Generative models for the automatic recognition of reactive and abnormal peripheral blood cells with diagnosis purposes

Abstract

(English) Clinical pathologists focus on detailed morphological analysis of peripheral blood (PB) cells for the recognition of abnormal cells and contribute to the diagnosis of hematological diseases. While this traditional method is often precise, it requires significant expertise, is time-consuming, and is subject to variability, especially when discerning subtle cell characteristics. In light of these challenges, this dissertation proposes the innovative use of deep learning, specifically convolutional neural networks (CNNs) and generative adversarial networks (GANs), to add objectivity in morphological examination of PB cells.

The research is developed through a three-fold strategy. First, a novel GAN-based model standardizes PB cell image visualization across varied staining techniques. Second, optimized CNN architectures are tailored for precise classification of the selected PB cell types, with emphasis on reactive and malignant blood cells. Results indicate that the introduced Stain Normalization Model effectively manages staining variations while preserving cell morphology. Furthermore, CNN models, based on these normalized data, contribute significantly to the automatic recognition of malignant cells. And third, a modular GAN system generates synthetic PB images to enrich model training, particularly of low-prevalence cell data with special diagnostic interest.

This research emphasizes the transformative impact of combining the expertise of clinical pathologists with advanced computational strategies. While these systems serve as potent support tools, it is imperative to note that the clinical pathologist retains the ultimate authority in decision-making. The fusion of traditional expertise and modern technology is a promising trend in the present and near future, enhancing both objectivity and efficiency. This study signifies an advance towards the establishment of an integrated system for an automated screening tool for hematological diseases.

(Català) Els patòlegs clínics depenen de l'anàlisi morfològica detallada de les cèl·lules de sang perifèrica (PB) per a un diagnòstic precís de malalties hematològiques. Encara que aquest mètode tradicional és sovint precís, requereix una gran experiència, és laboriós i està subjecte a variabilitat, especialment quan es tracta de discernir característiques subtils de les cèl·lules. Davant d'aquests desafiaments, aquesta tesi doctoral introdueix l'ús innovador de l'aprenentatge profund, específicament xarxes neuronals convolucionals (CNN) i xarxes generatives antagonistes (GAN), per transformar l'examen morfològic de les cèl·lules de la sang. La recerca es desenvolupa a través d'una estratègia de tres vessants: Primer, un model nou basat en GAN estandarditza la visualització de les imatges a través de diverses tècniques de tinció. En segon lloc, s'adapten arquitectures de CNN optimitzades per a una classificació precisa dels tipus principals de cèl·lules sanguínies, amb èmfasi en els limfòcits reactius i les cèl·lules malignes. En tercer lloc, un sistema GAN modular genera imatges sintètiques de les cèl·lules, especialment en casos de cèl·lules de baixa prevalença per enriquir l'entrenament del model. Els resultats indiquen que el Model de Normalització de Tinció introduït gestiona eficaçment les variacions de tinció sense afectar la morfologia cel·lular. A més, els models CNN, construïts amb aquestes dades normalitzades, excel·leixen en la detecció de cèl·lules malignes. El model SyntheticCellGAN enriqueix encara més el conjunt de dades d'entrenament amb cèl·lules sintètiques diagnòsticament rellevants. Aquesta recerca destaca l'impacte transformador de combinar l'experiència dels patòlegs clínics amb eines computacionals avançades. Tot i que aquests sistemes serveixen com a eines de suport, és imperatiu tenir en compte que el patòleg clínic reté la màxima autoritat en la presa de decisions. La fusió de l'experiència tradicional i la tecnologia moderna promet revolucionar el diagnòstic hematològic, millorant tant l'objectivitat com l'eficiència. A més, aquest estudi significa avanços relevants cap a l'establiment d'un sistema totalment integrat per a una eina de cribat automàtic per a malalties hematològiques.

(Español) Los patólogos clínicos dependen del análisis morfológico detallado de las células de sangre periférica (PB) para un diagnóstico preciso de enfermedades hematológicas. Aunque este método tradicional es a menudo preciso, requiere una gran experiencia, es laborioso y está sujeto a variabilidad, especialmente cuando se trata de discernir características sutiles de las células. Ante estos desafíos, esta tesis doctoral introduce el uso innovador del aprendizaje profundo, específicamente redes neuronales convolucionales (CNN) y redes generativas antagónicas (GAN), para transformar el examen morfológico de las células PB. La investigación se desarrolla a través de una estrategia triple. Primero, un modelo novedoso basado en GAN estandariza la visualización de imágenes de células PB a través de diversas técnicas de tinción. En segundo lugar, se adaptan arquitecturas de CNN optimizadas para una clasificación precisa de los tipos principales de células sanguíneas, con énfasis en los linfocitos reactivos y las células malignas. En tercer lugar, un sistema GAN modular genera imágenes sintéticas de PB, especialmente en el caso de células de baja prevalencia, para enriquecer el entrenamiento del modelo. Los resultados indican que el Modelo de Normalización de Tinción introducido gestiona eficazmente las variaciones de tinción sin afectar la morfología celular. Además, los modelos CNN, construidos con estos datos normalizados, sobresalen en la detección de células malignas. El modelo SyntheticCellGAN enriquece aún más el conjunto de datos de entrenamiento con células sintéticas con relevancia diagnóstica. Esta investigación destaca el impacto transformador de combinar la experiencia de los patólogos clínicos con herramientas computacionales avanzadas. Si bien estos sistemas sirven como herramientas de apoyo, es imperativo tener en cuenta que el patólogo clínico mantiene la máxima autoridad en la toma de decisiones. La fusión de la experiencia tradicional y la tecnología moderna promete revolucionar el diagnóstico hematológico, mejorando tanto la objetividad como la eficiencia. Además, este estudio significa avances relevantes hacia el establecimiento de un sistema totalmente integrado para una herramienta de cribado automático para enfermedades hematológicas.