EpidermaQuant: Unsupervised detection and quantification of epidermal differentiation markers on H-DAB-stained images of reconstructed human epidermis

使用组织学分析和角蛋白细胞分化标记的免疫组织化学染色相结合的方法可以评估体外重建人表皮的完整性。扫描组织的计算机分析可以节省专家的时间，并通过消除评估者可靠性问题来提高定量的准确性。然而，在染色图像的准备和捕捉过程中存在技术差异和多种伪影可能会影响计算方法的结果。本文使用一个包含598个未注释的数据集，这些数据集显示了用DAB免疫组织化学反应染色的体外重建人表皮的横截面，以可视化4种不同的角蛋白细胞分化标记蛋白（角蛋白丝蛋白，角蛋白10，Ki67，HSPA2）并用苏木精染色进行对比染色。我们开发了一种无监督方法来检测和量化免疫组织化学染色。所提出的流程包括以下步骤：（i）颜色归一化以减少不同样品中像素强度值的变异性；（ii）颜色分离以获取使用的染色剂的颜色通道；（iii）形态学操作以找到图像的背景区域；（iv）自动图像旋转；和（v）使用聚类找到人表皮分化标记。此外，我们创建了一种方法来排除没有DAB染色区域的图像。最有效的方法组合包括：（i）Reinhard的归一化；（ii）Ruifrok和Johnston的颜色分离方法；（iii）基于图像强度边界分布的旋转方法；（iv）使用DAB染色强度的k-means聚类。这些结果应增强对重建人表皮样本中蛋白标记的定量分析的性能，并使不同实验条件下它们的空间分布进行比较成为可能。

定量分析重建人表皮样本中蛋白标记的方法

使用无监督方法检测和量化免疫组织化学染色，包括彩色标准化、颜色去卷积、形态学操作、自动图像旋转和聚类等步骤，以提高重建人表皮样本中蛋白标记的定量分析性能。

该方法使用598张未注释的图像数据集，展示了该方法的有效性和可靠性。使用Reinhard的彩色标准化、Ruifrok和Johnston的颜色去卷积、基于边界分布的图像旋转方法和DAB染色强度的k均值聚类方法的组合效果最佳。

在这个领域中，最近的相关研究包括使用深度学习方法进行图像分割和分类的研究，如“Deep learning for image segmentation and classification in histopathology”和“Deep learning for digital pathology image analysis: A comprehensive tutorial with selected use cases”。