Download tesis - Cenidet
Document related concepts
Transcript
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