Heisann!

Vegard og jeg (Hevar) har vært så heldig å få praksisplass på Patologi i Vest, oppe ved Eitri! Her på PiV jobber vi med bilder av nyresnitt som er tatt med ulike scannere fra forskjellige sykehus rundt om i Norge. Formålet med arbeidet vårt så langt er å analysere fargedistribusjonen i disse bildene og undersøke hvordan fargene henger sammen – blant annet om det finnes en korrelasjon mellom ulike fargekanaler (RGB, HSV, Lab), eller om fargene varierer betydelig mellom bildene.

Fra teamet vårt har vi fått tilgang til to scripts som hjelper oss i analysen. Det første scriptet brukes til å dele opp nyresnittbildene i mindre biter, kalt patches. Disse patchene representerer små utsnitt av de større bildene, og vi kan selv styre hvilke patches vi ønsker å beholde basert på ulike parametre. For eksempel kan vi sette en vevsprosent på 70%, noe som betyr at vi kun vil inkludere patches der minst 70% av bildet inneholder nyrevev. Dette er viktig for å sikre at vi analyserer relevante deler av vevet, uten for mye bakgrunn eller tomrom.

Det andre scriptet tar disse patchene som input og analyserer hver enkelt for å hente ut en rekke statistiske og fargemessige egenskaper. Blant verdiene vi samler inn, finner vi blant annet RGB-, HSV- og Lab-verdier. Disse fargemodellene hjelper oss med å beskrive bildene på forskjellige måter:

• RGB (Red, Green, Blue): Standard fargemodell for bilder
• HSV (Hue, Saturation, Value): Fargemodell som ser på fargetone, metning og lysstyrke
• Lab (Lightness, Red/Greenness, Blue/Yellowness): Fargemodell som måler lysstyrke, samt rød/grønn- og blå/gul-komponenter

I tillegg til disse fargeverdiene, beregner scriptet også gjennomsnittsfargen til hvert bilde, skjevhet i fargene (skewness), samt kurtosen (kurtosis), som sier noe om fordelingen av fargeverdiene og om de har lange eller korte «haler» i fordelingen.

Ved å samle inn alle dissene verdiene har vi bygget et stort datasett som inneholder informasjon om alle patchesene og deres respektive fargeegenskaper. Dette datasettet har vi videre brukt til å identifisere utliggere – altså bilder som skiller seg ut fra mengden. Slike utliggere kan for eksempel være bilder som har vært utsatt for dårlig farging, feil under scanning, eller andre tekniske avvik som kan påvirke videre analyser.

Gjennom dette arbeidet har vi fått verdifull erfaring med både bildeanalyse og databehandling, samtidig som vi har fått et innblikk i hvordan patalogiske bilder analyseres og brukes i praksis. Det har vært utrolig spennende å få jobbe med ekte medisinske bilder og få en dypere forståelse av hvordan data kan brukes til å avdekke mønstre og mulige feil i slike prosesser!

Vi sees på neste blogginnlegg 😀

Med vennlig hilsen

Hevar Mokhlis og Vegard Grydeland