HoVerNetで細胞のインスタンスセグメンテーション

Ryota Chijimatsu

病理画像や顕微鏡写真で細胞レベルの定量的解析を行いたくとも、やはり画像上の小単位（細胞や構造）を分離するという画像処理技術の限界があり、定性的に解析されていることも多い。細胞形態や陽性細胞率、細胞種を見た目で判断してスコア化するのが現実的であろう。 より定量的に解析するために、蛍光画像を用意するということも良く行われるが、長期保存できない割りに広い視野のデータ取得が困難である。また組織の形態学も失われてしまう。 深層学習を使って、病理画像から細胞（主に細胞核）を個々にセグメンテーションするという試みが行われている。有名どころとしてはStarDistやHoVerNet、CellPoseが挙げられる。我々が見た目に分類できるレベルであれば、深層学習モデルを使って細胞を分離することが可能となりつつあり、顕微鏡画像/病理画像が定量的に解析可能となってきている。 本書ではHoVerNetモデルを使って顕微鏡画像から細胞核をインスタンスセグメンテーションする方法を紹介する。 TensorFlow版、PyTorch版を用意している。どちらかを読んで頂く想定なので、説明は重複している。 🔴：TensorFlow 🔵：PyTorch ⚪：共通のPython処理 ⚫：共通のQuPath処理 -------------------- 機械学習用のローカル環境としては以下を使用した。 ・Windows 11（16コア/32スレッド、128GBメモリ、CドライブにM2.SSD） ・NVIDIA GeForce RTX3090 ------ 今後、バーチャルスライドへの応用例も公開予定です。