INTRODUCTION: To develop a method for non‐supervised thresholding of transitional cell carcinoma nuclei of routinely hematoxylin‐eosin (H‐E) stained histological sections, as well as a method for automatic selection of immunohistochemically positive areas. STUDY DESIGN: For greyscale, RGB, HSL and L*a*b* thresholding we used an extension of a clustering method, based on a between‐class / within‐class criterion proposed by Otsu, applying an optimal grey‐level thresholding to each of the distributions of the R, G, B, or H and S or L* color domains. The algorithms were tested on clinical material consisted of 20 H‐E stained sections of bladder carcinomas. The results from the 4 thresholding techniques were evaluated in comparison with the corresponding results of manually selected nuclear areas. For automatic evaluation of immunohistochemical images, a clustering algorithm in L*a*b* color space was developed. RESULTS: The results from the 4 thresholding techniques were evaluated in comparison with the corresponding results of manually selected nuclear areas. Thus, every image was compared pixel to pixel with its matching reference image. Greyscale automatic thresholding presented an unacceptably low pixel specificity, which complicated the further nuclear segmentation. Non‐supervised thresholding in RGB or HSL, as well as semi‐manual thresholding in L*a*b* colorspace demonstrated significantly better accuracy and high values of pixel specificity and sensitivity, which permitted errors of only 4.27‐5.83% in the subsequent mean area estimation of the transitional cell carcinoma nuclei. CONCLUSION: The non‐supervised multispectral thresholding in RGB or HSL colorspace as presented here extends single grey‐level thresholding techniques to multilevel thresholding. This seems to be a very effective, relatively simple and fast alternate to the widely used automatic greyscale or manual color thresholding for the segmentation of nuclei in routine histological sections.
ΣΚΟΠΟΣ ΤΗΣ ΜΕΛΕΤΗΣ: Ανάπτυξη μεθόδων αυτόματης εφαρμογής ουδού για την κατάτμηση πυρήνων σε ψηφιακές εικόνες ιστολογικών τομών ηωσίνης‐αιματοξυλίνης (H‐E) από καρκινώματα ουροδόχου κύστεως. Επίσης ανάπτυξη αλγορίθμων για την αυτόματη επιλογή ανοσοïστοχημικώς θετικών περιοχών του ίδιου νεοπλάσματος. ΥΛΙΚΟ ΚΑΙ ΜΕΘΟΔΟΙ: Για εφαρμογή ουδού σε grayscale, RGB, HSL και L*a*b* colorspace, αναπτύξαμε μια επέκταση της μεθόδου clustering, όπως έχει προταθεί από τον Otsu, και η οποία βασίζεται σε κριτήρια μεταβλητότητας εντός ομάδος και μεταξύ ομάδων (between‐class και within‐class variance). Για την ανάπτυξη και τον έλεγχο των αλγορίθμων σχεδιάστηκε μια ειδική εφαρμογή στην οποία μελετήθηκαν H‐E τομές από 20 καρκινώματα ουροδόχου κύστεως. Τα αποτελέσματα από τις μεθόδους που χρησιμοποιήθηκαν για αυτόματη επιλογή των πυρήνων εξετάστηκαν εν συγκρίσει με τα αντίστοιχα αποτελέσματα χειροκίνητης επιλογής. Για την αυτόματη επισήμανση ανοσοϊστοχημικώς θετικών περιοχών αναπτύχθηκε ένας αλγόριθμος clustering σε Lab colorspace. ΑΠΟΤΕΛΕΣΜΑΤΑ: Κάθε εικόνα εξετάστηκε pixel προς pixel με την αντίστοιχη εικόνα αναφοράς χειροκίνητης επιλογής. Η εφαρμογή ουδού σε grayscale εικόνες παρουσίασε πολύ χαμηλή ειδικότητα, με αποτέλεσμα να καθίσταται ανακριβής η περαιτέρω απομόνωση των πυρήνων. Η εφαρμογή με αυτόματο τρόπο ουδού σε RGB ή HSL καθώς και η ημιαυτόματη εφαρμογή σε Lab παρουσίασαν σημαντικά καλύτερη ακρίβεια με υψηλές τιμές ειδικότητας και ευαοισθησίας και χαμηλά σφάλματα 4.27‐5.83% στο επακόλουθο υπολογισμό της μέσης επιφάνειας των πυρήνων.. ΣΥΜΠΕΡΑΣΜΑ: Η αυτόματη εφαρμογή ουδού σε έγχρωμες εικόνες RGB ή HSL με τις μεθόδους που εφαρμόσαμε αποτελεί πολυεπίπεδη επέκταση του grey‐level thresholding με πολύ καλά αποτελέσματα στην επιλογή πυρήνων καρκινωμάτων της κύστεως. Η μέθοδος clustering σε Lab λειτούργησε στην επιλογή ανοσοϊστοχημικώς θετικών περιοχών με πολύ μεγαλύτερη ακρίβεια από χειροκίνητες εφαρμογές συμβατικού thrsholding.
