MIB-1

21-02-2024
21-02-2024 HSA

Der monoklonale Antikörper (mAK) MIB-1 reagiert mit einem nukleären Protein, welches einzig in proliferierenden Zellen aufzuweisen ist. MIB-1 wird in der Immunhistochemie von Pathologen eingesetzt um nach Mitosezellen, also Zellen welche sich Teilen, zu suchen. MIB-1 richtet sich gegen ein anderes Epitop des selbe proliferationsbezogenen Antigens wie der mAK Ki-67 (Seite Ki-67 verlinken). MIB-1 und Ki-67 werden verwendet, um den Proliferationsindex zu berechnen. Dieser gibt den Prozentsatz der Zellen an, die sich Teilen können und bietet somit den Pathologen eine Entscheidungshilfe, ob es sich bei einem Tumor um einen benignen (gutartige) oder um einen malignen (bösartigen) Tumor handelt bzw. gibt Aufschluss darüber, wie schnell ein Tumor wächst. Bei einem Proliferationsindex von unter 10% wird das Risiko als niedrig eingestuft, bei einem Proliferationsindex von über 25% besteht ein hohes Risiko.

HSA KIT

Mithilfe der Software HSA KIT können verschiedene Projekte angelegt werden, siehe Abbildung 1. Diese können aus mehreren Bilddateien bestehen, siehe Abbildung 2. Innerhalb des HAS KITs werden verschiedene Dateiformate unterstützt.

1: Startseite HSA KIT
Projekt mit mehreren Bilddateien

Mit dem Anwenden des HSA KITs können sie mit ihren Bildern Projekte erstellen, auf denen dann sowohl die visuelle Erkennung mithilfe eines Deep Learning Modells als auch die Erstellung eines Berichts, automatisch erfolgt. Dies erfolgt in nur wenigen Schritten:

  • Erstellen des Projekts mit den gewünschten Bilddateien
  • Markieren der Base ROI (Region of Interest), kann auch automatisch generiert werden, in Abbildung 2 schwarz umrandet
  • Markieren der Tumor Area, rote Fläche in Abbildung 2
  • Auswählen des MIB-1 Modells und speichern des Projektes
  • Zurückkehren auf die Startseite des HSA KITs und starten der Analyse

Wenn benötigt können auch mehrere Projekte zur Auswertung gestartet werden. Diese werden dann nacheinander abgearbeitet.

Das MIB-1 Modell

Durch das DL-Modell MIB-1 können Tumorzellen aufgrund ihrer Färbung in die Kategorien „Negativ lebend Tumorzellen“, „Schwach Lebend Tumorzellen“, „Mittel Lebend Tumorzellen“ und „Stark Lebend Tumorzellen“ eingeteilt werden. In dem nachfolgenden Abschnitt werden beispielhafte Bilder angezeigt, auf denen das Modell angewandt wurde. Das MIB-Modell wurde mit 5327 Objekten trainiert. Diese waren in die Klassen unterteilt.

Detektion im gesamten Tumorbereich
  • Dunkelblau – Negativ lebend Tumorzellen
  • Dunkelgrün – Schwach Lebend Tumorzellen
  • Pastellrosa – Mittel Lebend Tumorzellen
  • Hellgrün – Stark Lebend Tumorzellen

Wie in den Bilder oben zu erkennen, sind die einzelnen Zellen durch ihre Braunfärbung visuell gut zu erkennen. Aufgrund der unterschiede in der stärke der Färbung können diese in die oben genannten Klassen unterteilt werden. Beginnend bei den Negativ lebend Tumorzellen, welche im Gegensatz zu den anderen Klassen nicht braun sondern bläulich gefärbt sind, über die Klasse Schwach Leben Tumorzellen, welche bereits einen schwachen Braunton besitzt wird der Braunton immer intensiver über die Mittel Lebend Tumorzellen, bis hin zu den Stark Lebend Tumorzellen.

Übersicht der untersuchten Dateien
Tabellarische Auswertung der gefundenen Tumorzellen je Bilddatei

Durch nur einen Klick kann innerhalb des HSA KITs von der visuellen Auswertung in die tabellarische Auswertung gewechselt werden, welche die Ergebnisse übersichtlich für jede einzelne Datei dem Nutzer zusammenfasst. Innerhalb der Tabelle kann der Nutzer sowohl die Gesamtzahl der gefundenen Objekte pro Klasse innerhalb jeder Datei sehen, als auch die Gesamtfläche welche die Klasse innerhalb der Datei einnimmt. Daneben können auch der Umfang, der maximale Durchmesser, der minimale Durchmesser und der durchschnittliche Durchmesser, sowie die durchschnittliche Fläche der Objekte einer Klasse betrachtet werden. Die gesamte Tabelle kann außerdem mit nur einem Klick als Excel-Datei heruntergeladen werden.

Unsere Dienste:

  • Software HSA KIT und Support
  • Erstellen weiterer Annotationen auf Ihren Daten zur Ausdifferenzierung des Basis DL-Modells
  • Weiterentwicklung des DL-Modells auf Ihre individuellen Daten