ES2328450T3

ES2328450T3 - Procedimiento y aparato de formacion de imagenes de red multi-neuronal.

Info

Publication number: ES2328450T3
Application number: ES01930796T
Authority: ES
Inventors: Harvey L. Kasdan; Michael R. Ashe; Minn Chung
Original assignee: Iris International Inc
Current assignee: Iris International Inc
Priority date: 2000-04-24
Filing date: 2001-04-24
Publication date: 2009-11-13
Anticipated expiration: 2021-04-24
Also published as: ATE434799T1; CA2377602A1; JP4945045B2; AU2001257299A1; CA2377602C; JP2004505233A; DK1301894T3

Abstract

Un aparato de formación de imágenes para detectar y clasificar partículas biológicas contenidas en una muestra de orina de una persona humana, según una pluralidad de clases diferentes de clasificación final que incluyen las clases de célula epitelial no escamosa, cristal no clasificado, mucosidad, esperma, levadura, levadura gemante, agrupaciones de glóbulos blancos, y glóbulos blancos en base a una pluralidad de características de forma, simetría, esqueletización, tamaño, propiedades fotométricas, y textura de imágenes de las partículas, comprendiendo el aparato: medios para extraer la pluralidad de características a partir de la imagen de una partícula; medios para seleccionar y procesar un primer subgrupo de las características extraídas, para confeccionar una primera determinación cuantitativa de asignación a una clase o a varias clases de partículas; medios para seleccionar y procesar un segundo subgrupo de las características extraídas, para determinar una clase de una clasificación final a la que pertenece dicha partícula, siendo el segundo subgrupo seleccionado en función de la primera determinación; medios para contar los números respectivos de las partículas de cada clase de la clasificación final, y medios para aceptar o rechazar la clasificación final de la partícula o partículas contadas en una clase de clasificación final seleccionada, en función de la comparación del número respectivo contado con respecto a un umbral de conteo predeterminado de la clase de la clasificación para la clase de la clasificación final seleccionada si la clasificación final es una cualquiera de entre célula epitelial no escamosa, cristal no clasificado, mucosidad, esperma, y levadura, y en función de la comparación del número contado en otra clase predeterminada de la clasificación final con un umbral predeterminado de conteo de la clase de la clasificación para la otra clase citada de la clasificación final si la clase de la clasificación final es un grupo de glóbulos blancos, siendo la otra clase citada de la clasificación final glóbulos blancos.

Description

Procedimiento y aparato de formación de imágenes de red multi-neuronal.

La presente invención se refiere a un aparato para la detección y clasificación de partículas biológicas.

Los aparatos de análisis de partículas biológicas son bien conocidos en el estado de la técnica. Véanse, por ejemplo, las Patentes U.S. núms. 4.338.024 y 5.436.978, transferidas a la presente cesionaria, que describen una máquina de la técnica anterior que utiliza un ordenador que tiene un programa fijo almacenado para detectar y para clasificar las partículas biológicas detectadas.

La teoría de decisión estándar que se utiliza para clasificar las imágenes de partículas biológicas, es bien conocida, y tiende a clasificar partículas mediante clasificación de una manera en serie. Más específicamente, para una muestra de orina que contiene una pluralidad de tipos de partículas, se buscan las imágenes de partícula para una o más características de partícula, únicas para un solo tipo de partícula, y se extraen esas imágenes. Este proceso se repite para otras partículas, una partícula cada vez. El problema de esta metodología consiste en que cada tipo de partícula puede mostrar una gama de valores para la(s) característica(s) de la partícula investigada, y la gama de valores puede solaparse con los de otros tipos de partículas. Existe también el problema de los artefactos, que son imágenes de partículas que no tienen ninguna significación clínica, por ejemplo, talco o cabello, o no pueden ser clasificadas debido a la sensibilidad del dispositivo de formación de imágenes o a otros problemas de la imagen (por ejemplo, contorno de partícula indefinido debido a una captura parcial). Las imágenes de partículas artefacto necesitan ser pasadas por alto en cuanto a los análisis, de tal modo que no afecten negativamente a la precisión global del análisis de partícula. Así, puede resultar difícil clasificar partículas de una manera precisa y fiable en una muestra que contiene artefactos.

La mayor parte de los dispositivos de clasificación de partículas biológicas, necesitan además una manipulación manual para clasificar con precisión las partículas de la muestra. Mientras las características de la partícula pueden ser utilizadas para segregar imágenes de partícula por tipo de partícula, se necesita un usuario experto para verificar el resultado.

También se conocen ordenadores de red neuronal. La ventaja de un ordenador de red neuronal consiste en su capacidad para "aprender" a partir de su experiencia, y de ese modo, un ordenador de red neuronal, en teoría, puede resultar más inteligente según se entrena.

La Patente US núm. 5.463.548 describe el uso sucesivo de tres redes neuronales en la diagnosis de una enfermedad pulmonar intersticial. Cada una de las redes neuronales se alimenta con la totalidad de 20 entradas de datos clínicos relevantes. La primera red neuronal distingue entre modelos normales y anormales de datos clínicos. Un modelo anormal detectado de datos clínicos, es suministrado a una segunda red neuronal que distingue entre enfermedades pulmonares intersticiales y otras enfermedades. Un modelo de enfermedad pulmonar intersticial detectada, es suministrado a una tercera red neuronal que distingue 9 tipos diferentes de enfermedad pulmonar intersticial. Se puede añadir otra red neuronal para distinguir entre las otras enfermedades, tal como cáncer pulmonar primario, neumonía neumocócica, embolismo pulmonar, tumor mediastínico, etc. La Figura 2 de la Patente US núm. 5.463.548 ilustra la tercera red neuronal, mostrando las 20 neuronas de la capa de entrada y las 9 neuronas de la capa de salida, y una capa oculta de dos neuronas.

La Patente US núm. 5.835.633 describe un sistema de reconocimiento de carácter óptico, en el que las características extraídas de un carácter escaneado son suministradas tanto a una red neuronal de clasificación basta, como a una pluralidad de redes neuronales de clasificación fina. Una o más de las redes de clasificación fina pueden ser inhabilitadas mediante una salida de la red de clasificación basta, junto con datos adicionales. Las salidas de una red de clasificación fina, son ponderadas mediante multiplicación por la salida de la red de clasificación basta. Un selector de candidato, combina y ordena las listas de salida del multiplicador, para proporcionar una lista de caracteres ópticos objetivos ordenados por valor de confianza. La lista puede estar limitada a un cierto número de candidatos principales. Los valores de confianza indican las probabilidades estimadas de que cada carácter objetivo corresponda correctamente con el carácter de entrada. Los valores de confianza descritos, son específicos de los caracteres gráficos lingüísticos y numéricos.

Las Patentes US núms. 5978497 y 5987158 describen la clasificación de células y de otros objetos en una muestra biológica mediante un sistema que utiliza un microscopio y un aparato de procesamiento de imagen. En este sistema conocido, características tales como tamaño, forma, densidad y textura de las imágenes y objetos, son extraídas, es decir, medidas, y se seleccionan y utilizan grupos de las características extraídas en un proceso de clasificación para clasificar objetos y artefactos, células normales y células anormales, de modo que se puede evaluar la significación clínica de una platina portadora de la muestra.

De acuerdo con la presente invención, se proporciona un aparato de formación de imágenes para detectar y clasificar partículas biológicas contenidas en una muestra individual de orina humana según una pluralidad de tipos diferentes de clasificación final, incluyendo las tipos de célula epitelial no escamosa, cristal no clasificado, esperma, levadura, levadura gemante, agrupaciones de glóbulos blancos, y glóbulos blancos en base a una pluralidad de características de forma, simetría, esqueletización, tamaño, propiedades fotométricas, y textura de las imágenes de las partículas, estando el aparato definido por la reivindicación 1 que sigue, a la que se hará ahora referencia.

Una realización preferida de la presente invención adopta la forma de un aparato de detección y clasificación de imágenes de red multi-neuronal. La red multi-neuronal utiliza más eficientemente la información disponible, la cual por necesidad es finita, puesto que particiona de manera más efectiva el espacio de decisión, permitiendo con ello que esta información sea utilizada para configurar menos decisiones en cada etapa mientras cubre todos los resultados con la totalidad de sus decisiones. Adicionalmente, el aparato de red multi-neuronal mide certidumbre en múltiples fases de procesamiento con el fin de forzar imágenes hasta un tipo de abstención, por ejemplo, artefacto. En alguno sentido, se puede ver este aparato de red multi-neuronal forzando los datos de imagen para desarrollar una manopla, en la que es muy probable que cada fase de la manopla se disponga en una categoría de "no la conozco". Esto es mucho más potente que la simple ejecución a través de una red única, puesto que en esencia, lo que se realiza son múltiples ajustes de los datos respecto a plantillas que están mucho mejor definidas de lo que pudiera estarlo una sola plantilla debido al uso más eficaz de la información.

El aparato de red multi-neuronal utiliza un gran conjunto de características de partícula y un método de entrenamiento, que no incluye simplemente un solo pase a través del conjunto de entrenamiento, sino una selección entre un número de redes y la reducción a continuación del tamaño de vector de característica. Finalmente, el procesamiento y el post-procesamiento permiten que la información heurística sea incluida como parte del proceso de configuración de la decisión. El post-procesamiento permite que la información contextual disponible en cualquier caso a partir de otras fuentes, o recogida a partir del proceso de confección de decisión real, sea utilizada para aumentar más las decisiones.

Un aparato de formación de imágenes de ese tipo, que tiene una pluralidad de redes neuronales, puede ser utilizado para detectar y clasificar partículas biológicas y, más en particular, para detectar y clasificar partículas biológicas a partir de la orina humana.

La invención va a ser descrita ahora a título de ejemplo, con referencia a los dibujos que se acompañan, en los que:

La Figura 1 es un diagrama de flujo de etapas durante la operación de una realización preferida de la presente invención;

la Figura 2 es un diagrama esquemático del aparato preferido que implementa la presente invención;

las Figuras 3A y 3B son diagramas de flujo que ilustran el aumento de contorno de la realización preferida;

la Figura 4 es un diagrama que ilustra la extracción de característica de simetría de la realización preferida;

las Figuras 5A a 5D son dibujos que ilustran la esqueletización de varias configuraciones;

la Figura 6A es un diagrama de flujo que muestra el proceso de exploración LPF de la presente realización;

la Figura 6B es un diagrama de flujo de la clasificación de red neuronal utilizada con el proceso de exploración LPF de la realización preferida;

la Figura 7A es un diagrama de flujo que muestra el proceso de exploración HPF de la realización preferida;

la Figura 7B es un diagrama de flujo de la clasificación de red neuronal utilizada con el proceso de exploración HPF de la realización preferida;

la Figura 8 es un diagrama esquemático de la red neuronal utilizada con la realización preferida;

las Figuras 9A a 9C son tablas que muestran las características de partícula utilizadas con las diversas redes neuronales y los procesos de exploración LPF y HPF de la realización preferida.

Una realización preferida de la presente invención proporciona un aparato para la configuración de decisiones acerca de la clasificación de imágenes de partícula individuales en un conjunto de imágenes de partículas biológicas, con el propósito de identificar cada imagen individual, y determinar el número de imágenes de cada tipo dado de partículas.

La Figura 1 ilustra 5 etapas básicas:

1): Recopilación de imágenes individuales

2): Extracción de características de partícula a partir de cada imagen individual

3): Aplicación de ciertas normas de pre-procesamiento para determinar clasificaciones de imágenes individuales o de cómo debe llevarse a cabo el proceso de clasificación

4): Clasificación de las imágenes individuales utilizando una estructura de configuración de decisión de red neuronal múltiple, y

5): Análisis del conjunto de decisiones o de un subconjunto del conjunto de decisiones para determinar la clasificación global del conjunto o los cambios en las clasificaciones de ciertos subconjuntos o en las imágenes individuales.

Las redes neuronales individuales utilizadas son entrenadas para tomar decisiones, y las redes utilizadas en la toma de la decisión final se seleccionan entre múltiples redes producidas mediante el procedimiento de entrenamiento.

Existen tres elementos principales de hardware que se utilizan para implementar la realización preferida: un sistema 2 de formación de imágenes, un primer procesador 4, y un segundo procesador 6. Estos elementos de hardware han sido ilustrados esquemáticamente en la Figura 2.

El sistema 2 de formación de imágenes se utiliza para producir imágenes de campos de visión de una muestra que contiene las partículas de interés. El sistema 2 de formación de imágenes es, con preferencia, un microscopio de flujo bien conocido según se describe en las Patentes U.S. núms. 4.338.024, 4.393.486, 4.538.299 y 4.612.614. El microscopio de flujo produce imágenes de campos sucesivos que contienen partículas según fluyen a través de una célula de flujo.

El primer procesador 4 analiza la imagen de campos sucesivos, y aísla las partículas en parches individuales. Un aparato de extracción de parche (tal como el que se describe en las Patentes U.S. núms. 4.538.299 y 5.625.709), se utiliza para analizar las imágenes producidas por el sistema de formación de imágenes y para definir áreas (parches) locales que contienen partículas de interés. Se identifica y se define el contorno de cada partícula, y se utiliza para extraer los datos de imagen para cada partícula desde el campo más grande, produciendo con ello imágenes digitales de parche que contienen, cada una de ellas, la imagen de una partícula individual de interés (dando como resultado una compresión significativa de los datos requeridos posteriormente para el procesamiento). El sistema 2 de formación de imágenes y el primer procesador 4, se combinan para llevar a cabo la primera etapa (recogida de imágenes individuales) en la Figura 1.

El segundo procesador 6 analiza cada imagen de partícula para determinar la clasificación de la imagen de partícula. El segundo procesador 6 realiza las últimas cuatro etapas mostradas en la Figura 1, según se describe en lo que sigue.

Aumento de Contorno - Imágenes Máscara

Para aumentar la extracción de característica de partícula, el contorno de partícula se depura más, y se crean imágenes máscara en blanco y negro de las partículas. Este proceso cambia de forma efectiva todos los píxeles de la imagen digital por el exterior del contorno de la partícula (píxeles de fondo) a píxeles negros, y los píxeles del interior del contorno de la partícula a píxeles blancos. Las imágenes blancas resultantes de las partículas contra un fondo negro, llevan la forma y el tamaño de las partículas muy claramente, y son fáciles de operar en cuanto a las características de partícula en base a la forma y el tamaño únicamente (dado que los píxeles son o bien blancos o bien negros).

Las Figuras 3A-3B ilustran las etapas básicas para transformar la imagen de partícula en una imagen máscara. En primer lugar, un detector de borde Shen-Castan (según se describe en: Parker, James R., Algoritmos para Procesamiento de Imagen y Visión con Ordenador, ISBN 0-471-14056-2, John Willey & Sons, 1997, pp. 29-32, y que se incorpora aquí por referencia), se utiliza para definir los bordes de las partículas de interés, según se ha ilustrado en la Figura 3A. Una imagen 10 de partícula contiene típicamente imágenes de partículas 12 de interés, y de otras partículas 14. La imagen 10 de partícula se filtra y se crea una imagen Laplaciana de banda limitada, seguido de una imagen gradiente. Se utiliza una rutina de umbral para detectar los bordes, con lo que se definen como bordes las posiciones en las que la intensidad cruza un umbral predeterminado. Los bordes detectados son conectados entre sí para dar como resultado una imagen 16 de bordes, que contiene líneas que corresponden con los contornos detectados que delimitan las diversas partículas.

Se crea una imagen máscara a partir de la imagen 16 de borde, de la manera que se ha ilustrado en la Figura 3B. La imagen 16 de borde se invierte de modo que las líneas de contorno son blancas y el fondo es negro. A continuación, la imagen se limpia en cuanto a todas las pequeñas motas y partículas demasiado pequeñas como para ser de interés. Los pequeños espacios en las líneas de contorno, se rellenan para unir entre sí algunas de las líneas de contorno. Las líneas de contorno se dilatan para incrementar su anchura. Esta dilatación se realiza sobre los bordes externos de las líneas de contorno, puesto que los bordes internos definen el tamaño real de las partículas. Los píxeles desconectados son puenteados para crear líneas completas que encierren a las partículas. El interior de los contornos se rellena para crear burbujas que representan las partículas. Las burbujas son erosionadas para eliminar los píxeles que habían formado las líneas de contorno, de modo que las burbujas tengan el tamaño correcto. Finalmente, se detecta la burbuja más grande, y se desechan todas las burbujas restantes. La imagen resultante es una imagen máscara de la partícula, en la que la burbuja blanca contra el fondo negro corresponde exactamente con el tamaño y la forma de la partícula de interés.

Extracción de característica de partícula

Una vez que la imagen de una partícula de interés ha sido localizada en el interior de una imagen parche, y su contorno refinado adicionalmente mediante la creación de una imagen máscara blanca de la partícula, las imágenes parche y máscara son procesadas adicionalmente con el fin de extraer las características de partícula (datos de la característica) a partir de la imagen de partícula. En general, las características de partícula describen numéricamente el tamaño, la forma, la textura y el color de las partículas de numerosas formas diferentes que ayudan a una clasificación precisa del tipo de partícula. Las características de partícula pueden ser agrupadas en familias que están relacionadas con una de estas descripciones numéricas, y pueden ser extraídas a partir de la imagen parche, la imagen máscara, o ambas.

La primera familia de características de partícula, se relaciona en su totalidad con la forma de la partícula, lo que ayuda a diferenciar glóbulos rojos y blancos que tienden a ser redondos, cristales que tienden a ser cuadrados o rectangulares, y cilindros que tienden a ser alargados. La primera familia de características de partícula consiste en:

1.: Área de Partícula: el número de píxeles contenidos dentro del contorno de la partícula. Con preferencia, esta característica de partícula se deriva de la imagen máscara de la partícula.

2.: Longitud de Perímetro: la longitud del contorno de la partícula, en píxeles.

\quad: Con preferencia, ésta se deriva de la imagen máscara de la partícula, mediante la creación de una imagen del perímetro de 4 vecinos de la máscara, y el conteo del número de píxeles distintos de cero.

3.: Factor de Forma: una indicación de redondez de la partícula. Éste se calcula como el cuadrado de la Longitud del Perímetro, dividido por el Área de Partícula.

4.: Relación de Área a Perímetro: otra indicación de la redondez de la partícula. Ésta se calcula como el Área de Partícula dividida por la Longitud de Perímetro.

\vskip1.000000\baselineskip

La segunda familia de características de partícula está relacionada con la simetría de la partícula, y en particular con la determinación del número de líneas de simetría para cualquier partícula de configuración dada. Las características de partícula de esta familia son particularmente útiles para distinguir cilindros (que tienen típicamente una línea de simetría a lo largo de su eje largo) y células epiteliales escamosas (SQEPs, que generalmente no tienen ninguna línea de simetría). Esta familia de características de partícula utiliza la información derivada de los segmentos de línea aplicados con diferentes orientaciones angulares a la partícula. Según se ha ilustrado en la Figura 4, se dibuja un segmento 20 de línea a través del centroide 22 de la imagen máscara 19. Para cada punto a lo largo del segmento 20 de línea, los segmentos 24a y 24b de línea perpendiculares al mismo se dibujan de modo que se extienden hacia fuera desde el segmento 20 de línea, hasta que intersectan con el contorno de partícula, y se calcula y se almacena la diferencia de longitud de los segmentos 24a y 24b opuestos de línea perpendiculares. Este cálculo se repite para cada punto a lo largo del segmento 20 de línea, donde todos los valores diferencia son sumados a continuación y almacenados como Valor de Simetría para el segmento 20 de línea. Para un círculo perfecto, el Valor de Simetría es cero para cualquier segmento 20 de línea. El cálculo del Valor de Simetría se repite después para cada rotación angular del segmento 20, dando como resultado una pluralidad de Valores de Simetría, correspondiendo cada uno de ellos a una orientación angular particular del segmento 20 de línea. Los Valores de Simetría son normalizados a continuación mediante el valor de Área de Partícula, y clasificados en una lista ordenada de Valores de Simetría desde bajo hasta alto.

Las características de partícula de la segunda familia son:

5.: Simetría Mínima: el Valor de Simetría más bajo en la lista ordenada, que representa la simetría máxima mostrada por la partícula a algún valor de rotación.

6.: 20% de Simetría: el Valor de Simetría que constituye el 20º percentil de la lista ordenada de Valores de Simetría.

7.: 50% de Simetría: el Valor de Simetría que constituye el 50º percentil de la lista ordenada de Valores de Simetría.

8.: 80% de Simetría: el Valor de Simetría que constituye el 80º percentil de la lista ordenada de Valores de Simetría.

9.: Simetría Máxima: el Valor de Simetría más alto en la lista ordenada, que representa la simetría mínima mostrada por la partícula a algún valor de rotación.

10.: Simetría Media: el valor medio de los Valores de Simetría.

11.: Simetría de Desviación Estándar: la desviación estándar de los Valores de Simetría.

\vskip1.000000\baselineskip

Las características de partícula de la tercera familia están relacionadas con la esqueletización de la imagen de partícula, lo que produce uno o más segmentos de línea que caracterizan tanto el tamaño como la forma de la partícula. Estas características de partícula son ideales para identificar el análisis que tiene múltiples componentes en una agrupación, tal como la levadura gemante, la levadura hifa, y los grupos de glóbulos blancos. Estos analitos tendrán esqueletizaciones con ramificaciones múltiples, que son fáciles de diferenciar de los analitos que tienen esqueletizaciones de ramificación única. La creación de imágenes de esqueletización es bien conocida en la técnica del procesamiento de imágenes, y ha sido descrita por Parker, James, R., en Algoritmos para Procesamiento de Imagen y Visión por Ordenador, ISBN 0-471-14056-2, John Wiley & Sons, 1997, pp. 176-210), que queda aquí incorporada por referencia. La esqueletización incluye esencialmente plegar cada porción del contorno de partícula hacia el interior, en una dirección perpendicular a la misma. Por ejemplo, un círculo perfecto se pliega hasta un solo punto; una luna creciente se pliega hasta una línea curva; la figura de un 8 se pliega hasta 2 segmentos de línea recta, y una célula con una depresión se pliega hasta una línea curva, como se ha ilustrado en las Figuras 5A - 5D respectivamente. La realización preferida utiliza dos algoritmos de esqueletización: ZSH y BZS. El ZSH es el algoritmo de adelgazamiento de Zhang-Suen que utiliza la variación de Holt, más extracción de escalera. El BZS es el algoritmo de adelgazamiento de Zhang-Suen que utiliza la variación de Holt. La Figura 5.11 en el documento de Parker (p. 182), muestra la diferencia entre los resultados cuando se aplican estos algoritmos, junto con el código C para cada algoritmo.

Las características de partícula de la tercera familia, son:

12.: Tamaño de Esqueleto de ZSH: tamaño del esqueleto, determinado preferentemente por conteo del número de píxeles que forman el esqueleto. El Tamaño de Esqueleto para un círculo perfecto es 1, y para una luna creciente deberá ser la longitud de la línea curva.

13.: Tamaño de Esqueleto normalizado de ZSH: Tamaño de Esqueleto normalizado por el tamaño de la partícula, determinado mediante la división del Tamaño de Esqueleto por el Área de Partícula.

14.: Tamaño de Esqueleto de BZS: el tamaño del esqueleto, determinado preferentemente mediante conteo de los píxeles que forman el esqueleto. El Tamaño de Esqueleto para un círculo perfecto es 1, y para una luna creciente deberá ser la longitud de la línea curva.

15.: Tamaño de Esqueleto Normalizado de BZS: Tamaño de Esqueleto normalizado por el tamaño de la partícula, determinado mediante la división del Tamaño de Esqueleto por el Área de Partícula.

\vskip1.000000\baselineskip

Las características de partícula de la cuarta familia se refieren a la medición de la forma de la partícula utilizando las longitudes radiales de los radios que se ajustan a la partícula, y los rangos cuantiles de esos valores. Específicamente, se define un centroide en el interior de la partícula, utilizando con preferencia la imagen máscara, y una pluralidad de radios que emanan desde el centroide con diferentes ángulos que se extienden hacia fuera del contorno de la partícula. Las longitudes de los radios se recopilan en una lista de Valores de Radios, y la lista se ordena desde valores bajos hasta altos. Un cierto % cuantil de una lista ordenada de valores, representa el valor que tiene una posición en la lista que corresponde con el cierto porcentaje desde la parte inferior de la lista. Por ejemplo, un 30% cuantil de la lista es el valor que está situado un 30% hacia arriba desde la parte inferior de la lista, estando el 70% de los valores por encima en la lista. De ese modo, en una lista ordenada de 10 valores, el valor cuantil del 30% es el séptimo valor desde la parte superior de la lista, y el 50% cuantil es el valor medio de la lista.

Las características de partícula de la cuarta familia, son:

16.: 25% de Valor de Radios: el valor correspondiente al 25% cuantil de la lista de Valores de Radios.

17.: 50% de Valor de Radios: el valor correspondiente al 50% cuantil de la lista de Valores de Radios.

18.: 75% de Valor de Radios: el valor correspondiente al 75% cuantil de la lista de Valores de Radios.

19.: Relación Media Más Pequeña: la relación del Valor de Radios más pequeño con respecto al Valor de Radios medio.

20.: Relación Media Más Grande: la relación del Valor de Radios más grande con respecto al Valor de Radios medio.

21.: Valor de Radios Promedio: la media de los Valores de Radios.

22.: Valor de Radios de Desviación Estándar: la desviación estándar de los Valores de Radios.

\vskip1.000000\baselineskip

La quinta familia de características de partícula mide la intensidad de la imagen de partícula. Las propiedades de absorción ligera de los diferentes analitos difieren significativamente. Por ejemplo, los cristales son generalmente refractantes y pueden "concentrar" realmente la luz de modo que su interior puede ser más brillante que el fondo. Los glóbulos blancos teñidos, sin embargo, serán típicamente, sustancialmente más oscuros que el fondo. La intensidad media revela la calidad de absorción de luz global de la partícula, mientras que la desviación estándar de la intensidad mide la uniformidad de la calidad de absorción de la partícula. Con el fin de medir la intensidad, la partícula se aísla con preferencia, utilizando la imagen máscara con el fin de enmascarar la imagen parche de la partícula. De ese modo, los únicos píxeles que dejan (dentro de la máscara) son aquellos píxeles contenidos en el interior del contorno de partícula. Esta familia de características de partícula incluye:

23.: Valor de Pixel Medio: el valor de pixel medio para todos los píxeles del interior del contorno de la partícula.

24.: Desviación Estándar de Valores de Pixel: la desviación estándar de valores de pixel para los píxeles del interior del contorno de la partícula.

\vskip1.000000\baselineskip

Las características de partícula de la sexta familia utilizan la Transformada de Fourier de la partícula para medir la distribución de radios de la partícula. La Transformada de Fourier depende del tamaño, la forma y la textura (es decir, estructura de grano fino) de la partícula. Además de añadir la textura, la magnitud de la Transformada de Fourier es independiente de la posición de la partícula, y la rotación de partícula se refleja directamente como rotación de la transformada. Encontrar grupos de energía en una rotación, es una indicación de aspectos lineales de la partícula (es decir, la partícula tiene porciones lineales). Este hallazgo ayuda a discriminar entre partículas tales como cristales frente a glóbulos rojos. La Transformada de Fourier de la imagen parche de la partícula se calcula preferentemente utilizando un algoritmo bien conocido de Transformada Rápida de Fourier (FFT), con una ventana de 128x128 píxeles. A continuación se calculan las características de partícula que siguen:

25.: Intensidad Media de FFT de Línea Rotada de 128 Píxeles: un listado de cola de valores medios de píxel a lo largo de una línea de 128 píxeles como función del ángulo de rotación. Éste se calcula colocando una línea radial de una longitud de 128 píxeles sobre la transformada, y haciendo girar la línea radial un arco de 180 grados mediante incrementos de N grados. Por cada incremento de N grados, se calcula la media de los valores de píxel a lo largo de la línea radial. Los valores medios de píxel para los incrementos de N grados se almacenan en una cola como Intensidad Media junto con el incremento angular corres- pondiente.

26.: Diferencia Angular Máxima/Mínima de FFT de 128 Píxeles: la diferencia entre los valores angulares que corresponden a los valores más altos y más bajos de Intensidad Media almacenados en la cola.

27.: Desviación Estándar de Intensidad Media de FFT de 128 Píxeles: la desviación estándar de los valores de Intensidad Media almacenados en la cola.

28.: Intensidad Media de FFT de Línea de 64 Píxeles Rotada: igual que la Intensidad Media de FFT de Línea de 128 Píxeles Rotada, pero utilizando en cambio una línea radial con una longitud de 64 píxeles.

29.: Diferencia Angular Máxima/Mínima de FFT de 64 Píxeles: igual que la Diferencia Angular Máxima/ Mínima de FFT de 128 Píxeles, pero utilizando en cambio una línea radial de 64 píxeles de longitud.

30.: Desviación Estándar de Intensidad media de FFT de 64 Píxeles: igual que la Desviación Estándar de Intensidad media de FFT de 128 Píxeles, pero utilizando en cambio una línea radial de una longitud de 64 píxeles.

31.: Intensidad Media de FFT de Línea Rotada de 32 Píxeles: igual que la Intensidad Media de FFT de Línea Rotada de 128 Píxeles, pero utilizando en cambio una línea radial de 32 píxeles de longitud.

32.: Diferencia Angular Máxima/Mínima de FFT de 32 Píxeles: igual que la Diferencia Angular Máxima/ Mínima de FFT de 128 Píxeles, pero utilizando en cambio una línea radial de 32 píxeles de longitud.

33.: Desviación Estándar de Intensidad Media de FFT de 32 Píxeles: igual que la Desviación Estándar de Intensidad media de FFT de 128 Píxeles, pero utilizando en cambio una línea radial con una longitud de 32 píxeles.

\vskip1.000000\baselineskip

Las características adicionales de partícula de FFT, relacionadas todas con los valores de desviación estándar en base a una línea radial rotada de longitud variable, son como sigue:

34.: Tipo de Desviación Estándar de Intensidad Media de FFT de 128 Píxeles: un listado ordenado de cola de la desviación estándar de valores medios de píxel a lo largo de una línea de 128 píxeles para diferentes rotaciones. Éste se calcula disponiendo una línea radial de 128 píxeles de longitud sobre la transformada, y rotando la línea radial a través de un arco de 180 grados mediante incrementos de N grados. Por cada incremento de N grados, se calcula el valor de la desviación estándar de los píxeles de la línea. Los valores de desviación estándar para todos los incrementos de N grados son clasificados desde bajo hasta alto, y almacenados en una cola.

35.: Desviación Estándar Radial Mínima de FFT de 128 Píxeles: el valor de desviación estándar radial mínimo recuperado desde el listado ordenado de cola de valores de desviación estándar.

36.: Desviación Estándar Radial Mínima de FFT de 128 Píxeles: el valor de desviación estándar radial mínimo recuperado desde el listado ordenado de cola de valores de desviación estándar.

37.: Desviación Estándar Radial 25% Cuantil de FFT de 128 Píxeles: el valor de desviación estándar radial de la cola correspondiente al 25% cuantil de los valores almacenados en la cola.

38.: Desviación Estándar Radial 50% Cuantil de FFT de 128 Píxeles: el valor de desviación estándar radial de la cola correspondiente al 50% cuantil de los valores almacenados en la cola.

39.: Desviación Estándar Radial 75% Cuantil de FFT de 128 Píxeles: el valor de desviación estándar radial de la cola correspondiente al 75% cuantil de los valores almacenados en la cola.

40.: Relación entre Mínima FFT de 128 píxeles respecto a Desviación Estándar Radial Media: la relación del valor mínimo frente a los valores de desviación estándar radial media, almacenados en la cola.

41.: Relación entre Máxima FFT de 128 píxeles respecto a Desviación Estándar Radial Media: la relación del valor máximo frente a los valores de desviación estándar radial media, almacenados en la cola.

42.: Desviación Estándar Radial Media de FFT de 128 Píxeles: el valor de la desviación estándar radial media de los valores almacenados en la cola.

43.: Desviación Estándar de FFT de 128 Píxeles de la Desviación Estándar Radial: la desviación estándar de todos los valores de desviación estándar radial almacenados en la cola.

44.: Tipo de Desviación Estándar de Intensidad Media de FFT de 64 Píxeles: igual que el Tipo de Desviación Estándar de Intensidad Media de FFT de 128 Píxeles, pero utilizando en cambio una línea radial con una longitud de 64 píxeles.

45.: Desviación Estándar Radial Mínima de FFT de 64 Píxeles: igual que la Desviación Estándar Radial Mínima de FFT de 128 Píxeles, pero utilizando en cambio una línea radial con una longitud de 64 píxeles.

46.: Desviación Estándar Radial Máxima de FFT de 64 Píxeles: igual que la Desviación Estándar Radial Máxima de FFT de 128 Píxeles, pero utilizando en cambio una línea radial de 64 píxeles de longitud.

47.: Desviación Estándar 25% Cuantil de FFT de 64 Píxeles: igual que la Desviación Estándar Radial 25% Cuantil de FFT de 128 Píxeles, pero utilizando en cambio una línea radial de 64 píxeles de longitud.

48.: Desviación Estándar Radial 50% Cuantil de FFT de 64 Píxeles: igual que Desviación Estándar Radial 50% Cuantil de FFT de 128 Píxeles, pero utilizando en cambio una línea radial de 64 píxeles de longitud.

49.: Desviación Estándar Radial 75% Cuantil de FFT de 64 Píxeles: igual que la Desviación Estándar Radial 75% Cuantil de FFT de 128 Píxeles, pero utilizando en cambio una línea radial de 64 píxeles de longitud.

50.: Relación de Mínima FFT de 64 Píxeles respecto a Desviación Estándar Radial Media: igual que Relación de Mínima FFT de 128 Píxeles respecto a Desviación Estándar Radial Media, pero utilizando en cambio una línea radial de 64 píxeles de longitud.

51.: Relación de Máxima FFT de 64 Píxeles respecto a Desviación Estándar Radial Media: igual que Relación de Máxima FFT de 128 Píxeles respecto a Desviación Estándar Radial Media, pero utilizando en cambio una línea radial de 64 píxeles de longitud.

52.: Desviación Estándar Radial Media de FFT de 64 Píxeles: igual que Desviación Estándar Radial Media de FFT de 128 Píxeles, pero utilizando en cambio una línea radial con una longitud de 64 píxeles.

53.: Desviación Estándar de FFT de 64 Píxeles de la Desviación Estándar Radial: igual que la Desviación Estándar de FFT de 128 Píxeles de la Desviación Estándar Radial, pero utilizando en cambio una línea radial de 64 píxeles de longitud.

54.: Tipo de Desviación Estándar de Intensidad Media de FFT de 32 Píxeles: igual que Tipo de Desviación Estándar de Intensidad media de FFT de 128 Píxeles, pero utilizando en cambio una línea radial de 32 píxeles de longitud.

55.: Desviación Estándar Radial Mínima de FFT de 32 Píxeles: igual que Desviación Estándar Radial Mínima de FFT de 128 Píxeles, pero utilizando en cambio una línea radial de 32 píxeles de longitud.

56.: Desviación Estándar Radial Máxima de FFT de 32 Píxeles: igual que Desviación Estándar Radial Máxima de FFT de 128 Píxeles, pero utilizando en cambio una línea radial de 32 píxeles de longitud.

57.: Desviación Estándar Radial 25% Cuantil de FFT de 32 Píxeles: igual que Desviación Estándar Radial 25% Cuantil de FFT de 128 Píxeles, pero utilizando en cambio una línea radial con una longitud de 32 píxe- les.

58.: Desviación Estándar Radial 50% Cuantil de FFT de 32 Píxeles: igual que Desviación Estándar Radial 50% Cuantil de FFT de 128 Píxeles, pero utilizando en cambio una línea radial de 32 píxeles de longitud.

59.: Desviación Estándar Radial 75% Cuantil de FFT de 32 Píxeles: igual que la Desviación Estándar Radial 75% Cuantil de FFT de 128 Píxeles, pero utilizando en cambio una línea radial de 32 píxeles de longi- tud.

60.: Relación de Mínima FFT de 32 Píxeles respecto a Desviación Estándar Radial Media: igual que Relación de Mínima FFT de 128 Píxeles respecto a Desviación Estándar Radial Media, pero utilizando en cambio una línea radial de 32 píxeles de longitud.

61.: Relación de Máxima FFT de 32 Píxeles respecto a Desviación Estándar Radial Media: igual que Relación de Máxima FFT de 128 Píxeles respecto a Desviación Estándar Radial Media, pero utilizando en cambio una línea radial de 32 píxeles de longitud.

62.: Desviación Estándar Radial Media de FFT de 32 Píxeles: igual que Desviación Estándar Radial Media de FFT de 128 Píxeles, pero utilizando en cambio una línea radial de 32 píxeles de longitud.

63.: Desviación Estándar de FFT de 32 Píxeles de la Desviación Estándar Radial: igual que Desviación Estándar de FFT de 128 Píxeles de la Desviación Estándar Radial, pero utilizando en cambio una línea radial con una longitud de 32 píxeles.

\vskip1.000000\baselineskip

Incluso se utilizan más características de partícula de FFT, todas ellas relacionadas con valores medios basados en una línea radial rotada de longitud variable:

64.: Tipo de Intensidad Media de FFT de 128 Píxeles: un listado ordenado de cola de los valores medios de píxel a lo largo de una línea de 128 píxeles para diferentes rotaciones. Éste se calcula colocando una línea radial de 128 píxeles de longitud, sobre la transformada, y haciendo rotar la línea radial a través de un arco de 180 grados a incrementos de N grados. Por cada incremento de N grados, se calcula el valor medio de los píxeles de la línea. Los valores medios de pixel para los incrementos de N grados, se ordenan desde bajo hasta alto, y se almacenan en una cola.

65.: Valor Medio Mínimo de FFT de 128 Píxeles: el valor medio radial mínimo recuperado desde el listado ordenado de cola de los valores medios.

66.: Valor Radial Máximo de FFT de 128 Píxeles: el valor medio radial máximo recuperado desde el listado ordenado de cola de los valores medios.

67.: Valor Medio Radial 25% Cuantil de FFT de 128 Píxeles: el valor medio radial de la cola correspondiente al 25% cuantil de los valores medios almacenados en la cola.

68.: Valor Medio Radial 50% Cuantil de FFT de 128 Píxeles: el valor medio radial de la cola correspondiente al 50% cuantil de los valores medios almacenados en la cola.

69.: Valor Medio Radial 75% Cuantil de FFT de 128 Píxeles: el valor medio radial de la cola correspondiente al 75% cuantil de los valores medios almacenados en la cola.

70.: Relación entre Mínima FFT de 128 Píxeles respecto a Valor Medio Radial Promediado: la relación del mínimo respecto a los valores radiales medios promediados almacenados en la cola.

71.: Relación entre Máxima FFT de 128 Píxeles respecto a Valor Medio Radial Promediado: la relación del máximo respecto a los valores medios radiales promediados almacenados en la cola.

72.: Desviación Estándar Radial Media de FFT de 128 Píxeles: el valor de la desviación estándar radial media de los valores medios almacenados en la cola.

73.: Desviación Estándar de FFT de 128 Píxeles de los Valores Medios: la desviación estándar de todos los valores medios radiales almacenados en la cola.

\newpage

\global\parskip0.990000\baselineskip

Las características de partícula de la séptima familia utilizan cantidades de histograma de color y de escala de grises de las intensidades de imagen, que proporcionan información adicional acerca de la variación de intensidad en el interior del contorno de partícula. Específicamente, las cantidades de histograma de escala de grises, rojo, verde y azul, proporcionan una caracterización de intensidad en las diferentes bandas espectrales. Además, los tintes utilizados con el análisis de partícula, hacen que algunas partículas absorban ciertos colores, tal como el verde, mientras que otros presentan calidades reflectantes a ciertas longitudes de onda. De ese modo, la utilización de todas las características de partícula permite discriminar entre una partícula tintada, tal como los glóbulos blancos, que absorben el verde, y cristales que refractan la luz amarilla.

Los histogramas, histogramas acumulativos, y cálculos cuantiles, han sido descritos en la Patente U.S. núm. 5.343.538, la cual se incorpora aquí por referencia. La imagen de partícula se captura típicamente utilizando una cámara CCD que descompone la imagen en tres componentes de color. La realización preferida utiliza una cámara RGB que captura por separado las componentes roja, verde y azul de la imagen de partícula. Las características de partícula que siguen se calculan en base a las componentes de escala de grises, rojo, verde y azul de la imagen.

74.: Intensidades de Pixel en Escala de Grises: un listado ordenado de cola de las intensidades de píxel en escala de grises en el interior del contorno de la partícula. El valor de escala de grises es una suma de las tres componentes de color. Para cada píxel del interior del contorno de la partícula (como enmascarada por la imagen máscara), el valor de píxel de escala de grises se añade a la cola de escala de grises, la cual se ordena a continuación (por ejemplo, desde bajo hasta alto).

75.: Intensidad de Imagen Mínima de Escala de Grises: el mínimo valor de píxel de escala de grises almacenado en la cola.

76.: 25% de Intensidad de Escala de Grises: el valor correspondiente al 25% cuantil de los valores de píxel de escala de grises almacenados en la cola.

77.: 50% de Intensidad de Escala de Grises: el valor correspondiente al 50% cuantil de los valores de píxel de escala de grises almacenados en la cola.

78.: 75% de Intensidad de Escala de Grises: el valor correspondiente al 75% cuantil de los valores de píxel de escala de grises almacenados en la cola.

79.: Intensidad Máxima de Imagen de Escala de Grises: el valor máximo de píxel de escala de grises almacenado en la cola.

80.: Intensidades de Píxel Rojo: un listado ordenado de cola de intensidades de píxel rojo en el interior del contorno de partícula. La imagen de partícula se convierte de modo que solamente se mantiene la componente roja de cada valor de píxel. Por cada pixel del interior del contorno de partícula (como enmascarada por la imagen máscara), el valor de píxel rojo se añade a una cola roja, la cual se ordena a continuación desde bajo hasta alto.

81.: Intensidad Mínima de Imagen Roja: el valor mínimo de píxel rojo almacenado en la cola.

82.: 25% de Intensidad Roja: el valor correspondiente al 25% cuantil de los valores de píxel rojo almacenados en la cola.

83.: 50% de Intensidad Roja: el valor correspondiente al 50% cuantil de los valores de píxel rojo almacenados en la cola.

84.: 75% de Intensidad Roja: el valor correspondiente al 75% cuantil de los valores de píxel rojo almacenados en la cola.

85.: Intensidad Máxima de Imagen Roja: el valor máximo de píxel rojo almacenado en la cola.

86.: Intensidades de Píxel Verde: un listado ordenado de cola de las intensidades de píxel verde en el interior del contorno de partícula. La imagen de partícula se convierte de modo que solamente se mantiene la componente verde del valor de píxel. Por cada píxel del interior del contorno de partícula (como enmascarada por la imagen máscara), el valor de píxel verde se añade a una cola verde, la cual se ordena a continuación desde bajo hasta alto.

87.: Intensidad Mínima de Imagen Verde: el valor mínimo de píxel verde almacenado en la cola.

88.: 25% de Intensidad Verde: el valor correspondiente al 25% cuantil de los valores de píxel verde almacenados en la cola.

89.: 50% de Intensidad Verde: el valor correspondiente al 50% cuantil de los valores de píxel verde almacenados en la cola.

\global\parskip1.000000\baselineskip

90.: 75% de Intensidad Verde: el valor correspondiente al 75% cuantil de los valores de píxel verde almacenados en la cola.

91.: Intensidad Máxima de Imagen Verde: el valor máximo de píxel verde almacenado en la cola.

92.: Intensidades de Píxel Azul: un listado ordenado de cola de las intensidades de píxel azul en el interior del contorno de partícula. La imagen de partícula se convierte de modo que solamente se mantiene la componente azul del valor de píxel. Por cada píxel del interior del contorno de partícula (como enmascarada por la imagen máscara), el valor de píxel azul se añade a una cola azul, la cual se ordena a continuación desde bajo hasta alto.

93.: Intensidad Mínima de Imagen Azul: el valor mínimo de píxel azul almacenado en la cola.

94.: 25% de Intensidad Azul: el valor correspondiente al 25% cuantil de los valores de píxel azul almacenados en la cola.

95.: 50% de Intensidad Azul: el valor correspondiente al 50% cuantil de los valores de píxel azul almacenados en la cola.

96.: 75% de Intensidad Azul: el valor correspondiente al 75% cuantil de los valores de píxel azul almacenados en la cola.

97.: Intensidad Máxima de Imagen Azul: el valor máximo de píxel azul almacenado en la cola.

\vskip1.000000\baselineskip

Las características de partícula de la octava familia utilizan círculos y anillos concéntricos para caracterizar mejor la variación en la distribución de magnitud de FFT, la cual está afectada por el tamaño, la forma y la textura de la imagen del analito original. Se define un círculo central sobre un centroide de la FFT, junto con siete anillos (en forma de arandela) de diámetros progresivamente crecientes hacia fuera de, y concéntricos con, el círculo central. El primer anillo tiene un diámetro interno igual al diámetro externo del círculo central, y un diámetro externo que es igual al diámetro interno del segundo anillo, y así sucesivamente. Las características de la partícula siguiente se calculan a partir del círculo central de los siete anillos sobre la FFT.

98.: Valor Medio de Círculo Central: el valor medio de la magnitud de la FFT en el interior del círculo central.

99.: Desviación Estándar de Círculo Central: la desviación estándar de la magnitud de la FFT en el interior del círculo central.

100.: Valor Medio de Anillo respecto a Círculo Central: la relación del valor medio de la magnitud de la FFT en el interior del primer anillo respecto a la del círculo central.

101.: Desviación Estándar de Anillo respecto a Círculo Central: la relación de la desviación estándar de la magnitud de la FFT en el interior del primer anillo respecto a la del círculo central.

102.: Valor Medio de Anillo respecto a Círculo: la relación del valor medio de la magnitud de la FFT en el interior del primer anillo respecto a la del círculo definido por el diámetro externo del anillo.

103.: Desviación Estándar de Anillo respecto a Círculo: la relación de la desviación estándar de la magnitud de la FFT en el interior del primer anillo respecto a la del círculo definido por el diámetro exterior del anillo.

104.: Valor Medio de Anillo respecto a Anillo: la relación del valor medio de la magnitud de la FFT del interior del primer anillo respecto a la del anillo o círculo central que tiene el siguiente diámetro más pequeño (en el caso del primer anillo, sería el círculo central).

105.: Desviación Estándar de Anillo respecto a Anillo: la relación de la desviación estándar de la magnitud de la FFT en el interior del primer anillo respecto a la del anillo o círculo central que tiene el siguiente diámetro más pequeño (en el caso del primer anillo, sería el círculo central).

106-111.: Igual que las características 100-104, excepto en que se utiliza el segundo anillo en vez del primer anillo.

112-117.: Igual que las características 100-104, excepto en que se utiliza el tercer anillo en vez del primer anillo.

118-123.: Igual que las características 100-104 salvo en que se utiliza el cuarto anillo en vez del primer anillo.

124-129.: Igual que las características 100-104, excepto en que se utiliza el quinto anillo en vez del primer anillo.

130-135.: Igual que las características 100-104, salvo en que se utiliza el sexto anillo en vez del primer anillo.

136-141.: Igual que las características 100-104, excepto en que se utiliza el séptimo anillo en vez del primer anillo.

154-197.: Igual que en 98-141, salvo en que se aplican a una FFT de la FFT de la imagen de partícula.

\vskip1.000000\baselineskip

Las características de partícula de la última familia, utilizan cuadrados concéntricos con lados iguales al 11%, 22%, 33%, 44%, 55% y 66% del tamaño de ventana de la FFT (por ejemplo, 128) para caracterizar mejor la variación en la distribución de magnitud de la FFT, la cual está afectada por el tamaño, la forma y la textura de la imagen de analito original. Existen dos algoritmos de análisis de textura bien conocidos que caracterizan la textura de una FFT. La primera se titula Dispersión de Vector, la cual incluye ajustar un plano para adiestrar regiones utilizando normales, y se encuentra descrita en las páginas 168-171 del documento de Parker, el cual se incorpora por referencia. Las características de partícula que siguen se calculan a partir de ventanas dimensionadas de forma diferente sobre la FFT:

142-147:: Aplicación del algoritmo de Dispersión de Vector al 11%, 22%, 33%, 44%, 55% y 66% de la ventana FFT, respectivamente.

148-153:: Aplicación del algoritmo de Métrica de Curvatura Superficial al 11%, 22%, 33%, 44%, 55% y 66% de las ventanas de FFT, respectivamente.

\vskip1.000000\baselineskip

Procesamiento y Confección de Decisión

Una vez que se han calculado las características de partícula que anteceden, se aplican reglas de procesamiento para determinar la clasificación de ciertas partículas, o cómo deben ser tratadas todas las partículas del conjunto de la muestra. La realización preferida adquiere las imágenes de partícula utilizando una lente de objetivo de baja potencia (por ejemplo, 10X) para llevar a cabo exploraciones de campo de baja potencia (LPF) con un campo de visión más amplio para capturar partículas más grandes, y una lente de objetivo de alta potencia (por ejemplo, 40X) para realizar exploraciones de campo de alta potencia (HPF) con mayor sensibilidad, para capturar los detalles más minúsculos de partículas más pequeñas.

El sistema de la presente invención utiliza estructuras separadas de decisión de red multi-neuronal para clasificar partículas capturadas en la exploración LPF y en la exploración HPF. Puesto que la mayor parte de las partículas de interés aparecerán en una de las exploraciones LPF o HPF, pero no en ambas, las estructuras de decisión separadas minimizan el número de partículas de interés que cada estructura debe clasificar.

Estructura de Red Neuronal

La Figura 8 ilustra la estructura de red neuronal básica utilizada para todas las redes neuronales en las exploraciones LPF y HPF. La red incluye una capa de entrada con entradas X_{1} a X_{d}, correspondiendo cada una de ellas con una de las características de partícula descritas anteriormente que se seleccionan para su uso con la red. Cada entrada está conectada a una de una pluralidad de neuronas Z_{1} a Z_{J} en una capa oculta. Cada una de estas neuronas Z_{1} a Z_{J} de capa oculta suma todos los valores recibidos desde la capa de entrada de una forma ponderada, con lo que la ponderación real de cada neurona es asignable individualmente. Cada neurona Z_{1} a Z_{J} de capa oculta aplica también una función no lineal a la suma ponderada. La salida desde cada neurona Z_{1} a Z_{J} de capa oculta se suministra a cada una de una segunda capa (salida) de neuronas Y_{1} a Y_{K}. Cada una de las neuronas Y_{1} a Y_{K} de capa de salida suma también las entradas recibidas desde la capa oculta de una forma ponderada, y aplica una función lineal a la suma ponderada. Las neuronas de la capa de salida proporcionan la salida de la red, y por lo tanto el número de estas neuronas de salida corresponde al número de clases de decisión que la red produce. El número de entradas es igual al número de características de partícula que se eligen para su introducción en la red.

Según se describe más adelante, cada red es "entrenada" para producir un resultado preciso. Por cada decisión que ha de realizarse, solamente las características de partícula que son apropiadas para la decisión de la red, son seleccionadas para su introducción en la red. El procedimiento de entrenamiento incluye modificar los diversos coeficientes de ponderación para las neuronas hasta que se obtiene un resultado satisfactorio desde la red en su conjunto. En la realización preferida, las diversas redes fueron entrenadas utilizando Neural-Works, versión de producto 5.30, que es fabricado por NeuralWare de Carnegie, Pa, y en particular el algoritmo de propagación Extended Delta Bar Back. La función no lineal utilizada para todas las neuronas de las redes de la realización preferida es la función tangente hiperbólica, en la que la gama de entrada está limitada entre -0,8 y +0,8 para evitar la región de pendiente baja.

Proceso de Exploración LPF

El proceso de exploración LPF ha sido ilustrado en la Figura 6A, y se inicia obteniendo la siguiente imagen (analito) de partícula utilizando lentes de objetivo de baja potencia. A continuación se realiza una clasificación de red neuronal, que incluye el proceso de aplicar una estructura en cascada de redes neuronales a la imagen de analito, según se ha ilustrado en la Figura 6B. Cada red neuronal toma un subgrupo seleccionado de 198 características de partícula calculadas discutidas anteriormente, y calcula un factor de probabilidad de clasificación, comprendido en la gama de cero a uno, de que la partícula cumple los criterios de la red. La configuración en cascada de las redes ayuda a mejorar la precisión de cada resultado de red neuronal corriente abajo, puesto que cada red puede ser diseñada específicamente con mayor precisión dado que los tipos de partícula que opera han sido pre-filtrados para que tengan o no unas determinadas características. Por eficacia del sistema, se calculan con preferencia las características de la totalidad de las 198 partículas para cada imagen de partícula, y a continuación se aplica el proceso de clasificación de red neuronal de la Figura 6B.

La primera red neuronal aplicada a la imagen de partícula es la Red Clasificadora AMOR, la cual decide si la partícula es o no amorfa. Para la realización preferida, esta red incluye 42 entradas para un subconjunto seleccionado de las 198 características de partícula descritas anteriormente, 20 neuronas en la capa oculta, y dos neuronas en la capa de salida. La columna titulada LPF AMOR2 en la tabla de las Figuras 9A-9C muestra los números de las 42 características de partícula descritas anteriormente que fueron seleccionadas para su uso con esta red. La primera y la segunda salidas de esta red corresponden a las probabilidades de que la partícula sea o no amorfa, respectivamente. Cualquier probabilidad que sea la más alta, constituye la decisión de la red. Si la red decide que la partícula es amorfa, entonces el análisis de la partícula termina.

Si se decide que la partícula no es amorfa, entonces se aplica la Red Clasificadora SQEP/CILINDRO/OTRA, la cual decide si la partícula es una célula Epitelial Escamosa (SQEP), una célula Cilindro (CILINDRO) u otro tipo de célula. Para la realización preferida, esta red incluye 48 entradas para un subconjunto seleccionado de las 198 características de partícula descritas anteriormente, 20 neuronas en la capa oculta, y tres neuronas en la capa de salida. La columna titulada LPF CILINDRO/SQEP/OTRA3 en la tabla de las Figuras 9A-9C muestra los números de las 48 características de partícula descritas anteriormente que fueron seleccionadas para su uso con esta red. La primera, segunda y tercera salidas de esta red corresponden a las probabilidades de que la partícula sea un Cilindro, una SQPE, u otro tipo de partícula, respectivamente. Cualquier probabilidad que sea la más alta, constituye la decisión de la red.

Si se decide que la partícula es una célula Cilindro, entonces se aplica la Red Clasificadora CILINDRO, la cual decide si la partícula es un Grupo de Glóbulos Blancos (WBCC), una Célula Cilindro Transparente (HYAL), o un cilindro sin clasificar (UNCC) tal como una célula cilindro patológica. Para la realización preferida, esta red incluye 36 entradas para un subconjunto seleccionado de las 198 características de partícula descritas anteriormente, 10 neuronas en la capa oculta, y tres neuronas en la capa de salida. La columna titulada LPF CILINDRO3 en la tabla de las Figuras 9A-9C, muestra los números de las 36 características de partícula descritas en lo que antecede que fueron seleccionadas para su uso con esta red. La primera, segunda y tercera salidas de esta red, corresponden a la probabilidad de que la partícula sea WBCC, HYAL o UNCC. Cualquiera probabilidad que sea la más alta, constituye la decisión de la red.

Si se decide que la partícula es una célula Epitelial Escamosa, entonces la decisión se deja tal cual.

Si se decide que la partícula es otro tipo de célula, entonces se aplica la Red Clasificadora OTRA, la cual decide si la partícula es una célula Epitelial No Escamosa (NSE), tal como una célula Epitelial Renal o una célula Epitelial transicional, un Cristal No Clasificado (UNCX), Levadura (LEVADURA) o Mucosidad (MUCS). Para la realización preferida, esta red incluye 46 entradas para un subconjunto seleccionado de las 198 características de partícula descritas anteriormente, 20 neuronas en la capa oculta, y cuatro neuronas en la capa de salida. La columna titulada LPF OTRA4 en la tabla de las Figuras 9A-9C, muestra los números de las 46 características de partícula descritas anteriormente que fueron seleccionadas para su uso con esta red. La primera, segunda, tercera y cuarta salidas de esta red corresponden a las probabilidades de que la partícula sea una NSE, UNCX, LEVADURA o MUCS. Cualquiera que sea la probabilidad más alta, constituye la decisión de la red.

Haciendo de nuevo referencia a la Figura 6A, una vez que la Clasificación de Red Neuronal ha decidido el tipo de partícula, se aplica un ART mediante Regla de Abstención, para determinar si la partícula podría ser clasificada como artefacto puesto que ninguna de las redes dio un factor de probabilidad de clasificación suficientemente alto como para garantizar una clasificación de partícula. El ART por Regla de Abstención aplicado por la realización preferida, es como sigue: si la clasificación final por la estructura de red es HYAL, y la probabilidad de CILINDRO fue menor de 0,98 en la red SQEP/CILINDRO/Otra, entonces la partícula se reclasifica como un artefacto. También, si la clasificación final por la estructura de red fue una UNNC y la probabilidad de CILINDRO fue menor de 0,95 en la red SQEP/CILINDRO/Otra, entonces la partícula se reclasifica como artefacto.

La siguiente etapa mostrada en la Figura 6A, se aplica a partículas que sobreviven al ART por Regla de Abstención. Si la partícula fue clasificada por la estructura de red como una UNCC, una HYAL o una SQEP, entonces se acepta esa clasificación incondicionalmente. Si la partícula fue clasificada como otro tipo de partícula, entonces se aplica la prueba de captura parcial para determinar si la partícula debe ser clasificada como un artefacto. La prueba de captura parcial determina si el contorno de partícula afecta a uno o más contornos de parche de imagen de partícula, y así solamente fue capturada una parte de la imagen de partícula por la imagen parche. La prueba de captura parcial de la realización preferida considera básicamente los píxeles que forman el contorno del parche para asegurar que éstos representan los píxeles del fondo. Esto se hace recopilando un histograma de intensidad acumulativa sobre los contornos de parche, y calculando los límites Inferior y Superior de estas intensidades. El límite Inferior, en la realización preferida, es el tercer valor desde la parte inferior del histograma, o bien el valor del 2% desde la parte inferior del histograma, cualquiera que sea el mayor. El límite Superior es el tercer valor desde la parte superior del histograma, o bien el valor del 2% desde la parte superior del histograma, cualquiera de ellos que sea el mayor. La imagen de parche se estima una captura parcial si es menor de 185 (por ejemplo, una intensidad de pixel esté en la gama de 0 a 255). El parche se estima también una captura parcial si el límite superior es menor o igual a 250, y el límite inferior es menor de 200 (esto hay que tenerlo en cuenta cuando el halo de una imagen de partícula toca el contorno de la imagen parche). Todas las partículas que sobreviven a la prueba de captura parcial mantienen su clasificación y el proceso de exploración LPF se completa.

En la realización preferida, la prueba de captura parcial se utiliza también como una de las características de partícula utilizadas por alguna de las redes neuronales. El valor de característica es 1 si se encuentra que el contorno de la partícula afecta a uno o más contornos de parche de imagen de partícula, y es cero si no es así. Esta característica de partícula se ha numerado como "0" en las Figuras 9A-9C.

Proceso de Exploración HPF

El proceso de exploración HPF ha sido ilustrado en la Figura 7A, y se inicia obteniendo la siguiente imagen (analito) de partícula, utilizando la lente de objetivo de alta potencia. Se realizan dos etapas de clasificación de artefacto de pre-procesamiento con anterioridad a someter las partículas a clasificación de red neuronal. La primera etapa de pre-procesamiento empieza definiendo cinco casillas de tamaño (HPF1-HPF5), estando cada una de las partículas asociadas a la casilla más pequeña a la que pueda ajustarse por completo. En la realización preferida, la casilla HPF5 más pequeña es de 12 por 12 píxeles, y la casilla HPF1 más grande es de 50 por 50 píxeles. Todas las partículas asociadas a la casilla HPF5 se clasifican como artefacto y se separan en cuanto a su consideración adicional debido a que estas partículas son demasiado pequeñas para una clasificación precisa dada la resolución del sistema.

La segunda etapa de pre-procesamiento halla todas las partículas restantes que están asociadas a las casillas HPF3 o HPF4, que tienen un área de célula que es menor de 50 píxeles cuadrados, y que no sean largas y delgadas, y las clasifica como artefactos. Esta segunda etapa de pre-procesamiento combina criterios de tamaño y relación de aspecto, lo que elimina a aquellas partículas más pequeñas que tienden a ser redondas. Una vez que las partículas asociadas a las casillas HPF3 o HPF4, y con un área de célula por debajo de 50 píxeles cuadrados, han sido segregadas, cada una de esas partículas se clasifica como un artefacto en caso de que se cumpla alguno de los criterios siguientes. En primer lugar, si el cuadrado del perímetro de la partícula dividido por el área de la partícula es menor de 20, entonces la partícula no es larga y delgada y se clasifica como artefacto. En segundo lugar, si la relación de valor específico de la matriz de covarianza de los momentos X e Y (que también se conoce como Valor de Estiramiento), es menor de 20, entonces la partícula no es larga y delgada y se clasifica como artefacto.

Las imágenes de partícula que sobreviven a las dos etapas de pre-procesamiento descritas anteriormente, se someten a la estructura en cascada de las redes neuronales ilustradas en la Figura 7B. Cada red neuronal toma un subgrupo de las 198 características de partícula calculas que se han discutido anteriormente, y calcula un factor de probabilidad de clasificación comprendido en la gama de cero a uno de que la partícula cumpla con los criterios de la red. Al igual que con la configuración en cascada de las redes, esto ayuda a mejorar la precisión de cada resultado de red neuronal corriente abajo, y con preferencia se calcula la totalidad de las 198 características de partícula para cada imagen de partícula con anterioridad a que comience la exploración HPF.

La primera red neuronal aplicada a la imagen de partícula es la Red Clasificadora AMOR, la cual decide si la partícula es amorfa o no. Para la realización preferida, esta red incluye 50 entradas para un subconjunto seleccionado de las 198 características de partícula descritas anteriormente, 10 neuronas en la capa oculta, y dos neuronas en la capa de salida. La columna titulada HPF AMOR2 en la tabla de las Figuras 8A-8C muestra los números de las 50 características de partícula descritas anteriormente que fueron seleccionadas para su uso con esta red. La primera y la segunda salidas de esta red corresponden con las probabilidades de que la partícula sea o no amorfa. Cualquier probabilidad que sea la más alta, constituye la decisión de la red. Si la red decide que la partícula es amorfa, entonces el análisis de la partícula termina.

Si ésta decide que la partícula no es amorfa, entonces se aplica la Red Clasificadora Redonda/No Redonda, la cual decide si la forma de la partícula presenta una cantidad de redondez predeterminada. Para la realización preferida, esta red incluye 39 entradas para un subconjunto seleccionado de las 198 características de partícula descritas anteriormente, 20 neuronas en la capa oculta, y dos neuronas en la capa de salida. La columna titulada HPF REDONDA/NO REDONDA2 en la tabla de las Figuras 9A-9C, muestra los números de las 39 características de partícula descritas anteriormente que fueron seleccionadas para su uso con esta red. La primera y la segunda salidas de esta red corresponden a las probabilidades de que la partícula sea o no "redonda". Cualquier probabilidad que sea la más alta, constituye la decisión de la red.

Si se decide que la partícula es "redonda", entonces se aplica la Red Clasificadora de Células Redondas, la cual decide si la partícula es un Glóbulo Rojo (RBC), un Glóbulo Blanco (WBC), una célula Epitelial No Escamosa (NSE) tal como una célula Epitelial Renal o una célula Epitelial transicional, o Levadura (LEVADURA). Para la realización preferida, esta red incluye 18 entradas para un subconjunto seleccionado de las 198 características de partícula descritas anteriormente, 3 neuronas en la capa oculta, y tres neuronas en la capa de salida. La columna titulada HPF Redonda4 en la tabla de las Figuras 9A-9C muestra los números de las 18 características de partícula descritas anteriormente que fueron seleccionadas para su uso con esta red. La primera, segunda y cuarta salidas de esta red corresponden a las probabilidades de que la partícula sea un RBC, un WBC, una NSE o LEVADURA, respectivamente. Cualquier probabilidad que sea la más alta, constituye la decisión de la red.

Si se decide que la partícula no es "redonda", entonces se aplica la Red Clasificadora de Células No Redondas, la cual decide si la partícula es un Glóbulo Rojo (RBC), un Glóbulo Blanco (WBC), una célula Epitelial No Escamosa (NSE) tal como una célula Epitelial Renal, o una célula Epitelial transicional, un Cristal No Clasificado (UNCX), Levadura (LEVADURA), esperma (SPRM) o Bacteria (BACT). Para la realización preferida, esta red incluye 100 entradas para un subconjunto seleccionado de las 198 características de partícula descritas en lo que antecede, 20 neuronas en la capa oculta, y siete neuronas en la capa de salida. La columna titulada HPF NO REDONDA7 en la tabla de las Figuras 9A-9C muestra los números de las 100 características de partícula descritas anteriormente que fueron seleccionadas para su uso con esta red. Las siete salidas de esta red corresponden a las probabilidades de que la partícula sea un RBC, un WBC, un UNCX, una LEVADURA, un SPRM o una BACT. Cualquier probabilidad que sea la más alta, constituye la decisión de la red.

Haciendo de nuevo referencia a la Figura 7A, una vez que la Clasificación de Red Neuronal ha decidido el tipo de partícula, se aplica un ART por Regla de Abstención, para determinar si la partícula debe ser clasificada como artefacto debido a que ninguna de las redes proporcionó un factor de probabilidad de clasificación suficientemente alto como para garantizar una clasificación de partícula. El ART aplicado por Regla de Abstención por la realización preferida, reclasifica cuatro tipos de partículas como artefactos si se cumplen ciertos criterios. En primer lugar, si la clasificación final por parte de la estructura de red es Levadura, y la probabilidad de LEVADURA fue inferior a 0,9 en la Red de Clasificación de Células No Redondas, entonces la partícula se reclasifica como artefacto. En segundo lugar, si la clasificación final por parte de la estructura de red fue una NSE, y la probabilidad de NSE fue menor de 0,9 en la Red Clasificadora de Células Redondas, o la probabilidad de célula redonda fue menor de 0,9 en la Red Clasificadora de Redonda/No Redonda, entonces la partícula es reclasificada como artefacto. En tercer lugar, si la clasificación final por la estructura de red fue una NSE no redonda, y la probabilidad de NSE fue menor de 0,9 en la Red de Clasificación de Células No Redondas, entonces la partícula se reclasifica como artefacto. En cuarto lugar, si la clasificación final por parte de la estructura de red fue un UNCX, y la probabilidad de UNCX fue menor de 0,9 en la Red Clasificadora de Células No Redondas, o la probabilidad de redonda fue menor de 0,9 en la Red Clasificadora de Redonda/No Redonda, entonces la partícula se reclasifica como artefacto.

La siguiente etapa mostrada en la Figura 7A es una prueba de captura parcial, que se aplica a todas las partículas supervivientes del ART por Regla de Abstención. La prueba de captura parcial determina si la partícula debe ser clasificada como un artefacto debido a que el contorno de partícula afecta a uno o más contornos de parche de imagen de partícula, y de ese modo solamente parte de la imagen de partícula pudo ser capturada por la imagen de parche. Al igual que con la exploración LPF, la prueba de captura parcial de la realización preferida estima básicamente los píxeles que forman el contorno del parche para asegurar que los mismos representan píxeles de fondo. Esto se hace recopilando un histograma de intensidad acumulativa sobre los contornos de parche, y calculando los límites inferior superior de estas intensidades. El límite inferior en la realización preferida, o bien el tercer valor desde la parte inferior del histograma, o bien el valor del 2% desde la parte inferior del histograma, el que sea más grande. El límite superior es, o bien el tercer valor desde la parte superior del histograma o bien el valor del 2% desde la parte superior del histograma, el que sea más grande. La imagen de parche se estima que es una captura parcial si el límite inferior es menor de 185 (por ejemplo, de una intensidad de píxel que está comprendida en la gama de 0 a 255). El parche se estima también una captura parcial si el límite superior es menor que, o igual a 250, y el límite inferior es menor de 200 para tener en cuenta el caso de que el halo de una imagen de partícula toque el contorno de la imagen de parche.

Todas las partículas que sobrevivan a la prueba de captura parcial mantienen su clasificación. Todas las partículas que se estimen una captura parcial, son sometidas adicionalmente a un ART por Regla de Captura Parcial, que reclasifica tales partículas como artefacto si se cumple cualquiera de los 6 criterios siguientes:

1.: Si fue asociada a la casilla de tamaño HPF1.

2.: Si no fue clasificada como cualquiera de entre RBC, WBC, BYST, o UNCX.

3.: Si fue clasificada como RBC, y si fue asociada a la casilla de tamaño HPF2 o tuvo un Valor de Estiramiento mayor que, o igual a 5,0.

4.: Si fue clasificada como WBC, y tuvo un Valor de Estiramiento mayor que, o igual a 5,0.

5.: Si fue clasificada como UNCX y tuvo un Valor de Estiramiento mayor que, o igual a 10,0.

6.: Si fue clasificada como BYST, y tuvo un Valor de Estiramiento mayor que, o igual a 20,0.

Si la imagen de partícula cumple alguno de estos seis criterios, entonces se permite que se mantenga la clasificación de red neuronal incluso aunque la partícula fuera estimada una captura parcial, y se completa el proceso de exploración HPF. Estas seis reglas fueron seleccionadas para mantener la decisión de clasificación de partícula en casos en los que la captura parcial no distorsiona el proceso de confección de decisión de red neuronal, mientras que se eliminan aquellas partículas en las que una captura parcial pudo conducir probablemente a una decisión incorrecta.

Para determinar mejor qué características deben ser utilizadas para cada una de las redes neuronales descritas en lo que antecede, los valores de característica introducidos en cualquier red neuronal dada son modificados, uno cada vez, en una pequeña cantidad, y se registra el efecto sobre la salida de la red neuronal. Se deben utilizar aquellas características que tienen un mayor efecto sobre la salida de la red neuronal.

Confección de Decisión de Post Procesamiento

Una vez que todas las imágenes de partícula han sido clasificadas por tipo de partícula, se lleva a cabo el post-procesamiento de decisión para incrementar aún más la precisión de los resultados de clasificación. El procesamiento considera el conjunto completo de resultados, y elimina los resultados de clasificación que en conjunto no se consideran fiables.

Los umbrales de concentración ajustables de usuario son un tipo de procesamiento de decisión posterior que establece un umbral de nivel de ruido respecto a los resultados globales. Estos umbrales son ajustables por el usuario. Si la concentración de imagen clasificada de red neuronal es más baja que el umbral, entonces todas las partículas de la categoría son reclasificadas como artefactos. Por ejemplo, si la exploración HPF encuentra solamente unos pocos RBC en la muestra completa, es probable que éstos sean resultados erróneos, y que estas partículas sean reclasificadas como artefactos.

La detección amorfa excesiva es otro post-proceso de decisión que desestima resultados cuestionables si se clasifican demasiadas partículas como amorfas. En la realización preferida, si existen más de 10 parches HPF no amorfos, y más del 60% de ellos son clasificados como amorfos por las redes neuronales, entonces se descartan los resultados para la totalidad de la muestra como no fiables.

La realización preferida incluye también un número de falsos filtros positivos de LPF, los cuales descartan los resultados que sean contradictorios o cuestionables. A diferencia con las partículas HPF, los artefactos LPF entran en todas las formas y tamaños. En muchos casos, dada la resolución del sistema, es imposible distinguir artefactos LPF de verdaderos analitos clínicamente significativos. Con el fin de reducir falsos positivos debidos a artefactos LPF, se utiliza un número de filtros para estimar las decisiones de agregado realizadas por las redes, y descartar aquellos resultados que simplemente no tienen ningún sentido. Por ejemplo, si el conteo de WBC de HPF es menor de 9, entonces todos los WBCC de LPF deben ser reclasificados como artefactos, puesto que los grupos de glóbulos blancos no están probablemente presentes si no se encuentran glóbulos blancos en números significativos. Además, la detección de solo unas pocas partículas de ciertos tipos debe ser descartada, puesto que es improbable que estas partículas estén presentes en números tan bajos. En la realización preferida, el sistema debe encontrar más de 3 partículas detectadas de UNCX de LPF, o más de 2 partículas detectadas de NSE de LPF, o más de 3 partículas detectadas de MUC de LPF, o más de 2 partículas detectadas de SPRM de HPF, o más de 3 partículas detectadas de LEVADURA de LPF. Si no se cumplen estos umbrales, entonces las partículas respectivas son reclasificadas como artefactos. Además, deben existir al menos 2 partículas detectadas de BYST de HPF para aceptar cualesquiera partículas detectadas de LEVADURA de LPF.

Entrenamiento y Selección de Red Neuronal

Cada red neuronal se entrena utilizando un conjunto de entrenamiento de imágenes pre-clasificadas. Adicionalmente al conjunto de entrenamiento, se reserva un segundo conjunto más pequeño de imágenes pre-clasificadas como conjunto de prueba. En la realización preferida, el programa comercial NeuralWare, publicado por NeuralWorks, se utiliza para llevar a cabo el entrenamiento. El entrenamiento se interrumpe cuando el error medio en el conjunto de prueba se reduce al mínimo.

Este proceso se repite durante múltiples puestas en marcha iniciales y estructuras de red (es decir, el número de capas ocultas y elementos de cada capa). La opción final no solo se basa en la proporción de error medio global, sino también en satisfacer restricciones sobre errores entre clases específicas. Por ejemplo, resulta indeseable identificar una célula epitelial escamosa como un cilindro patológico debido a que las células epiteliales escamosas se producen de manera normal en muestras de orina femenina, pero los cilindros patológicos indican una situación anormal. Por lo tanto, la realización preferida favorece redes con relaciones de error de SQEP respecto a UNCC por debajo de 0,03 a costa de una mayor proporción de clasificación inapropiada de UNCC como SQEP. La situación reduce en alguna medida la sensibilidad respecto a detección de UNCC, pero minimiza los falsos positivos en las muestras hembra, lo que podría hacer que con una proporción suficientemente alta de ocurrencia, el sistema se vuelva inútil debido a que una alta proporción de muestras de orina hembra tendrían que ser denominadas anormales. De ese modo, es preferible emplear un método que no solo minimice la proporción global de error, sino que también tenga en consideración el coste de las proporciones de error específico en la selección de las redes "óptimas", y establecer este criterio de selección en el entrenamiento de red.

Como puede apreciarse a partir de cuanto antecede, el procedimiento y el aparato de la presente invención difieren de la técnica anterior en el aspecto siguiente. En la técnica anterior, en cada etapa de procesamiento, se realiza una clasificación de una partícula, siendo las restantes partículas no clasificadas consideradas artefactos o desconocidas. Con el fin de minimizar la clasificación de partículas como artefactos o desconocidas, la gama de valores respecto a la clasificación en cada etapa es amplia. Esto puede provocar una mala clasificación de las partículas.

Por el contrario, la gama de valores para la clasificación de cada etapa de la presente invención, es estrecha, lo que da como resultado que solamente sean clasificadas de ese modo las partículas que tienen una mayor probabilidad de certidumbre, y que el resto sean clasificadas en una clasificación para un procesamiento adicional que esté relacionado con la etapa previa de procesamiento. La red multi-estructura de la presente invención utiliza subgrupos de características de partícula para particionar el espacio de decisión mediante un atributo o una característica física de la partícula (por ejemplo, su redondez) y/o mediante una clasificación de partícula individual y de grupo que incluye una categoría desconocida. Este espacio de decisión particionado, que produce factores de probabilidad en cada decisión, utiliza más eficientemente la información disponible, que necesariamente es finita, y permite efectivamente que esta información sea utilizada para realizar el mismo número de decisiones en total, pero con menos resultados posibles en cada etapa. El procesamiento y el post-procesamiento permiten que la información heurística sea incluida como parte de la decisión que confecciona el proceso. El post-procesamiento permite el uso de información contextual tanto disponible a partir de otras fuentes como recopilada a partir del proceso real de confección de decisión para procesar adicionalmente los factores de probabilidad, y aumentar las decisiones. El uso de mediciones de certidumbre de red neuronal en múltiples etapas de procesamiento, fuerza imágenes en una clase de abstención, es decir, artefacto. En algún sentido, se puede ver esta alternativa multi-red como forzadora de datos de imagen para desarrollar una manopla en la que, en cada fase de la manopla, es muy probable que se coloque una categoría de "no la conozco". Esto es mucho más potente que el desarrollo simplemente a través de una sola red, puesto que en esencia, lo que se realiza son múltiples ajustes de los datos a plantillas que están mucho mejor definidas de lo que pudiera estarlo una sola plantilla, lo que permite un uso efectivo de la información. Otra forma de pensar acerca de todo esto consiste en que se analizan los datos en diferentes sub-espacios, y se requiere adaptarlos perfectamente en algún sentido, o suficientemente bien, con las características de ese sub-espacio, o de lo contrario caen fuera de la clase. El entrenamiento de las redes neuronales no incluye únicamente un solo paso a través de la red de entrenamiento, sino seleccionar a partir de un número de redes, y reducir a continuación el tamaño del vector de característica. El alto número de características en sí mismas, enfocadas cada una de ellas a un conjunto particular de características físicas, incrementa la precisión del sistema.

Claims

1. Un aparato de formación de imágenes para detectar y clasificar partículas biológicas contenidas en una muestra de orina de una persona humana, según una pluralidad de clases diferentes de clasificación final que incluyen las clases de célula epitelial no escamosa, cristal no clasificado, mucosidad, esperma, levadura, levadura gemante, agrupaciones de glóbulos blancos, y glóbulos blancos en base a una pluralidad de características de forma, simetría, esqueletización, tamaño, propiedades fotométricas, y textura de imágenes de las partículas, comprendiendo el aparato:

medios para extraer la pluralidad de características a partir de la imagen de una partícula;

medios para seleccionar y procesar un primer subgrupo de las características extraídas, para confeccionar una primera determinación cuantitativa de asignación a una clase o a varias clases de partículas;

medios para seleccionar y procesar un segundo subgrupo de las características extraídas, para determinar una clase de una clasificación final a la que pertenece dicha partícula, siendo el segundo subgrupo seleccionado en función de la primera determinación;

medios para contar los números respectivos de las partículas de cada clase de la clasificación final, y

medios para aceptar o rechazar la clasificación final de la partícula o partículas contadas en una clase de clasificación final seleccionada, en función de la comparación del número respectivo contado con respecto a un umbral de conteo predeterminado de la clase de la clasificación para la clase de la clasificación final seleccionada si la clasificación final es una cualquiera de entre célula epitelial no escamosa, cristal no clasificado, mucosidad, esperma, y levadura, y en función de la comparación del número contado en otra clase predeterminada de la clasificación final con un umbral predeterminado de conteo de la clase de la clasificación para la otra clase citada de la clasificación final si la clase de la clasificación final es un grupo de glóbulos blancos, siendo la otra clase citada de la clasificación final glóbulos blancos.

2. Un aparato de acuerdo con la reivindicación 1, que se caracteriza porque los medios selección y procesamiento de un primer subgrupo están adaptados para determinar a cuál de una pluralidad de grupos de clases de la clasificación pertenece la partícula, y porque los medios para seleccionar y procesar un segundo subgrupo están adaptados para seleccionar el segundo subgrupo dependiendo del grupo de la clase determinada de la clasificación.

3. Un aparato de acuerdo con la reivindicación 1 ó 2, que se caracteriza porque los medios de selección y procesamiento son tales que cada una de las determinaciones incluye asignar un factor de probabilidad, e incluye medios para modificar la clase de la clasificación determinada a una clasificación de artefacto en caso de que uno o más de los facto-
res de probabilidad utilizados para clasificar la partícula falle en cuanto a exceder un valor de umbral predeterminado.

4. Un aparato de acuerdo con la reivindicación 1, 2 ó 3, que se caracteriza por medios de artefacto para determinar si la partícula es un artefacto en base a una característica física predeterminada de la partícula, y para desviar los medios de selección y procesamiento a un segundo subgrupo en respuesta a una determinación afirmativa por los medios de artefacto.

5. Un aparato de acuerdo con la reivindicación 4, que se caracteriza porque los medios de artefacto incluyen medios para determinar si el contorno de la imagen de una partícula intersecta con un borde de un campo de imagen que contiene la imagen de la citada partícula, y medios para modificar la clase de clasificación determinada de la partícula a una clasificación de artefacto en caso de que se determine que el contorno y el borde intersectan.

6. Un aparato de acuerdo con una cualquiera de las reivindicaciones 1 a 5, que se caracteriza porque los medios de selección y procesamiento comprenden una pluralidad de redes neuronales.

7. Un aparato de acuerdo con la reivindicación 6, que se caracteriza por medios para entrenar las redes neuronales mediante selección y procesamiento de los subgrupos de características extraídas, utilizando un conjunto de entrenamiento de partículas conocidas junto con un conjunto de partículas de prueba, en el que los medios de entrenamiento instruyen repetidamente a las redes neuronales hasta que la proporción de exactitud de determinación de clase de la clasificación del conjunto de partículas de prueba alcanza un valor predeterminado.

8. Un aparato de acuerdo con una cualquiera de las reivindicaciones 1 a 7, que se caracteriza porque los medios de extracción incluyen:

medios para definir un primer segmento de línea que cruza un centroide de la imagen de una partícula;

medios para definir un segundo y un tercer segmentos de línea para puntos a lo largo del primer segmento de línea, que se extienden ortogonalmente hacia fuera desde el primer segmento de línea en direcciones opuestas, y

medios para utilizar la diferencia entre las longitudes del segundo y tercer segmentos de línea, para calcular una característica de simetría extraída de la imagen de la citada partícula.

9. Un aparato de acuerdo con una cualquiera de las reivindicaciones 1 a 8, que se caracteriza porque los medios de extracción incluyen además medios para plegar ortogonalmente un contorno de la imagen de dicha partícula para formar uno o más segmentos de línea.

10. Un aparato de acuerdo con una cualquiera de las reivindicaciones 1 a 9, que se caracteriza porque al menos una de la pluralidad de características extraídas es una medida de una distribución espacial de la imagen de una partícula, y al menos otra de la pluralidad de características extraídas es una medida de un dominio de frecuencia espacial de la imagen de una partícula.