. After this initial detection, a ROI was determined surrounding the nuclei, within which the proportion of diaminobenzidine stain (brown-colored precipitation) is computed as a proxy indicator of the Immunoreactive Score (IRS). For this, a Random Forest classifier was trained using stain/no stain labeled pixels also provided by the experts. The results appear promising in the sense that the resulting system is able to consistently provide malignancy assessment even in difficult cases or when the quality of the microscopy acquisition is below standard. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/conferenceObject Reunión Journal http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
status_str |
publishedVersion |
format |
conferenceObject |
dc.identifier.none.fl_str_mv |
http://hdl.handle.net/11336/158474 Automated inmunohistochemical staining quantification in human biopsies: preliminary results using deep learning; LXVI Reunión anual de la Sociedad Argentina de Investigación Clínica; LXIX Reunión anual de la Sociedad Argentina de Immunología; LIII Reunión anual de la Asociación Argentina de Farmacología Experimental y XI Reunión anual de la Asociación Argentina de Nanomedicinas; Buenos Aires; Argentina; 2021; 76-77 0025-7680 1669-9106 CONICET Digital CONICET |
url |
http://hdl.handle.net/11336/158474 |
identifier_str_mv |
Automated inmunohistochemical staining quantification in human biopsies: preliminary results using deep learning; LXVI Reunión anual de la Sociedad Argentina de Investigación Clínica; LXIX Reunión anual de la Sociedad Argentina de Immunología; LIII Reunión anual de la Asociación Argentina de Farmacología Experimental y XI Reunión anual de la Asociación Argentina de Nanomedicinas; Buenos Aires; Argentina; 2021; 76-77 0025-7680 1669-9106 CONICET Digital CONICET |
dc.language.none.fl_str_mv |
eng |
language |
eng |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/url/https://www.saic.org.ar/revista-medicina |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ |
dc.format.none.fl_str_mv |
application/pdf application/pdf application/pdf application/pdf |
dc.coverage.none.fl_str_mv |
Internacional |
dc.publisher.none.fl_str_mv |
Fundación Revista Medicina |
publisher.none.fl_str_mv |
Fundación Revista Medicina |
dc.source.none.fl_str_mv |
reponame:CONICET Digital (CONICET) instname:Consejo Nacional de Investigaciones Científicas y Técnicas |
reponame_str |
CONICET Digital (CONICET) |
collection |
CONICET Digital (CONICET) |
instname_str |
Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.name.fl_str_mv |
CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas |
repository.mail.fl_str_mv |
dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar |
_version_ |
1844613025159446528 |
score |
13.070432 |