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
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/158474
Acceder
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 Técnicas2025-10-15T14:21:25Zoai: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:34982025-10-15 14:21:25.459CONICET 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_ 1846082602158522368
score 13.22299

Publicaciones similares