Diagnostic Pathology, 2006; 1: 10-10 (más artículos en esta revista)

Hacia un sistema automatizado de detección de diapositivas virtual: consideraciones teóricas y experiencias prácticas de tejido automatizado virtual basado en el diagnóstico que se aplicará en la Internet

BioMed Central
Klaus Kayser (klaus.kayser @ charite.de) [1], Dominik Radziszowski (klaus.kayser @ charite.de) [2], Piotr Bzdyl (klaus.kayser @ charite.de) [2], Rainer Sommer (klaus. kayser@charite.de) [3], Gian Kayser (klaus.kayser @ charite.de) [4]
[1] UICC-TPCC, Charite de la Universidad de Berlín, Berlín, Alemania
[2] AGH-UST Cracovia, Cracovia, Polonia
[3] El Cairo Consult, Mannheim, Alemania
[4] Instituto de Patología, Universidad de Freiburg, Freiburg, Alemania

Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution License (http://creativecommons.org/licenses/by/2.0], que permite el uso ilimitado, distribución y reproducción en cualquier medio, siempre que la obra original es debidamente citados.

Resumen
Objetivos

Para desarrollar y aplicar un sistema automatizado virtual sistema de selección de diapositivas que distingue normal hallazgos histológicos y varios tejidos - basada en crudo (textura - basada) diagnósticos.

Consideraciones teóricas

Virtual diapositiva tecnología ha de manejar y transferir las imágenes de Bytes GB de tamaño. El desempeño de tejidos basados en el diagnóstico se pueden dividir en a) un procedimiento de muestreo para asignar la diapositiva que contiene el área más importante información de diagnóstico, y b) la evaluación del diagnóstico obtenido a partir de la información presentes en el área seleccionada. Nyquist del teorema que es ampliamente aplicada en la acústica, también puede servir para el aseguramiento de la calidad de imagen en el análisis de la información, especialmente a preset la exactitud de muestreo. Textura - basado en el diagnóstico puede realizarse con fórmulas recursivas que no requieren de un detallado procedimiento de segmentación. Los resultados obtenidos serán transferidos a un "auto-aprendizaje" discriminación sistema que se ajusta por sí mismo a los cambios de parámetros de imagen como brillo, sombreado, o el contraste.

Métodos

No se superponen los compartimentos de la diapositiva original virtual (imagen) será elegido al azar y de acuerdo con el teorema de Nyquist (predefinido de tipos de error). Los compartimentos serán normalizados por operaciones locales filtro, y son objeto de análisis de texturas. El análisis de texturas se realiza sobre la base de una fórmula recursiva que calcula el valor medio de color gris y el ruido de distribución local. Los cálculos se llevarán a cabo en diferentes aumentos que se ajustan a las utilizadas con mayor frecuencia objetivos (* 2 *, 4,5, * 10, * 20, * 40). Los datos obtenidos se analizaron estadísticamente en una secuencia jerarquizada, y en relación con la significación clínica del diagnóstico.

Resultados

El sistema ha sido probado con un total de 896 casos de cáncer de pulmón que incluye el diagnóstico grupos: cohorte (1) normal de pulmón - el cáncer; cáncer subdividido: cohorte (2) de pulmón de célula pequeña cáncer - no carcinoma pulmonar de células pequeñas; no de células pequeñas de pulmón cáncer subdividido: cohorte (3) carcinoma de células escamosas - adenocarcinoma - carcinoma de células grandes. El sistema puede clasificar todos los diagnósticos de las cohortes (1) y (2) correctamente en el 100%, los de cohorte (3) en más del 95%. El porcentaje del área seleccionada pueden limitarse a sólo el 10% de la imagen original sin que aumente el índice de error.

Conclusión

El sistema desarrollado es una forma rápida y fiable procedimiento para cumplir todos los requisitos para un sistema automatizado "pre-screening" de diapositivas virtual en la patología pulmonar.

Fondo

Tejidos - basada en los procedimientos de diagnóstico comprenden un amplio espectro de técnicas. Estas incluyen, por ejemplo, el convencional microscopio de luz las imágenes (los buques, las células, núcleos, membranas, extra-celular sustancias, etc), visualización de las macromoléculas y sus funciones (anticuerpos, receptores, glicoproteínas, etc), detección de genes de los acuerdos (en situ hibridación), de los parámetros citogenéticos (mutaciones puntuales, ampliaciones, supresiones, etc), o viven características (celular movimientos, etc) [1 - 3]. El propio proceso de diagnóstico se pueden distinguir en dos análisis diferentes objetivos: a) las condiciones de causalidad y la interacción, b) la forma más eficaz y un tratamiento adecuado para ayudar a los pacientes que participan.

La tecnología moderna permite la completa digitalización de diapositivas de cristal de los llamados escáneres de diapositivas de una forma rápida y reproducible. La imagen obtenida se llama virtual de diapositivas, su visualización y análisis de microscopía virtual.

El análisis causal requiere distintos modelos teóricos, está normalmente en condiciones de margen fijo, y no se debatirán, además, aquí.

A "correcto" el diagnóstico que se utilizará para los pacientes de atención posee la más cercana asociación con el más apropiado (y eficaz) procedimiento de tratamiento, que puede medirse en diferentes etapas (veces): Antes del tratamiento se le llama "clásico" diagnóstico, tratamiento durante la "respuesta" diagnóstico, en relación con los resultados de la paciente "pronóstico" el diagnóstico, y antes de que el brote de una enfermedad "riesgo" diagnóstico. Las estructuras biológicas que participan y las funciones de los tejidos varían dentro de este desarrollo: un "riesgo" diagnóstico se basa principalmente sobre los arreglos de genes (el riesgo de cáncer de genes), el clásico diagnóstico principalmente a las texturas de tejidos, "respuesta" y "pronóstico" el momento de diagnóstico receptores, macromoléculas, y anomalías genéticas. En una encuesta de acuerdo a [4, 5], los diferentes tipos de diagnóstico y de los correspondientes exámenes de tejidos se enumeran en el cuadro 1.

Dentro de los procedimientos diagnósticos ciertos "rangos" se pueden distinguir que están relacionados con el rendimiento - asociado características tales como el diagnóstico "velocidad", "costos", o los recursos humanos (experiencias). Con la excepción de "riesgo" el diagnóstico "clásico" el diagnóstico es un requisito previo para el establecimiento de "pronóstico" o "respuesta" diagnósticos. Sobre la base de estos parámetros, "convencionales" procedimientos de preparación de tejidos (imágenes obtenidas de forma convencional (HE, PAS, Giemsa, etc) vidrieras diapositivas) la forma "estándar de oro", y son, con mucho, los más aplicados de tejidos basados en el diagnóstico procedimientos.

Es, por tanto, de estudios teóricos y prácticos de interés, además de analizar las condiciones específicas de "clásico" procedimiento de diagnóstico, y para examinar los posibles beneficios de un sistema automatizado de información sistema de reconocimiento convencionalmente asociados con vidrieras diapositivas.

Consideraciones teóricas
Información de análisis histológico de diapositivas

El contenido informativo de microscopía de luz a partir de imágenes obtenidas convencionalmente vidrieras diapositivas se compone de dos compartimentos principales, a saber: a) objeto - la información correspondiente, y b) no-objeto la información correspondiente. La detección y clasificación de objetos - información asociada requiere una "división" de la imagen en un objeto - relacionados con el espacio (compartimentos), y una participación sin-objeto - relacionados con el espacio (fondo) [6 - 10]. La búsqueda de objetos normalmente son "anormales" los acontecimientos (núcleos, células, material exterior, etc), es decir, objetos que muestran características inusuales o que no están presentes en los tejidos analizados en condiciones normales (sanas) las circunstancias. Por ejemplo, están compuestos por células con alteraciones en el tamaño o las estructuras internas (la infección por el virus), las células cancerosas, las células inflamatorias, o los organismos externos (bacterias, parásitos). La mayoría de los "clásicos" diagnóstico se basa en la detección y la identificación correcta de estos "objetos": Un correcto diagnóstico de cáncer requiere la correcta y el error - la prueba libre de las células cancerosas, que de una tuberculosis activa la visualización de bacilos de la tuberculosis! El esquema básico de objetos relacionados con los procedimientos de diagnóstico se da en la figura 1. El primer paso consiste en dividir la imagen original en un objeto y una imagen de fondo. La segunda etapa se analizan los objetos en relación con sus características (celulares y nucleares tamaño, la intensidad de la tinción, factor de forma, etc.) De gran importancia es el procedimiento del objeto - fondo de separación (thresholding), que puede ser objeto dependientes o no [5, 11].

Una vez identificados los objetos, su disposición espacial pueden poseer información de diagnóstico también, por ejemplo, en específico patrón de crecimiento (granulomas, adenoid patrón de crecimiento, epidermoide celular arreglos, etc.) Estas características pueden ser analizados mediante diversas técnicas, por ejemplo, análisis de la estructura sintáctica [12 - 19]. Un gráfico se construye lo que representa los centros de gravedad de los objetos (nodos), una relación de vecindario (los bordes), y el nodo / atributos relacionados con el borde (distancias, tamaños, integrado densidad óptica, etc.) El procedimiento permite la definición de nuevo (orden superior) los objetos, si las asociaciones de estadística (o repetido figuras geométricas) pueden obtenerse [4, 13, 17, 18, 20].

Además de los procedimientos descritos, no orientado a objetos de información se puede extraer de una imagen histológica. La representación de la información de la imagen se denomina habitualmente la textura, y el procedimiento de análisis de texturas [10, 18, 21 - 23]. Una textura es un valor gris distribución que pudiera poseer invariantes en la transformación de imagen (simetrías). Una textura puede ser analizado por un procedimiento autoregresiva calcula que el gris valores de píxeles en relación con los de sus vecinos. Similares, el mismo procedimiento puede aplicarse para crear imágenes con texturas artificiales. A reproducible invertible textura y los resultados de los análisis en un conjunto de 5 - 6 parámetros, y es, por tanto, una herramienta apropiada para calcular "similitudes" entre las distintas imágenes. Puede ser también utilizado para transformar una imagen en una matriz bidimensional y comparar las imágenes con texturas conocidas en el diagnóstico de la imagen [10]. Un ejemplo de la técnica se indica en la Figura 2.

La aplicación de estos dos objetos y texturas asociados procedimientos diagnósticos resultados en un conjunto de datos que representa la imagen en su conjunto. Por lo tanto, estos algoritmos parecen ser útil para analizar virtual diapositivas que representan el total de vidrio diapositivas digitalizadas. Sin embargo, la digitalización completa de un vaso de diapositivas crea imágenes de varias GB [1, 3, 5, 24]. Por lo tanto, se plantea la cuestión de si el diagnóstico contenido de la información completa de la imagen se puede extraer de imagen incluyen compartimentos y, en caso afirmativo, ¿cuál es la precisión obtenida.

La aplicación del teorema de Nyquist en la información orientada a objetos

La imagen obtenida a partir de la digitalización completa de una diapositiva de vidrio que se llama "virtual diapositiva", comúnmente medidas y varios GB de tamaño [1, 3, 5]. Es técnicamente calculadas por la adquisición de varios compartimentos imagen "parchada" (parche procedimiento de trabajo) [1, 5]. La adquisición medidas relativas al tiempo de varios minutos u horas, dependiendo de la más alta resolución quería. Una vez que esa virtual de diapositivas se ha adquirido, puede ser utilizado para numerosas finalidades, entre ellas la cuantificación de imagen, almacenamiento y recuperación en la rutina de trabajo de diagnóstico, la dirección fuente automatizado para la toma de muestras de tejidos en el tejido micro arrays (TMA), formación continua, etc El manejo de tan grandes matrices de datos, sin embargo, no es fácil, rápido y requiere de conexiones de comunicación y sofisticado de programación. Además de la línea de conexiones rápidas y soluciones inteligentes de computadoras, el uso apropiado de procedimientos de muestreo podría ser útil, podría ahorrar tiempo y no los esfuerzos necesarios. Una idea se basa en el principio de tejidos - basado en el diagnóstico: Una vez que la información necesaria para el diagnóstico declaración (y confirmación) se ha detectado, no son necesarios mayores esfuerzos, es decir, el procedimiento de diagnóstico se dará por terminado inmediatamente. Por ejemplo, si las células tumorales pueden ser claramente identificados en uno o varios compartimentos de imagen, no hay necesidad de analizar más siguen desaparecidos los compartimentos (o la totalidad de la imagen), ya que este análisis no afectará el diagnóstico más. Por supuesto, este concepto tiene que estar asociado a las tareas clínicas. Por ejemplo, el algoritmo para aclarar un diagnóstico de tumor puede ser terminado en una biopsia de identificar el cáncer, sino que tiene que ser continua si la resección límites tienen que ser investigados también en una pieza quirúrgica.

La descomposición de una imagen en "diagnóstico compartimentos estancos" y su análisis, por lo tanto, mejorar la eficacia de un procedimiento diagnóstico y además permitir el cálculo del "riesgo" de los desaparecidos un objeto con significado diagnóstico. El cálculo del riesgo para el objeto - asociados diagnóstico depende de la cantidad objeto y su tamaño en relación con el tamaño de los compartimentos elegido, así como a su tamaño y el número con respecto al tamaño de la imagen original. Si tenemos en cuenta la probabilidad de que un objeto diagnóstico como "original diagnóstico de frecuencias" y el compartimiento de la división de la imagen original como "digitalización", podemos aplicar el teorema de Nyquist para un óptimo ajuste de tamaño del compartimiento para la imagen. De acuerdo con el teorema de Nyquist la señal a ser reconstruido debe ser objeto de un muestreo con una frecuencia de al menos dos veces mayor que para ser reconstruido. En otras palabras, el número de píxeles necesarios para clasificar un objeto debe equivaler dos (en un espacio bidimensional cuatro) veces más que el límite inferior de reconocimiento. Similares, el tamaño de la "toma de muestras espaciales", es decir, el diagnóstico debe compartimiento imagen cantidad cuatro veces más que el tamaño de pixel de los objetos, dividido por la frecuencia relativa de los objetos presentes en la imagen completa. Esta suposición es muy útil para el análisis histológico de las imágenes, ya que estas imágenes suelen contener tejidos compartimentos conectados, es decir, numerosas células cancerosas o bacterias, si son correctamente adoptadas por el clínico.

Asumiendo que el 10% de la imagen original (virtual de diapositivas) contienen objetos de diagnóstico importante, el tamaño de un objeto medidas de 100 μ m 2, y un objetivo de 20 * es necesario para identificar el objeto sería obtener una muestra de 400 μ m 2, que debería repetirse N = 1, .2 .. 10 veces seleccionado al azar utilizando la no superposición de muestras. Si una de las muestras contiene un objeto, el procedimiento puede darse por concluido. Una visión general del tamaño de la muestra útil para histológico frecuentemente diagnosticados objetos figura en el cuadro 2.

Un estudio de procedimientos de muestreo

El objeto - orientada a la extracción de información requiere la identificación de objetos. La necesaria algoritmos se pueden aplicar a una imagen histológica a) o b) sin adicionales espacial - predefinido de conocimientos asociados. Esta declaración refleja a un control aleatorio o no aleatorio de selección (muestreo) de la imagen de compartimentos para ser analizadas [5, 11, 25]. En el fondo, cinco diferentes procedimientos de muestreo se pueden distinguir en el análisis histológico de diapositivas. Reflejan a) el objetivo del análisis de imágenes, por ejemplo, para evaluar el diagnóstico de información con la mayor eficacia, b) a las características biológicas o espera de propiedades del objeto, por ejemplo el medio ambiente independiente exposición de los receptores (visualización de macromoléculas).

El muestreo al azar no requiere previamente la información de entrada, y suele ser aplicada para la medición de propiedades del objeto, y la distribución espacial de los objetos dentro de un tejido. Su contraparte se llama muestreo estratificado, un procedimiento que, o bien se detiene cuando la identificación de un objeto querido (cáncer de células), o preferible tiene lugar en ciertas áreas de imagen (por ejemplo, en el barrio cerca de un buque, a imagen de compartimentos que mostrar ciertas características específicas, etc .). Ambos métodos, es decir, un muestreo aleatorio o muestreo estratificado son objeto - orientado. De este modo, se puede realizar con un local independiente (muestreo pasivo) o locales que dependen (en activo de muestreo) objeto de identificación estrategia. Active procedimientos de muestreo son a menudo necesarios en las imágenes que visualizar macro-molécula de expresión debido a la imagen de características que son inducidos por condiciones de laboratorio.

Por último, con bastante frecuencia "desconocido" se identifican los objetos que son difíciles de distinguir de los artefactos. Ellos son raros en la frecuencia, tal vez, sin embargo, acaba de ser objetos comunes que expresan características poco frecuentes (artefactos). La clasificación correcta de estos objetos requiere un evento - y espacio - relacionados con la identificación de los que se sabe en torno a objetos, y se denomina muestreo funcional [5]. La aplicación de la estratificación, ya sea activa o pasiva de muestreo es el más prometedor para la extracción automatizada de diagnóstico - orientado a la información de una imagen histológica.

Textura orientado información de la imagen

En contraste con objeto - relacionados con la información, las texturas pueden derivarse sin la división de una imagen en un primer plano (objeto espacial) y en un segundo plano. Lamentablemente, la definición exacta de una textura no existe a nuestro conocimiento, ni en general ni en el contexto de análisis de imágenes. La mayoría de los autores utilizan el término "textura" para un valor general de color gris función que pueden derivarse de varios repetir y "fácil de ver" las pautas básicas de imagen. Por ejemplo, según Tamura et al. (1978) una textura puede ser definido por coarsness, contraste, direccionalidad, la línea de semejanza, regularidad y rugosidad [23]. Otro, más práctico y prometedor enfoque ha sido propuesto por Voss et al. [10]. Los autores utilizan un auto-regresión función derivada del análisis de secuencias de tiempo con el fin de obtener o crear texturas. A seis dimensiones estocástico ecuación diferencial describe la correlación de valores aleatorios (los valores de color gris) que son modificados por los coeficientes asociados. La Figura 3 muestra la imagen original, mejor montaje calculado objetos al azar y la textura calculado de una imagen histológica.

El algoritmo es básicamente depende del tamaño de la imagen, sino que se convierte, sin embargo, bastante independiente de las imágenes de> 2500 píxeles de tamaño (50 * 50 píxeles).

La textura de síntesis utilizando este auto-modelo de regresión y la correspondiente derivación de las texturas de una imagen a ser diagnosticados permite una comparación de las texturas, y el cómputo de textura similitudes. Esta idea podría ser apropiada para determinar la información útil en el diagnóstico sobre la base de texturas de imagen.

Naturalmente, la idea de análisis de imágenes de auto-algoritmos de regresión no se limita a la imagen original, y se puede aplicar a las imágenes que hayan sido sometidos a determinadas transformaciones de la imagen original también, como lineales y no lineales local filtros (lineal cambio invariancia filtrado, Laplace, gradiente de filtrado, etc.)

Reproducible en análisis de texturas no requiere una identificación de objetos, y es, por tanto, no asociados con objeto - información relacionada. Se trata de un segundo, independiente enfoque diagnóstico para extraer información relevante de una imagen histológica. El enfoque puede ser aplicado a distinguir entre varios diagnósticos, y es, además, capaz de encontrar nuevos temas diagnóstico mediante un análisis estadístico de las características calculadas.

Imagen ensayos - métodos

Para demostrar los teoremas discutido, el algoritmo para la extracción automatizada de diagnóstico - orientado a la información convencional de imágenes teñidas histológico fue elegido como sigue: Aún imágenes en color han sido adquiridos de HE - vidrieras diapositivas con una cámara digital que dio lugar a un tamaño de la imagen 764 * 572 pixels * 8 bits. No superposición de análisis de texturas compartimentos medir 80 * 50 píxeles de forma aleatoria, se define. Su número se ajustará a la proporción de imagen de espacio para ser analizados (en este juicio el 5%). El total de la imagen y la imagen se sometió a una compartimentos no lineal de filtrado (adelgazamiento, pendiente de cálculo). Un auto-lineal función de regresión sirve para análisis de texturas de todo el original y transformado su imagen y seleccionados al azar compartimentos. Por comparación, una serie de texturas creadas artificialmente de idéntico tamaño de imagen se calculó. El volumen total de fracción Vv seleccionado compartimentos se fijó el 5%. Las texturas creadas artificialmente, se compara con el conjunto de texturas obtenidas a partir de imágenes con diagnóstico conocido, y sirvió como su clasificación. El mismo procedimiento se aplicó a imágenes con diagnóstico desconocido. El derivados texturas fueron comparados con los de la clasificación, y sirve para el diagnóstico de clasificación. El régimen de aplicarse el algoritmo se muestra en la Figura 4.

Material y resultados

El juicio de un total de 996 imágenes histológico de pulmón, que comprende un conjunto de formación de 88 casos, y una prueba de conjunto de 808 imágenes. Los diagnósticos incluyeron 349 normal (tumor - libre) parénquima pulmonar, y 647 imágenes que muestran el carcinoma de células escamosas, adenocarcinoma, de células grandes anaplásico carcinoma de células pequeñas y el cáncer de pulmón. Las imágenes fueron adquiridas en el microscopio objetivo ajustes 2,5 *, 4 *, * 10, * 20, * 40 que son equivalentes a las ampliaciones (* 40, * 60, * 120, * 240, * 600). Los casos del aprendizaje conjunto se clasificaron utilizando un no-jerárquica discriminar en el análisis de clasificación diferentes prioridades: La clasificación refleja las prioridades a la significación clínica del diagnóstico: en un primer paso de parénquima pulmonar normal imágenes fueron separadas de las imágenes del tumor. El segundo paso distinguido entre los pequeños cáncer de pulmón de células y los otros tres (pulmón de células no pequeñas tipos de carcinoma de células), el último paso por entre los tres tipos de células de carcinoma (escamosa - adeno - de células grandes).

El análisis de texturas de una imagen completa duró alrededor de 50 ms utilizando un PC disponible comercialmente con un tacto de frecuencias de 1,2 GB y 512 MB de memoria de tamaño. El auto por escrito programas se basan en el Visual Basic - como lengua DIAS (DIAS, Universidad de Jena).

No hay falsos positivos o negativos los casos se obtuvieron en la diferenciación del tumor imágenes del tumor no imágenes, la precisión de la clasificación entre los diferentes tipos de células del tumor osciló entre 96 - 100%. El mismo resultado se observó para los otros tipos de discriminación cohortes. La discriminación exactitud depende de la ampliación elegido: bajos a moderados aumentos (* 60 - * 120) muestra la forma más precisa la diferenciación entre tumor - no tumor imágenes, en contraste con los pequeños por separado carcinomas de células de carcinomas de células escamosas (* 240 - 600 * ). Análisis de texturas de las imágenes filtradas fue superior a la de las imágenes originales.

Discusión y perspectivas

El rendimiento humano de tejidos - basado en un diagnóstico es bastante compleja y realmente no entiende el procedimiento. Naturalmente, la imagen se reconocen las características, clasificados, discriminados y en combinación con el exterior, no los datos de la imagen, como la edad y el sexo del paciente. En épocas anteriores, numerosos enfoques se han llevado a cabo para identificar y medir objetos y para correlacionar las características obtenidas con el tejido basado en el diagnóstico [3, 6, 12, 13, 17, 25, 26]. El automatizados, característica - relacionados con el tumor de clasificación fue el objetivo central. Las características analizadas incluían tamaño, forma, distribución cromógeno, nucleolos, o más sofisticada de segundo orden estadísticas de los datos [3]. Todos estos ensayos no en la medida en que no alcanzó el nivel de aplicación clínica rutinaria a nuestro conocimiento. Más prometedor fue un enfoque de la correlación entre las estructuras de tejido con el diagnóstico sobre la base de información análisis de la estructura sintáctica [15, 17, 18, 21]. Este enfoque revela algunos significación clínica, especialmente en la aplicación de "pronóstico" diagnóstico [5, 21, 26].

El desarrollo de la tecnología informática ofrece nuevas perspectivas en la extracción de información de imágenes histológicas. El cumplimiento de los requisitos para desarrollar con éxito y se precisa el sistema de análisis de los algoritmos de diagnóstico. La comprensión del "procedimiento de diagnóstico" ha experimentado también cambios significativos [4, 5, 27]. Contemporáneo con la aplicación de patología molecular y genética en los métodos de rutina de tejidos - diagnóstico basado en nuestra comprensión del proceso de diagnóstico se ha alterado. Moderno patólogos distinguir al menos cuatro tipos diferentes de tejido basado en los diagnósticos, las cuales se enumeran en el cuadro 1. Como se muestra en el cuadro 1, existe una estrecha asociación entre los procedimientos técnicos que deben aplicarse y el diagnóstico objetivo. La diferencia básica entre el clásico análisis histológico de una diapositiva (por ejemplo convencionales manchadas de diapositivas) y la obtenida mediante la aplicación de técnicas de patología molecular se basa en la visualización de la información contenida: La "extracción de información" de forma convencional ha manchado diapositivas principalmente a reconocer "patrones" en contraste con el de patología molecular datos, que generalmente expresan un "binario de la información": Los antígenos, macromoléculas, alteración de los genes, etc, o bien presentar (expresado) o no.: La visualización de una posible presencia de un antígeno (anticuerpo) da como resultado un cierto color (marrón, rojo) o no, que es corresponsal a una decisión binaria (sí, no).

Además de la aportación de recursos extrapresupuestarios, para la imagen de características de diagnóstico basado en los convencionalmente manchadas diapositivas pueden separarse en dos procedimientos básicos, a saber: a) objeto dependiente, y b) la textura dependientes.

El objeto - dependiente algoritmo diagnóstico tiene que I) dividir la imagen en un objeto y un espacio de fondo, II) la búsqueda de ciertos objetos, III) caracterizan a los objetos, y IV) se derivan del diagnóstico - la información pertinente. Técnicamente hablando, surgen dificultades en la definición de "objeto espacial", y la manera eficiente para encontrar los objetos, es decir, el procedimiento de muestreo. Como se muestra en el sistema EAMUS [8], activa el muestreo estratificado es un método adecuado para identificar y medir los objetos presentes en immunohistochemically imágenes teñidas. Sin embargo, la transformación de objetos relacionados con la información (características objeto) en un "diagnóstico convencionales" no se puede resolver de manera única en función de todos los ensayos que se han llevado a cabo en el pasado [5].

Textura dependientes análisis histológico de las imágenes se ha llevado a cabo mediante el uso de enfoques de la teoría gráfico [10, 19, 24]. En principio, estos algoritmos definir objetos como vértices (nodos), utilice un barrio condición predefinida (Voronoi, O'Callaghan, o relación de distancia limitada) para construir los bordes, y las características de los vértices (por lo general, los núcleos) y de sus atributos [2 , 17, 18]. Estos enfoques se han notificado a tener éxito para "clásico" y "pronóstico" el diagnóstico en cáncer de pulmón y cáncer de mama [2, 18]. Obviamente, requieren requisitos previos similares como objeto dependiente de los algoritmos de diagnóstico, es decir, la segmentación de la imagen original en un fondo y el objeto en el espacio.

Aquí un nuevo enfoque se presenta, con una textura basada en el algoritmo diagnóstico que no requiere un algoritmo de segmentación. La idea de principio es la definición y aplicación de un algoritmo reproducible textura que se deriva del análisis de series temporales. Este modelo autorregresivos puede ser aplicado con éxito para crear texturas artificiales, y reproducible para identificar texturas de imagen [10].

El autoregresiva modelo crea un conjunto de texturas artificiales y se determinan las texturas de las imágenes histológicas con diagnóstico conocido. Del mismo modo, las texturas de las imágenes con diagnóstico desconocido se identifican también, y en comparación con las texturas artificiales, que mostrará las mejores relación con las texturas de las imágenes con diagnóstico conocido. Los resultados son prometedores y convincente: todo incluido casos podría ser diagnosticado sin falsos positivos o negativos de clasificación. El algoritmo requiere un mínimo tamaño de la imagen de 50 × 50 píxeles sólo, es decir, es útil para la imagen de compartimentos.

La selección aleatoria de no - la superposición de imagen compartimentos permite una selección precisa de otra manera difícil de manejar imágenes de gran tamaño (virtual diapositivas). Por lo tanto, análisis de texturas es una herramienta promisoria para la pantalla manchada histológico convencional diapositivas, y para seleccionar las diapositivas para su ulterior análisis detallado humanos diagnóstico que contienen información útil.

Agradecimientos

El apoyo financiero de la Academia Internacional de telepatología, eV, Heidelberg y la Verein zur Förderung des biologisch-technologischen Fortschritts in der Medizin eV, Heidelberg, se agradece.