Đánh giá chỉ số tăng sinh ki-67 từ ảnh mô học tế bào ung thư vú
Abstract
The Ki-67 proliferation index is one of the important indicators in histopathological diagnosis, especially related to tumors. Ki-67 expression is closely associated with the proliferation of cancer cells, playing a crucial role in predicting and planning treatment during the monitoring of breast cancer. The Ki-67 index is a commonly used prognostic factor for making treatment decisions in breast cancer patients. In this paper, we propose a method for detecting breast cancer based on the Ki-67 proliferation index of breast cancer cells from histological images that have undergone immunohistochemical staining for the Ki-67 protein. We propose implementing on the SHIDCB-Ki-67 dataset. The deep learning techniques used include DeepLabv3-Densenet121, FCRN, and Unet, in combination with YoLov8 for the purpose of detecting and classifying nuclear proteins in breast cancer cells on histological images, thereby assessing the Ki-67 proliferation index. Through the Ki-67 proliferation index, a foundation is established for determining the severity of breast cancer. Experimental results show that the proposed method using the DeepLabv3-Densenet121 network model achieves high accuracy, with a measured Accuracy score of 98.1%.
Tóm tắt
Chỉ số tăng sinh Ki-67 là một trong những chỉ số đánh giá quan trọng trong chẩn đoán mô bệnh học, đặc biệt là liên quan các khối u. Biểu hiện Ki-67 có liên quan chặt chẽ đến sự tăng sinh của tế bào ung thư đóng một vai trò quan trọng trong việc dự đoán và lên kế hoạch trị liệu trong quá trình theo dõi bệnh ung thư vú. Chỉ số Ki-67 là yếu tố dự đoán thường được sử dụng để đưa ra quyết định điều trị ở bệnh nhân ung thư vú. Trong bài báo này chúng tôi đề xuất phương pháp phát hiện ung thư vú dựa trên chỉ số tăng sinh Ki-67 của tế bào ung thư vú từ ảnh mô học đã được hóa mô miễn dịch protein Ki-67. Chúng tôi đề xuất thực hiện trên tập dữ liệu SHIDCB-Ki-67. Các kỹ thuật học sâu như được sử dụng bao gồm: DeepLabv3-Densenet121, FCRN, Unet bên cạnh đó kết hợp với YoLov8 nhằm cho mục đích phát hiện và phân loại protein hạt nhân tế bào bị ung thư vú trên hình ảnh mô học từ đó đánh giá chỉ số tăng sinh Ki-67. Thông qua chỉ số tăng sinh Ki-67 sẽ làm cơ sở để xác định mức độ của bệnh ung thư vú. Kết quả thực nghiệm cho thấy phương pháp đề xuất với mô hình mạng DeepLabv3-Densenet121 đạt độ chính xác cao với độ đo Accuracy đo được là 98,1%.
Tài liệu tham khảo
[1]. D. M. Schonk et al., (1989), “Assignment of the gene(s) involved in the expression of the proliferation-related Ki-67 antigen to human chromosome 10,” Hum Genet, vol. 83, no. 3.
[2]. R. Rahmanzadeh, G. Hüttmann, J. Gerdes, and T. Scholzen, (2007), “Chromophore-assisted light inactivation of pKi-67 leads to inhibition of ribosomal RNA synthesis,” Cell Prolif, vol. 40, no. 3.
[3]. M. Saha et al., (2015), “Histogram Based Thresholding for Automated Nucleus Segmentation Using Breast Imprint Cytology”.
[4]. W. Xie, J. A. Noble, and A. Zisserman, (2018) “Microscopy cell counting and detection with fully convolutional regression networks,” Comput Methods Biomech Biomed Eng Imaging Vis, vol. 6, no. 3.
[5]. J. Dolz, C. Desrosiers, and I. Ben Ayed, (2019) “IVD-net: Intervertebral disc localization and segmentation in MRI with a multi-modal UNet,” in Lecture Notes in Computer Science.
[6]. Y. Hou et al., (2020), “Breast cancer pathological image classification based on deep learning,” J Xray Sci Technol, vol. 28, no. 4.
[7]. S. Singh and R. Kumar, (2020), “Histopathological image analysis for breast cancer detection using cubic SVM,” in International Conference on Signal Processing and Integrated Networks.
[8]. R. Yan et al., (2020), “Breast cancer histopathological image classification using a hybrid deep neural network,” Methods, vol. 173.
[9]. F. Negahbani et al., (2021), “PathoNet introduced as a deep neural network backend for evaluation of Ki-67 and tumor-infiltrating lymphocytes in breast cancer,” Sci Rep, vol. 11.
[10]. S. B. Thunuguntla, S. Murugaanandam, and R. Pitchai, (2023), “Densenet121-DNN-Based Hybrid Approach for Advertisement Classification and User Identification,” International Journal of Intelligent Engineering and Systems, vol. 16, no. 3.
[11]. H. Zeng, S. Peng, and D. Li, (2020), “Deeplabv3+ semantic segmentation model based on feature cross attention mechanism,” in Journal of Physics: Conference Series.
[12]. A. Khatua, A. Bhattacharya, A. K. Goswami, and B. H. Aithal, (2024). “Developing approaches in building classification and extraction with synergy of YOLOV8 and SAM models,” Spatial Information Research.
[13]. N. Jokhadze, A. Das, and D. S. Dizon, (2024), “Global cancer statistics: A healthy population relies on population health,” CA Cancer J Clin.
