ES2390069A1 - Procedimiento de caracterización y clasificación de cálculos renales - Google Patents
Procedimiento de caracterización y clasificación de cálculos renales Download PDFInfo
- Publication number
- ES2390069A1 ES2390069A1 ES201130548A ES201130548A ES2390069A1 ES 2390069 A1 ES2390069 A1 ES 2390069A1 ES 201130548 A ES201130548 A ES 201130548A ES 201130548 A ES201130548 A ES 201130548A ES 2390069 A1 ES2390069 A1 ES 2390069A1
- Authority
- ES
- Spain
- Prior art keywords
- document
- kidney stones
- analysis
- date
- pca
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 206010029148 Nephrolithiasis Diseases 0.000 title claims abstract description 82
- 208000000913 Kidney Calculi Diseases 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012512 characterization method Methods 0.000 title claims abstract description 17
- 238000000513 principal component analysis Methods 0.000 claims abstract description 76
- 238000013528 artificial neural network Methods 0.000 claims abstract description 69
- 238000000556 factor analysis Methods 0.000 claims abstract description 32
- 238000000701 chemical imaging Methods 0.000 claims abstract description 29
- 238000001228 spectrum Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000003384 imaging method Methods 0.000 claims description 5
- 241000894007 species Species 0.000 claims description 4
- 238000001356 surgical procedure Methods 0.000 claims description 4
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 2
- 238000013467 fragmentation Methods 0.000 claims 6
- 238000006062 fragmentation reaction Methods 0.000 claims 6
- 230000000694 effects Effects 0.000 claims 4
- 238000009212 extracorporeal shock wave lithotripsy Methods 0.000 claims 4
- 210000001519 tissue Anatomy 0.000 claims 4
- 230000000052 comparative effect Effects 0.000 claims 3
- 238000012314 multivariate regression analysis Methods 0.000 claims 3
- 230000006835 compression Effects 0.000 claims 2
- 238000007906 compression Methods 0.000 claims 2
- 208000017169 kidney disease Diseases 0.000 claims 2
- 230000011218 segmentation Effects 0.000 claims 2
- 238000002054 transplantation Methods 0.000 claims 2
- 208000037273 Pathologic Processes Diseases 0.000 claims 1
- 241000251539 Vertebrata <Metazoa> Species 0.000 claims 1
- 230000014461 bone development Effects 0.000 claims 1
- 238000004113 cell culture Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 claims 1
- 208000037765 diseases and disorders Diseases 0.000 claims 1
- 229940079593 drug Drugs 0.000 claims 1
- 238000011156 evaluation Methods 0.000 claims 1
- 238000001634 microspectroscopy Methods 0.000 claims 1
- 238000012986 modification Methods 0.000 claims 1
- 230000004048 modification Effects 0.000 claims 1
- 230000009054 pathological process Effects 0.000 claims 1
- 230000035790 physiological processes and functions Effects 0.000 claims 1
- 238000002460 vibrational spectroscopy Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 claims 1
- 238000005520 cutting process Methods 0.000 abstract description 2
- 239000004575 stone Substances 0.000 description 18
- 150000001875 compounds Chemical class 0.000 description 14
- DFYULHRIYLAUJM-UHFFFAOYSA-N 3,4-diiodobenzoic acid Chemical compound OC(=O)C1=CC=C(I)C(I)=C1 DFYULHRIYLAUJM-UHFFFAOYSA-N 0.000 description 12
- 239000000203 mixture Substances 0.000 description 11
- UGSQEBVMGSXVSH-UHFFFAOYSA-L calcium;oxalate;dihydrate Chemical compound O.O.[Ca+2].[O-]C(=O)C([O-])=O UGSQEBVMGSXVSH-UHFFFAOYSA-L 0.000 description 10
- 230000003595 spectral effect Effects 0.000 description 10
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 9
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 9
- 229940116269 uric acid Drugs 0.000 description 9
- 230000015572 biosynthetic process Effects 0.000 description 8
- XAAHAAMILDNBPS-UHFFFAOYSA-L calcium hydrogenphosphate dihydrate Chemical compound O.O.[Ca+2].OP([O-])([O-])=O XAAHAAMILDNBPS-UHFFFAOYSA-L 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 229910052588 hydroxylapatite Inorganic materials 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- XYJRXVWERLGGKC-UHFFFAOYSA-D pentacalcium;hydroxide;triphosphate Chemical compound [OH-].[Ca+2].[Ca+2].[Ca+2].[Ca+2].[Ca+2].[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O XYJRXVWERLGGKC-UHFFFAOYSA-D 0.000 description 8
- LEVWYRKDKASIDU-QWWZWVQMSA-N D-cystine Chemical compound OC(=O)[C@H](N)CSSC[C@@H](N)C(O)=O LEVWYRKDKASIDU-QWWZWVQMSA-N 0.000 description 7
- 229960003067 cystine Drugs 0.000 description 7
- 230000007423 decrease Effects 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- CKMXBZGNNVIXHC-UHFFFAOYSA-L ammonium magnesium phosphate hexahydrate Chemical compound [NH4+].O.O.O.O.O.O.[Mg+2].[O-]P([O-])([O-])=O CKMXBZGNNVIXHC-UHFFFAOYSA-L 0.000 description 5
- 239000013078 crystal Substances 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 239000005416 organic matter Substances 0.000 description 5
- 229910052567 struvite Inorganic materials 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000000985 reflectance spectrum Methods 0.000 description 4
- 238000004626 scanning electron microscopy Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000000386 microscopy Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- OSFNTBWKQRIPCR-UHFFFAOYSA-N 7,9-dihydro-3h-purine-2,6,8-trione;dihydrate Chemical compound O.O.N1C(=O)NC(=O)C2=C1NC(=O)N2 OSFNTBWKQRIPCR-UHFFFAOYSA-N 0.000 description 2
- QXDMQSPYEZFLGF-UHFFFAOYSA-L calcium oxalate Chemical compound [Ca+2].[O-]C(=O)C([O-])=O QXDMQSPYEZFLGF-UHFFFAOYSA-L 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000002425 crystallisation Methods 0.000 description 2
- 230000008025 crystallization Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000002149 energy-dispersive X-ray emission spectroscopy Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 101100545096 Bacillus subtilis (strain 168) yxiE gene Proteins 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001178412 Cistina Species 0.000 description 1
- 240000002329 Inga feuillei Species 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 102220609776 Nuclear protein MDM1_N17E_mutation Human genes 0.000 description 1
- 241000364021 Tulsa Species 0.000 description 1
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 238000000441 X-ray spectroscopy Methods 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 244000213578 camo Species 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- LEVWYRKDKASIDU-UHFFFAOYSA-N cystine Chemical compound OC(=O)C(N)CSSCC(N)C(O)=O LEVWYRKDKASIDU-UHFFFAOYSA-N 0.000 description 1
- LEVWYRKDKASIDU-IMJSIDKUSA-N cystine group Chemical group C([C@@H](C(=O)O)N)SSC[C@@H](C(=O)O)N LEVWYRKDKASIDU-IMJSIDKUSA-N 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4842—Monitoring progression or stage of a disease
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
- A61B5/201—Assessing renal or kidney functions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/40—Measuring the intensity of spectral lines by determining density of a photograph of the spectrum; Spectrography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Physiology (AREA)
- Optics & Photonics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Theoretical Computer Science (AREA)
- Urology & Nephrology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
Procedimiento de caracterización y clasificación de cálculos renales, que comprende las siguientes etapas:(a) se toman una pluralidad de muestras de cálculos renales y se cortan para observar su interior, obteniendo una superficie lo más plana posible, (b) se aplica la técnica de Formación de Imágenes Hiperespectrales (HSI) obteniendo los espectros de los cálculos renales anteriormente cortados, seleccionando una pluralidad de Regiones de Interés (ROI) y analizando la imagen a través de Análisis de Componentes Principales (PCA)(c) se identifican las especies principales mediante Análisis de Factores (FA)(d) se identifican valores atípicos a través de Análisis de Componentes Principales (PCA)(e) se analizan los diferentes tipos de cálculos renales a través de un Análisis de Componentes Principales (PCA)(f) a los datos obtenidos del Análisis de Componentes Principales (PCA) se aplica la técnica de Redes Neuronales Artificiales (ANN) para su clasificación.
Description
Procedimiento de caracterización y clasificación de cálculos renales
Objeto de la invención
La presente invención trata de un procedimiento de caracterización y clasificación de cálculos renales, a través del análisis por la Formación de Imágenes Hiperespectrales (HIS) y las Redes Neuronales Artificiales (ANN), permitiendo altas velocidades en las mediciones, y no necesitando de gran preparación previa de las muestras iniciales.
La formación de piedras en el riñón es una enfermedad que afecta a un porcentaje considerable de la población. Pueden encontrarse una diversidad de sustancias como compuestos principales en los cálculos renales; por lo tanto, su caracterización es de enorme importancia para encontrar las causas de este problema. En este sentido, el análisis de la composición y de la estructura de la piedra pueden proporcionar información clave sobre las condiciones de la orina durante el crecimiento del cristal.
Se han realizado muchos estudios en este campo, básicamente dirigidos a la reducción de los índices de incidencia y al aumento de la calidad de vida de los pacientes que la padecen, recortando al mismo tiempo los costes médicos para tratamientos relacionados y cirugía. Un estudio cuidadoso de la estructura de la piedra renal expulsada puede proporcionar información clave sobre el proceso de formación de la piedra y las condiciones de la orina durante el crecimiento del cristal. Por lo tanto, analizando específicamente el núcleo y la corteza externa de la muestra, es posible determinar el compuesto que sirve como núcleo de precipitación y las sustancias que precipitan después.
Se han desarrollado hasta la fecha muchas metodologías para la clasificación de las piedras renales. Las más extendidas son el examen de las piedras renales por microscopía estereoscópica y análisis de IR. La primera tiene la ventaja principal de que permite la identificación de diferentes sustancias en toda el área de la muestra, de modo que es posible determinar en su totalidad las características morfológicas de la piedra. Sin embargo, esta metodología es pesada y, más significativamente, altamente dependiente de los conocimientos del operario. Respecto a las metodologías de IR desarrolladas, requieren la molienda de la muestra, proceso por el cual el análisis espacial de la muestra pierde cualquier significado.
Además, se han llevado a cabo hasta la fecha algunos estudios de la estructura de las piedras renales, incluyendo otras técnicas tales como NIR, Microscopía Electrónica de Barrido – Espectroscopía de Rayos X de energía Dispersiva (SEM-EDS) e incluso difracción de rayos X. La espectroscopia en el NIR muestra un buen funcionamiento para la determinación de la composición de los cálculos renales, e incluso de cuantificación para mezclas. No obstante, esos trabajos requieren todavía cierto pretratamiento de la muestra, lo que hace que el análisis no sea práctico de aplicar en un hospital.
Descripción de la invención
La invención que aquí se describe trata de un nuevo procedimiento de caracterización y clasificación de cálculos renales, basado en la Formación de Imágenes Hiperespectrales, para el estudio de dichas piedras en el riñón, en combinación con análisis a través de Redes Neuronales Artificiales (ANN). Los espectros de reflectancia en el NIR de las piedras analizadas muestran diferencias significativas que pueden usarse para su clasificación. También se evaluó la posibilidad de usar Redes Neuronales Artificiales para la clasificación de los cálculos renales. Los resultados muestran más de un 90% de clasificación correcta para todas las clases de piedras, incluyendo aquellas que son mezclas de compuestos. Estos prometedores resultados demuestran el buen funcionamiento de la metodología desarrollada y proporcionan nuevas perspectivas para mejorar la calidad de vida de los pacientes.
El procedimiento de caracterización de piedras en el riñón que aquí se describe utiliza la técnica de Formación de Imágenes Hiperespectrales o Formación de Imágenes Químicas (HSI), que combina una cámara con un espectrómetro para permitir la captura de un espectro para cada píxel de la imagen adquirida, siendo entonces posible caracterizar la superficie completa de la muestra. En lo que se refiere a la importancia de la caracterización espacial de la muestra, la Formación de Imágenes Hiperespectrales o Formación de Imágenes Químicas (HSI) es muy útil para los objetivos de este trabajo, puesto que permite la caracterización de áreas realmente pequeñas en la superficie de la muestra. Además de la resolución espacial, la formación de imágenes hiperespectrales puede permitir altas velocidades para las mediciones, siendo necesaria una escasa preparación de la muestra. En esencia, la Formación de Imágenes Hiperespectrales o Formación de Imágenes Químicas (HSI) es una posibilidad interesante para analizar muestras de piedra renales en un hospital.
Para la gestión de la enorme cantidad de datos disponibles a partir de la formación de imágenes hiperespectrales son necesarias algunas técnicas quimiométricas. El Análisis de Componentes Principales (PCA) se usa habitualmente para explorar los datos sin procesar antes de la aplicación de una técnica de clasificación, tal como Redes Neuronales Artificiales (ANN). Las Redes Neuronales Artificiales ANN muestran un número continuamente creciente de aplicaciones en muchos campos, puesto que pueden resolver satisfactoriamente problemas analíticos complejos. Aunque es simple en estructura, el amplio número de interconexiones en el interior de la estructura de la Red Neuronal Artificial (ANN) muestra un potencial interesante para cálculos. En realidad, ya se han usado Redes Neuronales Artificiales (ANN) en medicina con buenos resultados, incluso en urología, donde las aplicaciones principales han estado relacionadas con el diagnóstico del cáncer y otras enfermedades, aunque nunca se han usado para la clasificación de piedras renales.
El objetivo principal de este trabajo es evaluar la posibilidad de usar NIR-HSI y Redes Neuronales Artificiales (ANN) para la caracterización y clasificación de cálculos renales, ya que esto podría ser útil para el diagnóstico médico, mejorando la caracterización convencional realizada hasta ahora.
Así, el procedimiento propuesto para la caracterización de piedras en el riñón comprende las siguientes fases:
- -
- Seleccionar una pluralidad de tipos de cálculos renales
- -
- Cortar las piedras para ver la parte interna y obtener una superficie tan plana como fuera posible
- -
- Se analizan dichas superficies de las piedras por HSI en combinación con Análisis de Factores (FA), Análisis de Componentes principales (PCA) y Redes Neuronales Artificiales (ANN)
Las mediciones hiperespectrales se realizan usando una cámara espectral en el NIR que consiste en un espectrógrafo de formación de imágenes y una cámara. Funciona como una cámara de exploración en línea de tipo escoba que proporciona información espectral contigua completa para cada píxel en la línea. La cámara espectral está alojada en una plataforma de laboratorio para realizar la inspección de diferentes muestras. La plataforma está equipada con una cinta transportadora que permite el movimiento de partículas para que se adquieran los espectros, con un marco para sostener el sensor espectral y la fuente de luz, con una consola de control usada también como mesa de trabajo y un lugar para un ordenador digital y un monitor. El dispositivo está controlado por una unidad de PC equipada con un software de adquisición/preprocesamiento.
Los espectros de las muestras se miden fijándolos a un soporte de plástico con el lado interior hacia arriba, de modo que el núcleo sea visible para el detector, para minimizar el error en las mediciones que podrían causar las vibraciones que venían de la cinta transportadora.
El análisis de las piedras se realiza seleccionando una pluralidad de regiones de interés en la superficie de la muestra. Aunque este análisis de regiones de interés pierde la información para cada píxel individual, tiene dos ventajas principales. En primer lugar, al seleccionar algunas áreas en lugar de píxeles individuales, se está alisando la superficie de la muestra, ya que algunos píxeles podrían ser ligeramente diferentes del resto de la muestra. Esta diferencia puede explicarse atendiendo a la naturaleza de la muestra, ya que podría haberse mantenido algo de materia orgánica dentro de la estructura de la piedra durante el proceso de cristalización. En segundo lugar, la cantidad de información que se va a gestionar es mucho más pequeña que en el análisis de píxel por píxel.
Además, se realiza un análisis de la imagen por Análisis de Componentes Principales (PCA) sobre cada píxel individual, mostrando las capacidades de esta técnica para la clasificación de imágenes completas.
Para el tratamiento de los datos se usan tres métodos diferentes:
- -
- Análisis de Factores (FA)
- -
- Análisis de Componentes Principales (PCA)
- -
- Rede Neuronal Artificial (ANN)
Aunque el Análisis de Factores (FA) y el Análisis de Componentes Principales (PCA) comparten el mismo objetivo principal, es decir, la reducción del número de variables del sistema encontrando conexiones latentes entre variables reales, y algunas características matemáticas, tienen diferencias que permiten obtener información diferente.
El Análisis de Factores (FA) se basa en la correlación entre variables reales, y el número de variables consideradas descriptores del sistema se selecciona de acuerdo con el valor eigen asociado. Se han sugerido varios criterios diferentes para decidir cuántos factores son descriptivos para el sistema, y cada caso tiene su propia solución, puesto que no hay reglas generales que encajen en todos los casos. La regla de Kaiser, que indica que sólo los factores con un valor eigen asociado superior a 1 son representativos para el sistema, se ha aplicado en este estudio. Todos los demás factores representan combinaciones lineales de variables reales; por lo tanto, no describen ningún componente nuevo del sistema.
Por otro lado, el Análisis de Componentes Principales (PCA) se basa en la varianza de los datos. Por lo tanto, el componente principal clave para el sistema permite la dirección en la que los datos tienen una varianza mayor.
Debido a estas propiedades, el Análisis de Factores (FA) se usa para comprobar cómo pueden distinguirse muchos componentes diferentes en todas las muestras, mientras que el Análisis de Componentes Principales (PCA) es útil para la selección de variables.
Respecto a las Redes Neuronales Artificiales (ANN), se consideran una herramienta informática sofisticada y potente, que resuelve problemas analíticos difíciles aprendiendo de casos reales. A pesar de las muchas estructuras diferentes que pueden adoptar las Redes Neuronales Artificiales (ANN), la estructura usada en este estudio siempre tenía tres capas: de entrada, capa oculta y de salida.
El algoritmo seleccionado para el proceso de aprendizaje es la retropropagación. La optimización de la Redes Neuronales Artificiales (ANN) se lleva a cabo minimizando el error RMS, cuando se modifica el número de nodos en la capa oculta.
El Análisis de Factores (FA) (así como el Análisis de Componentes Principales y Redes Neuronales) se realiza a través de un software. Los datos usados para este análisis son los espectros correspondientes a los diferentes grupos de componentes que representan la variedad total de sustancias estudiadas. El peso del valor eigen asociado a cada factor disminuye para factores menos importantes. El análisis de Factores (FA) distingue las especies principales que forman los cálculos renales. De este modo, se propone un Análisis de Componentes Principales (PCA) para crear un modelo capaz de clasificar los diferentes tipos de piedras renales estudiados.
El Análisis de Componentes Principales (PCA) se realiza, mediante software, sobre cada grupo separado de piedras renales para determinar la existencia de valores atípicos dentro de los datos sin procesar. La eliminación de cualquier punto de muestras originales es una etapa crucial, puesto que al suprimir información disminuye la variabilidad del sistema. Además, no hay forma de estar completamente seguro de si una muestra está correctamente considerada como valor atípico. Por lo tanto, los criterios para la determinación de los valores atípicos se basaban en la variabilidad que muestran los espectros de las muestras. Los datos se han limpiado para tener una base de datos más fiable. Debido a la naturaleza biológica de las muestras, la estructura de los cristales que forman la piedra renal podría contener materia orgánica, que puede mantenerse en la estructura de la piedra durante su proceso de crecimiento. Además, atendiendo a la naturaleza de las muestras, la superficie medida puede no ser completamente regular, teniendo por lo tanto un valor de reflectancia que difiere del promedio del grupo.
Cada Región de Interés (ROI) se considera una muestra diferente en los términos del software. Se tienen en cuenta el intervalo completo de variables para los cálculos, pudiendo comprobar de este modo si cualquiera de las regiones de una muestra o una muestra completa es realmente diferente del resto.
Se representan los Componentes Principales (PC) del sistema, haciendo posible la detección de valores atípicos dentro de los datos sin procesar.
Después de que se hubieran limpiado los datos, se realizó un Análisis de Componentes Principales (PCA) sobre los diferentes grupos principales de cálculos renales para crear un modelo capaz de clasificar correctamente las piedras renales estudiadas. Se comprueba la eficacia mediante la validación cruzada, y todos los datos se centraron en la media.
Para obtener una distribución más amplia de la varianza de los datos, se realizó la primera derivada de los datos sin procesar. Esta etapa requiere un suavizado previo de los datos. Los resultados para predecir muestras son mejores que los datos no derivados, por tanto, la primera derivada aumenta las ligeras diferencias existentes entre los grupos de cálculos renales.
Se ha observado, cuando se trabaja con Análisis de Componentes Principales (PCA), que los mejores resultados de clasificación se obtienen si los espectros de reflectancia medidos se suavizan y después se calcula la primera derivada.
El Modelo de Redes Neuronales Artificiales (ANN) se aplica para reducir el número de variables en el sistema. El uso de estas Redes Neuronales Artificiales (ANN) para el tratamiento de datos hiperespectrales muestra resultados similares a los obtenidos con técnicas convencionales. Sin embargo, es importante comentar que la metodología convencional requiere operarios entrenados mientras que las ANN realizan la clasificación independientemente de los conocimientos del operario. Además consigue un diagnóstico más rápido, aumentando la calidad de vida del paciente.
Descripción de los dibujos
Para completar la descripción que se está realizando y con objeto de ayudar a una mejor comprensión de las características del invento, de acuerdo con un ejemplo preferente de la realización práctica del mismo, se acompaña como parte integrante de dicha descripción, un juego de dibujos en donde con carácter ilustrativo y no limitativo, se ha representado lo siguiente:
La Figura 1.-muestra los valores Eigen para los siete grupos principales de cálculos renales del estudio experimental.
La Figura 2.-muestra las puntuaciones para PC1 frente a PC2 para 27 muestras de Ácido Úrico Anhidro.
La Figura 3.-muestra la varianza del modelo para cada Componente Principal (PC).
La Figura 4.-muestra, dentro de la parte experimental, las cargas de cada variable para cada uno de los 7 primeros Componentes Principales.
La Figura 5.-muestra, dentro de la parte experimental, las puntuaciones de los 7 grupos principales de piedras renales para PC1 frente a PC2.
La Figura 6.-muestra, dentro de la parte experimental, la representación 3D de puntuaciones para PC1, PC2 y PC3.
La Figura 7.-muestra las puntuaciones para PC1 frente a PC3.
La Figura 8.-muestra un ejemplo para la optimización de la Red Neuronal Artificial (ANN)
Realización preferente de la invención
La invención propuesta trata de un nuevo procedimiento de caracterización y clasificación de cálculos renales, que utiliza la técnica de Formación de Imágenes Hiperespectrales combinada con Redes Neuronales Artificiales. Comprende las siguientes etapas de manera general:
- (a)
- se toman una pluralidad de muestras de cálculos renales y se cortan para observar su interior, obteniendo una superficie lo más plana posible,
- (b)
- se aplica la técnica de Formación de Imágenes Hiperespectrales (HSI) obteniendo los espectros de los cálculos renales anteriormente cortados, seleccionando una pluralidad de Regiones de Interés (ROI) y analizando la imagen a través de Análisis de Componentes Principales (PCA)
- (c)
- se identifican las especies principales mediante Análisis de Factores (FA)
- (d)
- se identifican valores atípicos a través de Análisis de Componentes Principales (PCA)
- (e)
- se analizan los diferentes tipos de cálculos renales a través de un Análisis de Componentes Principales (PCA)
- (f)
- a los datos obtenidos del Análisis de Componentes Principales (PCA) se aplica la técnica de Redes Neuronales Artificiales (ANN) para su clasificación.
Ejemplo de realización preferente
Para este estudio, se seleccionaron 215 muestras de una biblioteca de más de 1400 cálculos renales. Se consideraron once tipos de componentes de piedras renales, incluso sus mezclas. Todas estas muestras se recogieron en el servicio de urología del Hospital Universitari de Bellvitge, Barcelona (España). Los criterios de selección se basaban en tener tanta variabilidad como fuera posible, para cualquier tipo de piedra renal.
Las muestras se dividieron en dos grupos diferentes atendiendo a su composición. En primer lugar, se consideran siete tipos principales de piedras renales, puesto que representan los diferentes compuestos que se encuentran habitualmente como cálculos renales: AUA (Ácido Úrico Anhidro), BRU (Brushita), COD (Oxalato Cálcico Dihidrato), COM (Oxalato Cálcico Monohidrato), CYS (Cistina), HAP (Hidroxiapatita) y STR (EStruvita). En segundo lugar, se estudian cuatro grupos más, incluyendo mezclas de los primeros, en concreto: AUD (Ácido Úrico Dihidrato), MXL (Oxalato Cálcico e Hidroxiapatita mezclado, en capas), MXD (Oxalato Cálcico e Hidroxiapatita mezclado) y TRA (Oxalato Cálcico Dihidratado transformado en Oxalato Cálcico Monohidratado). Se analizan un número total de 11 tipos diferentes de piedras renales.
Todas las muestras se cortaron con un bisturí para observar la parte interior de la piedra y, al mismo tiempo, para obtener una superficie tan plana como fuera posible, que se analizará mediante el equipo de HSI.
Las muestras se analizaron en primer lugar por medio de microscopía estereoscópica, para comparar estos resultados con los obtenidos posteriormente con la metodología propuesta. Esta técnica se ha usado ampliamente para la caracterización de piedras renales.
Para aquellas muestras no bien caracterizadas mediante este método, se realizó un análisis de Microscopía Electrónica de Barrido (SEM). En esos casos, una pequeña parte de la muestra se metalizó con una capa de grafito (el pico Au podía solaparse con el de P en el análisis de EDS) y se llevó al microscopio electrónico. Para este fin, se usaron dos equipos de SEM diferentes: Microscopio Electrónico de Barrido JEOL JSM-6300 (Japón) acoplado a un Espectrómetro de Rayos X de Energía Dispersiva Oxford Instruments Link ISIS-200 (Reino Unido) (laboratorio de la Universitat Autònoma de Barcelona) y un Microscopio Electrónico de Barrido HITACHI S2500 (Japón) acoplado a un Espectrómetro de Rayos X de Energía Dispersiva Kevex 8000 (Estados Unidos) (laboratorio de la Università di Roma). La estructura de las muestras se analizó y se realizó el análisis de EDS en algunas partes de la piedra para confirmar la
composición elemental de la muestra.
En cuanto a la medición mediante la Formación de Imágenes Hiperespectrales, se realizaron usando una cámara espectral en el NIR que consistía en un espectrógrafo de formación de imágenes ImSpector N17E para la región de longitud de onda de 1000-1700 nm y una cámara Ingaes termoestabilizada (Specim, Finlandia). Funciona como una cámara de exploración en línea de tipo escoba que proporciona información espectral contigua completa para cada píxel en la línea. La cámara espectral está alojada en una plataforma de laboratorio desarrollada por DV srl (Italia) para realizar la inspección de diferentes muestras. La plataforma está equipada con una cinta transportadora que permite el movimiento de partículas para que se adquieran los espectros, con un marco para sostener el sensor espectral y la fuente de luz, con una consola de control usada también como mesa de trabajo y un lugar para un ordenador digital y un monitor. El dispositivo está totalmente controlado por una unidad de PC equipada con el software de adquisición/preprocesamiento Spectral ScannerTM v.2.3.
La resolución de los espectros era de 7 nm; por lo tanto, se midió una cantidad total de 121 longitudes de onda. El espectrómetro estaba acoplado una lente de 50 mm. La resolución de la anchura de la imagen era de 320 píxeles, mientras que el número de cuadros, es decir, la resolución de la imagen en los ejes Y, variaba de 200 a 350, dependiendo del número de muestras medidas en un momento.
Los espectros de las muestras se midieron fijándolos a un soporte de plástico con el lado interior hacia arriba, de modo que el núcleo fuera visible para el detector, para minimizar el error en las mediciones que podrían causar las vibraciones que venían de la cinta transportadora.
Las mediciones espectrales se calcularon como reflectancia relativa (R), de acuerdo con la ecuación siguiente:
donde rs es la reflectancia medida, rb es la reflectancia medida para el negro (interferencia de fondo) y rw es la reflectancia para un blanco patrón (reflectancia del 100%).
El análisis de las piedras se realizó seleccionando algunas Regiones de Interés (ROI) en la superficie de la muestra. Se recogieron aleatoriamente cinco Regiones de Interés (ROI) para cada muestra, para tener datos representativos de toda la superficie. Aunque este análisis de Regiones de Interés (ROI) pierde la información para cada píxel individual, tiene dos ventajas principales. En primer lugar, al seleccionar algunas áreas en lugar de píxeles individuales, se está alisando la superficie de la muestra, ya que algunos píxeles podrían ser ligeramente diferentes del resto de la muestra. Esta diferencia puede explicarse atendiendo a la naturaleza de la muestra, ya que podría haberse mantenido algo de materia orgánica dentro de la estructura de la piedra durante el proceso de cristalización. En segundo lugar, la cantidad de información que se va a gestionar es mucho más pequeña que en el análisis de píxel por píxel.
Además, se realiza un análisis de la imagen por Análisis de Componentes Principales (PCA) sobre cada píxel individual, mostrando las capacidades de esta técnica para la clasificación de imágenes completas.
Por etapas, se usaron tres métodos diferentes para analizar los datos: Análisis de Factores (FA), Análisis de Componentes Principales (PCA) y Redes Neuronales Artificiales (ANN).
Aunque el Análisis de Factores (FA) y el Análisis de Componentes Principales (PCA) comparten el mismo objetivo principal, es decir, la reducción del número de variables del sistema encontrando conexiones latentes entre variables reales, y algunas características matemáticas, tienen diferencias que permiten obtener información diferente.
El Análisis de Factores (FA) se basa en la correlación entre variables reales, y el número de variables consideradas descriptores del sistema se selecciona de acuerdo con el valor eigen asociado. Se han sugerido varios criterios diferentes para decidir cuántos factores son descriptivos para el sistema, y cada caso tiene su propia solución, puesto que no hay reglas generales que encajen en todos los casos. La regla de Kaiser, que indica que sólo los factores con un valor eigen asociado superior a 1 son representativos para el sistema, se ha aplicado en este estudio. Todos los demás factores representan combinaciones lineales de variables reales; por lo tanto, no describen ningún componente nuevo del sistema.
Por otro lado, el Análisis de Componentes Principales (PCA) se basa en la varianza de los datos. Por lo tanto, el componente principal clave para el sistema permite la dirección en la que los datos tienen una varianza mayor.
Debido a estas propiedades, el Análisis de Factores (FA) se usó para comprobar cómo pueden distinguirse muchos componentes diferentes en todas las muestras, mientras que el Análisis de Componentes Principales (PCA) era útil para la selección de variables.
Respecto a las Redes Neuronales de Artificiales (ANN), se consideran una herramienta informática sofisticada y potente, que resuelve problemas analíticos difíciles aprendiendo de casos reales. A pesar de las muchas estructuras diferentes que pueden adoptar las Redes Neuronales Artificiales (ANN), la estructura usada en este estudio siempre tenía tres capas: de entrada, capa oculta y de salida.
El algoritmo seleccionado para el proceso de aprendizaje es la retropropagación. La optimización de la Redes Neuronales Artificiales (ANN) se lleva a cabo minimizando el error RMS, cuando se modifica el número de nodos en la capa oculta.
Los datos de Formación de Imágenes Hiperespectrales se han tratado usando el software siguiente: para el FA, STATISTICA, Tulsa, OK, Estados Unidos; para el Análisis de Componentes Principales (PCA), The Unscrambler v 9.1, Camo Process, Oslo, Noruega; para el tratamiento de imágenes, MATLAB v 7.0, MA, Estados Unidos (PLS Toolbox por Eigenvector Research, Inc.) y para las ANN TRAJAN v 3.0, Horncastle, Reino Unido.
Se usó el software STATISTICA para realizar el Análisis de Factores (FA) sobre los datos. Los datos usados para este análisis eran los espectros correspondientes a los siete grupos de componentes diferentes, puesto que representan la variedad total de sustancias estudiadas.
La Figura 1 muestra cómo el peso del valor eigen asociado a cada factor disminuye para factores menos importantes, siendo el séptimo factor el último que tiene un valor superior a 1. Este podría ser el último factor que describe el sistema, siguiendo la regla de Kaiser. En consecuencia, puede observarse que el Análisis de Factores (FA) distingue las especies principales que forman los cálculos renales. Teniendo en cuenta estos resultados, se propone un análisis de Análisis de Componentes Principales (PCA) para crear un modelo capaz de clasificar los diferentes tipos de piedras renales estudiados.
En primer lugar, se realizó un Análisis de Componentes Principales (PCA) sobre cada grupo separado de piedras renales, teniendo cada una de ellas una composición química diferente, para determinar la existencia de valores atípicos dentro de los datos sin procesar. Esos grupos de muestras incluyen los siete grupos principales de piedras renales.
La eliminación de cualquier punto de las muestras originales es una etapa crucial, puesto que al suprimir información disminuye la variabilidad del sistema. Además, no hay forma de estar completamente seguro de si una muestra está correctamente considerada como valor atípico. Por lo tanto, los criterios para la determinación de los valores atípicos se basaban en la variabilidad que muestran los espectros de las muestras. Los datos se han limpiado para tener una base de datos más fiable. Debido a la naturaleza biológica de las muestras, la estructura de los cristales que forman la piedra renal podría contener materia orgánica, que puede mantenerse en la estructura de la piedra durante su proceso de crecimiento. Además, atendiendo a la naturaleza de las muestras, la superficie medida puede no ser completamente regular, teniendo por lo tanto un valor de reflectancia que difiere del promedio del grupo.
El análisis de las muestras de Acido Úrico Anhidro (AUA) se mostrará como ejemplo, considerando que el resto de grupos se han analizado de la misma forma.
Se usó el software The Unscrambler para realizar el Análisis de Componentes Principales (PCA) sobre 5Regiones de Interés (ROI) para cada muestra de Ácido Úrico Anhidro (AUA). Por lo tanto, cada Región de Interés (ROI) se consideraba una muestra diferente en los términos del software. En esta primera etapa, se tuvo en cuenta el intervalo completo de variables para los cálculos, es decir, 97 variables. Al organizar los datos de este modo, es posible comprobar si cualquiera de las regiones de una muestra o una muestra completa es realmente diferente del resto.
Al representar los Componentes Principales (PC) del sistema, es posible la detección de valores atípicos dentro de los datos sin procesar. La distribución de los valores de las puntuaciones para PC1 y PC2 para todas las Regionesde Interés (ROI) de Ácido Úrico Anhidro (AUA) se muestra en la Figura 2. Esta representación incluye la elipse T2 de Hotelling, que muestra la distancia de cada punto desde el centro del modelo. En nuestro caso, esta elipse representa el 95% de la varianza del modelo.
Si se analiza atentamente la Figura 2, parece claro que cuatro Regiones de Interés (ROI) están fuera de la elipse de Hotelling para valores de PC1 negativos. Puesto que todas estas Regiones de Interés (ROI) corresponden a la misma muestra, se considera que éste es un valor atípico.
Por otro lado, hay dos Regiones de Interés (ROI) fuera de la elipse con valores de PC1 positivos que representan muestras diferentes. Sin embargo, estas Regiones de Interés (ROI) no se suprimen de la colección completa de datos para no sobreajustar el sistema.
Después de aplicar este tratamiento a todos los grupos de piedras renales diferentes, está claro que sólo unamuestra de Ácido Úrico anhidro (AUA) y otra de Oxalato Cálcico Monohidrato (COM) es probable que sean valores atípicos.
Después de que se hubieran limpiado los datos, se realizó un Análisis de Componentes Principales (PCA) sobre los siete grupos de cálculos renales para crear un modelo capaz de clasificar correctamente las piedras renales estudiadas.
Este modelo se realizó tomando para el cálculo las 97 variables. La eficacia se comprobó por medio de validación cruzada, y todos los datos se centraron en la media.
En primer lugar, el modelo se calculó directamente a partir de los datos de reflectancia adquiridos. La Figura 3 Modelo A muestra que, en este caso, los dos primeros Componentes Principales (PC) representan el 95% de la varianza del modelo, teniendo por lo tanto el resto de Componentes Principales (PC) un valor relativamente bajo.
Para obtener una distribución más amplia de la varianza de los datos, se realizó la primera derivada de los datos sin procesar. Esta etapa requiere un suavizado previo de los datos, que se realizó por medio del algoritmo de Savitzky-Golay, usando una ventana de 5 puntos. En este caso, se observa una explicación de la varianza muy distribuida; en concreto, son necesarios hasta 7 Componentes Principales (PC) para explicar el 96% de la varianza para el modelo (Figura 3 Modelo B).
No obstante, como puede observarse en la sección siguiente, sus resultados para predecir muestras son mejores que los de datos no derivados. Por consiguiente, puede concluirse que la primera derivada aumenta las ligeras diferencias existentes entre los siete grupos de cálculos renales. Por esta razón, se usó la primera derivada de los espectros para el tratamiento adicional de los datos.
Los métodos multivariable pueden dar una cantidad de información mucho mayor que los univariables, aunque muchas variables del intervalo medido podrían no proporcionar datos valiosos sino interferencia. En este sentido, se puede aprovechar el hecho de que uno de los enunciados básicos del Análisis de Componentes Principales (PCA) es la reducción del número de variables, tomando sólo la información contenida en las variables reales. En realidad, no todas las regiones del espectro NIR proporcionan información relevante al modelo. Entonces, seleccionando aquellas longitudes de onda con las mayores capacidades de clasificación se reducen las interferencias del sistema, aumentando su precisión y simplificando los cálculos para el modelo.
Las longitudes de onda que se llevarán a los cálculos pueden ser aquellas que tengan un valor superior para la carga para cada Componente Principal (PC). La representación de las cargas de cada longitud de onda para cada Componente Principal (PC) (Figura 4) es una forma clara de ver cuáles son las longitudes de onda más importantes.
A partir de la información de la Figura 4 y de la representación de los valores de las puntuaciones para dos Componentes Principales (PC), también es posible definir las variables que definen cada compuesto.
La representación de puntuaciones para PC1 frente a PC2 (Figura 5) se proporciona como ejemplo. Muestraque tanto el Ácido Úrico Anhidro (AUA) como la Cistina (CYS) tienen valores negativos para PC1 pero de signo opuesto para PC2, lo que significa que PC2 está diferenciando claramente estos dos componentes.
A partir de la Figura 5 puede observarse que PC2 está bien definido con valores de carga positivos para las longitudes de ondas de los intervalos de 1188-1230 nm y 1440-1542 nm. Todas estas energías se asocian a vibraciones de enlaces C-H. Esta asociación se concuerda perfectamente con la estructura de Cistina, puesto que éste es el único componente del conjunto estudiado que tiene enlaces C-H. Por otro lado, las longitudes de onda de 971-978 nm y 10831167 nm tienen valores de carga negativos para PC2. En este caso, las vibraciones de enlaces asociadas son las de Ar-OH, que pueden estar relacionadas solamente con Ácido Úrico anhidro (AUA), por equilibrio tautomérico con la estructura de la Cistina.
Además de la información respecto a Cistina (CYS) y Ácido Úrico anhidro (AUA), pueden obtenerse algunos otros datos que definan el resto de compuestos de la Tabla 1, que se muestra a continuación. Claramente, la vibración que diferencia a Oxalato Cálcico Monohidrato (COM) y Oxalato Cálcico Dihidrato (COD) es la banda para el agua.
La Tabla 1 siguiente muestra la información principal extraída de las puntuaciones y cargas para cada grupo de piedras renales:
- Tipo de piedra renal
- PC característicos con mayor carga (nm) Vibraciones de NIR asociadas
- CYS
- PC1<0 PC2>0 1188-1230, 1440-1542 CH, CH2, CH3
- AUA
- PC1<0 PC2>0 971-978, 1083-1167 Ar-OH
- COD
- PC3>0 PC2<0
- 1426-1475
- H2O
- COM
- PC3<0 PC4>0
- BRU
- PC3<0 PC4<0 1223-1244 CH
- HAP
- No bien definidas
- STR
Puede apreciarse que las bandas de NIR que definen Brushita (BRU) están comprendidas en el intervalo en el que aparecen vibraciones de C-H. Este hecho podría explicarse debido a la cantidad especialmente elevada de materia orgánica contenida en los cálculos de Brushita (BRU), puesto que no se encuentran enlaces de C-H en la estructura de la brushita.
El inconveniente principal que ha demostrado el Análisis de Componentes Principales (PCA) es el de ser incapaz de separar la Hidroxiapatita (HAP) y la Estruvita (STR), resultados que pueden observarse claramente en la Figura 6, donde estos dos compuestos aparecen como dos grupos superpuestos. Estos resultados pueden entenderse si se tiene en cuenta su composición muy similar. Los cálculos de Estruvita son básicamente piedras de Hidroxiapatita con una cantidad variable de cristales de Estruvita esparcidos en el interior de toda la piedra. Significa que la mayor parte de la muestra es similar a una piedra renal de Hidroxiapatita (HAP) pura.
A pesar de la única excepción de los cálculos renales de Hidroxiapatita (HAP) y Estruvita (STR), el Análisis de Componentes Principales (PCA) ha demostrado ser útil para la clasificación de los componentes principales para piedras renales, como se observa en la Figura 6.
Se realizó también un Análisis Componentes Principales (PCA) diferente sobre los siete grupos de piedras renales, tomando directamente el cubo hiperespectral y usando esta vez el software MATLAB.
Se analizó una muestra de cada tipo de piedra renal, obteniendo una clasificación de píxel por píxel. Como el Análisis de Componentes Principales (PCA) previo, los datos usados eran la primera derivada de los espectros y los datos se centraron en la media.
Algunas muestras consideradas compuestos puros (según se clasificaron por medio de Microscopia Estereoscópica y Microscopía Electrónica de Barrido (SEM)) se usaron para crear un modelo para la clasificación posterior de muestras desconocidas. Los criterios para la clasificación se escogieron seleccionando qué grupo corresponde a cada compuesto en una representación de las puntuaciones.
La identificación de los diferentes compuestos se realizó por interpretación de los colores obtenidos al crear imágenes de RGB reconstruidas a partir del cubo hiperespectral. Cuando se usa esta clase de representación, los tres Componentes Principales (PC) usados para la imagen determinarán el color de cada clase de cálculo renal.
Los diferentes colores para cada clase de piedra renal, hace que cada tipo de piedra renal pueda distinguirse entre los demás, excepto por la Estruvita y la Hidroxiapatita. De hecho, los resultados obtenidos analizando el cubo hiperespectral coinciden totalmente con los obtenidos tomando Regiones de Interés (ROI) de las muestras. De hecho, el método y las condiciones usadas para el análisis son similares en ambos casos.
Además, el software permite la selección de un grupo de píxeles de la representación de puntuaciones. Por lo tanto, es posible identificar qué área de una muestra o grupo de muestras contiene un compuesto dado, cuando se conocen los valores de las puntuaciones de cada una de ellas.
La Figura 7 muestra los valores de las puntuaciones para PC1 y PC3 en una muestra que contienen principalmente Oxalato Cálcico Monohidratado (COM) y Oxalato Cálcico Dihidratado (COD). Entre la aglomeración de píxeles observados en la Figura 7 es posible identificar áreas diferenciadas para Oxalato Cálcico Monohidratado (COM) y Oxalato Cálcico Dihidratado (COD), así como un área intermedia de píxeles.
Se ha observado, cuando se trabaja con Análisis de Componentes Principales (PCA), que los mejores resultados de clasificación se obtienen si los espectros de reflectancia medidos se suavizan y después se calcula la primera derivada. Por lo tanto, estos datos se procesarán con el software TRAJAN para crear el modelo de Redes Neuronales Artificiales (ANN) con el software TRAJAN.
Los datos sin procesar de los espectros consisten en hasta 97 longitudes de onda, de modo que para disminuir el número de variables en el sistema se seleccionan 50 longitudes de onda. Los criterios para la selección se basan en los valores de las cargas para cada longitud de onda, de acuerdo con los datos de la Figura 4. De este modo, se usa una matriz de 140 muestras (7 tipos principales de piedras renales) y 50 variables para el análisis.
La Red Neuronal Artificial (ANN) a optimizar se define como: entradas-número de nodos en la capa ocultasalidas, donde las entradas representan el número de muestras para crear el modelo y las salidas el número de tipos de piedras renales, es decir (140, n, 7). El valor para las salidas es una sola variable, que puede adoptar 7 valores nominales diferentes.
Después de la optimización de la Red Neuronal Artificial (ANN), se observó (Figura 8) que el número óptimo de nodos en la capa ocultar era de 4, ya que de ese punto en adelante no se detectó disminución alguna en el error RMS.
El modelo se aplicó a los siete grupos de compuestos principales de piedras renales usando las condiciones previas. Los resultados, comprobados con validación cruzada dejando uno fuera, muestran hasta el 100% de exactitud para la clasificación.
Teniendo en cuenta estos prometedores resultados, la siguiente etapa era reducir adicionalmente el número de variables en el sistema, de modo que las ventajas predichas de la reducción de variables se hicieran más claras. En este caso, aunque se seleccionaron 30 longitudes de onda, la exactitud de la clasificación continuó siendo del 100%.
Cuando se toman todavía menos variables para los cálculos, el porcentaje de clasificación correcta caía hasta el 95% como mucho. Por consiguiente, la elección final era el modelo que usaba 30 longitudes de onda.
Sin embargo, debido a la importancia de una clasificación exacta respecto al diagnóstico para el paciente, el objetivo realmente interesante es la clasificación de 11 grupos de tipos diferentes de piedras renales, es decir, los siete compuestos principales y las mezclas.
Por lo tanto, es necesaria una optimización de una nueva Red Neuronal Artificial (ANN) para crear un modelo diferente capaz de la clasificación de estos datos muchos más complejos. Con este fin, se introdujeron 50 longitudes de onda como variables, siendo la estructura de la ANN (215, 13, 11). El número de nodos de la capa oculta se averiguó siguiendo el mismo procedimiento que en el modelo previo.
En este caso, el índice de muestras bien clasificadas alcanzaba el 93%. Aunque el índice de clasificación correcta para el modelo de 11 compuestos era inferior que el de 7, vale la pena decir que la complejidad de las muestras introducida en el nuevo modelo representa los resultados ligeramente diferentes. En cualquier caso, estos resultados pueden considerarse bastante aceptables, teniendo en cuenta la simplicidad de las mediciones que requieren.
De este modo, se demuestra la idoneidad de la técnica de Formación de Imágenes Hiperespecrales (HIS) junto con el uso de Redes Neuronales Artificiales (ANN) para la caracterización de piedras renales. Se han identificado las regiones de los espectros de reflectancia en el NIR que tienen la mayor potencia para la clasificación de los diferentes componentes.
Claims (2)
- REIVINDICACIONES1.-Procedimiento de caracterización y clasificación de cálculos renales, caracterizado porque comprende las siguientes etapas:(a) se toman una pluralidad de muestras de cálculos renales y se cortan para observar su interior, obteniendo 5 una superficie lo más plana posible,
- (b)
- se aplica la técnica de Formación de Imágenes Hiperespectrales (HSI) obteniendo los espectros de los cálculos renales anteriormente cortados, seleccionando una pluralidad de Regiones de Interés (ROI) y analizando la imagen a través de Análisis de Componentes Principales (PCA)
- (c)
- se identifican las especies principales mediante Análisis de Factores (FA)
10 (d) se identifican valores atípicos a través de Análisis de Componentes Principales (PCA)- (e)
- se analizan los diferentes tipos de cálculos renales a través de un Análisis de Componentes Principales (PCA)
- (f)
- a los datos obtenidos del Análisis de Componentes Principales (PCA) se aplica la técnica de Redes Neuronales Artificiales (ANN) para su clasificación.
15 2.-Procedimiento de caracterización y clasificación de cálculos renales, según reivindicación 1, caracterizado porque para la obtención de los espectros a través de la técnica de Formación de Imágenes Hiperespectrales (HSI), donde a través de una cámara combinada con un espectrógrafo de formación de imágenes se captura un espectro para cada píxel de imagen de la muestra adquirida, fijando las muestras de cálculos renales a un soporte con el lado interior hacia arriba para visualizar el núcleo a través de un detector.FIG. 1FIG. 2FIG. 3FIG. 4FIG. 5FIG. 6FIG. 7FIG. 8OFICINA ESPAÑOLA DE PATENTES Y MARCASN.º solicitud: 201130548ESPAÑAFecha de presentación de la solicitud: 06.04.2011Fecha de prioridad:INFORME SOBRE EL ESTADO DE LA TECNICA51 Int. Cl. : Ver Hoja AdicionalDOCUMENTOS RELEVANTES- Categoría
- 56 Documentos citados Reivindicaciones afectadas
- A
- BOSKEY A. L., MENDELSOHN R. “Infrared spectroscopic characterization of mineralized tissues.” Vib. Spectrosc. (2005) Vol. 38, pages 107-114.Todo el documento. 1-2
- A
- HAMED AKBARI et al. “Wavelet-based compression and segmentation of hyperspectral images in surgery.” Lecture Notes in Computer Science (2008) Vol. 5128/2008, pages 142-149.Todo el documento. 1-2
- A
- WO 2010/019515 A2 (BOARD OF REGENTS, THE UNIVERSITY OF TEXAS SYSTEM) 18.02.2010., Todo el documento. 1-2
- A
- HAMID A., DWIVEDI U.S., SINGH T.N., GOPI KISHORE M., MAHMOOD M., SINGH H., TANDON V., and SINGH P.B. “Artificial neural networks in predicting optimum renal stone fragmentation by extracorporeal shock wave lithotripsy: a preliminary study.” British Journal Urology International (2003) Vol. 91, pages 821-824.Todo el documento. 1-2
- Categoría de los documentos citados X: de particular relevancia Y: de particular relevancia combinado con otro/s de la misma categoría A: refleja el estado de la técnica O: referido a divulgación no escrita P: publicado entre la fecha de prioridad y la de presentación de la solicitud E: documento anterior, pero publicado después de la fecha de presentación de la solicitud
- El presente informe ha sido realizado • para todas las reivindicaciones • para las reivindicaciones nº:
- Fecha de realización del informe 31.07.2012
- Examinador M. J. García Bueno Página 1/5
OFICINA ESPAÑOLA DE PATENTES Y MARCASN.º solicitud: 201130548ESPAÑAFecha de presentación de la solicitud: 06.04.2011Fecha de prioridad:INFORME SOBRE EL ESTADO DE LA TECNICA51 Int. Cl. : Ver Hoja AdicionalDOCUMENTOS RELEVANTES- Categoría
- 56 Documentos citados Reivindicaciones afectadas
- A
- GOYAL N. K., KUMAR A., TRIVEDI S., DWIVEDI U. S., SINGH T. N., SINGH P. B. “A comparative study of artificial neural network analysis and multivariate regression analysis to analyze optimum renal stone fragmentation by extracorporeal shock wave lithotripsy.” Saudi Journal of Kidney Diseases and Transplantation (2010) Vol. 21, pages 1073-1080.Todo el documento. 1-2
- Categoría de los documentos citados X: de particular relevancia Y: de particular relevancia combinado con otro/s de la misma categoría A: refleja el estado de la técnica O: referido a divulgación no escrita P: publicado entre la fecha de prioridad y la de presentación de la solicitud E: documento anterior, pero publicado después de la fecha de presentación de la solicitud
- El presente informe ha sido realizado • para todas las reivindicaciones • para las reivindicaciones nº:
- Fecha de realización del informe 31.07.2012
- Examinador M. J. García Bueno Página 2/5
INFORME DEL ESTADO DE LA TÉCNICANº de solicitud: 201130548CLASIFICACIÓN OBJETO DE LA SOLICITUDG01N21/00 (2006.01) G06T1/40 (2006.01) G01J3/40 (2006.01) G06F19/00 (2011.01) A61B6/00 (2006.01)Documentación mínima buscada (sistema de clasificación seguido de los símbolos de clasificación)G01N, G06T, G01J, G06F, A61BBases de datos electrónicas consultadas durante la búsqueda (nombre de la base de datos y, si es posible, términos de búsqueda utilizados)INVENES, EPODOC, WPI, INVENES, TXTE, TXTF, NPL, MEDLINE BIOSIS, EMBASEInforme del Estado de la Técnica Página 3/5OPINIÓN ESCRITANº de solicitud: 201130548Fecha de Realización de la Opinión Escrita: 31.07.2012Declaración- Novedad (Art. 6.1 LP 11/1986)
- Reivindicaciones Reivindicaciones 1-2 SI NO
- Actividad inventiva (Art. 8.1 LP11/1986)
- Reivindicaciones Reivindicaciones 1-2 SI NO
Se considera que la solicitud cumple con el requisito de aplicación industrial. Este requisito fue evaluado durante la fase de examen formal y técnico de la solicitud (Artículo 31.2 Ley 11/1986).Base de la Opinión.-La presente opinión se ha realizado sobre la base de la solicitud de patente tal y como se publica.Informe del Estado de la Técnica Página 4/5OPINIÓN ESCRITANº de solicitud: 2011305481. Documentos considerados.-A continuación se relacionan los documentos pertenecientes al estado de la técnica tomados en consideración para la realización de esta opinión.- Documento
- Número Publicación o Identificación Fecha Publicación
- D01
- BOSKEY A. L., MENDELSOHN R. “Infrared spectroscopic characterization of mineralized tissues.” Vib. Spectrosc. (2005) Vol. 38, pages 107-114.Todo el documento. 2005
- D02
- HAMED AKBARI et al. “ Wavelet-based compression and segmentation of hyperspectral images in surgery.” Lecture Notes in Computer Science (2008) Vol. 5128/2008, pages 142-149.Todo el documento. 2008
- D03
- WO 2010/019515 A2 (BOARD OF REGENTS, THE UNIVERSITY OF TEXAS SYSTEM) 18.02.2010
- D04
- HAMID A., DWIVEDI U.S., SINGH T.N., GOPI KISHORE M., MAHMOOD M., SINGH H., TANDON V., and SINGH P.B. “Artificial neural networks in predicting optimum renal stone fragmentation by extracorporeal shock wave lithotripsy: a preliminary study.” British Journal Urology International (2003) Vol. 91, pages 821-824.Todo el documento. 2003
- D05
- GOYAL N. K., KUMAR A., TRIVEDI S., DWIVEDI U. S., SINGH T. N., SINGH P. B. “A comparative study of artificial neural network analysis and multivariate regression analysis to analyze optimum renal stone fragmentation by extracorporeal shock wave lithotripsy.” Saudi Journal of Kidney Diseases and Transplantation (2010) Vol. 21, pages 1073-1080.Todo el documento. 2010
- 2. Declaración motivada según los artículos 29.6 y 29.7 del Reglamento de ejecución de la Ley 11/1986, de 20 de marzo, de Patentes sobre la novedad y la actividad inventiva; citas y explicaciones en apoyo de esta declaraciónLa presente solicitud de invención consiste en un procedimiento de caracterización y clasificación de cálculos renales aplicando las técnicas de formación de imágenes hiperespectrales (HSI), análisis de componentes principales (PCA) y redes neuronales artificiales (ANN) (reivindicaciones 1 y 2).El documento D01 se considera el más próximo del estado de la técnica al objeto de las reivindicaciones 1-2, y consiste en un estudio sobre la espectroscopia vibracional, en particular imágenes de micro-espectroscopia, para caracterizar los cambios en el desarrollo de huesos y otros tejidos mineralizados, para monitorizar cambios en cultivos celulares, y para detectar enfermedades y las modificaciones inducidas por fármacos. Los tejidos mineralizados en vertebrados se dividen en dos clases, aquellos que se desarrollan a través de procesos fisiológicos normales, y aquellos que se forman a través de procesos patológicos, como los cálculos renales (ver todo el documento).El documento D02 consiste en un nuevo método de imágenes hiperespectrales como herramienta visual de apoyo durante las cirugías (ver todo el documento).El documento D03 consiste en nuevos dispositivos, herramientas y procesos para la detección y evaluación de enfermedades y trastornos (ver todo el documento).El documento D04 consiste en un método de predicción de la fragmentación de cálculos renales mediante litotricia extracorpórea y redes neuronales artificiales (ver todo el documento).El documento D05 consiste en un estudio comparativo de la precisión del análisis de redes neuronales artificiales frente al análisis de regresión multivariante en la fragmentación de cálculos renales mediante litotricia extracorpórea (ver todo el documento).1.-NOVEDAD (Art. 6.1 Ley 11/1986) Y ACTIVIDAD INVENTIVA (Art. 8.1 Ley 11/1986).Ninguno de los documentos citados, o cualquier combinación relevante de ellos revela el uso de la técnica de formación de imágenes hiperespectrales junto con redes neuronales artificiales para la caracterización y clasificación de cálculos renales.Por lo tanto, los documentos D01-D05 son solo documentos que reflejan el estado de la técnica. En consecuencia la invención es nueva y se considera que implica actividad inventiva según los artículos 6.1 y 8.1 Ley 11/1986.Informe del Estado de la Técnica Página 5/5
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES201130548A ES2390069B1 (es) | 2011-04-06 | 2011-04-06 | Procedimiento de caracterización y clasificación de cálculos renales |
PCT/ES2012/070239 WO2012136874A1 (es) | 2011-04-06 | 2012-04-10 | Procedimiento de caracterización y clasificación de cálculos renales |
EP12767459.6A EP2696191A4 (en) | 2011-04-06 | 2012-04-10 | METHOD FOR THE CHARACTERIZATION AND CLASSIFICATION OF kidney stones |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES201130548A ES2390069B1 (es) | 2011-04-06 | 2011-04-06 | Procedimiento de caracterización y clasificación de cálculos renales |
Publications (2)
Publication Number | Publication Date |
---|---|
ES2390069A1 true ES2390069A1 (es) | 2012-11-06 |
ES2390069B1 ES2390069B1 (es) | 2013-10-30 |
Family
ID=46968645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES201130548A Active ES2390069B1 (es) | 2011-04-06 | 2011-04-06 | Procedimiento de caracterización y clasificación de cálculos renales |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP2696191A4 (es) |
ES (1) | ES2390069B1 (es) |
WO (1) | WO2012136874A1 (es) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658174A (zh) * | 2019-08-27 | 2020-01-07 | 厦门谱识科仪有限公司 | 基于表面增强拉曼光谱检测的智能化识别方法及系统 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2556558B1 (es) * | 2014-06-18 | 2017-01-31 | Universitat Autònoma De Barcelona | Método y sistema para la clasificación automática de cálculos renales, programa de ordenador y producto de programa de ordenador |
CN105701812B (zh) * | 2016-01-12 | 2021-09-07 | 南京工程学院 | 适用于采棉机器人的视觉识别系统 |
FR3074596B1 (fr) * | 2017-12-01 | 2019-12-06 | Universite De Reims Champagne Ardenne | Procede de caracterisation d'echantillons utilisant des reseaux de neurones |
CN108344701A (zh) * | 2018-02-02 | 2018-07-31 | 东北电力大学 | 基于高光谱技术的石蜡等级定性分类与定量回归方法 |
CN108460342B (zh) * | 2018-02-05 | 2021-01-01 | 西安电子科技大学 | 基于卷积神经网络和循环神经网络的高光谱图像分类方法 |
CN109034274B (zh) * | 2018-08-30 | 2021-01-22 | 深圳大学 | 提升高光谱图像分类精度的方法、装置、设备及存储介质 |
CN109470639A (zh) * | 2018-11-07 | 2019-03-15 | 浙江大学 | 基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法 |
CN110084159B (zh) * | 2019-04-15 | 2021-11-02 | 西安电子科技大学 | 基于联合多级空谱信息cnn的高光谱图像分类方法 |
KR20230125412A (ko) | 2022-02-21 | 2023-08-29 | 계명대학교 산학협력단 | 컴퓨터 단층 촬영 영상의 라디오믹스 파라미터를 이용한 요로결석의 요산석 분류 방법 및 분석장치 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010019515A2 (en) * | 2008-08-10 | 2010-02-18 | Board Of Regents, The University Of Texas System | Digital light processing hyperspectral imaging apparatus |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8280496B2 (en) * | 2007-12-13 | 2012-10-02 | Boston Scientific Scimed, Inc. | Extended spectral sensitivity endoscope system and method of using the same |
-
2011
- 2011-04-06 ES ES201130548A patent/ES2390069B1/es active Active
-
2012
- 2012-04-10 EP EP12767459.6A patent/EP2696191A4/en not_active Withdrawn
- 2012-04-10 WO PCT/ES2012/070239 patent/WO2012136874A1/es active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010019515A2 (en) * | 2008-08-10 | 2010-02-18 | Board Of Regents, The University Of Texas System | Digital light processing hyperspectral imaging apparatus |
Non-Patent Citations (4)
Title |
---|
2003, HAMID A., DWIVEDI U.S., SINGH T.N., GOPI KISHORE M., MAHMOOD M., SINGH H., TANDON V., and SINGH P.B. ¿Artificial neural networks in predicting optimum renal stone fragmentation by extracorporeal shock wave lithotripsy: a preliminary study.¿ British Journal Urology International (2003) Vol. 91, pages 821-824.Todo el documento. * |
2005, BOSKEY A. L., MENDELSOHN R. ¿Infrared spectroscopic characterization of mineralized tissues.¿ Vib. Spectrosc. (2005) Vol. 38, pages 107-114.Todo el documento. * |
2008, HAMED AKBARI et al. ¿ Wavelet-based compression and segmentation of hyperspectral images in surgery.¿ Lecture Notes in Computer Science (2008) Vol. 5128/2008, pages 142-149.Todo el documento. * |
2010, GOYAL N. K., KUMAR A., TRIVEDI S., DWIVEDI U. S., SINGH T. N., SINGH P. B. ¿A comparative study of artificial neural network analysis and multivariate regression analysis to analyze optimum renal stone fragmentation by extracorporeal shock wave lithotripsy.¿ Saudi Journal of Kidney Diseases and Transplantation (2010) Vol. 21, pages 1073-1080.Todo el documento. * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658174A (zh) * | 2019-08-27 | 2020-01-07 | 厦门谱识科仪有限公司 | 基于表面增强拉曼光谱检测的智能化识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
EP2696191A4 (en) | 2014-10-22 |
WO2012136874A1 (es) | 2012-10-11 |
EP2696191A1 (en) | 2014-02-12 |
ES2390069B1 (es) | 2013-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2390069B1 (es) | Procedimiento de caracterización y clasificación de cálculos renales | |
Zhang et al. | Penetration depth of photons in biological tissues from hyperspectral imaging in shortwave infrared in transmission and reflection geometries | |
Blanco et al. | Hyperspectral imaging based method for fast characterization of kidney stone types | |
Miller et al. | From structure to cellular mechanism with infrared microspectroscopy | |
Afara et al. | Characterization of connective tissues using near-infrared spectroscopy and imaging | |
Wetterlind et al. | Soil analysis using visible and near infrared spectroscopy | |
Konevskikh et al. | Mie scatter corrections in single cell infrared microspectroscopy | |
Kumar et al. | Optical investigation of osteoarthritic human cartilage (ICRS grade) by confocal Raman spectroscopy: a pilot study | |
US8253936B2 (en) | Raman characterization of transplant tissue | |
CN102893137A (zh) | 用于癌症检测和定位的快速多光谱成像方法和设备及应用 | |
Maher et al. | Overconstrained library-based fitting method reveals age-and disease-related differences in transcutaneous Raman spectra of murine bones | |
Makowski et al. | Applying full spectrum analysis to a Raman spectroscopic assessment of fracture toughness of human cortical bone | |
Gazali et al. | Discrimination of gallbladder stone employing laser-induced breakdown spectroscopy (LIBS) and photoacoustic spectroscopy (PAS) | |
Dochow et al. | Etaloning, fluorescence and ambient light suppression by modulated wavelength Raman spectroscopy | |
Dallaire et al. | Quantitative spectral quality assessment technique validated using intraoperative in vivo Raman spectroscopy measurements | |
Sandak et al. | Nondestructive evaluation of heritage object coatings with four hyperspectral imaging systems | |
Solihin et al. | Non-invasive blood glucose estimation using handheld near infra-red device | |
Nagy et al. | Quantification and handling of nonlinearity in Raman micro-spectrometry of pharmaceuticals | |
Waterhouse et al. | Optimized spectral filter design enables more accurate estimation of oxygen saturation in spectral imaging | |
MacLeod et al. | Prediction of sublayer depth in turbid media using spatially offset Raman spectroscopy | |
EP1959249A1 (en) | Method and apparatus for examining and diagnosing life style-related disease using near-infrared spectroscopy | |
Liu et al. | Combination of hyperspectral imaging and laser-induced breakdown spectroscopy for biomedical applications | |
Guo | Chemometrics and statistical analysis in raman spectroscopy-based biological investigations | |
Puustinen et al. | Spectrally tunable neural network-assisted segmentation of microneurosurgical anatomy | |
Galli et al. | Clinical Raman spectroscopy of brain tumors from an interdisciplinary perspective |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FG2A | Definitive protection |
Ref document number: 2390069 Country of ref document: ES Kind code of ref document: B1 Effective date: 20131030 |