Download tesis - Cenidet

CENTRO NACIONAL DE INVESTIGACION
Y DESARROLLO TECNOLOGICO
cenidet
APLICACION DE TECNICAS DE PROCESAMIENTO DIGITAL DE
SEÑALES PARA LA CARACTERIZACION DE IMAGENES
HISTOLOGICAS
T
E
S
I
S
QUE PARA OBTENER EL GRADO DE MAESTRO
EN CIENCIAS EN INGENIERIA ELECTRONICA
P
R
E
S
E
N
T
A
MIGUEL ANGEL FLORES MIJANGOS
DIRECTORES DE TESIS:
DR. JOSE TOMAS RAMIREZ NIÑO
M. C. CARLOS RAMIREZ VALENZUELA
CUERNAVACA, MORELOS
Dedicatorias
Al único digno de recibir toda gloria, honra y
honor.
Al único Rey y Señor dador de vida Jesucristo!
Gracias Señor porque todo lo que soy y he logrado
te lo debo a ti mi Dios.
A mi mamá...
Por todo el amor y apoyo que me ha brindado en
los momentos difíciles de mi vida.
Porque ha sido la motivación para emprender
nuevos retos.
Gracias Mamá.
A mis Hermanos...
Por el apoyo incondicional que me han brindado
desde los momentos de mi infancia
Gracias.
Agradecimientos
A ti Señor por que todo lo haces posible
A mi Madre: Sra. Esperanza Mijangos Alamilla. Por su amor y consejos que siempre me ha
brindado.
A mis Hermanos: María Guadalupe, Julián de Jesús y Sonia Antonieta por ser un ejemplo
para seguir adelante
A mis cuñados: Blanca, Oscar y Paco por el apoyo que me han brindado.
A mis sobrinitos: Omar, Caro, Any, Lolita, Sandra, Enrique, Gaby y Oscar.
Por los momentos de felicidad compartidos
A mis asesores: José Tomás Ramírez Niño, Carlos Ramírez Valenzuela
Por compartir conmigo sus conocimientos y experiencias, por toda su paciencia.
A mis Revisores: Marco Antonio Oliver Salazar, Raúl Pinto Elías, Victor Hugo Zárate
Silva. Por sus acertados comentarios.
A mis compañeros y amigos de generación:
Irene Guerrero Mora, Roger Carrillo, Jesús Mina Antonio, Raúl Jiménez Grajales, Miguel
A. Zapata, Omar Castañeda, René Osorio, Luis Neri, Javier Martínez Mata, Javier
Macedonio Andrés, Anely Peralta, Paty Zavaleta, Iris Díaz. Por su amistad y esos
momentos de compañerismo
A mis Pastores: Noé San Martín, Maura Ubando por darme la dirección espiritual, por
hacerme sentir parte de la familia.
Al Sr. Alfredo y Sra. Georgina por el apoyo que siempre me han brindado.
A Cenidet por darme la oportunidad de realizar este trabajo.
Al personal de Cenidet por su gran amabilidad prestada
A la SEP y a CONACyT por darme la oportunidad y el apoyo para llevar a cabo este
trabajo de investigación
A todos ustedes ¡Gracias!
CONTENIDO
Glosario
Lista de figuras
i
iii
CAPITULO I
INTRODUCCION
1.1 Antecedentes.
1.2 Objetivo del Trabajo Realizado.
1.3 Estado del Arte.
1.4 Metodología de Trabajo.
1.5 Contenido del Trabajo Realizado.
1
4
5
10
11
CAPITULO II
PLANTEAMIENTO DEL PROBLEMA
Motivación.
2.1 La Prueba PAP.
2.1.1 Significado de los Resultados de la Prueba PAP.
2.2 El Virus de Papiloma Humano (VPH).
2.2.1 Diagnóstico.
2.3 Análisis de Displasias.
2.3.1 Proceso de Diagnóstico.
2.3.1.1 Funcionamiento del Sistema
2.3.1.2 Técnicas de Apoyo para Realizar el Análisis.
13
14
14
16
17
17
21
23
24
CAPITULO III
HERRAMIENTAS UTILIZADAS
3.1 Conceptos para el Procesamiento Digital de Imágenes.
3.1.1 Técnica de la Paleta de Color “Look Up Table”.
3.1.2 Técnica de Variaciones Estadísticas.
3.1.3 Técnica de Transformaciones del Histograma.
3.1.4 Filtrado Espacial.
3.2 Redes Neuronales Artificiales.
3.2.1 Arquitectura Básica de Redes Neuronales Artificiales.
3.2.1.1 Modelo Combinatorio Lineal Adaptable y el Perceptrón.
25
27
29
31
34
36
37
37
3.2.1.2 El Perceptrón.
39
CAPITULO IV
DESCRIPCION DEL SISTEMA
4.1 Análisis del Sistema.
4.1.1 Módulos Generales del Sistema.
4.2 Especificación de Requerimientos.
4.2.1 Requerimientos de Hardware y Software.
4.2.2 Restricciones del Sistema.
4.3 Elección del Software de Apoyo.
4.4 Digitalización de Imágenes.
4.4.1 Características Requeridas para las Imágenes.
4.4.2 Normalización de las Imágenes por brillantez.
4.5 Caracterización y Análisis de Imágenes.
4.5.1 Método de Redes Neuronales Artificiales.
4.5.1.1 El Modelo Final.
4.5.1.2 Modelo Particularizado.
4.5.1.3 Programa para el Entrenamiento.
4.5.1.4 Programa de Identificación de Zonas.
4.5.2 Concentración de Núcleos, Citoplasma y halos blancos en Imágenes
Histológicas.
4.5.3 Localización de la Línea Basal y Zona Externa.
4.6 La Interfaz de Usuario.
4.6.1 Especificaciones.
4.6.1.1 La Función Procesar.
4.6.1.2 El Menú Principal.
45
45
50
50
51
51
51
52
54
56
56
56
58
60
61
62
63
68
68
68
69
CAPITULO V
EXPERIMENTACION
5.1 Fase de Pruebas.
5.2 Resultados.
5.2.1 La Función Abrir.
5.2.2 La Función Procesar.
5.2.3 La Función Análisis.
5.2.4 La Función Desplegar.
5.2.5 La Función Graficar.
73
74
74
76
77
80
82
CAPITULO VI
CONCLUSIONES
6.1 Introducción.
6.2 Conclusiones.
6.3 Aportación del trabajo.
6.4 Trabajos Futuros.
87
87
90
90
REFERENCIAS
92
APENDICE A
LISTADO DEL PROGRAMA
94
APENDICE B
CONCEPTOS MEDICOS
111
APENDICE C
PROCESO DE VISUALIZACION HUMANA
117
GLOSARIO DE TERMINOS
Biopsia: Muestra del tejido humano para examinarlo bajo un microscopio y hacer
un diagnóstico.
Cáncer: Un grupo de enfermedades en las cuales las células anormales crecen
descontroladamente, las células cancerosas se extienden a través del cuerpo por
medio de la sangre y del sistema linfático.
Cáncer invasor: El desarrollo descontrolado y anormal de las células, resultando
en un tumor maligno que puede invadir y destruir los tejidos normales cercanos.
Carcinoma: Cáncer que comienza en la mucosa o cubierta de los tejidos de un
órgano.
Carcinoma in situ: Cáncer localizado solamente en la capa superior del tejido, sin
invadir tejidos profundos. Se considera como un estado precanceroso.
Cauterización: Una técnica de tratamiento que usa una sonda (instrumento
pequeño) eléctrica para destruir las células anormales.
Células: Estructuras sumamente pequeñas o unidades básicas de todos los
órganos del cuerpo.
Cuello del útero, o de la matriz: Sección estrecha en el extremo más bajo del
útero que se proyecta hacia la vagina.
Conización: Extraer, por medio de una operación, tejido en forma de cono, del
cuello del útero y el canal cervical. La conización se hace para diagnosticar o tratar
una enfermedad en el cuello del útero.
Criocirugía: Tratamiento que se lleva a cabo con una sonda que congela y
destruye los tejidos anormales cercanos.
Displasia: Presencia de células anormales. Hay tres clasificaciones para la
displasia: Leve, moderada y grave.
Examen ginecológico: Examen médico que normalmente incluye un examen de,
vagina, ovarios, trompas de Falopio, vejiga y recto. También incluye un examen
médico de los senos.
Glosario
Ginecólogo: Médico que se especializa en las enfermedades de la mujer,
especialmente de los órganos reproductivos.
Histerectomía: Extirpar por medio de una operación el útero (matriz) y el cuello
del útero.
In situ: Frase latina que significa “en el mismo sitio”.
Menopausia: La etapa de la vida de una mujer en la que cesan naturalmente sus
periodos de menstruación de manera permanente, usualmente ocurre entre los 45
o 50 años de edad. También se le conoce como “el cambio de vida”.
NIC: Neoplasia Intraepitelial Cervical.
Pélvico: Esta palabra se relaciona con la pelvis, la región del cuerpo entre los
huesos pélvicos. Los órganos de la región pélvica incluyen el útero, la vagina, los
ovarios, las trompas de Falopio, la vejiga y el recto.
ii
LISTA DE FIGURAS Y TABLAS
CAPITULO I
Figura 1.1
El procesamiento digital de imágenes en la medicina moderna.
Figura 1.2
El procesamiento digital de imágenes en la medicina moderna.
Figura 1.3
Ejemplos de imágenes obtenidas de estudios realizados de RM y
TAC.
Figura 1.4
Ejemplos de aplicaciones del procesamiento digital de imágenes en
la medicina moderna (Microscopía) a) imagen de una endoscopía b)
imagen histológica de la región epitelial de un tejido c) imagen de una
amiba.
Figura 1.5
CYMET diseñado para eliminar tareas laboriosas al realizar la pueba
PAP.
Figura1.6
El equipo CARS está basado en un microscopio acoplado a una
estación de trabajo de citólogos.
CAPITULO II
Figura 2.1
Imagen de una muestra de un examen de Papanicolaou.
Figura 2.2
Distribución de las células en las tres capas epiteliales
Figura 2.3
Representación de los tercios que definen las tres capas en una
imagen histológica.
Figura 2.4
Ejemplo de una biopsia con resultado negativo o normal.
Figura 2.5
Ejemplo de displasia leve.
Figura 2.6
Ejemplo de Displasia leve y displasia moderada.
Figura 2.7
Ejemplo de displasia severa.
Figura 2.8
Ejemplo de carcinoma in situ y displasia grave.
Lista de Figuras y Tablas
Figura 2.9
Ejemplo de carcinoma invasor.
Figura 2.10 Localización del tejido cilíndrico y del epitelio plano estratificado.
Figura 2.11 Ilustración del sentido de análisis de displasias.
CAPITULO III
Figura 3.1
Representación gráfica de los componentes de color de una imagen.
Para denotar Rojo, Verde y Azul se utilizan los términos R, G y B (por
sus siglas en inglés) respectivamente.
Figura 3.2
Identificación de núcleos, citoplasma y halos blancos como
características específicas de una imagen histológica.
Figura 3.3
Imagen histológica en la que se requiere identificar la forma de la
región basal.
Figura 3.4
Técnica de Procesamiento de intensidad o color “Look – Up Table”.
Figura 3.5
Ejemplo de la aplicación de la técnica de procesamiento de color a
una imagen histológica.
Figura 3.6
Curva estadística utilizada para la identificación de objetos en una
imagen.
Figura 3.7
Ejemplo de la identificación de objetos (núcleos) por la técnica de
variaciones estadísticas.
Figura 3.8
Técnica de Transformaciones basadas en Histograma.
Figura 3.9
Ejemplo de una imagen histológica oscura.
Figura 3.10 Ejemplo de una imagen histológica clara.
Figura 3.11 Histograma correspondiente a la imagen oscura.
Figura 3.12 Histograma correspondiente a la imagen clara.
Figura 3.13 Una máscara de 3 x 3 con coeficientes arbitrarios (pesos).
Figura 3.14 Vecindad 3x3 alrededor de un punto (x,y) en una imagen.
Figura 3.15 Filtro Sobel para detección de bordes verticales utilizado para la
detección de la línea basal y la línea externa en una imagen
histológica.
iv
Lista de Figuras y Tablas
Figura 3.16 Ejemplo de la aplicación de la máscara de Sobel a una imagen
histológica para detectar la línea basal y línea externa.
Figura 3.17 Modelo ALC.
Figura 3.18 Modelo del Perceptrón.
Figura 3.19 Función Escalón Unitario.
Figura 3.20 En esta imagen histológica se muestran los núcleos, los citoplasmas
y los halos blancos que identifica la red neuronal.
Figura 3.21 Ejemplo de la identificación de núcleos, citoplasma y halos blancos
en una imagen histológica aplicando redes neuronales artificiales.
CAPITULO IV
Figura 4.1
Arquitectura General del sistema.
Figura 4.2
Proceso de adquisición de las imágenes.
Figura 4.3
Normalización de imágenes.
Figura 4.4
Caracterización de las imágenes.
Figura 4.5
Cálculo de concentración de núcleos y citoplasma.
Figura 4.6
Localización de la línea basal y línea externa.
Figura 4.7
Graficación de la relación núcleos/citoplasma.
Figura 4.8
Imágenes histológicas con mayor concentración de núcleos y halos
blancos en la región de análisis.
Figura 4.9
Imágenes histológicas con presencia del VPH.
Figura 4.10 Imágenes histológicas con presencia del VPH de células vivas en el
segundo tercio de la región de análisis.
Figura 4.11 Imágenes histológicas con presencia del VPH.
Figura 4.12 Identificación de las tres secciones de análisis separadas por
núcleos, citoplasma epitelial citoplasma subepitelial y halos
blancos.
v
Lista de Figuras y Tablas
Figura 4.13 Muestra de un núcleo de una imagen histológica en condiciones
normales.
Figura 4.14 Muestra del Citoplasma, a) epitelial b) subepitelial, de una imagen
histológica en condiciones normales.
Figura 4.15 Muestra de un halo blanco de una imagen histológica en condiciones
normales.
Figura 4.16 Red Neuronal utilizada para hacer el reconocimiento de núcleos,
citoplasma y halos blancos.
Figura 4.17 Caracterización de núcleos, citoplasmas y halos blancos. a) imagen
original b) Imagen procesada.
Figura 4.18 Caracterización de núcleos, citoplasmas y halos blancos. a) imagen
original b) Imagen procesada.
Figura 4.19 Caracterización de núcleos, citoplasmas y halos blancos. a) imagen
original b) Imagen procesada.
Figura 4.20 Imagen en la que se ha seleccionado un área específica para realizar
el análisis.
Figura 4.21 Detección de la línea externa y la línea basal
original b) En la imagen caracterizada.
a) En la imagen
Figura 4.22 Máscara de Sobel para la detección de bordes verticales.
Figura 4.23 Empleo de la máscara de Sobel. a) Imagen original
resultante.
b) Imagen
Figura 4.24 Empleo de la máscara de Sobel. a) Imagen original
resultante.
b) Imagen
Figura 4.25 Empleo de la máscara de Sobel. a) Imagen original
resultante.
b) Imagen
Figura 4.26 Detección de la línea basal y externa a) en la imagen original b) en
la imagen caracterizada.
Figura 4.27 Detección de la línea basal y externa a) en la imagen original b) en
la imagen caracterizada.
Figura 4.28 Detección de la línea basal y externa a) en la imagen original b) en
la imagen caracterizada.
vi
Lista de Figuras y Tablas
Figura 4.29 Imágenes con la región de análisis acotada por la línea basal y
externa.
Figura 4.30 Gráfica de la relación N/C en un punto seleccionado previamente en
la imagen que se analiza.
Figura 4.31 La Función Procesar.
Figura 4.32 La Función Archivo.
Figura 4.33 La Función Edición.
Figura 4.34 La Función Imagen.
Figura 4.35 Interfaz de usuario en la que se muestra el menú principal.
Figura 4.36 Interfaz de usuario en la que se muestra la gráfica de la relación N/C
con las tres zonas en la región de análisis.
CAPITULO V
Figura 5.1
Normalización de una imagen a) Imagen Original
Normalizada.
b) Imagen
Figura 5.2
Normalización de una imagen a) Imagen Original
Normalizada.
b) Imagen
Figura 5.3
Normalización de una imagen
Normalizada.
Figura 5.4
Normalización
Normalizada.
Figura 5.5
a) Imagen Normalizada b) Imagen Caracterizada.
Figura 5.6
a) Imagen Normalizada b) Imagen Caracterizada.
Figura 5.7
a) Imagen Normalizada b) Imagen Caracterizada.
Figura 5.8
a) Imagen Normalizada b) Imagen Caracterizada.
Figura 5.9
Selección de una región de análisis sobre la imagen original bajo
estudio.
de
imágenes
a) Imagen Original b) Imagen
a)
Imagen
Original
b)
Imagen
Figura 5.10 Selección de una región de análisis sobre la imagen original bajo
estudio.
vii
Lista de Figuras y Tablas
Figura 5.11 Selección de una región de análisis sobre la imagen original bajo
estudio.
Figura 5.12 Selección de una región de análisis sobre la imagen original bajo
estudio.
Figura 5.13 Imagen de un tejido normal a) Región de análisis esperada b)
Región de análisis obtenida.
Figura 5.14 Displasia con la región de análisis a) esperada b) obtenida.
Figura 5.15 Displasia con la región de análisis a) esperada b) obtenida.
Figura 5.16 Displasia con la región de análisis a) esperada b) obtenida.
Figura 5.17 Displasia con la región de análisis a) esperada b) obtenida.
Figura 4.18 Comportamiento exponencial de la relación N/C para un tejido
normal.
Figura 5.19 Gráfica N/C de la imagen bajo estudio en la coordenada indicada.
Figura 5.20 Gráfica N/C de la imagen bajo estudio en la coordenada indicada.
Figura 5.21 Gráfica N/C de la imagen bajo estudio en la coordenada indicada.
Figura 5.22 Gráfica N/C de la imagen bajo estudio en la coordenada indicada.
CAPITULO VI
Figura 6.1
Relación núcleos/citoplasma de una imagen de un tejido normal.
Figura 6.2
Comparación de la relación núcleos/citoplasma medida contra la
esperada de una imagen de tejido normal.
APENDICE B
Figura B.1
Localización del cuello del útero.
Figura B.2
Obtención de la muestra que se usará en la prueba PAP.
APENDICE C
viii
Lista de Figuras y Tablas
Figura C.1
Diagrama simplificado de una sección transversal del ojo humano.
Figura C.2
Diagrama del sistema de interpretación de imágenes.
TABLAS
TABLA 2.1 Nivel de ayuda de la herramienta desarrollada para el análisis de las
imágenes histológicas.
TABLA 2.2 Técnicas de procesamiento digital de señales utilizadas por el
sistema desarrollado.
TABLA 4.1 Límites inferior y superior para cada color de la figura 4.12.
TABLA 4.2 Intervalos de valores de R, G y B para cada sub-imagen.
ix
C
APITULO
I
INTRODUCCION
Se estima que aproximadamente las tres cuartas partes de la información
que maneja un ser humano es visual [3], de ahí el interés por dotar a las máquinas
del sentido de la vista mediante su reproducción artificial, éste es un objetivo muy
ambicioso y complejo que se encuentra actualmente en desarrollo [2].
1.1 ANTECEDENTES
Desde los inicios de la fotografía1, ha existido un gran interés por reproducir,
mejorar y conservar las imágenes con la mejor calidad posible, originándose con
ello el tratamiento de imágenes. Uno de los problemas del tratamiento de las
imágenes fue el mejoramiento de fotografías digitalizadas de periódicos, enviadas
por cable submarino entre las ciudades de Londres y Nueva York a principios de la
década del siglo XX, cuando un equipo especializado de impresión codificaba las
imágenes para su transmisión por cable, las cuales eran reconstruidas en el
extremo de recepción [2].
Las mejoras en los métodos de procesamiento de las imágenes digitales2
transmitidas, continuaron durante los siguientes treinta y cinco años. Sin embargo,
fue hasta el advenimiento combinado de las computadoras digitales de gran
potencia y del programa espacial norteamericano de los 60´s (imágenes de la luna
fueron transmitidas por el Ranger 7) y otras misiones, cuando se puso de
manifiesto el potencial de los conceptos del tratamiento digital de imágenes (TDI)
[2].
1
El francés Niepce fue el primero que realizó fotografías (1826), y a partir de ahí se sucedieron
ininterrumpidamente los demás perfeccionamientos técnicos (empleo de las sales de plata,
introducción de la película de celuloide, técnicas del color, cámaras instantáneas, reproducción
electrónica de la imagen, etc.).
2
Entiéndase como imagen digital una imagen que se ha discretizado tanto en sus coordenadas
espaciales como en el brillo. Una imagen digital puede considerarse como una matriz cuyos índices
de fila y columna identifican un punto de la imagen, donde el valor del elemento de la matriz (píxel)
indica el nivel de gris en ese punto [2].
I Introducción
Además de las aplicaciones al programa espacial, las técnicas de
procesamiento digital de imágenes (PDI) se emplean actualmente para resolver
problemas en diversas áreas, tales como [2]:
o
o
o
o
o
La medicina.
La geografía.
La arqueología.
La física y campos afines.
Otras áreas como son la biología, la astronomía, la medicina nuclear,
aplicaciones industriales, investigaciones judiciales, defensa, etc.
Aunque a veces estos problemas parecen inconexos, éstos requieren
normalmente métodos capaces de realzar la información de las imágenes para su
interpretación y análisis humano.
Con el paso del tiempo, surgió un segundo campo de aplicación de las
técnicas del PDI. El interés se centra en los procedimientos para extraer
información de la imagen de manera apropiada que permita lograr su
interpretación. Esta información, pocas veces, tiene algo en común con los rasgos
visuales que los seres humanos emplean para comprender el contenido de una
imagen. Algunos de esos problemas típicos de la percepción automatizada son [3]:
o El ensamblado e inspección de productos industriales.
o El tratamiento automático de huellas digitales.
o El procesamiento automático de imágenes aéreas y de satélites para la
predicción del tiempo y la evolución de cultivos.
o La identificación de personas.
o Los reconocimientos militares.
o La detección de tumores.
o El control de robots móviles por medios visuales.
De esta manera, el interés por los métodos de tratamiento digital de
imágenes se deriva de dos áreas de aplicación principales [2]:
a) La mejora de la información pictórica para la interpretación humana.
b) El procesamiento y la extracción de los datos de una escena para la
percepción autónoma por una máquina.
Los seres humanos tenemos la habilidad de realizar el proceso de
reconocimiento de cualquier objeto sujeto a cambios en apariencia, tamaño,
posición, etc., o aún con limitaciones más grandes como es el tener objetos que
presenten información incompleta y/o difusa. Sin embargo, a pesar de que el
sistema de visión humano presenta las características de ser flexible y adaptable
no es totalmente completo; ya que, bajo algunas condiciones no presenta la
misma calidad de reconocimiento, un ejemplo burdo de ello es el intentar leer un
texto rotado 180 grados, lectura difícil y lenta, pero no imposible [1].
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
2
I Introducción
Las técnicas que se han desarrollado emplean por un lado teorías de
sicología visual humana y por el otro, modelos de los dispositivos físicos de
adquisición y representación de imágenes [4].
El objetivo principal de la visión por computadora es precisamente tratar de
comprender y aproximar las complejas tareas realizadas por el cerebro, a través
de una gran cantidad de operaciones simultáneas o en paralelo a grandes
velocidades (en comparación a cualquier computadora moderna) en aplicaciones
reales.
Cuando se habla de aplicaciones reales, se hace referencia a imágenes
tomadas en escenarios reales con los problemas que éstos conllevan, tales como
cambios de intensidad luminosa, brillos, oscurecimientos inesperados, polvo,
variación de escala, rotación del objeto a identificar y traslaciones [4], traslapes,
vistas parciales, etc. Problemas que se han intentado solucionar de diversas
maneras, pero que siguen siendo problemas abiertos ya que no hay soluciones
generales para éstos.
Luego entonces, dada una imagen, el objetivo es obtener una posible
interpretación para lo cual se requiere identificar o reconocer correctamente los
objetos que la forman. Para poder realizar este proceso de interpretación de la
imagen, generalmente se tiene un conocimiento a priori de los objetos buscados
(proceso supervisado); esto es, el reconocimiento se realiza a través de un
conjunto de características del objeto, conocidas de antemano, que lo describen
de manera que no sea posible confundirlo con los demás objetos de un universo
dado.
El proceso automático de reconocimiento de patrones se utiliza actualmente
en una gran diversidad de áreas. El tipo de objetos a reconocer se puede agrupar
en tres clases de objetos principalmente: Los rígidos o fijos, los articulados y los
alfa flexibles.
Los objetos rígidos son aquellos en los cuales no es importante su posición
o tamaño; ya que sus características siempre presentan las mismas relaciones
geométricas.
Los objetos articulados son aquellos que pueden presentar algunos
cambios; sin embargo, estos cambios son conocidos totalmente y por tanto es
posible obtener todavía un patrón.
Los objetos alfa flexibles son aquellos que cuentan con la capacidad de
transformación, una característica muy importante, por lo que se puede obtener
una gran cantidad de instancias del mismo objeto que lo describirían de diversas
maneras, haciendo difícil poder obtener una descripción única o un patrón
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
3
I Introducción
estándar necesario para el proceso de reconocimiento. Debe entenderse por
patrón a la representación de alguna cosa u objeto que se desea localizar [1].
El campo del reconocimiento automático de objetos rígidos fue el primero
en tratarse, existiendo un mayor número de aplicaciones, por ejemplo el
reconocimiento de caracteres en placas de automóviles, en México las letras y
dígitos tienen un tamaño y patrón estándar [4], el reconocimiento de envases de
refresco u otras bebidas [3], el reconocimiento de ciertos modelos de automóviles,
etc.
Puesto que el objeto a reconocer presenta un patrón fijo, el reconocimiento
de éstos es aún un problema que, en algunos casos específicos, no es posible
resolver todavía; por ejemplo, si se desea identificar automáticamente a dos
poliedros sobrepuestos a partir de una imagen 2D.
En el reconocimiento automático de objetos articulados se encuentran
problemas como por ejemplo el desplazamiento de un robot autónomo en un
ambiente estructurado, buscando evolucionar a un ambiente no estructurado,
donde las trayectorias deben ser calculadas en tiempo real para ambientes de
trabajo desconocidos. Otro ejemplo es el reconocimiento de caracteres sin un
formato fijo [1].
En el reconocimiento automático de objetos alfa flexibles la problemática se
acentúa aún más, ya que además de los problemas presentes en todo sistema de
reconocimiento se presenta otro, la capacidad de transformación de dicho objeto.
En el campo de la medicina, existen diversos problemas en donde la
tecnología moderna puede aportar innumerables soluciones, mediante el
tratamiento de las imágenes que se obtienen. La mayoría de las técnicas de
diagnóstico están basadas en la observación y en la experiencia de especialistas
que saben reconocer las diferentes características de los padecimientos y en
base a esto toman decisiones respecto a los tratamientos a seguir y estiman la
evolución de la enfermedad.
1.2 OBJETIVO DEL TRABAJO REALIZADO
El objetivo principal de este trabajo está relacionado con el procesamiento
de imágenes histológicas de microscopía óptica de biopsias cervicales.
Se pretende:
•
Desarrollar un proceso matemático para el tratamiento de imágenes
histológicas de microscopía óptica y la programación requerida para
distinguir, de manera cuantitativa, entre imágenes con características
normales (sin alteraciones celulares) y con diferentes grados de malignidad,
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
4
I Introducción
de acuerdo con el procedimiento de evaluación empleado por los médicos
especialistas.
•
Obtener una herramienta útil que permita medir la relación
núcleo/citoplasma (N/C) existente dentro de capas de tejidos cervicales.
•
Realizar un estimado de la confiabilidad y seguridad del método de
procesamiento digital propuesto para imágenes de microscopía.
La herramienta computacional desarrollada deberá entregar resultados con
características cuantitativas útiles al especialista para la elaboración de un
diagnóstico con mayor certidumbre.
1.3 ESTADO DEL ARTE
En el campo de la medicina se han logrado varios avances gracias a los
procesos de tratamiento de imágenes. Estas proporcionan información de interés
para emitir diagnósticos más precisos por parte de los especialistas (Ver Fig. 1.1 y
Fig. 1.2).
a)
b)
Fig. 1.1 Procesamiento digital de imágenes en la medicina moderna.
En la figura 1.1 se ilustran un par de equipos para diagnosticar un examen
de ultrasonido, los cuales facilitan el procedimiento de análisis para los
especialistas.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
5
I Introducción
a)
b)
Fig. 1.2 Procesamiento digital de imágenes en la medicina moderna.
En la Fig. 1.2 se muestran un par de equipos para realizar exploraciones de
ultrasonido en la medicina moderna.
En el campo de la medicina nuclear también ha habido grandes adelantos
en el análisis computarizado de padecimiento de cáncer. Tal es el caso de los
equipos de Resonancia Magnética (RM) y Tomografía axial computarizada (TAC),
algunas imágenes obtenidas por estos estudios se ilustran en la Fig. 1.3.
a)
b)
Fig. 1.3 Ejemplos de imágenes obtenidas de estudios realizados de RM y TAC.
En la Fig. 1.3 se muestran imágenes obtenidas de los estudios de
Resonancia Magnética y de Tomografía Axial Computarizada respectivamente.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
6
I Introducción
Los avances tecnológicos también han permitido analizar imágenes
microscópicas como es el caso de las imágenes patológicas, citológicas y de
endoscopía. La figura 1.4a) muestra la imagen de un estudio de endoscopía para
observar las condiciones de los órganos, la figura 1.4 b) ilustra una muestra del
tejido en la región epitelial de la piel, la figura 1.4 c) muestra la imagen obtenida de
una amiba.
a) ENDOSCOPIA
b) HISTOLOGICAS
c) PATOLOGICAS
Fig. 1.4 Ejemplos de aplicaciones del procesamiento digital de imágenes en la medicina de
Microscopía a) imagen de una endoscopía b) imagen histológica de la región epitelial de un tejido
c) imagen de una amiba.
Debido al padecimiento del cáncer cérvico uterino han surgido adelantos
tecnológicos para su estudio y análisis.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
7
I Introducción
El diagnóstico de cáncer cervical se basa en el análisis de muestras
citológicas para la identificación de células anormales. La práctica actual se basa
en la inspección manual de cada una de las muestras mediante un microscopio.
Mediante esta inspección los especialistas diferencian las células anormales o
enfermas de las células sanas basándose en el tamaño, forma y detalles
estructurales de las células y sus núcleos [5].
La inspección automática se encuentra con varios retos [5]:
•
La adquisición de datos debe ser extremadamente rápida. La resolución
necesaria para identificar las células debe ser de una micra (10-6 m). Una
muestra tiene un tamaño típico 2cm x 2cm, lo que supone unos
400,000,000 puntos. Dado que la imagen se codifica usando tres colores, el
espacio requerido para su almacenamiento total es de 1.2 Gbytes.
El almacenamiento de las imágenes es otro importante problema. Los
laboratorios obtienen diariamente cientos de muestras. (Sólo en Dinamarca se
realizan 650,000 estudios anuales, lo que supone un total de 780 Terabytes). Es
por tanto esencial proporcionar una compresión de datos [5].
El alto número de puntos en cada imagen implica que el procesamiento de
las imágenes requiere disponer de un sistema de cálculo intensivo. La
computación paralela se presenta como el medio más efectivo para proporcionar
esta potencia de cálculo [5].
Ya se ha desarrollado un equipo denominado AUTOSCREEN cuyos objetivos son
[5]:
•
•
•
•
Demostrar la viabilidad del análisis automatizado de especimenes
citológicos mediante técnicas de visión por computadora, específicamente
en el estudio del cáncer cervical mediante muestras basadas en el método
de Papanicolau.
Mostrar que el uso masivo de un sistema como AUTOSCREEN redundará
en una reducción de costes en la industria médica además de proporcionar
un mejor servicio al ciudadano.
Mostrar que la tecnología AUTOSCREEN es extensible a muchas otras
aplicaciones de diagnóstico basado en análisis citológico.
Proporcionar un medio eficiente para el almacenamiento de grandes
cantidades de muestras de datos.
Existen algunos equipos empleados para la realizar el examen de detección
del cáncer cérvico uterino, tal como es el caso del CYMET (ver Fig. 1.5) utilizado
para observar de manera automática la prueba.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
8
I Introducción
Fig. 1.5 CYMET diseñado para eliminar tareas laboriosas al realizar la prueba PAP.
El equipo CARS (ver Fig. 1.6) consiste en un microscopio acoplado a una
estación de trabajo de citólogos.
Fig. 1.6 El equipo CARS está basado en un microscopio acoplado a una estación de trabajo de
citólogos.
También existen asociaciones con el propósito de luchar contra la
mortalidad por el padecimiento del cáncer cervical, tal es el caso de la AEPCC [6].
La AEPCC es una asociación científica, no lucrativa, constituida en el año
1987. Es miembro de la International Federation of Cervical Pathology and
Colposcopy (IFCPC) [6].
Tiene como objetivo promover el conocimiento y la investigación del tracto
genital inferior de la mujer, mediante el uso de la colposcopia y de todas aquellas
técnicas, que como la epidemiología, citología, patología, investigación básica o
cirugía, puedan ser útiles para conocer las causas, prevención, diagnóstico y
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
9
I Introducción
tratamiento de las enfermedades que afectan a la vulva, vagina y cuello del útero.
Para conseguir sus objetivos la AEPCC fomenta, promueve y promociona
seminarios, publicaciones, cursos de formación continua, simposiums, y organiza
un congreso anual [6].
1.4 METODOLOGIA DE TRABAJO
En un principio se hizo la revisión del estado del arte referente al
procesamiento digital de imágenes médicas analizando cada una de las
referencias encontradas al respecto, especialmente los temas relacionados con el
tratamiento de imágenes histológicas.
Posteriormente se hizo la elección del lenguaje de programación utilizado
como software para realizar el procesamiento digital de las imágenes histológicas.
Se obtuvieron fotografías de muestras de biopsias cervicales tomadas por
una cámara acoplada a un microscopio de laboratorio de análisis de displasias.
Posteriormente se realizó la digitalización de estas fotografías para realizar este
trabajo de tesis.
Se desarrolló un algoritmo para la detección de la concentración de células
anormales en un campo de la muestra tomada para detectar la posible presencia
de cáncer cérvico–uterino.
Se definieron las características sobresalientes de las imágenes
histológicas que las distinguen de las demás. Posteriormente se realizó la
adquisición de las imágenes seleccionadas.
Posteriormente se definieron las características a considerar para realizar el
análisis. Enseguida se realizó el desarrollo de la programación. Se utilizaron
diferentes técnicas de procesamiento digital de imágenes hasta elegir la técnica
que proporcionó la mayor aproximación a los resultados deseados. Se prosiguió
con el proceso de caracterización y análisis de diferentes imágenes, después de
realizar esto se comenzó con el diseño de la interfaz de usuario procurando
obtener la más interactiva, considerándose que el mal empleo de la herramienta
no genere alteraciones en su funcionamiento.
Finalmente se realizaron las pruebas de la herramienta desarrollada con
diferentes imágenes, y se hicieron las correcciones necesarias hasta garantizar
su confiabilidad con respecto a los resultados esperados.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
10
I Introducción
1.5 CONTENIDO DEL TRABAJO REALIZADO
El capítulo 1 de este trabajo presenta una perspectiva del procesamiento de
imágenes planteando los antecedentes relacionados con este tema, como son los
orígenes del procesamiento de imágenes a principios del siglo XX, las
aplicaciones iniciales de éste y las aplicaciones más recientes, como son
aplicaciones industriales, didácticas, médicas, etc. Se hace mención del objetivo
particular por el que se desarrolló este trabajo. Se menciona el estado del arte
para tener referencias sobre los trabajos relacionados con el tema que se
desarrolló en este trabajo. Posteriormente se hace una descripción de la
metodología desarrollada en la elaboración de este trabajo.
En el capítulo 2 se presenta el planteamiento del problema que motivó la
realización de este trabajo, se comienza explicando los resultados de la prueba
PAP (Prueba Papanicolaou) utilizada para la detección del cáncer cérvico uterino.
También se explica la influencia del virus del papiloma humano (VPH) en el
padecimiento de este cáncer y su diagnóstico. Finalmente se explica la técnica de
análisis de displasias y el método utilizado para realizar este análisis; se
mencionan las técnicas utilizadas para el desarrollo del trabajo y una explicación
de la operación del sistema.
En el capítulo 3 se presentan las técnicas de procesamiento digital de
imágenes utilizadas en este trabajo. Se comienza con la definición de los
conceptos de imagen digital y de color y los componentes básicos de éste.
Posteriormente se explica cada una de las técnicas de procesamiento digital de
imágenes utilizadas en este trabajo a saber la técnica de variaciones estadísticas,
la técnica de análisis del histograma, la técnica de filtrado digital y finalmente el
empleo de redes neuronales. También se dan ejemplos de la aplicación de cada
una de estas técnicas a las imágenes histológicas utilizadas en este trabajo.
El capítulo 4 consiste en la explicación detallada de la realización del
trabajo de tesis. Se presenta el análisis y diseño del sistema. Se menciona cómo
se realizó la adquisición de las imágenes (la resolución y las dimensiones), la
selección de éstas de acuerdo con ciertas características que deben cumplirse. Se
presenta el procedimiento empleado para
la programación del sistema
computacional. Se presentan las pruebas y correcciones realizadas hasta
conseguir el procedimiento que genera el mínimo error con respecto a los demás
procedimientos empleados. También se hace mención acerca del diseño de la
interfaz de usuario y los cambios realizados durante el proceso de la
programación, hasta conseguir la presentación final.
En el capítulo 5 se presenta la experimentación del sistema realizada con
diferentes imágenes y se realiza el análisis de los resultados obtenidos.
Finalmente en el capítulo 6 se presentan las conclusiones, aportación, el
alcance obtenido, aplicaciones y trabajos futuros del sistema desarrollado.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
11
I Introducción
El Apéndice A contiene el listado del programa del sistema, en el apéndice
B se explican los conceptos médicos básicos acerca del padecimiento del cáncer
cérvico uterino, en el Apéndice C se presenta una breve introducción de cómo se
lleva acabo el proceso de visualización en el ojo humano y los esfuerzos de la
ciencia para conseguir un proceso similar y las aplicaciones que se pueden
realizar.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
12
C
APITULO
II
PLANTEAMIENTO DEL PROBLEMA
MOTIVACIÓN
Actualmente la primera causa de muerte en mujeres en nuestro país [7], se debe
al padecimiento del cáncer cérvico-uterino [7]. Para su diagnóstico se realizan
algunos análisis como es el caso de la prueba llamada Papanicolaou que consiste
en la obtención de células del paciente, su tinción con colorantes especiales y su
análisis microscópico; otra técnica de análisis es mediante la realización de un
estudio histológico de muestras de tejido (Displasias) tomadas del paciente
mediante la realización de una biopsia en la región cervical para su posterior
análisis microscópico.
En el estudio del padecimiento del cáncer cérvico-uterino se necesita obtener toda
la información posible de las muestras del tejido cervical que permita emitir un
diagnóstico con mayor certidumbre. Para obtener esta información se efectúa un
estudio histológico de las muestras de la región cervical. Éste consiste en realizar
una inspección en la muestra para detectar la presencia de células anormales o la
presencia del virus del papiloma humano (VPH), que es el principal causante del
padecimiento del cáncer cérvico-uterino. Sin embargo, esta inspección la realiza
el médico de manera visual bajo microscopio y el diagnóstico depende
principalmente de su experiencia, lo que provoca que en algunos casos se emita
un diagnóstico erróneo.
Para mejorar el proceso de diagnóstico se requiere de una herramienta que
permita obtener información cuantificable y así incrementar su certidumbre.
En este capítulo se comienza con la definición de la prueba PAP y los resultados
que se pueden obtener al realizarse esta prueba. También se define el cáncer
cérvico-uterino y se dan datos acerca de su padecimiento.
Posteriormente se define el virus del papiloma humano como el principal causante
del padecimiento del cáncer cervical y la manera en que se realiza el diagnóstico.
Enseguida se explica el análisis de displasias, así como el proceso que realiza el
especialista para la obtención del diagnóstico. A continuación se presenta el
funcionamiento del sistema, las técnicas empleadas, se explica la manera de
operar el sistema.
II Planteamiento del Problema
2.1 LA PRUEBA PAP
La prueba PAP, o Prueba Papanicolaou, es uno de los métodos más eficaces para
detectar tempranamente el cáncer del cuello del útero (CCU) o cuello de la matriz.
Mediante la prueba PAP es posible ver con un microscopio si hay células
anormales antes que la mujer tenga algún síntoma. Estos cambios de las células
a veces se convierten en CCU. La Fig. 2.1 muestra una imagen correspondiente a
la prueba Papanicolaou.
Fig. 2.1 Imagen de una muestra de un examen de Papanicolaou.
2.1.1 SIGNIFICADO DE LOS RESULTADOS DE LA PRUEBA PAP
Existen varias maneras de reportar los resultados de la prueba PAP. Las
siguientes son las 5 clasificaciones más comunes [8]:
Clase 1 – “NEGATIVO” o “NORMAL”
Cuando las células son normales y no ha habido cambios en ellas.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
14
II Planteamiento del Problema
Clase 2 – “IRREGULAR” o “ANORMAL”
Cuando las células comienzan a ser anormales. Una prueba “anormal” se debe
muchas veces al inicio de una inflamación del cuello del útero. Por lo general no
se indica ningún tratamiento porque muchas de estas células anormales vuelven a
ser “normales” (Clase 1) sin tratamiento médico. El médico podrá hacer una
biopsia para confirmar los resultados de la prueba PAP.
Clase 3 – “SOSPECHOSO” o “DISPLASIA”
Cuando las células han cambiado de tal modo que es necesario continuar
investigando para determinar el grado de cambio normal. Es necesario tener en
cuenta lo siguiente:
La displasia no es cáncer.
La evolución de la displasia es imprevisible a veces mejora sin tratamiento médico,
otras veces se mantiene o empeora.
Las mujeres entre 25 y 35 años de edad corren un riesgo mayor de tener esta
enfermedad.
Hay tres tipos de displasia:
Displasia Leve (NIC 1): Cuando hay células anormales en la superficie del cuello
del útero, lo que puede indicar que hay una inflamación. Por lo general se requiere
que se repita la prueba PAP cada tres o seis meses.
Displasia moderada (NIC 2). Cuando hay una mayor concentración de células
anormales en la superficie del cuello del útero. El tratamiento indicado suele ser el
congelamiento de las células anormales o la terapia con rayos láser. Se deberá
hacer nuevas pruebas PAP después de estos tratamientos.
Displasia grave (NIC 3): Cuando ocurren serios cambios en las células de la
superficie del cuello del útero. El tratamiento indicado suele ser la conización o
biopsia de cono u otros métodos de tratamiento.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
15
II Planteamiento del Problema
Clases 4 y 5 – PROBABILIDAD DE “CARCINOMA IN SITU” o “CANCER
INVASOR”
Las clases 4 y 5 corresponden a un resultado “positivo” de la prueba PAP,
lo que indica la probabilidad de un carcinoma in situ o un cáncer invasor. Sólo
mediante una biopsia (o sea, muestra del tejido para analizarlo en el laboratorio)
se puede determinar qué tipo de células hay en el tejido. Tanto el carcinoma in situ
como el cáncer invasor requerirán un tratamiento.
El carcinoma in situ es un cáncer que por lo general está limitado a la capa
superior de las células en la región cervical.
El cáncer invasor es un cáncer más profundo que se ha extendido a tejidos
u órganos cercanos.
La prueba PAP puede ayudar al médico a hacer un diagnóstico del CCU.
Pero para estar seguro que en efecto hay cáncer, hay que hacer una biopsia.
2.2 EL VIRUS DEL PAPILOMA HUMANO (VPH)
El virus del papiloma humano (VPH) es el causante de la infección de
transmisión sexual. Es también el principal causante de un 70% de los casos del
cáncer del cuello del útero, que es el tumor maligno de mayor frecuencia en las
mujeres [8].
Otros términos que a veces se utilizan para describir estas células
anormales son neoplasia intraepitelial cervical (NIC) y displasia [9]. Las lesiones
intraepiteliales escamosas de bajo grado (displasias leves) son una condición
común, especialmente en las mujeres jóvenes. La mayoría de las lesiones
intraepiteliales escamosas de bajo grado vuelven a la normalidad pasado unos
meses o unos pocos años. A veces, las lesiones intraepiteliales escamosas de
bajo grado pueden convertirse en lesiones intraepiteliales escamosas de alto
grado. Las lesiones intraepiteliales escamosas de alto grado no son cáncer, pero
eventualmente pueden convertirse en cáncer y deben ser tratadas por un médico
[8].
El número de infecciones por el VPH y su duración son un factor de riesgo
para el posterior desarrollo de cáncer.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
16
II Planteamiento del Problema
2.2.1 DIAGNOSTICO
Las células cervicales anormales pueden detectarse mediante la citología
vaginal (prueba de Papanicolaou o PAP).
El riesgo de desarrollar cáncer del cuello del útero en las mujeres mayores
de edad también continua existiendo en la actualidad [10].
•
Las mujeres de 65 años de edad y mayores representan casi un 25 % de
todos los casos de cáncer del cuello del útero y un 41 % de las muertes por
cáncer del útero.
•
Las mujeres de 65 años de edad y mayores tienen una tasa de incidencia
de cáncer del cuello del útero de 16.8 por cada 100,000, comparada con
un 7.4 en mujeres menores de edad. La tasa de incidencia es el número de
casos de cáncer diagnosticados entre una población de 100,000 durante un
período específico de tiempo (normalmente un año) [10].
2.3 ANALISIS DE DISPLASIAS
Las displasias se evalúan seccionando la muestra de la biopsia en tercios,
considerando el primer tercio el interno, donde se encuentran las células basales y
el tercero termina en la parte externa (como se muestra en las Figuras 2.2 y 2.3).
En el tejido sano las células del epitelio se originan en la membrana basal y al
madurar con el tiempo emigran del primer tercio al segundo y al tercero. En este
proceso los núcleos se modifican y se tornan alargados o pictónicos (puntos
pequeños) donde las células maduran y mueren y finalmente se descaman [10].
La membrana basal la conforman de 3 a 5 capas de células epiteliales,
basales o germinales que se reproducen y desplazan a las maduras. En la parte
interna de la membrana basal se encuentra el tejido celular subepitelial el cual
contiene vasos que nutren la membrana basal y glándulas [10].
Las células basales son redondas cuando están vivas solamente.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
17
II Planteamiento del Problema
Capas Epiteliales
Externa
Intermedia
Basal
Fig. 2.2 Distribución de las células en las tres capas epiteliales.
Fig. 2.3 Representación de los tercios que definen las tres capas en una imagen histológica.
La Fig. 2.4 muestra una biopsia de tejido sano, para compararlo con las biopsias
que presentan células anormales.
Las alteraciones que se presentan son:
•
Displasia leve. Invasión de células basales en el primer tercio (Fig. 2.5).
•
Displasia moderada. Invasión de células basales en el primero y segundo
tercio (Fig. 2.6).
•
Displasia severa. Invasión de los tres tercios (Fig. 2.7).
•
Displasia grave. Cuando ocurren serios cambios en las células de la superficie
del cuello del útero (Fig. 2.8).
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
18
II Planteamiento del Problema
•
Carcinoma in situ. Células basales uniformes en los tercios (Fig. 2.8).
•
Carcinoma invasor. Ruptura de la membrana basal (Fig. 2.9).
Fig. 2.4 Ejemplo de una biopsia con resultado negativo o normal.
Fig. 2.5 Ejemplo de displasia leve.
Fig. 2.6 Ejemplo de Displasia leve y displasia moderada.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
19
II Planteamiento del Problema
Fig. 2.7 Ejemplo de displasia severa.
Fig. 2.8 Ejemplo de carcinoma in situ y Displasia Grave.
Fig. 2.9 Ejemplo de carcinoma invasor.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
20
II Planteamiento del Problema
La mitosis (etapa de reproducción celular) es indicación de células vivas y
solamente debe de presentarse en la capa basal.
Células con mitosis o núcleos grandes fuera de la membrana basal es
indicación de displasia.
Halos blancos alrededor de los núcleos indican VPH; el cual, como ya se
mencionó, es inductor del cáncer cérvico uterino.
La mayor incidencia de alteraciones ocurre en el cambio del epitelio plano
estratificado al tejido del tipo cilíndrico (Fig. 2.10).
Fig. 2.10 Localización del tejido cilíndrico y del epitelio plano estratificado.
2.3.1 PROCESO DE DIAGNOSTICO
Los médicos especialistas realizan el siguiente procedimiento para el
estudio de las muestras de las biopsias [10].
1.- Verificar que la muestra tenga iluminación homogénea para su análisis bajo
microscopio.
2.- Localizar la membrana basal y la capa externa (Fig. 2.2).
3.- Medir el espesor celular, el número de células vivas o capas, considerando el
sentido de análisis dividido en tercios de adentro hacia fuera como se muestra
en la Fig. 2.11. Este procedimiento se tomó como referencia para elaborar el
sistema.
4.- Evaluar la capa basal. El tamaño de los núcleos para compararlos con los
núcleos en el segundo y tercer tercio.
5.- Medir el porcentaje de halos blancos perinucleares por biopsia.
6.- Observar el tamaño y forma de núcleos en el segundo y tercer tercio.
7.- Determinar el número de mitosis o núcleos que tengan el doble o más del
tamaño de los núcleos de la membrana basal por área de análisis (campo).
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
21
II Planteamiento del Problema
8.- Verificar si el epitelio penetra o infiltra la membrana basal.
9.- Obtener la relación núcleo/citoplasma en la dirección del análisis.
El tamaño promedio de los núcleos en la membrana basal es la referencia
para realizar la medición de los núcleos en el segundo y tercer tercio.
Es importante obtener la gráfica de la densidad nuclear en función del
espesor del epitelio para complementar el análisis de las biopsias.
Fig. 2.11 Ilustración del sentido de análisis de displasias.
El objetivo para resolver el problema consistió en desarrollar un sistema
como herramienta computacional para caracterizar imágenes de biopsias que
permita diferenciar cuantitativamente entre células normales y células anormales
para la emisión de un diagnóstico con mayor certidumbre.
El
sistema desarrollado le facilita al especialista la realización del
procedimiento de estudio de las muestras de las biopsias. El funcionamiento y
alcance de esta herramienta depende del paso del procedimiento de análisis,
pudiendo ser de manera automática, operada por el usuario (manual) o
semiautomática como se indica en la Tabla 2.1.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
22
II Planteamiento del Problema
TABLA 2.1 Nivel de ayuda de la herramienta desarrollada para el análisis de las imágenes
histológicas.
PASO
FORMA DE EJECUCION
AUTOMATICA SEMIAUTOMATICA MANUAL
Iluminación de la imagen
Localizar la línea basal y la línea externa
Medir espesor celular, células vivas
Evaluar la capa basal
Medir el porcentaje de halos blancos
Observar el tamaño y la forma de núcleos
Determinar el No. de mitosis
Verificar el epitelio y la membrana basal
Obtener la relación núcleo/citoplasma
X
X
X
X
X
X
X
X
X
2.3.1.1 FUNCIONAMIENTO DEL SISTEMA
En esta sección se presenta una breve explicación del funcionamiento del
sistema con el fin de tener una idea más clara de cómo este sistema desarrollado
pretende solventar las necesidades del especialista para emitir un diagnóstico con
mayor certidumbre, en el capítulo IV se analizará más a detalle su diseño y
funcionamiento.
El sistema se diseñó de manera que permite obtener una imagen de una
biopsia cervical de un archivo en formato mapa de bits (bmp), esta imagen se
normaliza automáticamente al momento de abrir el archivo con el fin de mantener
una iluminación homogénea en las imágenes. Una vez hecho esto es posible
realizar la caracterización de la imagen para comenzar el análisis. La
caracterización consiste en la identificación de los núcleos, citoplasma epitelial,
citoplasma subepitelial y zonas blancas, esto se lleva acabo de manera
semiautomática al presionar un botón sobre la pantalla de la interfaz.
Con la imagen caracterizada es posible localizar las líneas basal y externa,
que limitan la región de análisis, mediante la selección de la función “desplegar”
del menú principal de la interfaz. El especialista tiene la opción de seleccionar, con
el apoyo del mouse, un área específica sobre la región de análisis para obtener las
concentraciones de núcleos y de citoplasma. También puede elegir un punto sobre
la región de análisis y obtener una gráfica correspondiente a la relación
núcleos/citoplasma (N/C), que le es de utilidad para observar la situación de la
muestra de la biopsia y con esto emitir el diagnóstico.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
23
II Planteamiento del Problema
Si el especialista desea recuperar la imagen para repetir el análisis o bien
guardar la imagen analizada en un archivo, el sistema le brinda estas opciones
mediante la elección de determinadas funciones del menú principal.
2.3.1.2 TECNICAS DE APOYO PARA REALIZAR EL ANALISIS
Para realizar un análisis equivalente al hecho por el especialista se
utilizaron técnicas de procesamiento digital de imágenes, aplicadas a imágenes
digitalizadas de muestras obtenidas de biopsias. Para la identificación de los
núcleos, citoplasma epitelial, citoplasma subepitelial y zonas blancas se decidió
utilizar algunas técnicas empleadas para realizar la identificación de objetos en
imágenes. La primer técnica utilizada fue la de variaciones estadísticas, ya que
ésta es sencilla de utilizar; con el fin de obtener mejores resultados se procedió a
utilizar la técnica de análisis del histograma, con la cual se obtuvieron resultados
favorables. Sin embargo, se decidió emplear la técnica de redes neuronales
artificiales y se compararon los resultados con los de las técnicas anteriores.
Debido a los resultados satisfactorios obtenidos con esta última técnica, ésta fue la
que finalmente se empleó para realizar la identificación de núcleos, citoplasmas y
zonas blancas.
Para conseguir la localización de la línea basal y la línea externa se utilizó
la técnica de filtros digitales o máscaras ya que estos filtros pueden detectar los
cambios de zonas (discontinuidades) en las imágenes.
El empleo de estas técnicas se resume en la Tabla 2.2.
TABLA 2.2 Técnicas de procesamiento digital de señales utilizadas por el sistema desarrollado.
TÉCNICA
TRANSFORMACIÓN DE COLOR
VARIACIONES ESTADÍSTICAS
HISTOGRAMA
REDES NEURONALES
APLICACIÓN
NORMALIZACIÓN
IDENTIFICACIÓN
LOCALIZACIÓN
DE IMÁGENES
DE PARTES
DE LÍNEAS
X
X
X
X
FILTROS DIGITALES
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
X
24
C
APITULO
III
HERRAMIENTAS UTILIZADAS
En este capítulo se tratan las técnicas de procesamiento digital de
imágenes utilizadas para realizar el análisis de imágenes histológicas de biopsias
para la detección del cáncer cérvico-uterino. Se comienza mencionando el
concepto de imagen digital. Se discuten las técnicas de procesamiento de
imágenes utilizadas en este trabajo a saber: la de procesamiento de color, la
basada en variaciones estadísticas, la basada en histograma y la de redes
neuronales artificiales.
Además se detalla el método empleado para la reducción de los defectos
producidos en el proceso de adquisición de las imágenes, con el que se tiene el
mejoramiento de contraste. Se presenta el método de filtrado, utilizando máscaras
digitales, usado en el procesamiento de las imágenes histológicas. Finalmente se
presenta el modelo de la red neuronal utilizada en el desarrollo de este trabajo.
3.1 CONCEPTOS PARA EL PROCESAMIENTO DIGITAL DE IMÁGENES
IMAGEN DIGITAL
El término imagen se refiere a una función bidimensional f(x,y) de
intensidad de luz y color, donde esta función representa el nivel de brillantez o
intensidad de luz y color de la imagen en las coordenadas espaciales (x,y).
Una imagen digital es una imagen que se ha discretizado tanto en las
coordenadas espaciales como en intensidad de luz y color, es decir, que se ha
realizado un muestreo de la función continua f(x,y) [2].
COLOR
El color es un fenómeno perceptual relacionado con la respuesta humana a
diferentes longitudes de onda del espectro visible. El humano tiene dos tipos de
sensores y éstos dan la sensación de toda la gama de colores que percibimos [2].
III Herramientas Utilizadas
Una imagen multiespectral es una función vectorial F con componentes
(f1,f2,...fn) donde cada una representa la intensidad de la imagen a diferentes
longitudes de onda. Una imagen a color F(x,y) generalmente se representa en
función de la brillantez en tres longitudes de onda diferentes [2]:
F(x,y) = [f(Rojo(x,y)), f(Azul(x,y)), f(Verde(x,y))]
Ec. (1)
B
l
Azul
Magenta
Cian
Blanco
Verde
G
Negro
Rojo
Amarillo
R
Fig. 3.1 Representación gráfica de los componentes de color de una imagen. Para denotar Rojo,
Verde y Azul se utilizan los términos R, G y B (por sus siglas en inglés) respectivamente.
Estas tres longitudes de onda se representan como R, G, B por sus siglas
en inglés respectivamente. Estas longitudes de onda son las empleadas como
entradas a la herramienta desarrollada en este trabajo.
El procesamiento de las imágenes se realiza para diferentes finalidades,
entre ellas la detección de características específicas.
En algunas imágenes es importante resaltar ciertas características que la
conforman, por lo que se deben localizar primeramente esas características para
procesarlas posteriormente. En el caso particular de este trabajo se efectuó la
identificación automática de núcleos, citoplasma y halos blancos de las imágenes
histológicas para ayudar en el análisis realizado por los especialistas en la
detección del cáncer cérvico-uterino (ver Fig. 3.2).
Fig. 3.2 Identificación de núcleos, citoplasma y halos blancos como características específicas de
una imagen histológica.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
26
III Herramientas Utilizadas
El reconocimiento de formas o estructuras en una imagen digital consiste en
identificar ciertas formas particulares contenidas en una imagen [4]. Por ejemplo,
si se requiere identificar la forma que tiene la región basal en una imagen
histológica se utiliza este método para realizar un análisis histológico (ver Fig. 3.3).
Fig. 3.3 Imagen histológica en la que se requiere identificar la forma de la región basal.
En las siguientes secciones se describirán las técnicas de procesamiento
digital de imágenes que se emplearon en el desarrollo de este trabajo.
3.1.1 TECNICA DE LA PALETA DE COLOR (“LOOK-UP TABLE”)
Puesto que, una imagen digitalizada se representa como un arreglo de
números (píxeles) es posible realizar algunas operaciones con estos números
para modificar ciertas características de la imagen, tal es el caso de la
modificación de su color, este proceso se conoce como técnica de la paleta de
color (“Look Up Table” o LUT). La técnica LUT consiste en usar una tabla que lista
el conjunto de valores posibles de cada píxel en una imagen y asocia el color o
intensidad que es usado para graficar cada píxel (ver Fig. 3.4 y Fig. 3.5).
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
27
III Herramientas Utilizadas
Fig. 3.4 Técnica de Procesamiento de intensidad o color “Look – Up Table”.
Fig. 3.5 Ejemplo de la aplicación de la técnica de procesamiento de color a una imagen histológica.
Con la técnica LUT también es posible convertir una imagen en escala de
grises en una imagen en seudo-color. Esto se consigue realizando un mapeo de
cada nivel de gris (x) y asignando tres funciones de color r(x), g(x) y b(x). Las
salidas RGB de la técnica LUT tiene diferentes aplicaciones:
•
Se pueden reconocer pequeñas variaciones de niveles de gris mucho mejor
si son transformados en diferencias de color. Se pueden marcar rangos de
valores de gris de mayor interés con un determinado color.
•
Reconocimiento de objetos. Los objetos se pueden marcar por colores sin
cambios en los niveles de gris.
•
De alguna manera es posible visualizar el resultado de una clasificación. Se
puede usar un color diferente para objetos de diferentes clases.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
28
III Herramientas Utilizadas
•
Se pueden codificar las características imágenes en color.
3.1.2 TECNICA POR VARIACIONES ESTADISTICAS
La transformación por variaciones estadísticas consiste en los siguientes
pasos:
•
Obtención de muestras del objeto a reconocer. Estas se obtienen de manera
que su área comprenda las tres regiones de análisis (basal, intermedia y
externa).
•
Obtención de cada píxel de la imagen
procesamiento.
•
Cálculo de la media “µ” y la desviación estándar “σ”, estadística del conjunto de
píxeles obtenidos en el paso anterior.
•
Establecer un umbral dentro del intervalo [-nσ,+nσ] (donde n debe ser positivo)
hasta lograr la identificación del objeto.
•
Se repite el procedimiento para todos los objetos a identificar.
digitalizada de la muestra para su
Después de que se hayan obtenidos los datos mencionados anteriormente y
siguiendo el comportamiento de la campana estadística mostrada en la Fig. 3.6, la
cual está en función de la escala del componente de color verde de cada píxel (ya
que éste proporcionó el mejor contraste de la imagen) y de su intensidad, se
realizan pruebas, variando n hasta establecer los umbrales e intervalos que
consiguen la identificación de núcleos, citoplasma y halos blancos.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
29
Intensidad
III Herramientas Utilizadas
−σ
µ
Escala G
+σ
Fig. 3.6 Curva estadística utilizada para la identificación de objetos en una imagen.
El valor obtenido para la media µ fue de 172, para la desviación típica σ fue 12.9 y
para n fue 2.
Fig. 3.7 Ejemplo de la identificación de objetos (núcleos) por la técnica de variaciones estadísticas.
En la figura 3.7 se muestra la representación de núcleos de la imagen
original (izquierda) en una segunda imagen (derecha), después de haber
calculado las posibles posiciones de los núcleos por el método de variaciones
estadísticas.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
30
III Herramientas Utilizadas
3.1.3 TECNICA DE TRANSFORMACIONES DEL HISTOGRAMA
El Histograma de una imagen digital es el diagrama de barras de la propia
imagen donde se cuenta el valor de los píxeles [2]; esto es, en las abscisas se
representan los niveles de gris o color y en las ordenadas el número de píxeles de
la imagen para cada nivel. Estos valores se normalizan (entre 0 y 1).
Las transformaciones se basan en el procesamiento del histograma a través
de una función de transferencia (Ver Fig. 3.8).
Fig. 3.8 Técnica de Transformaciones basadas en Histograma.
Sea:
He(p) la función del histograma original.
T(p) una función de transformación lineal.
Entonces;
Hs(p) es la función del histograma ecualizado resultante de aplicar He(p) a T(p).
La técnica de histograma se aplicó para modificar el color y la brillantez de
la imagen.
La figura 3.9 muestra un ejemplo de una imagen oscura y la figura 3.10
ilustra la imagen clara resultante después de aplicar una transformación T(p) a la
imagen oscura dada por:
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
31
III Herramientas Utilizadas
T(p) =
n
∑ p + V ( p)
Ec. (2)
i =1
Donde:
n
es el número de píxeles de la imagen.
p
representa cada componente de color R, G, B del píxel evaluado.
V
es el vector correspondiente a cada componente de color R, G y B del píxel
evaluado.
Las figuras 3.11 y 3.12 muestran los histogramas de la imagen oscura y
clara respectivamente.
Fig. 3.9 Ejemplo de una imagen histológica oscura.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
32
III Herramientas Utilizadas
Fig. 3.10 Ejemplo de una imagen histológica clara.
Imagen Oscura
Fig. 3.11 Histograma correspondiente a la imagen oscura.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
33
III Herramientas Utilizadas
Imagen Clara
Fig. 3.12 Histograma correspondiente a la imagen clara.
3.1.4 FILTRADO ESPACIAL
Es posible realizar el procesamiento de imágenes mediante el empleo de
las denominadas máscaras (también llamadas plantillas, ventanas o filtros). Una
máscara básicamente es una distribución bidimensional en la que los valores de
los coeficientes determinan la naturaleza del proceso (Ver Fig. 3.13). Esta técnica
de mejora de imágenes se conoce como procesamiento por máscaras o filtrado
[2].
En este trabajo se utilizó una máscara correspondiente a un filtro lineal. La
operación de los filtros se basa en los valores de los píxeles en la vecindad
considerada. El procedimiento básico de un filtro lineal consiste en la suma de
productos entre los coeficientes de la máscara usada y las intensidades de los
píxeles bajo la máscara en cualquier (x,y).
W 1 W2 W 3
W4
W5 W 6
W 7 W8 W 9
Fig. 3.13 Una máscara de 3 x 3 con coeficientes arbitrarios (pesos).
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
34
III Herramientas Utilizadas
Si z1, z2, .....,z9 son los niveles de los 9 píxeles debajo de esta máscara,
entonces la respuesta de este filtro viene, dada como:
R = w1z1 + w2z2 +...+ w9z9
Ec. (3)
donde:
Z1, Z2,........,Z9
son los niveles de gris
R es la respuesta del filtro y se calcula empleando entornos parciales para
los píxeles que están colocados en los bordes de la imagen [2].
Si el centro de la máscara se encuentra en un punto (x,y) de la imagen, el
nivel de gris del píxel situado en (x,y) se reemplaza por R. Luego se mueve la
máscara hasta el emplazamiento del siguiente píxel de la imagen y se repite el
proceso. Se continua hasta que se han cubierto todos los píxeles de la imagen [2].
y
(x,y)
Imagen
x
Fig. 3.14 Vecindad 3x3 alrededor de un punto (x,y) en una imagen.
Las máscaras (o filtros) generalmente se utilizan para la detección de
discontinuidades en una imagen [2]. Algunos tipos de máscaras para realizar la
detección de discontinuidades de una imagen digital son: discontinuidad por
puntos, discontinuación por líneas y discontinuidad por bordes.
La máscara más comúnmente utilizada para detectar discontinuidades en
nivel de gris es la de bordes [2].
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
35
III Herramientas Utilizadas
Para realizar la identificación de la línea basal y externa en las imágenes
histológicas de este trabajo, se utilizó el filtro Sobel para la detección de bordes
verticales (ver Fig. 3.15), ya que esta máscara resaltó notoriamente la región basal
de la imagen histológica (Ver Fig. 3.16).
-1
2
-1
-1
2
-1
-1
2
-1
Fig. 3.15 Filtro Sobel para detección de bordes verticales utilizado para la detección de la línea
basal y la línea externa en una imagen histológica.
Fig. 3.16 Ejemplo de la aplicación de la máscara de Sobel a una imagen histológica para detectar
la línea basal y línea externa.
3.2 REDES NEURONALES ARTIFICIALES
Se decidió emplear el método de redes neuronales artificiales para
caracterizar las imágenes histológicas, debido a que éstas tienen mayor aplicación
en la identificación de características en imágenes [11].
A continuación se da un bosquejo acerca de la importancia que tiene el
empleo de redes neuronales artificiales en el procesamiento de imágenes.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
36
III Herramientas Utilizadas
Los objetivos principales de la investigación en Redes Neuronales
Artificiales pueden englobarse de esta manera [11]:
1. Entender y proponer aquellos modelos de redes neuronales artificiales que
emulen algunas habilidades del cerebro humano tales como: Interpretación
perceptiva, asociación de ideas, razonamiento de sentido común y
aprendizaje.
2. Entender y proponer aquellos modelos de redes neuronales artificiales que
enfatizan la potencia computacional más que la fidelidad biológica a las
redes neuronales naturales, esto es incorporando características en los
modelos aunque no sean neurológicamente posibles.
3.2.1 ARQUITECTURA BASICA DE REDES NEURONALES ARTIFICIALES
Para realizar la caracterización de las imágenes histológicas se utilizó el
modelo Combinatorio Lineal adaptable y el empleo del perceptrón ya que la regla
de aprendizaje es similar para ambos modelos.
3.2.1.1 MODELO COMBINATORIO LINEAL ADAPTABLE
El modelo Combinatorio Lineal Adaptable (ALC, por sus siglas en inglés)
apareció por primera vez a principios de los 60’s; junto con él se desarrolló una
regla de aprendizaje llamada Regla de Widrow – Of. Creada por Bernard Widrow y
Marcian Of. El modelo del ALC se representa en la Fig. 3.17, consta de n
neuronas de entrada y una neurona de salida lineal [11].
x1
w1
x2
w2
o
w3
x3
wn
xn
Fig. 3.17 Modelo ALC.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
37
III Herramientas Utilizadas
La regla de aprendizaje se obtiene al minimizar una función de error
definida por:
E=
1
(d – wtx)2
2
Ec. (4)
donde:
x
w
d
o = wtx
es la muesrtra de entrada a la neurona.
es el peso para la muestra x.
es la salida deseada para la muestra x .
es la salida actual para esa muestra.
El gradiente de E es:
∇E = - (d – wtx)x
Ec. (5)
de tal manera que es posible hacer la siguiente corrección a los pesos:
W(t + 1) = X(t) - η∇E
W(t + 1) = W(t) + η(d - wtx)x
Ec. (6)
Ec. (7)
donde el valor inicial de w se escoge aleatoriamente en el intervalo cerrado [-1,1],
y el factor de paso η en el intervalo abierto (0,1).
ALGORITMO DE ENTRENAMIENTO PARA EL MODELO ALC
Supóngase que se tiene un conjunto de muestras {xk} para k = 1,.......,n y para
el cual deseamos las salidas correspondientes dk para k = 1,....,n. Además, existe
un número máximo de iteraciones m para llegar a un error aceptable Emax. [11].
Entonces se aplica el algoritmo siguiente:
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
38
III Herramientas Utilizadas
1. Proponer una η e inicializar w aleatoriamente.
2. Iniciar los ciclos.
3. Mientras
n
∑w x
k =1
t
i
>EMAX y número de ciclos< número máximo de ciclos m.
a) w(t+1) = w(t) + η(dk – wtx),
para k = 1,....n.
b) Número de ciclos = número de ciclos + 1.
4. Si número de ciclos = número máximo de iteraciones, imprimir w.
Si no, imprimir no converge en número m máximo de iteraciones.
Es conveniente observar el valor de w cada cierto número de ciclos con el
fin de saber si el parámetro n se escogió apropiadamente.
3.2.1.2 EL PERCEPTRON
El perceptrón es un modelo parecido al modelo ALC y su configuración se
muestra en la Fig. 3.18. Este modelo también se tomó como referencia para
realizar la red neuronal empleada en este trabajo. Una característica especial de la
regla de aprendizaje del perceptrón es que si existe un conjunto de pesos (w) que
solucionan un problema de clasificación de representaciones binarias o bipolares
de objetos, el perceptrón encuentra dichos pesos [12].
El algoritmo de aprendizaje del perceptrón es similar al del modelo ALC. Su
salida puede calcularse por medio de la siguiente ecuación:
1 si
n
∑w x
i =1
i i
≥θ
y=
Ec. (8)
-1 si
n
∑w x
i =1
i i
<θ
donde
θ
es un error permitido.
definiendo:
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
39
III Herramientas Utilizadas
Net = W1X1 + W2X2 + .......+ WnXn - θ,
Ec. (9)
Entonces:
Net = W tX
Ec. (10)
W = [w1, w2, ...... wn, - θ] t y X = [x 1, x2,....xn,1] t.
Ec. (11)
donde:
Por lo tanto, se observa que y es igual a S(net), donde S(net) es la función
escalón unitario, cuya gráfica se muestra en la Fig. 3.19.
w1
wn
w2
w3
x1
xn
x2
x3
Fig. 3.18 Modelo del Perceptrón.
De manera que para una salida deseada d la función de error queda
definida a continuación:
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
40
III Herramientas Utilizadas
net si y = 0, d = 1
E=
0
si y = d
Ec. (12)
-net si y = 1, d = 0
En base a esto la actualización del vector de pesos W se divide en dos casos.
1. Para y =1 y d =0
el error está definido como:
E = wtx
Ec. (13)
y su gradiente es
∇E =
∂E
= x
∂w
efectuando una búsqueda del gradiente para disminuir el error
ecuación (12), la actualización del vector de pesos W está dada por:
W(t+1) = W(t) – ηX
Ec. (14)
en la
Ec. (15)
donde η controla la razón de aprendizaje
2. Para y =0 y d =1
el error está definido como:
E = -WtX
Ec. (16)
Su gradiente es:
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
41
III Herramientas Utilizadas
∇E =
∂E
= -x
∂w
. (17)
Efectuando una búsqueda del gradiente para disminuir el error dado en la
ecuación (12), la actualización del vector de pesos W está dado:
W(t+1) = W(t) + ηX
Ec. (18)
donde η controla la razón de aprendizaje.
y = S(net)
.
1
Net
Fig. 3.19 Función Escalón Unitario.
A diferencia del modelo ALC el perceptrón garantiza la convergencia al
resultado esperado en un número finito de pasos si el problema (en este caso la
identificación de objetos en imágenes) es separable y puede ser inestable si no es
separable [12].
Luego entonces, esta técnica de redes neuronales artificiales se utilizó para
realizar la identificación de los núcleos, los citoplasmas y los halos blancos, de una
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
42
III Herramientas Utilizadas
imagen histológica como lo muestra la Fig. 3.20 y de esta manera se logró la
caracterización de la imagen.
Fig. 3.20 Imagen histológica en la que se muestran los núcleos, los citoplasmas y los halos blancos
que identifica la red neuronal.
Un ejemplo de aplicar esta red neuronal a una imagen histológica se
muestra en la Fig. 3.21. En esta figura se observa que la identificación de los
núcleos, citoplasma y halos blancos se aproxima a la ubicación real de éstos en la
imagen original.
Fig. 3.21 Ejemplo de la identificación de núcleos, citoplasma y halos blancos en una imagen
histológica aplicando redes neuronales artificiales.
.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
43
C
APITULO
IV
DESCRIPCION DEL SISTEMA
En este capítulo se presenta el desarrollo del trabajo de tesis. Se da inicio
con la explicación del procedimiento de diseño y análisis del sistema. Se continua
con la justificación de la elección del lenguaje de programación utilizado.
Enseguida se muestran algunas de las imágenes adquiridas para realizar el
análisis. Además, se presenta el procedimiento de obtención de las imágenes y
las características que éstas deben de reunir.
Posteriormente se describe el procedimiento de normalización de las
imágenes a partir de una imagen de referencia. También se explica el
procedimiento utilizado para lograr dicha normalización, obteniendo muestras de
núcleos, citoplasma epitelial, citoplasma subepitelial y halos blancos de la imagen
de referencia.
A continuación se explica el procedimiento para la identificación de núcleos,
citoplasma epitelial, citoplasma subepitelial y zonas blancas en una imagen
histológica. Se explica el proceso de localización de la región basal y de la región
externa de la imagen obtenida de una biopsia, también se muestra cómo se
obtiene la información cuantitativa de una imagen histológica. Finalmente se
explica el diseño de la interfaz de usuario y se detalla la operación de cada función
contenida en ella.
IV Descripción del Sistema
4.1 ANALISIS DEL SISTEMA
El sistema se ha implementado como una herramienta computacional de
apoyo a los médicos especialistas para la emisión de un diagnóstico con mayor
certidumbre del padecimiento del cáncer cérvico uterino. El sistema permite el
análisis de imágenes histológicas de biopsias cervicales de acuerdo al
procedimiento de análisis realizado por los especialistas.
4.1.1 MODULOS GENERALES DEL SISTEMA
El sistema se ha diseñado de tal forma que pueda funcionar de manera
automática, semiautomática y manual dependiendo del módulo que se ejecute.
El sistema está estructurado con 7 módulos principales:
a)
b)
c)
d)
e)
f)
g)
Lectura de las imágenes.
Normalización de las imágenes.
Caracterización de las imágenes.
Cálculo de concentración de núcleos y citoplasma.
Localización de la línea basal y línea externa.
Graficación de la relación núcleo/citoplasma.
Impresión de resultados cuantitativos..
Estos módulos y sus interacciones se encuentran representados en la figura
4.1 que se muestra a continuación.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
45
IV Descripción del Sistema
LEER
LAS
IMAGENES
NORMALIZAR
LAS
IMÁGENES
CARACTERIZAR
LAS
IMAGENES
LOCALIZAR
LINEAS
BASAL Y
EXTERNA
NUCLEOS Y
CITOPLASMA
POR AREA
GRAFICA
NUCLEOS/
CITOPLASMA
RESULTADOS
CUANTITATIVOS
Fig. 4.1 Arquitectura general del sistema.
A) LECTURA DE LAS IMAGENES
El sistema permite abrir un archivo en formato mapa de bits (bmp)
correspondiente a una imagen histológica de una biopsia cervical. Esta imagen es
el resultado de la digitalización de una fotografía por una cámara acoplada a un
microscopio (ver Fig. 4.2).
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
46
IV Descripción del Sistema
Fig. 4.2 Proceso de adquisición de las imágenes.
B) NORMALIZACION DE LAS IMAGENES
Puesto que algunas imágenes son tomadas con diferentes grados de
iluminación y con diferencias de color debido al proceso de tinción, el sistema
realiza una normalización de las imágenes de acuerdo a una imagen de
referencia. Esta imagen de referencia se encuentra en condiciones normales de
tinción e iluminación. La figura 4.3 muestra un ejemplo de la etapa de
normalización de imágenes.
Fig. 4.3 Normalización de imágenes.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
47
IV Descripción del Sistema
C) CARACTERIZACION DE LAS IMAGENES
La caracterización de las imágenes consiste en la identificación de los
núcleos, citoplasma epitelial, citoplasma subepitelial y halos blancos presentes en
la imagen que se encuentra bajo estudio. La Figura 4.4 muestra un ejemplo de la
etapa de caracterización de imágenes.
Fig. 4.4 Caracterización de las imágenes.
D) CALCULO DE CONCENTRACIONES DE NUCLEOS Y CITOPLASMA
En este módulo se realiza el cálculo de la concentración de núcleos y
citoplasma presentes dentro de un área determinada sobre la imagen bajo estudio.
La figura 4.5 muestra un ejemplo de esta etapa.
Fig. 4.5 Cálculo de concentración de núcleos y citoplasma.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
48
IV Descripción del Sistema
E) LOCALIZACION DE LA LINEA BASAL Y LA LINEA EXTERNA
El objetivo de este módulo es localizar la línea basal y la línea externa para
delimitar la región de análisis de interés. Esta región se secciona en tres partes
iguales para comenzar el análisis similar al realizado por los especialistas. La
figura 4.6 muestra un ejemplo de esta etapa.
Fig. 4.6 Localización de la línea basal y línea externa.
F) GRAFICACION DE LA RELACION NUCLEO/CITOPLASMA
En este módulo se realiza la graficación de la relación núcleo/citoplasma en
un punto determinado dentro de la región de análisis. La gráfica obtenida
contempla las tres secciones de la región de análisis. En la figura 4.7 se muestra
un ejemplo de la gráfica obtenida en esta etapa.
Fig. 4.7 Graficación de la relación núcleos/citoplasma.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
49
IV Descripción del Sistema
G) IMPRESION DE RESULTADOS CUANTITATIVOS
La información obtenida de la concentración de núcleos y citoplasma dentro
de un área determinada es desplegada numéricamente en la interfaz de usuario.
Por ejemplo después de ejecutarse la etapa de cálculo la concentración de
núcleos/citoplasma se obtienen resultados como los que se muestran a
continuación:
% Núcleos = 2.522551987834
% Citoplasma = 97.4777448071217
4.2 ESPECIFICACION DE REQUERIMIENTOS
Los requerimientos definen con precisión las características del sistema
desarrollado y establecen los alcances del mismo, sirven como base para el
diseño del sistema, de referencia para las pruebas del mismo y de información
para utilizarlo.
4.2.1 REQUERIMIENTOS DE HARDWARE Y SOFTWARE
Para la operación del sistema se requiere el siguiente hardware:
•
Una PC con procesador Pentium III a 500 MHz o mayor.
•
256 Mbytes en RAM o mayor.
•
Un Escáner para la digitalización de las imágenes.
•
Una cámara fotográfica (de película o digital) para la obtención de las
imágenes.
•
Un microscopio para la amplificación de las muestras.
En cuanto al software únicamente se requiere de la plataforma Windows 98
o mayor.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
50
IV Descripción del Sistema
4.2.2 RESTRICCIONES DEL SISTEMA
El sistema presenta las siguientes restricciones para su funcionamiento
•
Procesa imágenes en archivos en formato mapa de bits (bmp), de 8 bits
(256 colores).
•
Las imágenes a analizar deben tener dimensiones establecidas, de 200 x
138 píxeles.
4.3 ELECCION DEL SOFTWARE DE APOYO
Una vez revisado el estado del arte referente al procesamiento de imágenes
médicas, se adquirieron fotografías de diferentes imágenes histológicas de
exámenes del cuello del útero, observando las características específicas de cada
una de ellas. A continuación se definieron tres parámetros que, basados en las
observaciones, caracterizan a las imágenes: El área abarcada de cada muestra, la
iluminación de la imagen y su dimensión.
Se eligió el lenguaje Delphi como el Software a utilizarse en el
procesamiento de las imágenes, ya que permite construir de manera sencilla y
rápida nuevos programas, llamados aplicaciones, que no utilizan muchos recursos
en PC´s. Además es uno de los lenguajes de computación que proporciona la
facilidad de procesar los componentes de color RGB de las imágenes, y propiciar
un ambiente interactivo para la interfaz de usuario. Además es económico y se
consigue fácilmente en el mercado.
4.4 DIGITALIZACION DE IMAGENES
Se seleccionaron fotografías de displasias típicas tomadas de muestras de
laboratorio; estas fotografías se digitalizaron para obtener las imágenes que se
utilizaron para el desarrollo del sistema.
Algunas de estas imágenes se presentan de la figura 4.8 a la 4.11.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
51
IV Descripción del Sistema
Fig. 4.8 Imágenes histológicas con mayor concentración de núcleos y halos blancos en la región
de análisis.
Fig. 4.9 Imágenes histológicas con presencia del VPH.
Fig. 4.10 Imágenes histológicas con presencia del VPH y de células vivas en el segundo tercio de
la región de análisis.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
52
IV Descripción del Sistema
Fig. 4.11 Imágenes histológicas con presencia del VPH.
En la figura 4.8 se ilustran imágenes de displasias en las que se observa
una mayor concentración de núcleos en la región de análisis. La Fig. 4.9 muestra
imágenes con presencia de VPH en la región de análisis. En la Fig. 4.10 se
muestran imágenes con presencia de células vivas y VPH en el segundo tercio de
la región de análisis y en la Fig. 4.11 se muestran imágenes con la presencia de
VPH. Nótese que las imágenes anteriores se han tomado con diferentes grados de
iluminación, lo cual ocasiona que los valores de los componentes de color R, G y
B varíen. También se observa que fueron tomadas abarcando diferentes áreas de
las muestras de biopsias.
Las imágenes que se seleccionaron fueron aquellas que cumplen con las
características que se mencionan en la sección 4.4.1.
4.4.1 CARACTERISTICAS REQUERIDAS PARA LAS IMAGENES
Para realizar el análisis de las imágenes histológicas se estableció que éstas
reunieran las siguientes características:
•
Una resolución mínima de 256 colores/píxel.
•
Que el área de análisis contemple las tres secciones definidas (capa
interna, capa intermedia y capa externa).
El tamaño de las imágenes bajo análisis es de 200 x 138 píxeles.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
53
IV Descripción del Sistema
4.4.2 NORMALIZACION DE LAS IMAGENES POR BRILLANTEZ
Debido a las variaciones de color que se produjeron en el procedimiento de
tinción de las muestras y por diferencias de iluminación de las tres capas, al
realizarse la adquisición de imágenes, se realizó un proceso de normalización
para reducir estas variaciones de color en las imágenes. Para conseguir esto se
consideraron:
A) UNA IMAGEN DE REFERENCIA
Se seleccionó una imagen como referencia (Fig. 4.12) y se tomaron
separadamente sus histogramas de color RGB.
De la imagen de referencia, y de acuerdo a su histograma, se tomaron los
valores máximos y mínimos de cada color, para toda la imagen, como límites de
referencia superiores e inferiores, los cuales se les llamó RH, RL, GH, GL, BH, BL,
respectivamente. Estos límites se usan para las imágenes bajo estudio para el
proceso de normalización. Los límites para cada color se indican en la tabla 4.1.
TABLA 4.1 Límites inferior y superior para cada color de la Fig. 4.12.
COLOR
INTERVALO
[L,H]
ROJO (R)
[30,240]
VERDE (G)
[25,218]
AZUL (B)
[20,250]
B) CUATRO SUBIMAGENES
De la imagen de referencia se tomaron partes correspondientes a núcleos,
citoplasma y halos blancos; estas sub-imágenes se muestran en las figuras 4.13,
4.14 y 4.15.
Posteriormente, se tomaron separadamente los componentes de color para
cada subimagen. La tabla 4.2 muestra los intervalos de valores de cada
componente de color para las sub-imágenes correspondientes a núcleos,
citoplasma epitelial, citoplasma subepitelial y zonas blancas. Nótese que para el
caso de las zonas blancas el límite superior de los intervalos para cada color fue
255, esto se debe a que en la muestra obtenida (Fig. 4.15) se tienen partes
pequeñas completamente blancas (R =255, G =255, B =255).
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
54
IV Descripción del Sistema
Fig. 4.12 Identificación de las tres secciones de análisis separadas por núcleos, citoplasma
epitelial citoplasma subepitelial y halos blancos.
Fig. 4.13 Muestra de un núcleo de una imagen histológica en condiciones normales.
a)
b)
Fig. 4.14 Muestra del Citoplasma, a) epitelial b) subepitelial, de una imagen histológica en
condiciones normales.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
55
IV Descripción del Sistema
Fig. 4.15 Muestra de un halo blanco de una imagen histológica en condiciones normales.
TABLA 4.2 Intervalos de valores de R, G y B para cada subimagen.
SUB-IMAGEN
NUCLEOS
CITOPLASMA EPITELIAL
CITOPLASMA SUB EPITELIAL
ZONAS BLANCAS
R
[145,173]
[209,233]
[228,234]
[231,255]
INTERVALOS
G
[96,133]
[138,186]
[177,189]
[239,255]
B
[185,178]
[183,215]
[187,218]
[222,255]
4.5 CARACTERIZACION Y ANALISIS DE IMAGENES
Después de realizar pruebas con los métodos de variaciones estadísticas,
análisis del histograma y redes neuronales se optó por el empleo de redes
neuronales artificiales para realizar la caracterización de las imágenes, ya que
este método proporcionó mejores resultados.
4.5.1 METODO DE REDES NEURONALES ARTIFICIALES
4.5.1.1 EL MODELO FINAL
La Red Neuronal utilizada para realizar la identificación de núcleos (N),
citoplasma epitelial (C1), citoplasma subepitelial (C2) y zonas blancas (B) en las
imágenes es la que se muestra en la figura 4.16.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
56
IV Descripción del Sistema
K
X0
R
X1
G
X2
B
X3
WB0
XB
WC10
XC1
WC11
XC2
WC22
XN
YB
YC1
YC2
YN
WN3
Fig. 4.16 Red Neuronal utilizada para hacer el reconocimiento de núcleos, citoplasma y halos
blancos.
donde:
X0, X1, X2 y X3
Son las entradas a la red neuronal correspondientes a una
constante arbitraria K y a las componentes de color R, G, B
respectivamente.
3
X r = ∑ ( X iWri )
Ec. (1)
i =0
es la sumatoria de las entradas Xi ponderadas.
e Xr
Yr =
∑ (e X K )
Ec. (2)
es la salida de la capa de la red neuronal.
E = ∑ [tr . ln(Yr )]
para r = B, C1, C2, N
Ec. (3)
es el error permitido para la red neuronal.
tr
es la salida esperada de la red neuronal.
Wri ( nuevo) = Wri ( anterior ) + µ (tr − Yr ) X i
Ec. (4)
son los pesos que afectarán a cada entrada Xi y µ es un factor entre 0 y 1.
B
denota zona de halos blancos.
C1
denota zona de citoplasma epitelial.
C2
denota zona de citoplasma subepitelial.
N
denota zona de núcleos.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
57
IV Descripción del Sistema
De este modelo de la red neuronal se formalizaron las expresiones
matemáticas para cada salida deseada.
4.5.1.2 MODELO PARTICULARIZADO
A partir de las ecuaciones (1) a (4) se definieron las siguientes ecuaciones:
X B = X 0WB0 + X 1WB1 + X 2WB2 + X 3WB3
Ec. (5)
X C1 = X 0WC10 + X 1WC11 + X 2WC12 + X 3WC13
Ec. (6)
X C 2 = X 0WC 20 + X 1WC 21 + X 2WC 22 + X 3WC 23
Ec. (7)
X N = X 0WN 0 + X 1WN1 + X 2WN 2 + X 3WN 3
Ec. (8)
YB =
YC1 =
YC 2 =
YN =
eX B
(e X B + e
X C1
+e
e
(e X B + e
X C1
e
(e X B + e
X C1
X C2
+ eX N )
X C2
+ eX N )
X C2
+ eX N )
X C2
+ eX N )
X C1
+e
X C2
+e
eX N
(e X B + e
X C1
+e
Ec. (9)
Ec. (10)
Ec. (11)
Ec. (12)
WB0 ( Nuevo ) = WB0 ( Anterior ) + µ (t B − YB ) X 0
Ec. (13)
WB1 ( Nuevo) = WB1 ( Anterior ) + µ (t B − YB ) X 1
Ec. (14)
WB2 ( Nuevo ) = WB2 ( Anterior ) + µ (t B − YB ) X 2
Ec. (15)
WB3 ( Nuevo) = WB3 ( Anterior ) + µ (t B − YB ) X 3
Ec. (16)
WC10 ( Nuevo) = WC10 ( Anterior ) + µ (tC1 − YC1 ) X 0
Ec. (17)
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
58
IV Descripción del Sistema
WC11 ( Nuevo) = WC11 ( Anterior ) + µ (tC1 − YC1 ) X 1
Ec. (18)
WC12 ( Nuevo) = WC12 ( Anterior ) + µ (tC1 − YC1 ) X 2
Ec. (19)
WC13 ( Nuevo) = WC13 ( Anterior ) + µ (tC1 − YC1 ) X 3
Ec. (20)
WC 20 ( Nuevo) = WC 20 ( Anterior ) + µ (tC 2 − YC 2 ) X 0
Ec. (21)
WC 21 ( Nuevo ) = WC 21 ( Anterior ) + µ (tC 2 − YC 2 ) X 1
Ec. (22)
WC 22 ( Nuevo) = WC 22 ( Anterior ) + µ (tC 2 − YC 2 ) X 2
Ec. (23)
WC 23 ( Nuevo) = WC 23 ( Anterior ) + µ (tC 2 − YC 2 ) X 3
Ec. (24)
WN 0 ( Nuevo ) = WN 0 ( Anterior ) + µ (t N − YN ) X 0
Ec. (25)
WN1 ( Nuevo) = WN1 ( Anterior ) + µ (t N − YN ) X 1
Ec. (26)
WN 2 ( Nuevo) = WN 2 ( Anterior ) + µ (t N − YN ) X 2
Ec. (27)
WN 3 ( Nuevo) = WN 3 ( Anterior ) + µ (t N − YN ) X 3
Ec. (28)
Considerando tr = 1 como valor deseado y tr = 0 en otro caso.
Las entradas de la red neuronal son los componentes de color R, G, B, de
las muestras tomadas de la imagen de referencia, y una constante K. El valor de la
constante K determina la ubicación del hiperplano que garantiza una mejor
identificación de las clases (núcleos, citoplasma epitelial, citoplasma subepitelial y
halos blancos) consideradas dentro del sistema coordenado de dimensión 4
(determinado por R, G, B y K). Dado que al realizar el entrenamiento de la red
neuronal el valor de K se ajusta de acuerdo a los valores de los pesos wi
obtenidos, éste se toma aleatoriamente, por lo que se eligió un valor inicial para K
igual a 100.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
59
IV Descripción del Sistema
4.5.1.3 PROGRAMA PARA EL ENTRENAMIENTO
Para comenzar el entrenamiento, se utilizaron las muestras de núcleos,
citoplasma epitelial, citoplasma subepitelial y halos blancos indicadas en las
figuras 4.13, 4.14 y 4.15.
Dado que los valores de las componentes de color R, G y B se encuentran
en el intervalo [0,255] para evitar desbordamientos matemáticos al momento de
realizar el entrenamiento, fue necesario normalizar cada componente de color y la
constante K de la red. La normalización consistió en dividir los componentes de
color R, G, B y la constante K entre 255.
Planteando valores iniciales arbitrarios para cada peso Wri y para µ se
comenzó el entrenamiento de la red neuronal hasta obtener los pesos Wi que
logran identificar los núcleos, citoplasma y halos blancos con el error mínimo
posible.
Los valores iniciales para los pesos se eligieron de manera aleatoria en el
intervalo (-1,1) como se muestra a continuación:
WN0 = 1
WC10 = 1
WC20 = -1
WB0 = -1
WN1 = -1
WC11 = 1
WC21 = 1
WB1 = -1
WN2 = -1
WC12 = -1
WC22 = 1
WB2 = 1
WN3 = 1
WC13 = 1
WC23 = -1
WB3 = -1
Se elaboró un programa para llevar a cabo el entrenamiento de la red
neuronal. Después de algunas iteraciones, se obtuvieron los nuevos valores de los
pesos, hasta obtener un error de 0.0955%. Los valores obtenidos son los
siguientes:
WB0 = -900
WC10 = 900
WC20 = -800
WN0 = 500
WB1 = -700
WC11 = 500
WC21 = 400
WN1 = -500
WB2 = 700
WC12 = -500
WC22 = 100
WN2 = -300
WB3 = -500
WC13 = -100
WC23 = -400
WN3 = 600
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
60
IV Descripción del Sistema
4.5.1.4 PROGRAMA DE IDENTIFICACION DE ZONAS
Con los últimos pesos obtenidos, se diseñó un algoritmo en el cual, dada
una imagen histológica, se aplicaron sus componentes de color a la red neuronal.
A continuación, se analizó la salida de la red neuronal para verificar la
identificación de núcleos, cada uno de los dos tipos de citoplasma y los halos
blancos, generando una imagen caracterizada como se aprecia en la figura 4.17.
a)
b)
Fig. 4.17 Caracterización de núcleos, citoplasmas y halos blancos. a) imagen original b) Imagen
procesada.
Posteriormente se realizaron pruebas con otras imágenes para observar si
el funcionamiento del proceso de caracterización era correcto. En las figuras 4.18
y 4.19 se muestran algunas de ellas:
a)
b)
Fig. 4.18 Caracterización de núcleos, citoplasmas y halos blancos. a) imagen original, b) imagen
procesada.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
61
IV Descripción del Sistema
a)
b)
Fig. 4.19 Caracterización de núcleos, citoplasmas y halos blancos. a) imagen original, b) imagen
procesada.
4.5.2 CONCENTRACION DE NUCLEOS, CITOPLASMA Y HALOS BLANCOS
EN IMAGENES HISTOLOGICAS
Con las imágenes caracterizadas se calculó el porcentaje de concentración
de núcleos y el de citoplasma dentro de un área definida por el usuario, como se
muestra en la figura 4.20. Los porcentajes se obtienen realizando un conteo de
núcleos, citoplasma y halos blancos presentes en la zona delimitada; tomando
como 100% el total de píxeles dentro de la zona se calcula el porcentaje
correspondiente a núcleos, citoplasma y halos blancos.
Fig. 4.20 Imagen en la que se ha seleccionado un área específica para realizar el análisis.
Al realizar el análisis de la región indicada en la figura 4.20 se obtuvieron
como resultados:
•
25.3112 % de concentración de núcleos y
•
74.68879 % de concentración de citoplasma.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
62
IV Descripción del Sistema
Con esta operación es posible obtener la información de los porcentajes de
concentración de núcleos y de citoplasma en cualquier región, seleccionada
previamente según el criterio del especialista, sobre la imagen que se esté
analizando.
4.5.3 LOCALIZACION DE LA LINEA BASAL Y LA REGION EXTERNA
La región de análisis se puede acotar por una línea en la zona basal (la que
se le llamó línea basal), es decir, la zona donde las células nacen, y una línea en
la zona externa (la cual se le llamó línea externa), es decir, la zona donde las
células mueren y se descaman. Esta región se seccionó en tres partes iguales
para comenzar el análisis por tercios.
La línea externa puede localizarse realizando un barrido a lo largo de un
segmento vertical sobre la imagen, de manera que al detectar un cambio de la
región blanca a citoplasma epitelial se traza la línea en esa posición del segmento.
Recorriendo el segmento horizontalmente sobre toda la imagen y repitiendo este
proceso se obtiene finalmente la línea de interés.
Para la detección de la línea basal se requiere de un análisis más
complicado, ya que el procedimiento anterior no resulta eficiente para localizar
esta línea.
Por esta razón, se diseñó un nuevo método para la detección de la línea
basal que consiste en analizar la imagen por segmentos verticales. Se recorre
verticalmente una ventana en el segmento y se calcula la concentración de
núcleos y citoplasma dentro de la ventana, de manera que, cuando se detecta que
la cantidad de núcleos excede a la de citoplasma epitelial se traza una línea en
ese punto de la ventana. La Figura 4.21 muestra el resultado obtenido.
a)
b)
Fig. 4.21 Detección de la línea externa y la línea basal a) En la imagen original b) En la imagen
caracterizada.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
63
IV Descripción del Sistema
Sin embargo, con este procedimiento no se logró la identificación de la línea
basal para algunas imágenes. Por esta razón se decidió diseñar otro
procedimiento para de detectar la línea basal en diferentes imágenes analizadas.
La detección de la línea externa en diferentes imágenes se realizó de
manera que produjo mejores resultados de los esperados, por lo que se tomó
como referencia para comenzar el análisis debajo de ella para la detección de la
línea basal.
Para lograr la identificación de la línea basal se decidió trabajar con el
empleo de filtros digitales o máscaras. Después de probar con los filtros Roberts,
Prewitt y Sobel, se decidió utilizar la máscara de Sobel para la detección de
bordes verticales, ya que este presentó mejores resultados en las imágenes
analizadas que los demás. Esta máscara se muestra en la figura 4.22.
-1
0
1
-2
0
2
-1
0
1
Fig.4.22 Máscara de Sobel para la detección de bordes verticales.
Con la imagen resultante de aplicar esta máscara, se procedió a convertir la
imagen en una imagen binaria, con el propósito de manejar, dos niveles de gris
conocidos. Los resultados de aplicar esta máscara a diferentes imágenes se
muestran en las figuras 4.23, 4.24 y 4.25.
a)
Fig. 4.23 Empleo de la máscara de Sobel. a) Imagen original
b)
b) Imagen resultante.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
64
IV Descripción del Sistema
a)
Fig. 4.24 Empleo de la máscara de Sobel. a) Imagen original
a)
b)
b) Imagen resultante.
b)
Fig. 4.25 Empleo de la máscara de Sobel. a) Imagen original b) Imagen resultante.
Con las últimas imágenes obtenidas y teniendo como referencia la línea
externa, se comenzó un análisis por segmentos verticales, de manera que, en las
zonas blancas (correspondientes a los núcleos de la imagen original) con mayor
concentración se trazó la línea basal. Los resultados que se obtuvieron son los
que se muestran en las figuras 4.26, 4.27 y 4.28.
a)
b)
b)
Fig. 4.26 Detección de la línea basal y externa a) en la imagen original b) en la imagen
caracterizada.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
65
IV Descripción del Sistema
a)
b)
Fig. 4.27 Detección de la línea basal y externa a) en la imagen original b) en la imagen
caracterizada.
a)
b)
Fig. 4.28 Detección de la línea basal y externa a) en la imagen original b) en la imagen
caracterizada.
Aunque, con los últimos valores obtenidos para los pesos Wi de la red
neuronal se logró la caracterización de las imágenes histológicas, se decidió
realizar una mejora en la caracterización de las imágenes. Por esta razón se
procedió a cambiar los valores iniciales de los pesos (Wri), tomando los últimos
valores obtenidos en el primer entrenamiento de la red neuronal, indicados en la
sección 4.5.1.3, se volvió a realizar el entrenamiento de la red neuronal.
Después de realizar nuevamente el entrenamiento de la red neuronal con
estos nuevos valores de los pesos Wri y de realizar de nuevo la caracterización de
núcleos, citoplasmas y halos blancos, la detección de las líneas externa y basal
fue mas aproximada que la obtenida anteriormente. Los nuevos valores de los
pesos Wri son:
WN0 =1362.29168363288
WC10 =1739.81220837124
WN1 =1482.3244360704
WC11 =2266.21922905743
WN2 =1335.10504061356
WC12 =1008.45594779123
WN3 =2418.21371921152
WC13 =1694.63366906345
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
66
IV Descripción del Sistema
WC20 =123.479017239762
WB0 =239.593565541087
WC21 =2229.6904059127
WB1 =1647.46240813844
WC22 =2355.32248985022
WB2 =2507.78711223602
WC23 =1361.6153334938
WB3 =1759.43256416731
Esta nueva consideración se refleja en las imágenes de la Fig. 4.29.
Fig. 4.29 Imágenes con la región de análisis acotada por la línea basal y externa.
Una vez que se ha localizado la región de interés para realizar el análisis y
de haber dividido esta región en tres partes iguales, es posible realizar un análisis
similar al que realiza el especialista. El programa despliega una gráfica en la que
se indica el comportamiento de la relación núcleo/citoplasma (N/C) a lo largo de
las tres regiones, en la misma dirección de análisis realizado por los médicos. Esta
relación N/C se obtiene dividiendo la concentración existente de núcleos en una
línea vertical, correspondiente a un punto en la imagen, entre la concentración de
citoplasma existente sobre la misma línea.
El programa toma la distancia acotada por las líneas externa y basal
correspondiente al punto seleccionado por el usuario. Esta distancia es tomada
como el 100%. De acuerdo con el análisis realizado por el especialista, se divide
esta distancia en tres partes y se calcula la cantidad presente de citoplasma y
núcleos. Enseguida se calcula la relación núcleos/citoplasma comenzando de la
línea basal hacia la externa (del primer tercio hacia el tercero). Esta información es
calculada y desplegada en forma gráfica.
La figura 4.30 muestra un ejemplo de esta gráfica obtenida después de
seleccionar un punto dentro de la región de interés en una imagen bajo estudio.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
67
IV Descripción del Sistema
Fig. 4.30 Grafica de la relación N/C en un punto seleccionado previamente en la imagen que se
analiza.
4.6 LA INTERFAZ DE USUARIO
4.6.1 ESPECIFICACIONES
La interfaz de usuario se diseñó de manera que sea sencilla de utilizar, las
primeras versiones de ésta únicamente se utilizaron para realizar las pruebas de
los algoritmos ya mencionados, pero progresivamente se le adicionaron funciones
que facilitaron su operación. Estas funciones son:
•
Un menú principal.
•
Desplegado de la gráfica núcleos/citoplasma N/C.
•
Trazado de la línea basal y la línea externa.
•
Desplegado de la información de los resultados obtenidos.
4.6.1.1 LA FUNCION PROCESAR
Esta función se encarga de realizar la identificación de los núcleos, los
citoplasmas y los halos blancos. Este botón debe presionarse inmediatamente
después de abrir el archivo que contiene la imagen; de no hacer esto no se podrán
ejecutar las funciones de análisis, contenidas en el menú principal (Ver Fig. 4.31).
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
68
IV Descripción del Sistema
Fig. 4.31 La Función Procesar.
4.6.1.2 EL MENU PRINCIPAL
El menú principal está compuesto de tres funciones principales:
1 Archivo
Esta función a su vez se subdivide en las siguientes funciones (Fig. 4.32):
Fig. 4.32 La Función Archivo.
a) Abrir: Abre un archivo de una imagen histológica en formato mapa de bits
(bmp), la cual será procesada. Al momento de abrir la imagen, ésta es
normalizada con respecto a la imagen de referencia, de acuerdo con lo
establecido anteriormente, de manera que todas las imágenes a procesar
tengan un patrón estándar en los niveles de R, G y B.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
69
IV Descripción del Sistema
b) Guardar: Guarda en un archivo la imagen procesada, en formato mapa de
bits (bmp), para conservarla en un expediente útil para el especialista.
c) Guardar Como: Guarda la imagen procesada, en formato bmp, con otra
identificación si así se desea.
d) Cerrar. Termina con la operación de la herramienta.
2 Edición
Esta función a su vez se subdivide en tres funciones (Fig. 4.33):
Fig. 4.33 La Función Edición.
a) Desplegar: Despliega las líneas exterior y basal para acotar la región de
análisis, después de que se han identificado los núcleos, citoplasmas y
halos blancos.
b) Análisis: Despliega la concentración de núcleos, citoplasma y halos
blancos dentro de un área específica de la región de análisis. Además en la
barra de estado se despliegan las coordenadas de la región seleccionada.
c) Graficar: Despliega la gráfica correspondiente a la relación N/C a lo largo de
la región de análisis, seccionada en tres partes iguales, después de
seleccionar un punto dentro de esta región; comenzando con el primer
tercio (Zona interna) hasta el tercero (Zona externa), de manera similar
como lo realiza el especialista.
No es posible ejecutar estas funciones si no se ha realizado la identificación de
núcleos, citoplasmas y halos blancos.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
70
IV Descripción del Sistema
Imagen
Esta función se subdivide en una función (Fig. 4.34):
Fig. 4.34 La Función Imagen.
Recuperar. Recupera la imagen original para realizar nuevamente el análisis y
confirmar resultados, si así se desea.
La pantalla de esta interfaz de usuario se muestra en las figuras 4.35 y 4.36
en las que se presentan algunos casos específicos de su funcionamiento.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
71
IV Descripción del Sistema
Fig. 4.35 Interfaz de usuario en la que se muestra el menú principal.
Fig. 4.36 Interfaz de usuario en la que se muestra la gráfica de la relación N/C con las tres zonas
en la región de análisis.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
72
C
APITULO
V
EXPERIMENTACION
En este capítulo se presenta la experimentación del sistema desarrollado, el
cual tiene como objetivos:
•
Caracterizar las imágenes histológicas de biopsias cervicales.
•
Realizar un análisis similar al realizado por los médicos especialistas.
•
Proporcionar resultados cuantitativos para apoyar el diagnóstico del cáncer
cérvico-uterino.
Con las pruebas realizadas se evaluó el desempeño, la eficiencia y
robustez del sistema.
5.1 FASE DE PRUEBAS
Para realizar las pruebas de los objetivos planteados se comenzó por la
selección de las imágenes que cumplieron con los requisitos de iluminación y
dimensión.
Mediante el apoyo de un escáner se digitalizaron fotografías de biopsias
cervicales para diferentes casos de displasias; todas las imágenes adquiridas se
ajustaron a las mismas dimensiones, las dimensiones fueron de 200 x 138 píxeles.
Una vez digitalizadas las imágenes se comenzó con la fase de pruebas del
sistema. Haciendo uso de las funciones del menú principal de la interfaz de
usuario del sistema se realizó lo siguiente:
Se abrió el archivo correspondiente a la imagen a caracterizar, en esta
etapa de adquisición se probó la función “abrir” con diferentes archivos de
imágenes histológicas para asegurar que su funcionamiento fuera correcto durante
la ejecución del sistema. Al mismo tiempo se verificó la normalización de las
imágenes con respecto a la imagen de referencia.
V Experimentación
Posteriormente se verificó la función “procesar”, verificando que la
caracterización de la imagen fuera correcta. También se tomó el tiempo de
ejecución de esta función. A continuación se probaron las funciones “Analizar”,
“Desplegar” y “Graficar” y se analizaron los resultados obtenidos.
5.2 RESULTADOS
5.2.1 LA FUNCION “ABRIR”
La etapa de normalización de las imágenes se realiza en el momento de
abrir un archivo que contiene la imagen histológica a procesar, las figuras 5.1, 5.2,
5.3 y 5.4 muestran ejemplos de algunas imágenes normalizadas.
a)
b)
Fig. 5.1 Normalización de una imagen a) Imagen Original b) Imagen Normalizada.
a)
b)
Fig. 5.2 Normalización de una imagen a) Imagen Original b) Imagen Normalizada.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
74
V Experimentación
a)
b)
Fig. 5.3 Normalización de una imagen a) Imagen Original b) Imagen Normalizada.
a)
b)
Fig. 5.4 Normalización de imágenes a) Imagen Original b) Imagen Normalizada.
En la figura 5.1a) se muestra una imagen oscura, la cual después de
realizar su normalización, mediante la ejecución de la función “abrir”, se obtiene
una imagen clara Fig. 5.1 b).
Las figuras 5.2 a 5.4 se tienen originalmente imágenes claras (izquierda),
después de realizar su normalización se obtienen más oscuras (derecha).
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
75
V Experimentación
5.2.2 LA FUNCION “PROCESAR”
A continuación se realizaron pruebas con la función “Procesar” para realizar
la caracterización de las imágenes. Las figuras 5.5 a 5.8 muestran los resultados
obtenidos.
a)
b)
Fig. 5.5 a) Imagen Normalizada b) Imagen caracterizada.
a)
b)
Fig. 5.6 a) Imagen Normalizada b) Imagen caracterizada.
a)
b)
Fig. 5.7 a) Imagen Normalizada b) Imagen caracterizada.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
76
V Experimentación
a)
b)
Fig. 5.8 a) Imagen Normalizada b) Imagen caracterizada.
Las figuras 5.5 a 5.8 presentan algunos ejemplos de los resultados
obtenidos de la caracterización de las imágenes normalizadas. Nótese que los
núcleos se han resaltado en color negro, mientras que los citoplasmas se han
presentado en dos tonalidades de gris. El tiempo promedio de caracterización de
las imágenes es aproximadamente 17 segundos.
5.2.3 LA FUNCION “ANALISIS”
Después de realizar la caracterización de las imágenes se probó la función
“Analizar” para obtener los porcentajes de concentración de núcleos y citoplasma
dentro de un área definida. Se seleccionó un área específica sobre la imagen
original con el apoyo del mouse. Inmediatamente es desplegada la concentración
de núcleos y de citoplasma dentro del área seleccionada. En la barra de estado se
indican las coordenadas de la región seleccionada. Algunos ejemplos de los
resultados obtenidos utilizando esta función se indican en las figuras 5.9, 5.10,
5.11 y 5.12.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
77
V Experimentación
Fig. 5.9 Selección de una región de análisis sobre la imagen original bajo estudio.
La Fig. 5.9 indica que la región seleccionada no contiene núcleos, pero si
existe citoplasma epitelial.
Fig. 5.10 Selección de una región de análisis sobre la imagen original bajo estudio.
La Fig. 5.10 muestra que la región seleccionada sobre la imagen contiene
una mayor concentración de citoplasma y un mínimo porcentaje de núcleos.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
78
V Experimentación
Fig. 5.11 Selección de una región de análisis sobre la imagen original bajo estudio.
La Fig. 5.11 muestra que la región seleccionada contiene una mínima
concentración de núcleos (0.5%) en comparación con la concentración de
citoplasma.
Fig. 5.12 Selección de una región de análisis sobre la imagen original bajo estudio.
De igual manera la Fig. 5.12 indica que en la región seleccionada en la
imagen predomina la concentración de citoplasma (99.7%) ante una concentración
pequeña de núcleos (0.225%).
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
79
V Experimentación
5.2.4 LA FUNCION “DESPLEGAR”
Con la imagen caracterizada también se probó la función “Desplegar” para
localizar la línea basal y la línea externa y poder realizar el análisis por tercios,
similar al realizado por los especialistas. Se hizo la comparación entre la región
esperada con la obtenida por el sistema. Las Figuras 5.13 a 5.17 muestran
ejemplos de la ubicación de la línea basal y la línea externa esperada y la obtenida
por el sistema sobre la imagen bajo estudio.
a)
b)
Fig. 5.13 Imagen de un tejido normal a) región de análisis esperada b)región de análisis obtenida.
a)
b)
Fig. 5.14 Displasia con la región de análisis a) esperada b) obtenida por el sistema.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
80
V Experimentación
a)
b)
Fig. 5.15 Displasia con la región de análisis a) esperada b) obtenida por el sistema.
a)
b)
Fig. 5.16 Displasia con la región de análisis a) esperada b) obtenida por el sistema.
a)
b)
Fig. 5.17 Displasia con la región de análisis a)esperada b) obtenida por el sistema.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
81
V Experimentación
De acuerdo al criterio del especialista, las variaciones obtenidas en la
identificación de la región de análisis son poco significativas por lo que es posible
realizar el análisis.
5.2.5 LA FUNCION “GRAFICAR”
Después de haber identificado la línea basal y la línea externa se probó la
función “Graficar”, con esta función se obtiene la gráfica correspondiente a la
relación N/C a lo largo de la región, acotada por estas líneas, seccionada en tres
partes. En un tejido en condiciones normales la gráfica de la relación N/C tiene un
comportamiento exponencial como se muestra en la figura 5.18.
Fig. 4.18 Comportamiento exponencial de la relación N/C para un tejido normal.
La Fig. 5.18 indica que en el primer tercio de la región de análisis existen
núcleos en mayor concentración que citoplasma, al avanzar al segundo tercio la
cantidad de núcleos disminuye aumentando la de citoplasma. Finalmente en el
último tercio se tiene ausencia de núcleos.
En las figuras 5.19 a 5.22 se muestran ejemplos de gráficas obtenidas para
diferentes casos en algunas imágenes bajo estudio.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
82
V Experimentación
Fig. 5.19 Gráfica N/C de la imagen bajo estudio en la coordenada indicada.
La gráfica de la Fig. 5.19 indica que en el punto donde se eligió realizar el
análisis, indicado en la barra de estado, existe mayor citoplasma que núcleos,
manteniéndose esta relación casi constante en los tres tercios. Esto quiere decir
que el punto elegido se encuentra en una región infectada por VPH.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
83
V Experimentación
Fig. 5.20 Gráfica N/C de la imagen bajo estudio en la coordenada indicada.
La figura 5.20 muestra que la posición de análisis seleccionada contempla
que en el primer tercio se tiene mayor concentración de núcleos, al avanzar al
segundo tercio se observa que la cantidad de núcleos disminuye, sin embargo, en
el último tercio la cantidad de núcleos se mantiene constante; esto indica que
existe una invasión de núcleos en la última capa de la región de análisis, en este
caso se presenta una displasia severa.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
84
V Experimentación
Fig. 5.21 Gráfica N/C de la imagen bajo estudio en la coordenada indicada.
De igual manera la gráfica presente en la Fig. 5.21indica invasión de
núcleos en los tres tercios, es decir, displasia severa.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
85
V Experimentación
Fig. 5.22 Gráfica N/C de la imagen bajo estudio en la coordenada indicada.
La gráfica de la figura 5.22 muestra que en el punto seleccionado el primer
tercio contiene mayor concentración de núcleos, en el segundo esta cantidad
disminuye y en el último desaparecen. En este punto se tiene un tejido sano.
5.3 ANALISIS DE RESULTADOS
Con los resultados mencionados es posible afirmar que el sistema
desarrollado tiene un buen desempeño en la caracterización de imágenes
histológicas, para apoyar el diagnóstico del padecimiento del cáncer cérvico
uterino.
El objetivo principal de este trabajo se cumplió al obtenerse un porcentaje
satisfactorio de efectividad en la caracterización de las imágenes.
El porcentaje de error obtenido en la ubicación de la línea basal y la línea
externa es poco significativo, esto hace que la información proporcionada por el
sistema sea confiable para realizar un diagnóstico con mayor certidumbre.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
86
C
APITULO
VI
CONCLUSIONES
6.1 INTRODUCCION
En el presente capítulo se presentan las conclusiones generales de este
trabajo así como su aportación o contribución en el procesamiento digital de
imágenes histológicas para la detección del cáncer cérvico-uterino. También se
mencionan los trabajos futuros a realizar para mejorar el funcionamiento del
sistema.
6.2 CONCLUSIONES
El trabajo realizado consistió en
el desarrollo de un sistema de
procesamiento digital de imágenes histológicas como una herramienta
computacional que permita la caracterización de las mismas. Con el propósito de
apoyar al especialista en el diagnóstico del cáncer cérvico-uterino; al realizarse el
estudio de las imágenes histológicas, esta herramienta proporciona información
cuantitativa, que ayuda al especialista a emitir un diagnóstico con mayor
certidumbre en la detección temprana, la presencia o ausencia del cáncer cérvicouterino.
Esta herramienta implanta un proceso matemático basado en técnicas de
procesamiento digital de imágenes y de un algoritmo computacional diseñado para
ser operado por los especialistas.
El algoritmo se estructuró de manera que realiza la caracterización
cuantitativa de imágenes histológicas de muestras de biopsias con displasias,
obtenidas con el propósito de analizar a detalle la posible formación de cáncer
cérvico-uterino.
El algoritmo desarrollado considera el procedimiento de evaluación empleado
por los especialistas. Al momento de obtener las imágenes de fotografías
correspondientes a las biopsias se observó que es muy importante:
VI Conclusiones
•
Tener una resolución de 256 colores.
•
La iluminación en las imágenes debe ser homogénea.
•
Considerar un área que contenga las tres regiones de análisis (interna,
intermedia y externa).
•
Las dimensiones de las imágenes deben ser de 200 x 138 píxeles.
Una elección inadecuada de estas características genera confusión al
realizar el análisis y como consecuencia un diagnóstico erróneo.
Para el desarrollo de la herramienta se utilizó el lenguaje de programación
Delphi. Se seleccionó la técnica de redes neuronales artificiales para la
identificación de núcleos, citoplasma epitelial, citoplasma subepitelial y halos
blancos en la región de análisis.
Para realizar la identificación de la línea basal y la línea externa se empleó
el método de máscaras o filtros digitales.
Para garantizar la efectividad del sistema, tomando en cuenta el
conocimiento subjetivo de los especialistas, se compararon los resultados
obtenidos con los esperados por el especialista.
Por otro lado, la gráfica de la relación núcleos/citoplasma de un tejido
normal tiene un comportamiento exponencial (Fig. 6.1). Al comparar esta gráfica
con la obtenida por el sistema después de procesar esta imagen se observó una
tendencia exponencial similar a la esperada (Fig. 6.2).
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
88
V Conclusiones
Fig. 6.1 Relación núcleos/citoplasma de una imagen de un tejido normal.
Fig. 6.2 Comparación de la relación núcleos/citoplasma medida contra la esperada de una imagen
de tejido normal.
Se analizaron alrededor de 30 imágenes histológicas de biopsias
cervicales diferentes, obteniendo resultados satisfactorios en la mayoría de ellas,
por lo que, al comparar los resultados obtenidos con los deseados, se estima un
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
89
V Conclusiones
95% de efectividad del análisis de las imágenes propuesto. Es indispensable que
las imágenes tengan la región del epitelio completa para obtener resultados
fiables. El tiempo de ejecución de la herramienta para la identificación de las
células, citoplasma epitelial, citoplasma subepitelial y zonas blancas en una PC
con procesador Pentium III a 500 MHz fue de 17 segundos aproximadamente,
después de que se ha abierto el archivo de la imagen digitalizada.
Los resultados obtenidos indican que el uso de técnicas de inteligencia
computacional pueden proporcionar información cuantitativa útil para los
especialistas para apoyar los informes de diagnóstico.
Aunque el sistema realizado está en su fase de prototipo de laboratorio,
cuenta con el diseño, con una interfaz de usuario interactiva para su ejecución en
una PC, en plataforma de Windows, en un laboratorio de análisis clínico. El
laboratorio debe contar con un microscopio con una capacidad de amplificación
fija de 10X, y una cámara acoplada.
6.3 APORTACION DEL TRABAJO
Con la finalidad de contribuir a la lucha para disminuir el número de muertes
de mujeres debido al padecimiento de cáncer cérvico-uterino, se elaboró una
herramienta computacional como apoyo en el análisis de imágenes histológicas.
Esta herramienta está constituida por un programa de cómputo capaz de
distinguir de manera cuantificable entre células normales y células anormales
mediante el empleo de técnicas de procesamiento digital de imágenes. De tal
forma que el especialista cuente con mayor información que le permita emitir un
diagnóstico con mayor grado de certidumbre y decidir el tratamiento
correspondiente.
El sistema desarrollado es fácil de utilizar ya que proporciona información
cuantitativa de las imágenes histológicas, de interés al especialista. Esta
información le permite al especialista emitir su diagnóstico en la detección del
cáncer cérvico-uterino con un error mínimo en la identificación de los núcleos,
citoplasmas epitelial y subepitelial y halos blancos.
6.4 TRABAJOS FUTUROS
Debido a la tinción, el citoplasma epitelial puede confundirse con el
citoplasma subepitelial o viceversa, lo que ocasiona que se produzcan errores,
poco significativos según el criterio del especialista, al realizar la identificación de
citoplasmas en la imagen bajo estudio. Como trabajos futuros, se propone el
desarrollo de nuevos algoritmos para obtener la dimensión de los núcleos y
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
90
V Conclusiones
aproximar aún más la línea basal para averiguar si las células malignas invaden el
tejido interior.
Realizando algunas modificaciones al sistema, es posible analizar
imágenes histológicas de biopsias de tejidos de otras partes del cuerpo infectados
por VPH para la detección de cáncer; siempre que las imágenes reúnan las
características, ya mencionadas, de iluminación, dimensión y área abarcada de la
muestra. Obteniendo información de manera gráfica de la relación entre dos
clases u objetos de interés de la imagen, a lo largo de un segmento vertical sobre
la imagen.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
91
REFERENCIAS
[1] Magadán, 1999
Magadán Salazar Andrea. Reconocimiento de Rostros Invariante a
Expresiones Faciales. (Maestría en Ciencias en Ciencias Computacionales;
Cuernavaca, Morelos; Centro Nacional de Investigación y Desarrollo Tecnológico,
1999).
[2] González, 1996
González R. C. [y] R. E. Woods, Tratamiento Digital de Imágenes. (Estados
Unidos, Addison – Wesley. 1996).
[3] Velarde, 1998
Velarde Martínez Apolinar. “Sistema de Visión Artificial para la Verificación del
Llenado de Recipientes no Opacos Utilizando Redes Neuronales Artificiales”,
(Maestría en Ciencias en Ciencias Computacionales; Cuernavaca, Morelos;
Centro Nacional de Investigación y Desarrollo Tecnológico, 1998).
[4] Maravall, 1994
Maravall Darío [y] Gómez-Allende. Reconocimiento de Formas y Visión
Artificial.(Estados unidos, Addison – Wesley iberoamericana, 1994).
[5] National Cancer Institute, La prueba Papanicolaou. Fecha de consulta: 12 de
Septiembre del 2002 en
http://amon.dsic.upv.es/eutistm/medical_spa/news/medi11b.htm
[6] AEPCC, El cáncer cervical. Fecha de consulta: 30 de Agosto del 2002 en:
http://www.aepcc.org/presentación.html
[7] Registro Histopatológico de Neoplasias Malignas en México.
Epidemiología, Dirección General de Epidemiología, S.S.A., ISBN 968-811-620-3
1988, pp. 43-53.
[8] National Cancer Institute NCI, Cervical Cancer (PDQ): Screening. Fecha de
consulta: 30 de Agosto del 2002 en http://cancer.gov
[9] National Cancer Institute, Lo que usted necesita saber del cáncer de cerviz.
Fecha de consulta: 30 de Agosto del 2002 en Http: //cancernet.nci.nih.gov
[10] National Cancer Institute NCI, Cancer del cuello uterino. Fecha de consulta
30 de Agosto del2002 en
http://rex.ncih.gov/NCI_PUB_Interface/La_prueba_Pap/quesla.html
Referencias
[11] Salazar,1994
Salazar Jaime. Redes Neuronales. Instituto Tecnológico de Toluca. (Congreso
Internacional de Investigación en Ciencias Computacionales, 1994).
[12] IFS, Neuronal Net Tutorial. Fecha de consulta: 26 de Julio del 2000 en
http://www.ifsys.co.uk/html/tutorial.html
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
93
APENDICE A
LISTADO DEL PROGRAMA
En este Anexo se presenta el listado del programa que se elaboró para
llevar a cabo la caracterización de las imágenes histológicas. El sistema se
desarrolló en lenguaje Delphi, ya que éste permite construir de manera sencilla y
rápida nuevos programas llamados aplicaciones, a demás de ser económico y de
fácil adquisición en el mercado.
unit Analisis;
interface
uses
Windows, Messages, SysUtils, Classes, Graphics, Controls, Forms, Dialogs,
StdCtrls, Buttons, ExtCtrls, ComCtrls, Menus;
type
TForm1 = class(TForm)
Image1: TImage;
Image2: TImage;
Button1: TButton;
OpenDialog1: TOpenDialog;
Image3: TImage;
Image4: TImage;
Image5: TMenuItem;
Image6: TImage;
Image7: TImage;
Graphic1: TMenuItem;
StatusBar1: TStatusBar;
MainMenu: TMainMenu;
File1: TMenuItem;
Open1: TMenuItem;
Save1: TMenuItem;
Edit: TMenuItem;
Display1: TMenuItem;
Analisis1: TMenuItem;
Redraw1: TMenuItem;
Apéndice A
PaintBox1: TPaintBox;
SaveAs1: TMenuItem;
Close1: TMenuItem;
Label1: TLabel;
Label2: TLabel;
Label3: TLabel;
Label4: TLabel;
Label5: TLabel;
Label6: TLabel;
Label7: TLabel;
Label8: TLabel;
Label9: TLabel;
Label10: TLabel;
Label11: TLabel;
Label12: TLabel;
Label13: TLabel;
SaveDialog1: TSaveDialog;
procedure FormCreate(Sender: TObject);
procedure Button1Click(Sender: TObject);
procedure Image1MouseDown(Sender: TObject; Button: TMouseButton;
Shift: TShiftState; X, Y: Integer);
procedure Image1MouseUp(Sender: TObject; Button: TMouseButton;
Shift: TShiftState; X, Y: Integer);
procedure Image1MouseMove(Sender: TObject; Shift: TShiftState; X,
Y: Integer);
procedure Save1Click(Sender: TObject);
procedure Analisis1Click(Sender: TObject);
procedure Display1Click(Sender: TObject);
procedure Graphic1Click(Sender: TObject);
procedure Redraw1Click(Sender: TObject);
procedure Open1Click(Sender: TObject);
procedure Close1Click(Sender: TObject);
procedure SaveAs1Click(Sender: TObject);
private
{ Private declarations }
public
{ Public declarations }
Drawing: Boolean;
Selecting: Boolean;
Origin, MovePt: TPoint;
Final: TPoint;
CurrentFile: String;
end;
var
Form1: TForm1;
ancho,alto : Integer;
Técnicas de procesamiento digital para la carcterización de imágenes histológicas
95
Apéndice A
K: Real;
WN0,WN1,WN2,WN3,WC10,WC11,WC12,WC13,WC20,WC21,WC22,WC23,
WB0,WB1,WB2,WB3: Real;
Col,R,G,B,SN,SC: Integer;
A,D,GR,P: Boolean;
implementation
{$R *.DFM}
procedure TForm1.FormCreate(Sender: TObject);
begin
ancho:=Image1.Width;
alto:=Image1.Height;
K:=100/255;
WN0:=1362.29168363288; WN1:=1482.3244360704;
WN2:=1335.10504061356; WN3:=2418.21371921152;
WC10:=1739.81220837124; WC11:=2266.21922905743;
WC12:=1008.45594779123; WC13:=1694.63366906345;
WC20:=123.479017239762; WC21:=2229.6904059127;
WC22:=2355.32248985022; WC23:=1361.6153334938;
WB0:=239.593565541087; WB1:=1647.46240813844;
WB2:=2507.78711223602; WB3:=1759.43256416731;
Selecting:=False;
SC:=0; SN:=0;
D:=False;;
A:=False;
GR:=False;
P:=False;
Label5.Visible:=False;
Label6.Visible:=False;
end;
{Procedimiento para la función “procesar”}
procedure TForm1.ProcesarClick(Sender: TObject);
var
I,J,M,R,G,B,Col,C :Integer;
XN,XC1,XC2,XB,YN,YC1,YC2,YB, Re, Ge, Be : Real;
E: Extended;
begin
Screen.Cursor:=CrHourGlass;
Image2.Width:=ancho;
Image2.Height:=alto;
Image3.Width:=ancho;
Image3.Height:=alto;
Técnicas de procesamiento digital para la carcterización de imágenes histológicas
96
Apéndice A
Image4.Width:=ancho;
Image4.Height:=alto;
C:=0;
Repeat
Begin
For J:=1 to alto do
Begin
For I:=1 to C+15 do
Begin
Col:=Image1.Canvas.Pixels[I,J];
R:=(Col and $000000FF);
G:=(Col and $0000FF00) shr 8;
B:=(Col and $00FF0000) shr 16;
Re:=R/255;
Ge:=G/255;
Be:=B/255;
XN:=(K*WN0)+(Re*WN1)+(Ge*WN2)+(Be*WN3);
XC1:=(K*WC10)+(Re*WC11)+(Ge*WC12)+(Be*WC13);
XC2:=(K*WC20)+(Re*WC21)+(Ge*WC22)+(Be*WC23);
XB:=(K*WB0)+(Re*WB1)+(Ge*WB2)+(Be*WB3);
E:= Exp(XN)+Exp(XC1)+Exp(XC2)+Exp(XB);
YN:=Exp(XN)/E;
YC1:=Exp(XC1)/E;
YC2:=Exp(XC2)/E;
YB:=Exp(XB)/E;
If (YN>YC1) and (YN>YC2) and (YN>YB) Then
Begin
Image2.Canvas.Pixels[I,J]:=$00000000;
Image3.Canvas.Pixels[I,J]:=$00FF0000;
End
Else If (YC1>YN) and (YC1>YC2) and (YC1>YB) Then
Begin
Image2.Canvas.Pixels[I,J]:=$00808080;
Image3.Canvas.Pixels[I,J]:=$000000FF;
End
Else If (YC2>YN) and (YC2>YC1) and (YC2>YB) Then
Begin
Image2.Canvas.Pixels[I,J]:=$00C0C0C0;
Image3.Canvas.Pixels[I,J]:=$00FFCCFF;
End
Else If (YB>YN) and (YB>YC1) and (YB>YC1) Then
Begin
Image2.Canvas.Pixels[I,J]:=$00F0F0F0;
Image3.Canvas.Pixels[I,J]:=$00F0F0F0;
Técnicas de procesamiento digital para la carcterización de imágenes histológicas
97
Apéndice A
End
Else
Begin
Image2.Canvas.Pixels[I,J]:=$00FFFFFF;
Image3.Canvas.Pixels[I,J]:=$00FF0000;
End;
End;
End;
C:=C+15;
End;
Until C>=ancho;
Image4.Picture:=Image3.Picture;
Screen.Cursor:=CrDefault;
P:=True;
end;
{Procedimiento ejecutado al pulsar el botón izquierdo del mouse sobre la imagen1}
procedure TForm1.Image1MouseDown(Sender: TObject; Button: TMouseButton;
Shift: TShiftState; X, Y: Integer);
Var
Nt,Ct,Li,Ls,I,Val,ZA,FE,XB,YB:Integer;
begin
If A Then
Begin
Drawing:= True;
Image1.Canvas.Brush.Style:= bsClear;
Image1.Canvas.MoveTo(X,Y);
Image7.Canvas.Brush.Style:=bsClear;
Image7.Canvas.MoveTo(X,Y);
Origin:=Point(X,Y);
MovePt:=Origin;
StatusBar1.Panels[0].Text:=Format('Origin: (%d,%d)', [X,Y]);
End;
if GR then
Begin
Repaint();
Origin:=Point(X,Y);
StatusBar1.Panels[0].Text:=Format('Point: (%d,%d)', [X,Y]);
NT:=0; Li:=0; Ls:=0; CT:=0;
For I:=alto downto 1 do
Begin
Val:=Image3.Canvas.Pixels[Origin.X,I];
if Val=$0000FFFF then
Li:=I
Técnicas de procesamiento digital para la carcterización de imágenes histológicas
98
Apéndice A
else if Val=$0000FF00 then
Begin
Ls:=I;
Break;
End;
End;
ZA:=Li-Ls;
if (ZA<>0) and ((Origin.Y)<Li) and ((Origin.Y)>Ls) then
Begin
PaintBox1.Canvas.MoveTo(2,0);
PaintBox1.Canvas.LineTo(2,200);
PaintBox1.Canvas.MoveTo(0,199);
PaintBox1.Canvas.LineTo(269,199);
PaintBox1.Canvas.Pen.Style:=psdot;
PaintBox1.Canvas.MoveTo(89,0);
PaintBox1.Canvas.LineTo(89,200);
PaintBox1.Canvas.MoveTo(179,0);
PaintBox1.Canvas.LineTo(179,200);
PaintBox1.Canvas.MoveTo(269,0);
PaintBox1.Canvas.LineTo(269,200);
PaintBox1.Canvas.Pen.Style:=psSolid;
PaintBox1.Canvas.MoveTo(0,1);
PaintBox1.Canvas.LineTo(5,1);
PaintBox1.Canvas.MoveTo(0,10);
PaintBox1.Canvas.LineTo(5,10);
PaintBox1.Canvas.MoveTo(0,20);
PaintBox1.Canvas.LineTo(5,20);
PaintBox1.Canvas.MoveTo(0,30);
PaintBox1.Canvas.LineTo(5,30);
PaintBox1.Canvas.MoveTo(0,40);
PaintBox1.Canvas.LineTo(5,40);
PaintBox1.Canvas.MoveTo(0,50);
PaintBox1.Canvas.LineTo(5,50);
PaintBox1.Canvas.MoveTo(0,60);
PaintBox1.Canvas.LineTo(5,60);
PaintBox1.Canvas.MoveTo(0,70);
PaintBox1.Canvas.LineTo(5,70);
PaintBox1.Canvas.MoveTo(0,80);
PaintBox1.Canvas.LineTo(5,80);
PaintBox1.Canvas.MoveTo(0,90);
PaintBox1.Canvas.LineTo(5,90);
PaintBox1.Canvas.MoveTo(0,100);
PaintBox1.Canvas.LineTo(5,100);
PaintBox1.Canvas.MoveTo(0,110);
PaintBox1.Canvas.LineTo(5,110);
PaintBox1.Canvas.MoveTo(0,120);
PaintBox1.Canvas.LineTo(5,120);
Técnicas de procesamiento digital para la carcterización de imágenes histológicas
99
Apéndice A
PaintBox1.Canvas.MoveTo(0,130);
PaintBox1.Canvas.LineTo(5,130);
PaintBox1.Canvas.MoveTo(0,140);
PaintBox1.Canvas.LineTo(5,140);
PaintBox1.Canvas.MoveTo(0,150);
PaintBox1.Canvas.LineTo(5,150);
PaintBox1.Canvas.MoveTo(0,160);
PaintBox1.Canvas.LineTo(5,160);
PaintBox1.Canvas.MoveTo(0,170);
PaintBox1.Canvas.LineTo(5,170);
PaintBox1.Canvas.MoveTo(0,180);
PaintBox1.Canvas.LineTo(5,180);
PaintBox1.Canvas.MoveTo(0,190);
PaintBox1.Canvas.LineTo(5,190);
FE:=270 div ZA;
Label7.Visible:=True;
Label8.Visible:=True;
Label9.Visible:=True;
Label10.Visible:=True;
Label11.Visible:=True;
Label12.Visible:=True;
Label13.Visible:=True;
PaintBox1.Canvas.MoveTo(0,200);
For I:=ZA downto 0 do
Begin
if (LS+I)>=(LS+10) then
Begin
NT:=0; CT:=0;
For XB:=Origin.X-5 to Origin.X+4 do
Begin
For YB:=1 to 10 do
Begin
Val:=Image3.canvas.Pixels[XB,Ls+I-YB];
if Val=$00FF0000 then
NT:=NT+1
else if Val=$000000FF then
CT:=CT+1;
End;
End;
End
else
NT:=NT;
PaintBox1.Canvas.LineTo(270-I*FE,200-Round(CT/NT)*8);
end;
end
else
if ZA=0 then
Técnicas de procesamiento digital para la carcterización de imágenes histológicas
100
Apéndice A
ShowMessage('Es necesario seleccionar primero la opción
"Display"')
else if ((Origin.Y)>Li) or ((Origin.Y)<Ls) then
ShowMessage('Seleccionar un punto dentro de la región de
análisis');
End
else
ShowMessage('Es necesario seleccionar primero la opción "Display"');
GR:=False;
end;
{Procedimiento ejecutado al soltar el botón izquierdo del mouse sobre la imagen1}
procedure TForm1.Image1MouseUp(Sender: TObject; Button: TMouseButton;
Shift: TShiftState; X, Y: Integer);
Var
I,J,T,RX,RY: Integer;
begin
if Drawing then
Begin
Image3.Canvas.Pen.Mode:= pmCopy;
Image3.Canvas.Rectangle(Origin.X,Origin.Y,Point(X,Y).X,Point(X,Y).Y);
Image7.Canvas.Pen.Mode:= pmCopy;
Image7.Canvas.Rectangle(Origin.X,Origin.Y,Point(X,Y).X,Point(X,Y).Y);
Drawing:= False;
Final:=Point(X,Y);
Selecting:= True;
if Selecting and A then
Begin
Label1.Visible:=True;
Label2.Visible:=True;
Label3.Visible:=True;
Label4.Visible:=True;
Label5.Visible:=True;
Label6.Visible:=True;
SN:=0; SC:=0;
RX:=Abs(Final.X-Origin.X);
RY:=Abs(Final.Y-Origin.Y);
Repaint;
For I:=0 to RX do
Begin
For J:=0 to RY do
Begin
If (Origin.X)>(Final.X) Then
Técnicas de procesamiento digital para la carcterización de imágenes histológicas
101
Apéndice A
Begin
if (Origin.Y)>(Final.Y) then
Col:=Image3.Canvas.Pixels[(Final.X)+I,(Final.Y)+J]
else
Col:=Image3.Canvas.Pixels[(Final.X)+I,(Origin.Y)+J];
End
else
Begin
if (Origin.Y)>(Final.Y) then
Col:=Image3.Canvas.Pixels[(Origin.X)+I,(Final.Y)+J]
else
Col:=Image3.Canvas.Pixels[(Origin.X)+I,(Origin.Y)+J];
End;
R:=(Col and $000000FF);
B:=(Col and $00FF0000) shr 16;
If R=$00FF Then
SC:=SC+1
else if B=$00FF then
SN:= SN+1;
End;
End;
T:=(SN+SC);
Label5.Caption:=IntToStr(SN);
Label6.Caption:=IntToStr(SC);
if T<>0 then
Begin
Label2.Caption:=FloatToStr((SC*100/T));
Label4.Caption:=FloatToStr((SN*100/T));
End
Else
Begin
Label2.Caption:='0';
Label4.Caption:='0';
Showmessage('¡AUSENCIA DE NUCLEOS Y DE CITOPLASMA!');
End;
A:=False;
End;
End;
end;
{Procedimiento ejecutado al desplazar el mouse sobre la imagen1}
procedure TForm1.Image1MouseMove(Sender: TObject; Shift: TShiftState; X,
Y: Integer);
begin
If (Drawing) and (Not GR) and (Not P) Then
Técnicas de procesamiento digital para la carcterización de imágenes histológicas
102
Apéndice A
Begin
Image3.Canvas.Pen.Mode:= pmNOTXOR;
Image3.Canvas.Rectangle(Origin.X,Origin.Y,MovePt.X,MovePt.Y);
Image7.Canvas.Pen.Mode:= pmNOTXOR;
Image7.Canvas.Rectangle(Origin.X,Origin.Y,MovePt.X,MovePt.Y);
MovePt:=Point(X,Y);
Image3.Canvas.Rectangle(Origin.X,Origin.Y,MovePt.X,MovePt.Y);
Image7.Canvas.Rectangle(Origin.X,Origin.Y,MovePt.X,MovePt.Y);
StatusBar1.Panels[1].Text:=Format('Current: (%d,%d)',[X,Y]);
End;
end;
{Procedimiento “Cerrar”}
procedure TForm1.CerrarClick(Sender: TObject);
begin
Close;
end;
{Procedimiento “Analizar”}
procedure TForm1.AnalizarClick(Sender: TObject);
begin
A:=True;
end;
{Procedimiento “Desplegar”}
procedure TForm1.DesplegarClick(Sender: TObject);
Var
H,I,J,K,L,M,O,Z,ValPix,Vpix,C: Integer;
F: Boolean;
CN,CB,CC,CC2, Mayor,Mayor1: Integer;
Pos,Pos1: Array[0..20] of Integer;
SV,SP,SD,SI,X,Y: integer;
Begin
If P Then
Begin
Screen.Cursor:=CrHourGlass;
{Encuentrar la línea de la región externa}
Image3.Canvas.Pen.Color:=cllime;
Técnicas de procesamiento digital para la carcterización de imágenes histológicas
103
Apéndice A
Image2.Canvas.Pen.Color:=clred;
K:=1; L:=K;
Repeat
Begin
Z:=1;
For J:=1 to alto do
Begin
If K=1 Then
Begin
Image1.Canvas.MoveTo(K,J);
Image3.Canvas.MoveTo(K,J);
Image7.Canvas.MoveTo(K,J);
End;
CN:=0; CB:=0; CC:=0; CC2:=0;
For I:=K to K+15 do
Begin
ValPix:=Image2.Canvas.Pixels[I,J];
if ValPix=$00000000 then
CN:=CN+1
else if ValPix=$00808080 then
CC:=CC+1
else if ValPix=$00C0C0C0 then
CC2:=CC2+1
else if ValPix=$00F0F0F0 then
CB:=CB+1;
End;
if (CC>CC2) or (CN>CC2) or (CC>CB) then
Begin
Image1.Canvas.LineTo(K+15,J);
Image3.Canvas.LineTo(K+15,J);
Image7.Canvas.Lineto(K+15,J);
Z:=J;
L:=K+15;
Break;
End;
End;
K:=K+15;
End;
Until K>ancho;
if Z<alto then
Begin
Image1.Canvas.LineTo(L,alto);
Image3.Canvas.LineTo(L,alto);
Image7.Canvas.LineTo(L,alto);
End;
{Encuentra la línea basal}
Técnicas de procesamiento digital para la carcterización de imágenes histológicas
104
Apéndice A
Image3.Canvas.Pen.Color:=clyellow;
Image2.Canvas.Pen.Color:=clblue;
K:=1; C:=25;
Repeat
Begin
O:=0;
F:=False;
For I:=0 to 20 do
Begin
Pos[I]:=0;
Pos1[I]:=0;
End;
For I:=0 to 19 do
Begin
For J:=1 to alto do
Begin
ValPix:=Image3.Canvas.Pixels[K+I,J];
if ValPix=$0000FF00 then
Begin
Pos[I]:=J;
Break;
End;
End;
End;
mayor:=Pos[0];
mayor1:=alto-1;
For I:=1 to 19 do
if Pos[I]>mayor then
mayor:=Pos[I];
Z:=mayor;
if mayor <>0 then
Begin
For J:=1 to (alto-mayor) do
Begin
CC:=0; CC2:=0; {CB:=0;} CN:=0;
For M:=0 to C do
For I:=0 to 19 do
Begin
If (K=1) and (I=0) then
Begin
if J=(alto-mayor) then
Begin
Image1.Canvas.MoveTo(K,Mayor);
Image3.Canvas.MoveTo(K,Mayor);
Image7.Canvas.MoveTo(K,Mayor);
End
Técnicas de procesamiento digital para la carcterización de imágenes histológicas
105
Apéndice A
Else
Begin
Image1.Canvas.MoveTo(K,Pos[I]+J);
Image3.Canvas.MoveTo(K,Pos[I]+J);
Image7.Canvas.MoveTo(K,Pos[I]+J);
End;
End;
VPix:=Image2.Canvas.Pixels[K+I,Pos[I]+J+M];
if VPix=$00808080 then
CC:=CC+1
else if VPix=$00C0C0C0 then
CC2:=CC2+1
else if VPix=$00000000 then
CN:=CN+1;
End;
if (CC2>CC) or (CC2>CN) then
Begin
For I:=0 to 19 do
Begin
Pos1[I]:=Pos[I]+J+C;
End;
Mayor1:=Pos1[0];
For I:=1 to 19 do
if Pos1[I]>mayor1 then
mayor1:=Pos1[I];
For H:=0 to (alto-Mayor1) do
Begin
CC:=0; CC2:=0; {CB:=0; CN:=0;}
For M:=0 to C do
For I:=0 to 19 do
Begin
VPix:=Image2.Canvas.Pixels[K+I,Pos1[I]+H+M];
if VPix=$00808080 then
CC:=CC+1
else if VPix=$00C0C0C0 then
CC2:=CC2+1
else if VPix=$00000000 then
CN:=CN+1;
End;
if (CC2>CC) or (CC2>CN) then
Begin
For I:=0 to 19 do
Begin
if (K+I)<ancho then
Begin
Image1.Canvas.LineTo(K+I,Pos1[I]+H);
Técnicas de procesamiento digital para la carcterización de imágenes histológicas
106
Apéndice A
Image3.Canvas.LineTo(K+I,Pos1[I]+H);
Image7.Canvas.LineTo(K+I,Pos1[I]+H);
End;
End;
F:=True;
Break;
End
else
F:=False;
End;
Z:=mayor1;
if F then
Break;
End;
End;
End;
else
Begin
O:=K;
End;
K:=K+19;
End;
Until K>ancho;
if Z<J then
Begin
if Z=0 then
Begin
Image1.Canvas.LineTo(L,alto);
Image3.Canvas.LineTo(L,alto);
Image7.Canvas.LineTo(L,alto);
End
else
Begin
Image1.Canvas.LineTo(Ancho,mayor+Z);
Image3.Canvas.LineTo(Ancho,mayor+Z);
Image7.Canvas.LineTo(Ancho,Mayor+Z);
End;
End
else
Begin
Image1.Canvas.LineTo(Ancho-1,mayor1);
Image3.Canvas.LineTo(Ancho-1,mayor1);
Image7.Canvas.LineTo(ancho-1,mayor1);
Label6.Caption:=IntToStr(Mayor1);
End;
Image3.Canvas.Pen.Color:=clblack;
D:=False;
Técnicas de procesamiento digital para la carcterización de imágenes histológicas
107
Apéndice A
Screen.Cursor:=CrDefault;
End;
end;
{Procedimiento “Graficar”}
procedure TForm1.GraficarClick(Sender: TObject);
begin
GR:=True;
end;
{Procedimiento “Recuperar”}
procedure TForm1.RecuperarClick(Sender: TObject);
Begin
Repaint();
StatusBar1.Panels[0].Text:=(' ');
StatusBar1.Panels[1].Text:=(' ');
Image3.Picture:=Image4.Picture;
D:=True;
Label1.Visible:=False;
Label2.Visible:=False;
Label3.Visible:=False;
Label4.Visible:=False;
Label5.Visible:=False;
Label6.Visible:=False;
Label7.Visible:=False;
Label8.Visible:=False;
Label9.Visible:=False;
Label10.Visible:=False;
Label11.Visible:=False;
Label12.Visible:=False;
Label13.Visible:=False;
End;
{Procedimiento “Abrir”}
procedure TForm1.AbrirClick(Sender: TObject);
Var
I,J,K,R,G,B,R1,G1,B1,Col,Col1: Integer;
SR,SG,SB,SR1,SG1,SB1,N,RA,GA,BA,RA1,GA1,BA1: Integer;
VR,VG,VB,VR1,VG1,VB1: Array[1..205,1..205] of Integer;
AR,AG,AB,AR1,AG1,AB1,T,T1,T2,T0,T10,T20: Real;
begin
Técnicas de procesamiento digital para la carcterización de imágenes histológicas
108
Apéndice A
Screen.Cursor:=crHourGlass;
OpenDialog1.Execute;
Redraw1Click(Sender);
if (OpenDialog1.Filename)<>Emptystr then
Begin
Image7.Picture.LoadfromFile(OpenDialog1.FileName);
alto:=Image7.Picture.Height;
ancho:=Image7.Picture.Width;
Image1.Width:=ancho;
Image1.Height:=alto;
Image7.Width:=ancho;
Image7.Height:=alto;
Redraw1Click(Sender);
For I:=1 to ancho do
For J:=1 to alto do
Begin
VR[I,J]:=0; VG[I,J]:=0; VB[I,J]:=0;
VR1[I,J]:=0; VG1[I,J]:=0; VB1[I,J]:=0;
End;
For K:=1 to ancho-1 do
For J:=1 to alto-1 do
Begin
Col:=Image6.Canvas.Pixels[K,J];
R:=(Col and $000000FF);
G:=(Col and $0000FF00) shr 8;
B:=(Col and $00FF0000) shr 16;
VR[K,J]:=R; VG[K,J]:=G; VB[K,J]:=B;
End;
For K:=1 to ancho do
For J:=1 to alto do
Begin
Col1:=Image7.Canvas.Pixels[K,J];
R1:=(Col1 and $000000FF);
G1:=(Col1 and $0000FF00) shr 8;
B1:=(Col1 and $00FF0000) shr 16;
VR1[K,J]:=R1; VG1[K,J]:=G1; VB1[K,J]:=B1;
End;
SR:=0; SG:=0; SB:=0; SR1:=0; SG1:=0; SB1:=0; N:=0;
For I:=1 to ancho do
For J:=1 to alto do
Begin
SR:=SR+VR[I,J]; SG:=SG+VG[I,J]; SB:=SB+VB[I,J];
SR1:=SR1+VR1[I,J]; SG1:=SG1+VG1[I,J];
SB1:=SB1+VB1[I,J];
N:=N+1;
End;
Técnicas de procesamiento digital para la carcterización de imágenes histológicas
109
Apéndice A
AR:=SR/N; AG:=SG/N;
AB:=SB/N;
AR1:=SR1/N; AG1:=SG1/N;
AB1:=SB1/N;
T:=AR/AR1; T1:=AG/AG1;
T2:=AB/AB1;
T0:=Round(T); T10:=Round(T1); T20:=Round(T2);
For I:=1 to ancho-1 do
For J:=1 to alto-1 do
Begin
RA:=Round(T*VR1[I,J]);
GA:=Round(T1*VG1[I,J]);
BA:=Round(T2*VB1[I,J]);
if RA>255 then
RA:=255;
if GA>255 then
GA:=255;
if BA>255 then
BA:=255;
Image1.Canvas.Pixels[I,J]:=RGB(RA,GA,BA);
End;
D:=True;
End;
Screen.Cursor:=crDefault;
end;
{Procedimiento “Guardar”}
procedure TForm1.GuardarClick(Sender: TObject);
begin
if CurrentFile<>EmptyStr then
Image7.Picture.SaveToFile(CurrentFile;
else
SaveAs1Click(Sender);
end;
{Procedimiento “Guardar Como”}
procedure TForm1.Guardar_ComoClick(Sender: TObject);
begin
if SaveDialog1.Execute then
Begin
CurrentFile:=SaveDialog1.FileName;
Save1Click(Sender);
End;
end;
end.
Técnicas de procesamiento digital para la carcterización de imágenes histológicas
110
APENDICE B
CONCEPTOS MÉDICOS
B.1 CITOLOGIA
La citología es la rama de la biología que estudia la estructura y función de
las células como unidades individuales, complementando así a la histología (que
estudia a las células como componente de los tejidos). La citología abarca el
estudio de la estructura y actividad de las diferentes partes de la célula y
membrana celular, el mecanismo de división celular, el desarrollo de las células
sexuales, la fecundación y la formación del embrión, las alteraciones de las
células, como las que ocurren en el cáncer.
El objetivo principal de la citología es el diagnóstico de alteraciones en las
células como puede ser la formación de tumores. Un tumor maligno se caracteriza
por un crecimiento descontrolado de la estructura de las células que lo componen,
y la capacidad de extenderse mas allá de los límites del tejido de origen.
Las técnicas más recientes de la citología permiten hoy el estudio y
observación de las células vivas.
Con el microscopio se pueden observar las células vivas en funcionamiento
gracias al uso de contrastes.
La citología tiene gran valor en la medicina actual, ya que ayuda a
diagnosticar enfermedades mediante el análisis de las células extraídas de
diversos fluidos corporales. La determinación del número y proporción de los
diferentes tipos de células de la sangre (recuento celular) facilita el diagnóstico de
infecciones agudas y otros procesos.
B.2 HISTOLOGIA
La histología se refiere al estudio microscópico de los tejidos (grupos de
células similares interrelacionadas que cooperan para llevar a cabo una función
biológica determinada) del cuerpo humano, animales y plantas. La biopsia
proporciona una información científica valiosa a cerca de las enfermedades.
En el cuerpo de un ser vivo se distinguen cinco grupos principales de
tejidos: El epitelio, que se encuentra en todas las superficies de revestimiento
Apéndice B
corporales y en las áreas de secreción; el tejido conjuntivo, que incluye los
huesos, los cartílagos y otras estructuras de soporte; el tejido muscular, el tejido
nervioso, los fluidos tisulares, sangre y linfa.
B.3 EL CANCER DEL CUELLO UTERINO
El carcinoma cérvico–uterino es la neoplasia maligna más frecuente en
nuestro medio. Es el único cáncer genital que se puede prevenir confiablemente
con una técnica de tamizaje; la citología cervical permite la detección de lesiones
precancerosas que pueden ser tratadas eficazmente para prevenir el desarrollo de
cáncer invasivo.
La mitad de las mujeres con carcinoma in situ tiene menos de 35 años. Es
más frecuente en mujeres que inician actividad sexual o se embarazan a temprana
edad, con múltiples parejas sexuales y multíparas.
Se ha postulado como agente etiológico la infección por algunos tipos de
virus de papiloma humano. El carcinoma invasor de células escamosas
usualmente se origina de la unión escamo-columnar de la cerviz y es precedido
por displasia cervical y carcinoma in situ.
B.4 EL VIRUS DEL PAPILOMA HUMANO (VPH)
El Virus del Papiloma Humano (VPH) es un grupo de más de 80 tipos de
virus. Se les llaman virus papiloma porque ciertos tipos de éstos pueden causar
verrugas, o papilomas, que son tumores benignos (no cancerosos).
La infección por este virus puede cursar en un cuadro subclínico, por lo que
el paciente no tiene conocimiento de esta infección hasta que aparecen
alteraciones en la prueba Papanicolaou o en la colposcopia.
El síntoma más característico que se presenta es la aparición de
condilomas (protuberancia crónica o verrugas genitales) planos, condilomas
acuminados y lesiones endofíticas. Estas verrugas pueden presentar diferentes
apariencias como son: Blandas, de color gris o rosa, pedunculadas y suelen
encontrarse en racimos.
Las células escamosas son delgadas, planas, y se encuentran en el tejido que
forma la superficie de la piel, en la vagina y la parte exterior del cuello del útero.
Otros términos que a veces se utilizan para describir estas células anormales son
neoplasia intraepitelial cervical (NIC) y displasia [5]. Las lesiones intraepiteliales
escamosas de bajo grado (displasias leves) son una condición común,
especialmente en las mujeres jóvenes. La mayoría de las lesiones intraepiteliales
escamosas de bajo grado vuelven a la normalidad pasado unos meses o unos
pocos años. A veces, las lesiones intraepiteliales escamosas de bajo grado
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
112
Apéndice B
pueden convertirse en lesiones intraepiteliales escamosas de alto grado. Las
lesiones intraepiteliales escamosas de alto grado no son cáncer, pero
eventualmente pueden convertirse en cáncer y deben ser tratadas por un médico.
El número de infecciones por el VPH y su duración son un factor de riesgo para el
posterior desarrollo de cáncer.
Para realizar el diagnóstico el médico hace la evaluación de condiloma acuminado
por la apariencia de las lesiones que tienen la forma de una coliflor: blanquecinas,
verrugosas, blandas e indoloras. No obstante, cuando se trata de lesiones sin
éstas características, como las que ocurren en el cuello del útero, el médico sólo
podrá confirmarlas a través de una biopsia del sitio sospechoso mediante una
colposcopia, una citología cervicovaginal (Papanicolau) o a través de la prueba del
ácido acético. En ésta última técnica, si el médico observa la aparición de una
zona blanquecina entonces sospechará que dicha zona está infectada por el VPH.
B.5 LA PRUEBA PAP
La prueba PAP, también conocida como el Papanicolaou o examen de
citología, es uno de los métodos más eficaces para detectar temprano el cáncer
del cuello del útero (CCU) o cuello de la matriz.
La prueba PAP es sencilla, rápida y barata. Mediante la prueba PAP es posible ver
con un microscopio si hay células anormales antes que la mujer tenga algún
síntoma. Estos cambios pequeñísimos de las células a veces se convierten en
CCU. Se recomienda hacer la prueba PAP regularmente, al mismo tiempo que se
realice un examen ginecológico.
La figura B.1 presenta una imagen en la que se indica la ubicación del
cuello del útero.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
113
Apéndice B
Fig. B.1 Localización del cuello del útero.
La mayoría de los casos del CCU se puede curar, si se detecta a tiempo.
Gracias a la prueba PAP y a los nuevos métodos de tratamiento, la proporción de
mujeres que mueren de CCU ha disminuido en un 70%. Han habido más
adelantos en la curación de este tipo de cáncer que en ningún otro.
La mayoría de las mujeres que mueren de CCU son aquéllas que nunca se
han hecho la prueba PAP. Si todas las mujeres se hicieran la prueba, como parte
del examen ginecológico (que también incluye un examen de los senos), el CCU
se convertiría, en la mayoría de los casos, en una enfermedad perfectamente
curable.
Toda mujer debe hacerse el examen pélvico y la prueba PAP
inmediatamente después de haber cumplido 18 años de edad. Las mujeres que
son, o que han sido, sexualmente activas también deben hacerse los exámenes
pélvicos y la prueba PAP regularmente. Si la mujer se ha sometido a estos
exámenes por tres años consecutivos y los resultados han sido normales, la
prueba PAP puede hacerse con menos frecuencia, según lo indique el médico.
Las mujeres con riesgo mayor de tener CCU, o las que han recibido
tratamiento para este tipo de cáncer, deben ser examinadas con más frecuencia.
A estas mujeres se les recomienda una prueba PAP de dos a cuatro veces al año,
según lo indique el médico.
Aún las mujeres que se les ha hecho una histerectomía, o aquéllas que han
presentado la menopausia o ya la hayan pasado, deben hacerse la prueba PAP
con regularidad.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
114
Apéndice B
B.5.1 RIESGOS DE TENER CANCER DEL CUELLO DEL ÚTERO
-
Si en el pasado alguna prueba ha revelado la presencia de células
anormales.
Si las mujeres tienen entre los 40 y 55 años o mayores de edad.
Si se han embarazado varias veces.
Si han tenido infecciones vaginales frecuentes, transmitidas por relaciones
sexuales (tales como Herpes simples, tipo II, y Condiloma).
Si las madres de ellas tomaron hormonas para prevenir el aborto mientras
estaban embarazadas.
B.5.2 COMO SE REALIZA LA PRUEBA PAP
Normalmente la prueba PAP es parte del examen pélvico que realiza el
médico, con la frecuencia recomendada por él. No se recomienda un lavado
vaginal ni antes de una prueba PAP ni durante un periodo de tratamiento.
La prueba PAP consiste en los siguientes procedimientos:
1. Con un espéculo (instrumento que se utiliza para abrir la vagina), el médico
o enfermera inspecciona el cuello del útero y toma una muestra de las
células para analizarlas.
2. Se utiliza un cepillo pequeño para obtener una muestra de las células de la
superficie del cuello de útero. Normalmente, este procedimiento no les
causa ninguna molestia.
3. Estas células se colocan sobre una laminilla de vidrio y se envían al
laboratorio para que un citólogo (especialista en el examen de células bajo
microscopio) las analice.
La figura B.2 presenta la forma en que se realiza la prueba PAP.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
115
Apéndice B
Fig. B.2 Obtención de la muestra que se usará en la prueba PAP.
B.5.3 CUANDO DEBE REALIAZARSE LA PRUEBA PAP
-
-
Si las mujeres han cumplido 18 años de edad o antes si han comenzado a
tener relaciones sexuales, o si son sexualmente activas.
Debido a que la sangre de la menstruación (regla) puede modificar los
resultados de la prueba PAP, el momento recomendado para que se hagan
es entre los 10 y 20 días después de que halla comenzado su
menstruación.
Si su menstruación les dura demasiado tiempo o si sangran más de lo
normal
Si sangran por la vagina de manera anormal en los casos siguientes: a)
Entre una menstruación y otra, b) Después de que hayan tenido relaciones
sexuales, c) Después que se hayan realizado un lavado vaginal.
Si están en la menopausia o se han hecho una histerectomía deberán
continuar haciéndose la prueba con regularidad
No se les recomienda los lavados vaginales y aplicarse jaleas ni espumas
contraceptivas antes de que se realicen la prueba PAP, ya que éstas pueden
alterar los resultados de la prueba.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
116
APENDICE C
PROCESO DE VISUALIZACION
HUMANA
C.1 OBTENCION DE IMAGENES
No es posible pensar en un procesamiento de imágenes sin considerar el sistema
visual del ojo humano. Esto es aparentemente trivial, pero requiere de un análisis
más a detalle. Observemos y evaluemos cómo con nuestro sistema visual
procesamos las imágenes.
C.1.1 ESTRUCTURA DEL OJO HUMANO
Fig. C.1 Diagrama simplificado de una sección transversal del ojo humano.
Apéndice C
C.1.2 ELEMENTOS DE LA PERCEPCION
La Fig. C.1 muestra una sección transversal de l ojo humano en la cual se
observan los elementos que intervienen en la percepción visual. Éstos son:
Córnea y esclerótica: Membranas que cubren la superficie del globo y/o
globo ocular.
Coroides: Membrana que contiene una red de venas para la nutrición del
ojo.
i) Cuerpo ciliar o Iris: Abre o cierra para controlar la cantidad de luz que
entra al ojo. La parte frontal contiene un pigmento visible. La apertura
central (pupila) varía de diámetro desde 2 a 8 mm.
ii) Cristalino: absorbe por medio de proteínas la luz infrarroja y ultravioleta
ya que en cantidades excesivas pueden dañar al ojo.
Retina: Cuando un ojo está bien enfocado, la luz del objeto forma su
imagen en la retina.
La visión del objeto se debe a una distribución de receptores de luz repartidos
en la superficie retiniana.
C.1.2.1 RECEPTORES EN LA RETINA:
CONOS:
Hay 6 o7 millones en cada ojo, localizados en la región central de la retina
(FOVEA) [2].
Al tener una terminación nerviosa para cada uno permiten apreciar los
detalles finos de los objetos.
Los conos son sensibles al color (Visión fotópica).
BASTONES:
Hay entre 75 y 150 millones en cada ojo.
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
118
Apéndice C
Varios bastones comparten una misma terminación nerviosa, reduciendo
el detalle de la visión, pero sirven para dar una visión general de la visión. No
están implicados en la visión en color, por lo que se utilizan de noche (visión
escotópica) [2].
C.2 INTERPRETACION
Segmentación
Representación
y
Descripción
Preprocesado
Dominio
del
Problema
Base de Reconocimiento
Reconocimiento
e
Interpretación
Resultado
Adquisición
de
Imágenes
Fig. C.2 Diagrama del sistema de interpretación de imágenes.
C.2.1 ELEMENTOS DEL ANALISIS DE IMAGENES
Para el análisis del procesado de imágenes es posible hacer una división en
tres áreas básicas, éstas son:
1) Procesado de bajo nivel.
2) Procesado de nivel intermedio.
3) Procesado de alto nivel.
Estas áreas básicas se muestran en la figura C.2 indicando cada nivel por las
líneas punteadas.
Procesado de bajo nivel. Comprende un grupo de funciones a las que se puede
considerar como reacciones automáticas, y que no requieren inteligencia por
parte del sistema de análisis de imágenes. La adquisición y el procesado de
imágenes son funciones que operan a bajo nivel. Esta clasificación incluye
actividades desde el proceso mismo de formación de las imágenes hasta las
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
119
Apéndice C
diversas compensaciones aplicables, como la reducción del ruido o la supresión
del emborronamiento de las imágenes.
Procesado de nivel intermedio. Se refiere a la labor de extracción y caracterización
de los componentes de la imagen que se obtiene de un proceso a bajo nivel. El
procesado de nivel intermedio abarca la segmentación y la descripción.
Procesado de alto nivel. Comprende el reconocimiento y la interpretación. Estos
dos procesos tienen un gran parecido con lo que normal mente se conoce como
reconocimiento inteligente. La mayoría de las técnicas empleadas por los
procesados de bajo nivel e intermedio utilizan un conjunto de formulaciones
teóricas bien definidas.
La visión por computadora, visión artificial, es una de las áreas de la
Inteligencia Artificial, que tiene como uno de sus objetivos principales la mejora de
las soluciones actuales a problemas relacionados con la percepción del mundo a
través de imágenes digitales.
Es posible hacer la analogía entre un sistema artificial de procesamiento de
imágenes y el sistema visual humano. El ojo artificial podría ser cualquier sensor
de imágenes, tal como una cámara de video, un escáner, etc., y la computadora
que realiza el procesamiento, sería el cerebro [2]. La adquisición de imágenes,
mediante la digitalización de la señal producida por alguno de los sensores
mencionados, es un proceso que se puede realizar actualmente, no así el proceso
que debe realizar una computadora tratando de emular las operaciones realizadas
por el cerebro humano; esto es debido a que el ser humano aún no es capaz de
explicar como se llevan a cabo estas operaciones en el cerebro, si se logra podrá
darse un gran salto en las capacidades de las computadoras [3].
Técnicas de procesamiento digital para la caracterización de imágenes histológicas
120