ES2680678T3

ES2680678T3 - Detección de los bordes de un núcleo usando análisis de imágenes

Info

Publication number: ES2680678T3
Application number: ES15732707.3T
Authority: ES
Inventors: Srinivas Chukka; Christophe Chefd'hotel; Xiuzhong Wang
Original assignee: Ventana Medical Systems Inc
Current assignee: Ventana Medical Systems Inc
Priority date: 2014-06-30
Filing date: 2015-06-30
Publication date: 2018-09-10
Anticipated expiration: 2035-06-30
Also published as: EP3389011A1; US10127675B2; EP3389011B1; JP6660313B2; JP2017521779A; CA2948226C; CA2948226A1; DK3161787T3; EP3161787B1; US20170098310A1; AU2015283079A1; EP3161787A1; WO2016001223A1; WO2016001223A9

Abstract

Un sistema (100) de procesamiento de imágenes para patología digital que comprende un procesador (105) y una memoria acoplada al procesador, almacenando la memoria una imagen digital (702) de una muestra de tejido biológico y almacenando instrucciones ejecutables por ordenador que, cuando son ejecutadas por el procesador, hacen que el procesador realice operaciones para discernir un límite de núcleo celular en la imagen digital, comprendiendo dichas operaciones: - identificar, mediante el procesador, uno o más bordes iniciales en la imagen digital (702) y usar los píxeles dentro de los bordes iniciales identificados como píxeles de votación iniciales (316); - usar, mediante el procesador, un campo de votación tensorial para realizar operaciones de votación tensorial sobre píxeles (322, 324, 328) en las inmediaciones de cada uno de los píxeles de votación iniciales (316); - acumular, mediante el procesador, una pluralidad de votos para cada uno de los píxeles vecinos (322, 324, 328) para determinar un valor tensorial para dicho píxel vecino (322, 324, 328), indicando la cuantía del voto si dicho píxel vecino es probable que sea un píxel de borde del mismo núcleo que el píxel de votación inicial, siendo el valor tensorial una suma de todos los votos emitidos por todos los píxeles de votación iniciales en cuyas inmediaciones se sitúa dicho píxel vecino (322, 324); y - descomponer, mediante el procesador, cada uno de los valores tensoriales determinados para determinar valores propios y vectores propios del valor tensorial descompuesto; - evaluar, mediante el procesador, los valores propios y vectores propios determinados para identificar píxeles de borde refinados, representando los píxeles de borde refinados el límite de núcleo celular; y - generar, mediante el procesador, una imagen de intensidad de borde de prominencia (806) que comprende selectivamente los píxeles de borde refinados identificados que representan el límite del núcleo celular.

Description

5

10

15

20

25

30

35

40

45

50

55

60

65

DESCRIPCION

Detección de los bordes de un núcleo usando análisis de imágenes Antecedentes de la presente divulgación Campo de la presente divulgación

La presente divulgación se refiere a patología digital. Más particularmente, la presente divulgación se refiere a métodos de umbralización para segmentación de núcleos en patología digital.

Antecedentes de la presente divulgación

La segmentación de núcleos es un componente clave para muchas aplicaciones de patología digital. Se ha realizado un gran esfuerzo para extraer la máscara de núcleos o células de una imagen que comprende estas estructuras, lo que es esencial para la caracterización eficiente de estas estructuras. Un marco de segmentación de núcleos popular comienza con la detección en primer plano de núcleos aislados y agrupaciones de núcleos basándose en métodos de umbralización global o local [1]. Las agrupaciones de núcleos se dividen en varios núcleos usando un tipo de transformada de Watershed [2,3,4], tal como un proceso de crecimiento de la región competitiva para dividir la agrupación en subregiones plausibles, utilizando semillas de núcleo generadas por la transformada de distancia [8] o un tipo de transformada de simetría radial [5,6], o un tipo de transformada de Hough [7], etc. Habitualmente, cuando la delineación del primer plano es precisa, la separación de los núcleos agrupados es plausible. Los métodos de umbralización existentes para la detección en primer plano se basan en el supuesto de que el primer plano (es decir, los núcleos aislados o agrupaciones de núcleos) es de forma consistente más brillante (o más oscuro) que el segundo plano (es decir, la zona vacía o la zona de tinción no específica), localmente y/o globalmente. Sin embargo, en realidad, la intensidad de los núcleos y agrupaciones de núcleos varía mucho en la misma imagen (o campo de visión). Por ejemplo, las manchas inespecíficas en la imagen pueden tener el mismo nivel de intensidad que los núcleos aislados y las agrupaciones de núcleos. Las técnicas anteriores utilizan principalmente los filtros de detección de bordes y/o la umbralización basada en estadísticas de intensidad; y eso no fue completamente eficaz debido a la variación de la densidad y tinción del tejido. Véase, por ejemplo, M. Sezgin y B. Sankur, "Survey over image thresholding techniques and quantitative performance evaluation", Journal of Electronic Imaging, Vol. 13, No. 1, págs. 146—165, 2004.; L. Vincent y P. Soille, "Watersheds in digital spaces: an efficient algorithm based on immersion simulations", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 13, No. 6, págs. 583598, 1991.; L. Najman y M. Schmitt, "Geodesic saliency of watershed contours and hierarchical segmentation", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 18, No. 12, páginas 1163-1173, 1996.; J. Cousty, G. Bertrand, L. Najman y M. Couprie, "Watershed Cuts: Minimum Spanning Forests and the Drop of Water Principle", IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 31, No. 8, págs. 1362-1374, 2009.; Hidefumi Kobatake y Shigeru Hashimoto, "Convergence Index Filter for Vector Fields", IEEE Transactions on Medical Imaging, Vol. 8, No. 8, págs. 1029-1038, agosto de 1999.; Bahram Parvin, Qing Yang, Ju Han, Hang Chang, Bjorn Rydberg y Mary Helen Barcellos-Hoff, "Iterative Voting for Inference of Structural Saliency and Characterization of Subcellular Events", IEEE Transactions on Image Processing, Vol. 16, No. 3, págs. 615-623, Mar. 2007.; Duda, R. O. y P. E. Hart, "Use of the Hough Transformation to Detect Lines and Curves in Pictures," Comm. ACM, Vol. 15, págs. 11-15, 1959.; J. Canny, "A computational approach to edge detection", IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 8, No. 6, págs. 679-698, 1986.; G. Guy y G. Medioni, "Inferring global perceptual contours from local features," en International Journal of Computer Vision, 1996, vol. 20, págs. 113-133.; L. A. Loss, G. Bebis, M. Nicolescu, A. Skurikhin, "An iterative multiscale tensor voting scheme for perceptual grouping of natural shapes in cluttered backgrounds," en Computer Vision and Image Understanding, 2009, vol. 113, págs. 126-149.

Referencias:

• [1]: M. Sezgin y B. Sankur: "Survey over image thresholding techniques and quantitiative performance evaluation", Journal Electronic Imaging, Vol. 13( 1), págs. 146-165, 2004

• [2]: Luc Vincent y Pierre Soille: "Watersheds in Digital Spaces: An Efficient Algorithm Based on Immersion Simulations", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 13, NO 6, junio de 1991

• [3]: Laurent Najman y Michel Schmitt: "Geodesic Saliency of Watershed Contours and Hierarchical Segmentation", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE; VOL. 18, NO 12, DICIEMBRE DE 1996

• [4]: Jean Cousty, Gilles Bertrand, Laurent Najman y Michel Couprie: "Watershed cuts: minimum spanning forests and the drop of water principle", ENVIADO A IEEE PAMI, 2007, REVISADO EN 2008

• [5]: H. Kobatake y S. Hashimoto, "Convergence index filter for vector fields", IEEE Transactions on Medical Imaging, Vol. 8( 8), págs. 1029-1038, 1999

• [6]: G. Loy y A. Zelinsky, "Fast radial symmetry for detecting points of interest", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 25(8), págs. 959-973, 2003

• [7]: Richardt O. Duda y Peter E. Hart: "Use of the Hough Transformation To Detect Lines and Curves in Pictures", Grahics and Image Processing, Editor: W. Newman, 1972, p. 11-15

5

10

15

20

25

30

35

40

45

50

55

60

65

• [8]: A. RosenFeld y J. Pfaltz, "Distance functions in digital pictures", Pattern Recognition, Vol. 1, págs. 33-61,

1968.

BAHRAM PARVIN Y COL: "Iterative Voting for Inference of Structural Saliency and Characterization of Subcellular Events", IEEE TRANSACTIONS ON IMAGE PROCESSING, IEEE SERVICE CENTER, PISCATAWAY, NJ, EE. UU., vol. 16, no. 3,1 de marzo de 2007, páginas 615 - 623, ISSN: 1057-7149, DOI: 10.1109/ TIP.2007.891154 describe el uso de votación iterativa y la inferencia de prominencia para analizar imágenes de microscopía. QING YANG Y COL: "Localization of saliency through iterative voting", PROCEEDINGS OF THE 17TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION, ICPR 2004. CAMBRIDGE, RU 23 - 26 DE AGOSTO DE 2004, PISCATAWAY, NJ, EE. UU., IEEE, LOS ALAMITOS, CA, EE. UU., vol. 1, 23 de agosto de 2004, páginas 63 - 66, DOI: 10.1109/ ICPR.2004.1334005, ISBN: 978-0-7695-2128-2 también describe el uso de votación iterativa para localizar prominencia en imágenes científicas tales como imágenes de microscopía.

CHANG Y COL: "Segmentation of heterogeneous blob objects through voting and level set formulation", PATTERN RECOGNITION LETTERS, ELSEVIER, AMSTERDAM, NL, vol. 28, no. 13, 18 de julio de 2007, páginas 1781 - 1787, ISSN: 0167-8655, DOI: 10.1016/J.PATREC.2007.05.008 describe la segmentación de masas informes en imágenes de ensayo de fluorescencia e imágenes estelares usando votación.

MICHELIN GAEL Y COL: "Embryo cell membranes reconstruction by tensor voting", 2014 IEEE 11TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI), IEEE, 29 de abril de 2014, páginas 1259 - 1262, DOI: 10.1109/1881.2014.6868105 describe el uso de votación tensorial para reconstruir membranas celulares embrionarias.

Sumario de la presente divulgación

Es un objetivo de la presente invención proporcionar un método de para discernir un límite de núcleo celular en una imagen digital y un sistema de procesamiento de imágenes y medio legible por ordenador correspondientes como se especifica en las reivindicaciones independientes. En las reivindicaciones dependientes se proporcionan realizaciones de la invención. La presente invención es sorprendentemente eficaz para determinar los límites de núcleos celulares en aplicaciones de patología digital. Mientras que las técnicas de la técnica anterior recuperan solamente aproximadamente el 60 % de los núcleos presentes en una imagen, las técnicas de esta invención pueden recuperar más del 90 %.

En una realización de la invención, las técnicas de la técnica anterior pueden servir como punto de partida para la detección de bordes. La invención refina a continuación esta estimación inicial acumulando votos tensoriales para producir una imagen de borde de prominencia, también conocida como "imagen de prominencia", que a continuación se usa para proporcionar estimaciones refinadas de los bordes presentes en la imagen. Los bordes identificados se pueden refinar aún más a través de umbralización con histéresis y supresión de múltiples respuestas.

El término "prominencia" como se usa en el presente documento es una medida de la confianza o probabilidad de que un píxel particular sea parte de un borde que representa el contorno de un núcleo celular particular.

Otra realización de la invención puede ampliar este método usando la imagen de borde refinada como máscara de borde, y la imagen de borde de prominencia como una imagen de ponderación, para formar histogramas de píxeles de imagen original ponderados en regiones pequeñas ("bloques") que rodean píxeles de borde para generar un histograma de primer plano y un histograma de segundo plano. Puede obtenerse un "nivel umbral óptimo", también denominado "valor umbral optimizado", para uso en los bordes en esa región de la imagen original eligiendo un nivel de intensidad ("valor umbral de intensidad") entre los modos de histograma que minimiza los errores de clasificación de las muestras de píxeles de primer plano y segundo plano.

Esto puede tener la ventaja de que la imagen de borde de prominencia se puede calcular una vez, pero se usa dos veces para mejorar la precisión del umbral local. De este modo, con esfuerzo computacional comparativamente limitado, se puede conseguir una gran mejora de la precisión.

Una máscara puede ser, por ejemplo, una imagen que consta de un bit por píxel. Algunas zonas de la máscara que tienen un bit particular, por ejemplo "0", se consideran bits de enmascaramiento y se pueden usar para ocultar, eliminar o suprimir valores de intensidad de píxeles de otras imágenes en las que se mapea la máscara. Por ejemplo, usar una imagen de borde de prominencia umbralizada como una máscara de borde puede implicar generar una máscara en la que todos los píxeles cuyo valor de prominencia está por debajo de un valor mínimo se representan como píxeles de máscara que pueden superponerse en la imagen inicial 702 para eliminar por filtración señales de ruido de fondo.

En aún otra realización, la técnica de histograma mencionada anteriormente se puede aplicar a subregiones enlosadas ("bloques") de la imagen, y los niveles umbral de borde usables para identificar el límite entre las regiones interior y exterior de un núcleo se pueden determinar cómo interpolaciones lisas de umbrales descubiertos en las losas contiguas ("bloques").

5

10

15

20

25

30

35

40

45

50

55

60

65

Otros refinamientos de la invención pueden incorporar la teoría de filtrado dirigible con limitación de banda en las operaciones de votación tensorial de modo que los conjuntos de votación densos puedan ser manejados más rápida y eficientemente por un ordenador a través del uso de procesamiento de transformada rápida de Fourier (FFT) para realizar la implicación implícita convoluciones de vectores. Véase "An Efficient Method for Tensor Voting Using Steerable Filters", Erik Franken y col, Techniche Universiteit Eindhoven (en A. Leonardis, H. Bischof, and A. Pinz (Eds.): ECCV 2006, Parte IV, LNCS 3954, págs. 228-240, 2006, Springer-Verlag Berlin Heidelberg 2006).

Aún otros refinamientos de la invención pueden incorporar conocimiento específico de dominio acerca de los objetos de imagen para ajustar o restringir los campos de votación tensorial para tener en cuenta las asimetrías de objeto o las direcciones o formas de límite preferidas. Un ejemplo del campo de la patología digital donde los exámenes de núcleos celulares pueden ser una preferencia por regiones cerradas casi circulares con mayor intensidad de imagen en el interior nuclear en comparación con píxeles fuera del límite nuclear. Dichas preferencias podrían incorporarse en los campos de votación tensorial a través de una asimetría preferida.

De este modo, el proceso de votación controlado por el campo de votación tensorial, de acuerdo con realizaciones, emitirá votos en la dirección del interior de un núcleo (sospechoso) que pueden ser más elevados que el voto emitido por dicho píxel en dirección opuesta (es decir, en la dirección del exterior del núcleo sospechoso). La sospecha, en qué dirección se encuentra el interior de un núcleo, puede derivarse, por ejemplo, del gradiente de intensidad del píxel que emite el voto. De este modo, el proceso de votación de acuerdo con realizaciones de la invención no es simétrico al menos con respecto a los píxeles vecinos que tienen la misma distancia desde los píxeles de votación pero que se encuentran en direcciones opuestas con respecto a la dirección dada por el gradiente de intensidad del píxel de votación. Esta asimetría incorpora características del tipo de núcleos a identificar. Por ejemplo, múltiples tejidos de referencia pueden etiquetarse con un biomarcador particular y/o una tinción específica del núcleo y el radio o diámetro típico del tipo de núcleo a determinar pueden determinarse empíricamente midiendo el radio o diámetro promedio de los núcleos en los portaobjetos de referencia.

Medioni ha desarrollado una técnica matemática para discernir características de imagen prominentes, dando a los ordenadores un sentido de Gestalt psicológico, de modo que las líneas, curvas, formas, etc., se pueden discernir en las imágenes a pesar de la presencia de ruido interferente, píxeles de borde oscurecido, formas superpuestas, etc. "Tensor Voting: Theory and Applications", Gerard Medioni y col, Institute for Robotics and Intelligent Systems, USC (documento encontrado en la página de inicio de la universidad de California:
http://iris.usc.edu/Vision- Users/OldUsers/misuen/www/research/RFIA.pdf). Sus métodos se basan en una descripción de la imagen en términos de valores tensoriales en cada píxel de la imagen. Los tensores describen las calidades generales de una imagen en cada ubicación de píxel. Para imágenes bidimensionales, las propiedades de tensor de tipo esfera y de tipo barra se aplican en cada píxel en grados variables. Los píxeles que se encuentran a lo largo de alguna curva límite poseen un carácter de tipo barra, donde la barra puede indicar una tangente o normal al límite y su longitud puede indicar una sensación de firmeza en la creencia de que el píxel pertenece al límite. Los píxeles aislados que no parecen pertenecer a ningún límite se pueden describir como de tipo esfera, lo que significa que tienen poco sentido de dirección y pertenencia en un límite.

De acuerdo con realizaciones, cada píxel de una imagen digital inicial se representa como un tensor que comprende un componente de tipo barra, también denominado "valor tensorial de tipo barra", y un componente de tipo esfera, también denominado "valor tensorial de tipo esfera". De acuerdo con realizaciones, la "cuantía" (o "coeficiente de ponderación") de un voto emitido por un píxel de votación sobre un píxel receptor de votos (el píxel en las inmediaciones del píxel de votación para que se suman múltiples votos para conseguir un voto compendiado) declina con la distancia entre los dos píxeles. Además, la "cuantía" del voto emitido por el píxel de votación sobre el píxel receptor de votos declina con la desviación de una curvatura implícita de una curva que conecta el píxel de votación y el píxel receptor de votos con la curvatura de referencia. La curvatura de referencia puede ser la curvatura típica para el tipo de núcleo que se debe identificar. El arco que conecta el píxel de votación y el píxel receptor de votos puede ser la curva de segmento de un círculo perfecto, y cualquier desviación de la curvatura de dicho arco respecto a la curvatura típica del tipo de núcleo a identificar puede dar como resultado un declive del voto emitido desde el píxel de votación sobre el píxel receptor de votos.

Definiendo valores tensoriales de tipo barra en cada píxel que se cree que compone un límite, la pertenencia de píxeles vecinos al límite puede decidirse tomando como base votos emitidos por píxeles con valores tensoriales de tipo barra. Pero los votos se desvanecen con la distancia y la curvatura implícita de posibles curvas entre el píxel en el sitio de votación y los píxeles de votación. Los votos se acumulan a través de sumas de tensor en el píxel, y el resultado produce otro tensor con valores propios que implican niveles de atributos de tipo barra y de tipo esfera. Al tomar el atributo de tipo barra, se puede formar una imagen de borde de prominencia que tenderá a resaltar la presencia de curvas de delimitación a partir de la imagen original. Esa imagen de borde de prominencia puede usarse para desarrollar una máscara de borde mejorada (una "imagen de borde refinada") en la imagen original.

El interés de Medioni en este tema estuvo dirigido a la visión artificial, el discernimiento de los límites rectilíneos en las escenas y la reconstrucción de objetos tridimensionales a partir de imágenes ruidosas. La visión artificial se aplica normalmente al trabajo de montaje de fábrica robótico y a la orientación autónoma del vehículo. El interés de

5

10

15

20

25

30

35

40

45

50

55

60

65

la presente invención en estas técnicas es muy diferente y da lugar a variaciones en este método dirigidas a aplicaciones de patología digital, en particular los núcleos de células en imágenes de portaobjetos de tejido teñido.

La presente divulgación presenta sistemas y métodos para generar una imagen de umbral adaptable localmente para detectar características de primer plano, incluyendo núcleos aislados y agrupaciones de núcleos. Los sistemas, métodos y programas informáticos descritos en el presente documento realizan operaciones que incluyen crear una imagen de borde de prominencia que comprende una disposición ordenada bidimensional de números de punto flotante, en la que un valor de alta intensidad indica una alta probabilidad de que el píxel esté en el borde de un núcleo o agrupación de núcleos. La generación de la imagen de borde de prominencia se habilita realizando una votación tensorial sobre píxeles seleccionados cercanos a los píxeles vecinos ("píxeles de borde iniciales" que se usan como "píxeles de votación iniciales") para determinar los píxeles de borde prominentes. La imagen de borde de prominencia resultante es más eficaz que la técnica anterior como indicador de si un píxel es o no un píxel de borde de núcleo. "Píxeles de borde prominentes" pueden ser píxeles de borde que se ha identificado/predicho que pertenecen al contorno de un núcleo, con lo que se usa información de prominencia generada por tensor para identificar los "píxeles de borde prominentes". La imagen de borde de prominencia puede ser una imagen en la que se resaltan píxeles de borde prominentes. Por ejemplo, los valores de intensidad de píxeles en la imagen de borde de prominencia podrían correlacionarse con la probabilidad - dado el valor tensorial que es la suma de los votos que han sido emitidos sobre dicho píxel - entonces dicho píxel es un píxel de borde de un núcleo o una agrupación de núcleos.

La imagen de borde de prominencia se usa a continuación para generar bordes refinados mediante supresión de múltiples respuestas y umbralización con histéresis. Dados los bordes refinados, la imagen digital inicial puede dividirse en una pluralidad de bloques, y para cada uno de la pluralidad de bloques, pueden muestrearse píxeles de primer plano y de segundo plano a lo largo de la dirección de gradiente de la imagen en cada píxel de borde (por ejemplo, del borde refinado), basándose en que el histograma para píxeles de segundo plano y aquel para píxeles de primer plano pueden generarse. Son llamados histogramas modulados en prominencia dado que cada píxel de primer plano es ponderado por el valor de prominencia del píxel de borde usado como punto de partida para muestrear los píxeles de primer plano y de segundo plano.

En imágenes digitales, núcleos aislados o agrupaciones de núcleos normalmente son más brillantes (es decir, tienen valores de intensidad más elevados) que los píxeles no de núcleo. Los píxeles no de núcleo pueden representar zonas vacías del portaobjetos o una zona de tinción inespecífica. Dependiendo de la estrategia de tinción, etiquetado y/o preparación de tejido, también puede ser al revés y los píxeles nucleares son de uniformemente más oscuros que píxeles no de núcleo. Un "píxel de primer plano" es un píxel del que se ha predicho/se sospecha que se sitúa dentro de un núcleo. Un "píxel de segundo plano" es un píxel del que se ha predicho/se sospecha que no se sitúa dentro de un núcleo. Realizaciones de la invención usan una combinación de dos estrategias de clasificación para clasificar un píxel como un píxel de primer plano o uno de segundo plano: una primera estrategia de clasificación comprende seleccionar píxeles en las inmediaciones de un píxel de borde en una etapa de muestreo, con lo que la dirección del gradiente de dicho píxel de borde y la posición de los píxeles seleccionados con respecto al gradiente determinan el resultado de la clasificación de dichos píxeles seleccionados. Una segunda estrategia de clasificación comprende clasificar píxeles cuyos valores de intensidad están por encima o por debajo de un valor umbral de intensidad dado en dos clases de píxel diferentes, de primer plano y de segundo plano. Las dos estrategias pueden combinarse ejecutando la segunda estrategia de clasificación múltiples veces con diferentes valores umbral hasta que se identifique un valor umbral de intensidad optimizado que minimice el "error" (la desviación) entre los conjuntos de píxeles de primer plano y de segundo plano basados en umbral respecto a los conjuntos de píxeles de primer plano y de segundo plano identificados mediante la primera estrategia.

De acuerdo con realizaciones, el muestreo de píxeles de primer plano y de segundo plano de acuerdo con la primera estrategia y la identificación del umbral de intensidad optimizada se realizan para cada bloque en una pluralidad de bloques dentro de la imagen digital inicial por separado.

De acuerdo con ejemplos, el intervalo de umbrales para cada bloque de la imagen se determina minimizando el error para clasificación de píxeles de primer plano y de segundo plano basándose en histogramas tanto de primer plano como de segundo plano. El umbral en cada píxel se obtiene mediante interpolación basándose en el intervalo de umbrales en cada bloque, con el intervalo de umbrales estando supuesto en el centro del bloque, o el centro de todos los píxeles de borde en el bloque. El resultado es una imagen umbral adaptable localmente, para cuya generación la intensidad en cada píxel puede compararse con el umbral que se ha interpolado para el píxel correspondiente de la imagen fuente o de entrada. Comparar la imagen fuente con la imagen umbral adaptable localmente proporciona un primer plano mucho más robusto y preciso.

En una realización ejemplar, la presente divulgación es un medio legible por ordenador no transitorio para almacenar instrucciones ejecutables por ordenador que son ejecutadas por un procesador para realizar operaciones que incluyen realizar operaciones de votación tensorial en píxeles en las inmediaciones de cada píxel de votación inicial, acumular una pluralidad de votos en cada píxel para determinar un valor de prominencia para cada píxel, y generar una imagen de intensidad de borde de prominencia que resalta los píxeles de borde. En algunas realizaciones, las operaciones de votación tensorial pueden usar campos de votación tensorial asimétricos que incorporan el

5

10

15

20

25

30

35

40

45

50

55

60

65

conocimiento de dominio acerca de la estructura a detectar, no limitado por el tamaño del núcleo y el hecho de que los gradientes en el borde apuntan a aproximadamente la misma posición.

En otro ejemplo, la presente divulgación es un medio legible por ordenador no transitorio, tangible que tiene instrucciones ejecutables por ordenador para realizar delineación de límites de un objeto que son ejecutadas por un sistema de procesamiento para realizar operaciones que pueden incluir leer una imagen inicial, filtrar la imagen inicial con un filtro de detección de bordes para producir una imagen de borde inicial, seleccionar una pluralidad de píxeles en la imagen de borde inicial para servir como píxeles de votación iniciales (IVP), autentificar mediante “tokens” los IVP para producir autentificadores (“tokens”) de elemento tensor para cada IVP, formar un campo de votación tensorial ponderado (WTVF) para cada IVP alineado con el tensor de IVP implícito mediante los autentificadores de elemento tensor para el IVP, realizar operaciones de votación tensorial en píxeles vecinos acumulando una pluralidad de WTVF a partir de los IVP en una suma tensorial en cada píxel vecino, determinar valores propios de la suma tensorial acumulada en cada píxel, generar una imagen de intensidad de borde de prominencia que resalta los píxeles de borde de la imagen original basándose en los valores propios en el píxel, y realizar supresión de múltiples respuestas en la imagen de borde de prominencia basándose en el vector propio mayor y a continuación umbralización con histéresis de la imagen de prominencia suprimida para producir una máscara de borde refinada.

Un "píxel de votación inicial" (IVP) es un píxel que realiza votación tensorial en una pluralidad de otros píxeles en sus inmediaciones.

Un "valor tensorial", también denominado en el presente documento "valor tensorial agregado" o "suma tensorial" es el resultado de una suma por elementos de múltiples votos emitidos en un píxel receptor de votos particular. Cada voto es un tensor. El valor tensorial puede tener la forma de una matriz 2x2.

Un "gradiente de intensidad", "gradiente de imagen" o "vector gradiente" de un píxel es una estructura de datos que indica un cambio direccional en la intensidad de píxeles en una imagen, por ejemplo en una imagen digital inicial. Los gradientes de imagen pueden usarse para extraer información a partir de imágenes. Por ejemplo, el gradiente puede expresarse mediante una estructura de datos que especifica una función de dos variables, también denominada la función de intensidad de la imagen, en cada píxel en la imagen, con lo que las dos variables son las coordenadas de píxel x (horizontal) e y (vertical) de la imagen 702. Un "vector gradiente" o "vector gradiente de intensidad" de un píxel particular es un vector bidimensional con los componentes dados por las derivadas en las direcciones horizontal y vertical, con lo que el vector gradiente apunta en la dirección del aumento de intensidad más grande posible, y la longitud del vector gradiente corresponde a la tasa de cambio en esa dirección.

La creación de la imagen de intensidad de borde de prominencia basándose en los valores propios en el píxel receptor de votos puede comprender comparar un primer y un segundo valor propio para determinar si el píxel es un píxel de borde, un píxel de unión o un valor atípico. En la imagen de intensidad de borde de prominencia, solamente se resaltan píxeles de borde refinados. Un "píxel receptor de votos" es el píxel que recibe los votos de sus vecinos (que actúan como "píxeles de votación iniciales" - IVP). De acuerdo con algunas realizaciones, el resaltado de un píxel P comprende sumar todos los votos emitidos en dicho píxel P para calcular, usando el valor tensorial que resulta del compendio, un valor de prominencia. El valor de prominencia de dicho píxel P indica la probabilidad de que el píxel P sea un píxel de borde. El resaltado comprende además asignar el píxel P un valor de intensidad que se correlaciona con el valor de prominencia. La asignación puede realizarse en una imagen adicional, por ejemplo una imagen de borde de prominencia.

La realización de la supresión de múltiples respuestas en la imagen de borde de prominencia basándose en el vector propio mayor puede realizarse de acuerdo con J. Canny, "A computational approach to edge detection", IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 8, No. 6, págs. 679-698, 1986. De este modo, se calcula una imagen de borde de prominencia suprimida. Ejemplos adicionales de supresión de múltiples respuestas son conocidas en la técnica.

De acuerdo con realizaciones, en una siguiente etapa puede aplicarse una umbralización con histéresis en la imagen de borde de prominencia suprimida para producir una imagen de borde refinada como se representa en la figura 8B y, a partir de la imagen de borde refinada, una máscara de borde refinada. Usar una umbralización con histéresis para la detección de bordes comprende usar dos umbrales. Bordes con umbral bajo que están conectados a bordes con umbral alto son retenidos. Bordes con umbral bajo que no están conectados a bordes con umbral alto son eliminados. La umbralización con histéresis puede realizarse de acuerdo con J. Canny, "A computational approach to edge detection", IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 8, No. 6, págs. 679-698, 1986. En la técnica se conocen ejemplos adicionales de umbralización con histéresis.

En algunos ejemplos, la ejecución de estas etapas puede ser eficaz para producir delineación de límites de objeto detectando los límites prominentes que están oscurecidos o fragmentados en algunas regiones de la imagen inicial y que también pueden no ser parte de un borde en la imagen de borde inicial.

5

10

15

20

25

30

35

40

45

50

55

60

65

En otras realizaciones, las operaciones pueden incluir además generar un histograma local de valores de intensidad de píxel de primer plano y de segundo plano a partir de la imagen inicial, ponderada mediante el valor de prominencia, en las inmediaciones de cada píxel de la máscara de borde refinado, determinar umbrales de detección de bordes con histéresis a partir de un análisis estadístico del histograma local, y aplicar los umbrales de detección de bordes con histéresis a la imagen inicial bajo la máscara de borde refinada para determinar límites de objeto. Estas operaciones pueden ser eficaces para refinar los límites prominentes haciendo uso de características de imagen a lo largo de los límites. Por ejemplo, las inmediaciones de cada píxel pueden consistir en todos los píxeles contenidos en el mismo bloque que dicho píxel. Una pluralidad de bloques de píxeles no superpuestos pueden determinarse automáticamente en la imagen inicial, por ejemplo como una rejilla de bloques de píxeles. El histograma local puede comprender la información de un histograma de primer plano y un histograma de segundo plano, computados específicamente para dicho bloque. Un umbral puede ser el valor de intensidad más bajo de los píxeles en el histograma de primer plano y el otro umbral puede ser el valor de intensidad más alto del píxel del histograma de segundo plano. Dichos dos umbrales pueden usarse como los umbrales de detección de bordes con histéresis.

En todavía otro ejemplo, la presente divulgación es un sistema para patología digital que incluye un procesador y una memoria acoplada al procesador, la memoria para almacenar instrucciones ejecutables por ordenador que, cuando son ejecutadas por el procesador, hacen que el procesador realice operaciones que comprenden determinar un intervalo de umbrales para una pluralidad de bloques de imagen (o "bloques") compuestos por una imagen digital, generar una imagen umbral adaptable basándose en el intervalo de umbrales para cada uno de la pluralidad de bloques de imagen, y extraer un primer plano a partir de la imagen basándose en la imagen umbral adaptable, en el que cada bloque de imágenes comprende una pluralidad de píxeles de borde determinados mediante una operación de votación tensorial.

En otro ejemplo más, la presente divulgación es un método que incluye generar un campo de votación asimétrico para determinar un auténtico límite de núcleo dentro de una región de una imagen, muestrear un píxel de primer plano y un píxel de segundo plano para cada píxel en el auténtico límite de núcleo basándose en puntos de borde iniciales o puntos de borde de prominencia, y la dirección del borde de prominencia o la dirección del gradiente, generar histogramas de segundo plano y de primer plano modulados por prominencia o gradiente para cada región de la imagen, utilizar los histogramas de primer plano y de segundo plano para computar un intervalo de umbrales para cada región de la imagen, y generar una imagen umbral basándose en la interpolación de una pluralidad de intervalos de umbrales que corresponden a una pluralidad de regiones de la imagen.

En un aspecto, la invención se refiere a un sistema de procesamiento de imágenes para patología digital. El sistema comprende un procesador y una memoria acoplada al procesador. La memoria almacena una imagen digital de una muestra de tejido biológico e instrucciones ejecutables por ordenador que, cuando son ejecutadas por el procesador, hacen que el procesador realice operaciones para discernir un límite de núcleo celular en una imagen digital de una muestra de tejido biológico. Dichas operaciones comprenden:

- identificar, mediante el procesador, uno o más bordes iniciales en la imagen digital y usar los píxeles dentro de los bordes iniciales identificados como píxeles de votación iniciales;

- usar, mediante el procesador, un campo de votación tensorial para realizar operaciones de votación tensorial sobre píxeles en las inmediaciones de cada uno de los píxeles de votación iniciales;

- acumular, mediante el procesador, una pluralidad de votos para cada uno de los píxeles vecinos para determinar un valor tensorial para dicho píxel vecino, indicando la cuantía del voto si dicho píxel vecino es probable que sea un píxel de borde del mismo núcleo que el píxel de votación inicial, siendo el valor tensorial una suma de todos los votos emitidos por todos los píxeles de votación iniciales en cuyas inmediaciones se sitúa dicho píxel vecino; y

- descomponer, mediante el procesador, cada uno de los valores tensoriales determinados para determinar valores propios y vectores propios del valor tensorial descompuesto;

- evaluar, mediante el procesador, los valores propios y vectores propios determinados para identificar píxeles de borde refinados, representando los píxeles de borde refinados el límite de núcleo celular; y

- generar, mediante el procesador, una imagen de intensidad de borde de prominencia que comprende selectivamente los píxeles de borde refinados identificados que representan el límite del núcleo celular.

Usar votación tensorial en el campo de la patología digital puede tener el efecto ventajoso de proporcionar un método muy preciso y computacionalmente eficiente para detectar núcleos celulares, por ejemplo para contar las células o clasificar en subtipos un cáncer, por ejemplo cuando se usan células o núcleos teñidos con un colorante y/o biomarcador adecuado.

De acuerdo con realizaciones, el campo de votación tensorial se codifica con una o más características del núcleo. El campo de votación tensorial es un campo de votación tensorial asimétrico que es asimétrico a lo largo de un gradiente de intensidad del píxel de votación inicial cuyo voto se calcula. Las características del núcleo comprenden la información de si los valores de intensidad típicos de píxeles internos al núcleo del tipo de núcleo a determinar son más altos o más bajos que los valores de intensidad típicos de píxeles externos al núcleo. La codificación se realiza

5

10

15

20

25

30

35

40

45

50

55

60

de modo que el cálculo de un voto de un píxel de votación inicial mediante el campo de votación tensorial comprenda:

- identificar, mediante el procesador, una dirección de un gradiente de intensidad de la imagen digital en el píxel de votación inicial; y

- hacer que las operaciones de votación emitan votos más elevados sobre un primer píxel vecino que sobre un segundo píxel vecino, situándose los primer y segundo píxeles vecinos a igual distancia del píxel de votación, en el que el primer píxel vecino se sitúa, de acuerdo con la dirección identificada del gradiente de intensidad, en la dirección del interior del núcleo; en el que el segundo píxel vecino se sitúa, de acuerdo con la dirección identificada del gradiente de intensidad, en la dirección del exterior del núcleo.

La intensidad de los píxeles dentro y fuera de un núcleo puede depender del colorante nuclear y/o colorante de fondo usado y/o del tipo de núcleo a detectar. Por ejemplo, algunos colorantes y entornos experimentales pueden teñir el interior de un núcleo de modo que los píxeles internos al núcleo tengan una mayor intensidad que los píxeles externos al núcleo. Algunos colorantes y entornos experimentales pueden tener el efecto opuesto. De acuerdo con realizaciones, la información de si un colorante particular usado para teñir el núcleo en la imagen digital da como resultado valores de intensidad más altos o más bajos de píxeles internos al núcleo que los de píxeles externos al núcleo se usa para identificar la dirección del gradiente de intensidad, que se elige siempre de modo que apunte al interior del núcleo. De este modo, se usa información sobre el efecto de un colorante particular sobre un tipo de núcleo particular (derivado por ejemplo de portaobjetos de referencia e imágenes digitales correspondientes) para determinar la dirección de los gradientes de intensidad y para computar campos de votación tensorial que emiten votos más elevados sobre píxeles vecinos que se sitúan en la dirección del interior de un núcleo supuesto que sobre píxeles vecinos que se sitúan en una dirección que apunta lejos del interior del núcleo supuesto.

De acuerdo con realizaciones, la emisión del voto comprende:

- identificar el ángulo de votación 0 para el un píxel de votación inicial y el un píxel vecino, en el que el ángulo de

votación 0 es el ángulo entre una línea y la dirección perpendicular al gradiente de intensidad en el un píxel de

votación inicial, conectando la línea el píxel de votación inicial y el un píxel vecino, representando el gradiente de intensidad un gradiente de valores de intensidad de la imagen digital, apuntando el gradiente de intensidad en la dirección de valores de intensidad típicos para las partes internas del tipo de núcleo a determinar;

- emitir un voto cero sobre el un píxel vecino a menos que el ángulo de votación pertenezca a uno de los

siguientes intervalos de ángulos:

r— -i

12 4 o r37T ,

l * 12 J

Los intervalos de ángulos dados anteriormente son solamente uno de muchos posibles ejemplos de intervalos de ángulos que son asimétricos a lo largo del gradiente de intensidad de un píxel de votación usado como el centro de un círculo unitario.

De acuerdo con realizaciones, la evaluación de los valores propios y vectores propios determinados comprende determinar si el píxel para el cual se determinaron los valores propios y los vectores propios evaluados es un píxel de borde, un píxel de unión, o un valor atípico. Esta información se usa para resaltar selectivamente los píxeles de borde en la imagen de intensidad de borde de prominencia.

De acuerdo con realizaciones, los vectores propios determinados de cada píxel comprenden un primer (mayor) vector propio y un segundo (menor) vector propio. Los valores propios determinados de dicho píxel comprenden un primer (mayor) valor propio y un segundo (menor) valor propio. El primer valor propio es el valor propio del primer vector propio y el segundo valor propio es el valor propio del segundo vector propio. El tamaño de la diferencia entre el primer valor propio y el segundo valor propio se correlaciona con la contribución de un componente en forma de barra tensorial al valor tensorial del píxel. El tamaño del segundo valor propio se correlaciona con la contribución de un componente en forma de esfera tensorial al valor tensorial del píxel. La determinación de si el píxel de votación inicial es un píxel de borde, un píxel de unión, o un valor atípico comprende comparar el primer y el segundo valores propios de dicho píxel. Si el primer valor propio es mayor que el segundo valor propio y el segundo valor propio es aproximadamente cero, el píxel se identifica como un píxel de borde. Si el primer valor propio es aproximadamente del mismo tamaño que el segundo valor propio y el tamaño de ambos valores propios está por encima de un tamaño mínimo, el píxel se identifica como un píxel de unión. Si el primer y el segundo valores propios son ambos aproximadamente cero, el píxel se identifica como un valor atípico.

5

10

15

20

25

30

35

40

45

50

55

De acuerdo con realizaciones, el valor tensorial determinado para cada píxel representa un valor de prominencia para dicho píxel. El valor de prominencia es proporcional a la probabilidad de que dicho píxel sea un miembro de un borde nuclear.

De acuerdo con realizaciones, la implementación del campo de votación tensorial comprende implementar una lógica de programa que usa el campo de votación tensorial para calcular cada voto de uno de los píxeles de votación iniciales para uno de sus píxeles vecinos.

De acuerdo con realizaciones, el campo de votación tensorial se codifica con una o más características del núcleo. La información de característica incluye información de si el núcleo interno es más brillante o más oscuro que el exterior. Esta información se usa para inferir a partir de dicha información si un gradiente de intensidad apunta al interior o al exterior de un núcleo. De acuerdo con realizaciones, las características del núcleo comprenden el radio del tipo de núcleo cuyo límite debe detectarse. Por ejemplo, pueden usarse intervalos de radios típicos del tipo de núcleo a determinar para calcular restricciones de curvatura del campo de votación tensorial que, de nuevo, tienen un impacto sobre los votos emitidos por el campo de votación tensorial que codifica las una o más características nucleares.

De acuerdo con realizaciones, múltiples características del núcleo, por ejemplo el radio típico, la dirección del gradiente de intensidad que puede usarse como un indicador que apunta en la dirección de las partes internas de un núcleo supuesto puede modular el campo de votación tensorial y puede tener un impacto sobre el coeficiente de ponderación del voto emitido en un píxel vecino particular. Además, el hecho de que gradientes de intensidad de píxeles de borde de un núcleo real apunten aproximadamente a la misma posición puede ser una de las características del tipo de núcleo a detectar que pueden estar codificadas en el campo de votación tensorial.

De acuerdo con realizaciones, el cálculo de cada voto de uno de los píxeles de votación iniciales para uno de sus píxeles vecinos comprende:

- Identificar un gradiente de intensidad en el un píxel de votación inicial, representando el gradiente de intensidad un gradiente de valores de intensidad de la imagen digital, apuntando el gradiente de intensidad en la dirección de valores de intensidad típicos para las partes internas del tipo de núcleo a determinar;

- calcular un arco de un círculo que conecta el un píxel de votación inicial y el uno de los píxeles vecinos, teniendo el arco un centro geométrico, situándose el centro geométrico en una línea cuya dirección es idéntica a la dirección del gradiente de intensidad y situándose en la mitad de dicha línea a la que apunta la dirección del gradiente de intensidad;

- reducir la cuantía del voto emitido en el un píxel vecino en proporción a la distancia de dicho un píxel vecino hasta el píxel de votación inicial; y/o

- reducir la cuantía del voto emitido en el un píxel vecino en caso de que la curvatura del arco se desvíe de la curvatura de borde típica del tipo de núcleo a identificar más que un umbral de desviación predefinido.

De acuerdo con realizaciones, el voto emitido en el un píxel vecino es cero en caso de que la curvatura del arco esté por debajo de un umbral de curvatura inferior o esté por encima de un umbral de curvatura superior. Por ejemplo, el

nr — 1

~’vmin i

umbral de curvatura inferior Km¡n puede depender de un radio nuclear máximo de acuerdo con 'mn* en la

que rmax es el umbral superior de un radio del tipo de núcleo a identificar, el umbral de curvatura superior Kmax puede

depender de un radio nuclear mínimo de acuerdo con del tipo de núcleo a identificar.

en la que r™ es el umbral inferior de un radio

De acuerdo con realizaciones, De acuerdo con realizaciones, un voto individual (S) emitido por uno de los píxeles de votación iniciales para uno de sus píxeles vecinos se calcula de acuerdo con:

imagen1

- en la que l es la distancia euclidiana entre el un píxel de votación inicial y el un píxel vecino;

- en la que 0 es el ángulo de votación entre una línea y la dirección perpendicular al gradiente de intensidad (318) en el un píxel de votación inicial (O, 316), conectando la línea el píxel de votación inicial y el un píxel vecino, representando el gradiente de intensidad un gradiente de valores de intensidad de la imagen digital (702), apuntando el gradiente de intensidad en la dirección de valores de intensidad típicos para las partes internas del tipo de núcleo a determinar;

5

10

15

20

25

30

35

40

45

50

55

60

senQ

- en la que s se calcula de acuerdo con y representa la longitud de un arco (317), conectando el

arco el un píxel de votación inicial y el un píxel vecino, siendo el arco, el arco de un círculo que tiene un centro geométrico (C);

_ 2sen(Q)

- en la que K es la curvatura de votación calculada de acuerdo con 1 y;

- en la que a es un factor de escala que determina la velocidad de decaimiento de la cuantía del voto emitido por dicho un píxel de votación inicial, declinando la cuantía del voto en proporción a la distancia de un píxel vecino respecto a un píxel vecino.

De acuerdo con realizaciones, las operaciones comprenden además:

- usar los píxeles de borde refinados para muestrear píxeles de primer plano y píxeles de segundo plano, siendo los píxeles de primer plano candidatos para píxeles internos al núcleo, siendo los píxeles de segundo plano candidatos para píxeles externos al núcleo, en el que los píxeles de primer plano y de segundo plano se muestrean seleccionando píxeles de la imagen digital en las inmediaciones de un píxel de borde refinado identificado, en el que los píxeles de primer plano y de segundo plano se seleccionan de diferentes lados del borde;

- crear un histograma de primer plano para los valores de intensidad de los píxeles de primer plano muestreados;

- crear un histograma de segundo plano para los valores de intensidad de los píxeles de segundo plano muestreados;

- evaluar los histogramas de primer plano y de segundo plano para identificar un valor umbral de intensidad optimizado, siendo el valor umbral de intensidad optimizado un valor umbral de intensidad que es capaz de separar los píxeles muestreados dependiendo de que sus valores de intensidad estén por debajo o por encima del valor umbral de intensidad en dos conjuntos de píxeles separados, de modo que dichos dos conjuntos de píxeles separados tengan una desviación mínima respecto a las muestras de píxeles de primer plano y de segundo plano.

De acuerdo con realizaciones, las operaciones comprenden además asignar un coeficiente de ponderación a cada uno de los píxeles de imagen de primer plano y a cada uno de los píxeles de imagen de segundo plano. El coeficiente de ponderación es proporcional al valor de prominencia del píxel de borde refinado identificado que se sitúa entre dichos píxeles de primer plano y de segundo plano muestreados y a partir de cuyos dos lados se muestrearon el píxel de primer plano y el píxel de segundo plano. Como alternativa, el coeficiente de ponderación es proporcional al tamaño del gradiente de intensidad del píxel de borde refinado identificado que se sitúa entre dichos píxeles de primer plano y de segundo plano muestreados y a partir de cuyos dos lados se muestrearon el píxel de primer plano y el píxel de segundo plano.

El valor umbral de intensidad optimizado se identifica de modo que el valor umbral de intensidad optimizado sea capaz de separar los píxeles muestreados dependiendo de que sus valores de intensidad estén por debajo o por encima del valor umbral de intensidad y dependiendo de los coeficientes de ponderación de los píxeles muestreados en dos conjuntos de píxeles separados de modo que dichos dos conjuntos de píxeles separados tengan una desviación mínima respecto a las muestras de píxeles de primer plano y de segundo plano.

De acuerdo con realizaciones, el uso de los píxeles de borde refinados para muestrear píxeles de primer plano y píxeles de segundo plano, comprende, para cada uno de los píxeles de borde refinados:

- identificar el gradiente de intensidad en dicho píxel de borde refinado, apuntando el gradiente de intensidad en la dirección de valores de intensidad típicos para las partes internas del tipo de núcleo a determinar;

- seleccionar un primer píxel que se sitúa a una distancia predeterminada respecto a dicho píxel de borde refinado en la dirección del gradiente de intensidad identificado como uno de los píxeles de primer plano muestreados;

- seleccionar un segundo píxel que se sitúa a una distancia predeterminada respecto a dicho píxel de borde refinado en la dirección opuesta al gradiente de intensidad identificado como uno de los píxeles de segundo plano muestreados.

De acuerdo con realizaciones, las operaciones comprenden además dividir la imagen digital en una pluralidad de subregiones y realizar el muestreo de los píxeles de primer plano y de segundo plano y la determinación de los valores umbral de intensidad optimizados para cada una de la pluralidad de subregiones por separado. Una subregión puede tener, por ejemplo, la forma de bloques de píxeles discontinuos, pero también son posibles otras formas.

De acuerdo con realizaciones, el procesador del sistema interpola los valores umbral de intensidad optimizados de la pluralidad de subregiones en cada píxel de la imagen inicial y asigna a cada uno de dichos píxeles su valor umbral de intensidad optimizado interpolado.

5

10

15

20

25

30

35

40

45

50

55

60

65

De acuerdo con realizaciones, el procesador compara los valores de intensidad de los píxeles de la imagen digital con sus valores umbral de intensidad optimizados interpolados asignados respectivamente y genera automáticamente una máscara de imagen de primer plano. La máscara de imagen de primer plano enmascara y oculta selectivamente todos los píxeles que se predijo que no se sitúan dentro de un núcleo a identificar. La predicción depende de si se descubre que el valor de intensidad de un píxel está por debajo o por encima del umbral de intensidad interpolado asignado a dicho píxel. El procesador aplica a continuación la máscara de imagen de primer plano en la imagen digital para eliminar o esconder todos los píxeles de la imagen digital que se predijo que no se sitúan dentro de un núcleo.

De acuerdo con realizaciones, el procesador del sistema de análisis de imágenes calcula, para cada uno de una pluralidad de ángulos predefinidos (por ejemplo 0°, 2°, 4°, ...), en una única etapa de cálculo, un campo de votación tensorial respectivo. Cada uno de los campos de votación tensorial calculados incorpora información sobre la dirección del gradiente de intensidad en cada píxel de la imagen e incorpora la posición relativa de cada uno de una pluralidad de píxeles vecinos con respecto a dicho píxel. Cada campo de votación tensorial calculado no incorpora ("carece de") información sobre la magnitud del gradiente de intensidad de los píxeles.

Las operaciones de votación tensorial se realizan después del cálculo de la pluralidad de campos de votación tensorial calculados. La emisión de un voto por uno de los píxeles de votación iniciales sobre uno de sus píxeles vecinos comprende:

- Identificar, para él un píxel de votación inicial, un ángulo de gradiente de IVP, siendo el ángulo de gradiente de IVP el ángulo entre el eje x de la imagen y la dirección del gradiente de intensidad del un píxel de votación inicial;

- Identificar el uno de la pluralidad de campos de votación tensorial calculados que ha sido calculado para un ángulo que es idéntico al ángulo de gradiente de IVP identificado o que es el más similar al ángulo de gradiente de IVP identificado;

- alinear el campo de votación tensorial identificado con la rejilla de la imagen digital; el alineamiento puede ejecutarse de modo que el centro del campo tensorial se ubique en el píxel de votación y/o que el ángulo para el que se calculó el campo de votación tensorial se alinee con el ángulo de gradiente de IVP identificado;

- usar la posición relativa de un píxel de votación inicial y el un píxel vecino incorporado en el campo de votación tensorial identificado para identificar el valor tensorial que se debe descomponer para calcular el voto.

De este modo, los campos de votación tensorial calculados son campos de votación tensorial calculados previamente. Los campos de votación tensorial calculados previamente incorporan información sobre la dirección de los gradientes de intensidad pero no incorporan la información acerca de la magnitud de los gradientes de intensidad de los respectivos píxeles. Esto tiene la ventaja de que los campos de votación tensorial calculados previamente pueden reutilizarse para acelerar el cálculo de los votos de una pluralidad de píxeles de votación iniciales cuya orientación de gradiente corresponde al ángulo del campo de votación tensorial calculado previamente. En una imagen, normalmente hay muchos píxeles cuya dirección de gradiente es idéntica o muy similar, pero la magnitud de gradiente puede variar significativamente.

Si los campos de votación tensorial se computan previamente, la curvatura y la longitud del arco no tendrán que recalcularse en el proceso de votación. Si los campos de votación tensorial no se computan previamente, la curvatura y la longitud del arco se calcularán para cada par de píxeles vecinos al IVP.

Calculando previamente campos de votación tensorial para un ángulo particular que carece de/no incorpora la magnitud de gradiente de un píxel de votación inicial, el consumo de tiempo y de recursos de la CPU durante el cálculo del voto real puede disminuir significativamente.

De acuerdo con realizaciones, usar el campo de votación tensorial identificado para calcular el voto de un píxel de votación inicial para él un píxel vecino comprende:

- ponderar, para dicho un píxel de votación inicial, el campo de votación tensorial identificado por la magnitud (o en general una función monótona) del gradiente de intensidad de un píxel de votación inicial; esto puede hacerse, por ejemplo, multiplicando el campo de votación tensorial identificado por la magnitud del gradiente de intensidad;

- usar el campo de votación tensorial identificado y ponderado para calcular el voto del píxel de votación inicial particular para el píxel vecino particular.

El uso de campos de votación tensorial para calcular un voto puede realizarse, por ejemplo, de acuerdo con lo que se conoce en la técnica (véase referencias dadas en [0077] de esta solicitud que cita artículos de G. Guy y G. Medioni y G. Bebis, M. Nicolescu, A. Skurikhin). De este modo, de acuerdo con realizaciones, se usa un campo de votación tensorial asimétrico que incorpora información sobre una o más características del tipo de núcleo a detectar. El cálculo previo de campos de votación tensorial que incorporan selectivamente información de dirección de gradiente pero que no incorporan información de magnitud de gradiente puede acelerar el proceso de votación. Esto es de particular relevancia en el contexto del análisis de imágenes en tiempo real de imágenes digitales derivadas de una pluralidad de portaobjetos de tejido.

5

10

15

20

25

30

35

40

45

50

55

60

65

De acuerdo con realizaciones, las operaciones comprenden además realizar supresión de múltiples respuestas en la imagen de borde de prominencia y a continuación umbralización con histéresis de la imagen de borde de prominencia suprimida para producir una máscara de borde refinada para la imagen digital.

De acuerdo con algunas realizaciones, los bordes iniciales se identifican aplicando un filtro de Canny (detección de bordes) en la imagen inicial.

De acuerdo con realizaciones, las operaciones comprenden además calcular el campo de votación tensorial usando una implementación de filtro dirigible con limitación de banda para cálculos de votación tensorial, con lo que el uso del filtro dirigible con limitación de banda permite que se realicen convoluciones de votación tensorial con una transformada rápida de Fourier.

De acuerdo con realizaciones, las operaciones comprenden además:

- computar un gradiente de intensidad en la imagen inicial en la ubicación de cada píxel de votación inicial; y

- analizar los gradientes de imagen en los píxeles de votación iniciales para producir componentes tensoriales en forma de barra del valor tensorial de cada píxel de votación inicial, en el que la dirección del gradiente de intensidad en un píxel se usa como la dirección de un componente tensorial en forma de barra en ese píxel y en el que el valor de gradiente del gradiente de intensidad en dicho píxel se usa para la intensidad del componente tensorial en forma de barra en ese píxel.

De acuerdo con realizaciones, la imagen inicial es una imagen de escala de grises.

De acuerdo con realizaciones, la imagen inicial comprende una pluralidad de canales de color.

De acuerdo con realizaciones, las operaciones comprenden además extraer un canal de color a partir de la pluralidad de canales de color usando métodos seleccionados entre un grupo que consiste en desconvolución, separación o desmezcla de colores.

En un aspecto adicional, la invención se refiere a un método para discernir automáticamente un límite de núcleo celular en una imagen digital de una muestra de tejido biológico. El método es ejecutado por un procesador de un sistema de análisis de imágenes de patología digital. El método comprende:

- Realizar, mediante el procesador, operaciones de votación tensorial en píxeles en las inmediaciones de cada uno de los píxeles de votación iniciales;

- generar, mediante el procesador, una imagen de intensidad de borde de prominencia (806) que comprende selectivamente los píxeles de borde refinados identificados que representan el límite del núcleo celular.

De acuerdo con realizaciones, el método comprende las operaciones y etapas ejecutadas mediante realizaciones de los sistemas de análisis de imágenes de patología digital descritos en el presente documento.

En un aspecto adicional, la invención se refiere a un medio legible por ordenador no transitorio, tangible que tiene instrucciones ejecutables por ordenador para ejecución por un sistema de procesamiento. El sistema puede ser un sistema de análisis de imágenes de patología digital como se describe en el presente documento con respecto a múltiples realizaciones diferentes. Las instrucciones ejecutables por ordenador para realizar delineación de límites de un objeto para análisis de imágenes de muestras de tejido biológico, las instrucciones ejecutables por ordenador, cuando son ejecutadas, hacen que el sistema de procesamiento realice el método descrito anteriormente.

Breve descripción de los dibujos

La figura 1 muestra un sistema para umbralización adaptable, de acuerdo con una realización

ejemplar de la presente divulgación.

La figura 2 muestra un método para umbralización adaptable basándose en el borde, de acuerdo con

una realización ejemplar de la presente divulgación.

5

10

15

20

25

30

35

40

45

50

55

60

65

Las figuras 3A a 3C

Las figuras 4A a 4C Las figuras 5A y 5B La figura 6 Las figuras 7A y 7B Las figuras 8A a 8C

La figura 9

muestran, respectivamente, un método para votación tensorial, una función de decaimiento, y el campo de votación estándar, de acuerdo con una realización ejemplar de la presente divulgación.

muestran un método para generación de umbrales locales, de acuerdo con una realización ejemplar de la presente divulgación.

muestran núcleos detectados para métodos de la técnica anterior frente a las realizaciones ejemplares desveladas de la presente divulgación.

ilustra un diagrama de flujo para detección en primer plano de acuerdo con la presente invención.

ilustra una imagen de escala de grises de entrada y una imagen detectada de borde inicial respectivamente.

ilustran cada una de una imagen de borde de prominencia 8A, una imagen de borde refinada 8B, y una imagen de intensidad de borde de prominencia 8C, respectivamente, de acuerdo con la presente invención. ilustra campos de votación tensorial específicos de ángulo.

Descripción detallada de la presente divulgación

Los sistemas, métodos y programas informáticos descritos en el presente documento realizan operaciones de segmentación basadas en bordes para, por ejemplo, identificar núcleos. Un método de detección en primer plano para la segmentación de núcleos, de acuerdo con la presente invención, implica la detección de bordes basada en gradiente; votación tensorial; computación previa del campo tensorial; generaciones de histogramas locales; y un módulo de determinación de umbrales para generar una imagen que da como resultado una detección de núcleos mejorada, como se muestra en la figura 7. La figura 6 ilustra un diagrama de flujo para la detección en primer plano de acuerdo con la presente invención, y las etapas mostradas en la figura 6 se describen en detalle a continuación.

Detección de bordes basada en gradiente

En general, en una realización ejemplar de un sistema de acuerdo con la presente invención, una imagen original/inicial 702 o conjunto de datos de imagen se introduce en el sistema. Después de que el sistema recibe la imagen original o los datos de imagen (como se muestra en la figura 7A), se utiliza un módulo de detección de bordes basada en gradiente para detectar bordes de estructuras en la imagen (S660), por ejemplo, todas las estructuras o sustancialmente todas las estructuras en la imagen original/inicial. En la técnica son bien conocidos métodos de detección de bordes basada en gradiente.

En una realización ejemplar de la presente invención, se utiliza el método de detección de bordes de Canny [8] para realizar detección de bordes basada en gradiente para detectar, en la imagen inicial 702, los bordes representados en la imagen de detección de bordes inicial 704. Sin embargo, pueden utilizarse otros métodos de detección de bordes basada en gradiente. La imagen generada a partir del módulo de detección de bordes basada en gradiente es la imagen de detección de bordes inicial 704, como se muestra en la figura 7B. No es poco común que el borde detectado a partir de los módulos de detección de bordes basada en gradiente conocidos en la técnica contenga ruido (por ejemplo, artefactos procedentes de pelo, burbujas de aire, polvo, núcleos rotos, etc.). Como resultado del ruido en la imagen de detección de bordes inicial, el método de detección de núcleos, de acuerdo con la presente invención incluye etapas adicionales para resaltar auténticos píxeles de borde de núcleo, y suprimir píxeles no de borde de núcleo de la imagen.

Votación tensorial

Después de que se genera la imagen de detección de bordes inicial 704, se realiza votación tensorial en la imagen de borde inicial 704, por ejemplo en todos o sustancialmente todos los píxeles en la imagen de borde inicial para generar una imagen de borde refinada 804 que es más sensible y específica (S661). El método de votación tensorial implica, generalmente, determinar (es decir, votar), para píxeles en las inmediaciones de o una región alrededor de cada uno de los píxeles de borde iniciales (de la imagen de borde inicial 704), si es probable que cada uno de los píxeles de inmediaciones (también denominados "píxeles vecinos") sea un píxel de borde del mismo núcleo. Mientras que el concepto de votación tensorial es conocido en la técnica, el método de votación tensorial de la presente invención se diseña, por ejemplo, de modo que píxeles en el borde del mismo núcleo voten uno por el otro. El proceso de votación tensorial en la presente invención se implementa usando campos de votación tensorial. Los campos de votación tensorial están diseñados para incorporar la información anterior acerca de tamaño y forma del núcleo, y la distribución de intensidad de la imagen alrededor del núcleo, que puede obtenerse explorando imágenes representativas. Esto conduce a un campo de votación tensorial asimétrico, que se desvía de una aplicación normal en la técnica. Ejemplos de esquemas de votación tensorial se dan, por ejemplo, en G. Guy y G. Medioni, "Inferring global perceptual contours from local features," International Journal of Computer Vision, 1996, vol. 20, págs. 113— 133, y en L. A. Loss, G. Bebis, M. Nicolescu, A. Skurikhin, "An iterative multi-scale tensor voting scheme for perceptual grouping of natural shapes in cluttered backgrounds," en Computer Vision and Image Understanding, 2009, vol. 113, págs. 126-149.

5

10

15

20

25

30

35

40

45

50

55

60

65

De acuerdo con realizaciones, con los campos de votación tensorial generados, cada píxel de borde (inicial) puede emitir votos, que es una matriz 2x2, para píxeles en sus inmediaciones basándose en su campo de votación tensorial. Por otro lado, cada píxel en la imagen inicial 702 recibe votos de cada uno de los píxeles de borde iniciales en sus inmediaciones y los acumula. El resultado es una imagen tensorial, donde cada píxel tiene una matriz 2x2 como su valor. De este modo, la imagen tensorial (no mostrada) es un derivado de la imagen inicial 702, en el que cada píxel (o al menos alguno de los píxeles) tiene asignado una suma tensorial ("valor tensorial"), obteniéndose la suma tensorial compendiando los votos emitidos sobre dicho píxel por sus vecinos.

Análisis tensorial

Después de que se genera la imagen tensorial, se realiza análisis tensorial para generar la imagen de borde de prominencia como se muestra en la figura 8A y una imagen de vector propio mayor (no mostrada).

En cada píxel en la imagen tensorial, pueden calcularse vectores propios y valores propios respectivos basándose en el valor tensorial ("suma tensorial") calculado para dicho píxel. Los vectores propios pueden consistir en un primer vector propio, también denominado vector propio mayor, y un segundo vector propio, también denominado vector propio menor. El valor propio del vector propio mayor es el valor propio mayor. El valor propio del vector propio menor es el valor propio menor. El valor de cada píxel en la imagen de borde de prominencia se calcula como la diferencia absoluta entre los dos valores propios.

El valor de cada píxel en la imagen del vector propio mayor es el vector propio que corresponde al valor propio grande, es decir, "el valor propio mayor". De este modo, de acuerdo con realizaciones, la imagen del vector propio mayor se calcula a partir de la imagen tensorial determinando, para cada uno de los píxeles, los dos valores propios, identificando el más grande de los valores propios como el valor propio mayor y usando el vector propio que corresponde al vector propio mayor identificado como un valor de datos que representa cada píxel en la imagen del vector propio mayor.

Basándose en la imagen de borde de prominencia y la imagen vectorial del vector propio mayor, se generar una imagen de borde refinada 804 como se muestra en la figura 8B usando supresión de múltiples respuestas y umbralización con histéresis, que tiene menos bordes falsos y perdidos.

De acuerdo con realizaciones, se genera una máscara de borde refinada a partir de la imagen de borde refinada 804 en la que todos los píxeles que no pertenecen a un borde de la imagen de borde refinado 804 son píxeles de máscara.

La imagen de intensidad de borde de prominencia 806, como se muestra en la figura 8C, se genera poniendo a cero los píxeles en la imagen de borde de prominencia 804 que no pertenecen a la máscara de borde refinada, lo que no solamente indica dónde están los píxeles de borde, sino también la probabilidad de que el píxel de borde sea un auténtico píxel de borde.

Generaciones de histogramas locales

Después de que se genera la imagen de intensidad de borde de prominencia 806, se generan histogramas locales 410, 412 para determinar umbrales locales que se utilizan para determinar qué píxeles son píxeles de núcleo y cuáles no lo son (píxeles de núcleo se refiere a cualquier píxel de un núcleo y no solamente los píxeles de borde de núcleo determinados).

En una realización ejemplar de la presente invención, la imagen de borde de prominencia 8A se divide en bloques (S662) de píxeles. Preferentemente, el tamaño del bloque es aproximadamente el diámetro de un núcleo celular. Por ejemplo, cada bloque puede ser un cuadrado cuya anchura está entre la mitad de y dos veces el diámetro de un núcleo. En lugar de bloques (cuadrados de píxeles), puede usarse cualquier otra forma de subregiones de la imagen, por ejemplo rectángulos, triángulos, polígonos o similares.

Para cada píxel de borde 408 en cada uno de los bloques, se muestra un píxel de primer plano candidato 404 y un píxel de segundo plano candidato 406 basándose en la dirección de gradiente del píxel de borde (S663). El proceso de muestreo se describe con más detalle en la descripción de figura de la figura 4B. En la realización de los inventores, de la presente invención, el núcleo es más brillante que el fondo en general, el píxel de primer plano se muestrea a lo largo de la dirección de gradiente (de oscuro a brillante) y el píxel de segundo plano se muestrea en la dirección opuesta. En caso de que el núcleo sea más oscuro, la selección se realizará al revés.

Para cada bloque, se generan un histograma local para los píxeles de segundo plano (el "histograma de segundo plano" 410) y un histograma local para los píxeles de primer plano (el "histograma de primer plano" 412). El valor de intensidad del píxel de borde de la imagen de borde de prominencia 802 (y de este modo, el valor de prominencia del píxel de borde 408 que se calcula como la suma de todos los votos emitidos sobre dicho píxel 408) se usa como el coeficiente de ponderación para el píxel de primer plano y el píxel de segundo plano para generar los dos histogramas (S664). En un histograma sin ponderar, cada valor de intensidad (o bin de valor de intensidad) tiene

5

10

15

20

25

30

35

40

45

50

55

60

65

asignada una probabilidad de un píxel en un conjunto de píxeles particular que tiene dicho valor de intensidad particular. Por ejemplo, la probabilidad puede calcularse dividiendo el número de píxeles de un conjunto de píxeles que tiene dicho valor de intensidad por el número total de píxeles del conjunto de píxeles para el que se crea el histograma. En un histograma ponderado, no solamente se usan el número de píxeles que tienen un valor de intensidad particular como entrada para calcular la probabilidad de que un píxel en el conjunto examinado tenga dicho valor de intensidad, sino que también se usa el coeficiente de ponderación asignado a dicho píxel como entrada para crear el histograma, que representa una distribución de probabilidad.

Determinación de umbrales

Después de que se determinan los histogramas, el módulo de determinación de umbrales determina, basándose en los dos histogramas (es decir, el histograma de primer plano y el histograma de segundo plano), el umbral óptimo para el bloque (S665), que minimiza el error de clasificación para las muestras de primer plano y de segundo plano. El valor umbral es un valor de intensidad de un píxel de imagen inicial, no un valor de prominencia. Para un bloque de imágenes que no tiene píxeles de borde, la intensidad máxima dentro del bloque se calcula y se usa como el valor umbral. Los valores umbral calculados para cada bloque se usan como el valor umbral en el centro (S666) de dicho bloque

Después de que se genera el umbral local para cada bloque, el umbral para cada píxel en la imagen se genera por interpolación (S667), lineal o bilineal, mediante estructura de rejilla o triangulación. Como resultado de la interpolación, cada píxel de la imagen inicial corresponde a y tiene asignado un valor umbral interpolado.

Generación de resultados

A continuación, el módulo de determinación de resultados aplica el umbral determinado a la imagen de escala de grises de entrada original 702, que puede ser una imagen monocroma obtenida directamente a partir de un sistema de adquisición de imágenes de microscopía o indirectamente mediante desconvolución de color a partir de una imagen en color obtenida a partir de un sistema de adquisición de imágenes de microscopía en campo claro (tal como Ventana iScan Coreo o iScan HT), para generar una imagen de primer plano (S668). El primer plano detectado se utiliza además para segmentar núcleos individuales basándose en una variante del algoritmo de Watershed [2, 3, 4].

La figura 1 muestra un sistema para umbralización adaptable de acuerdo con una realización ejemplar de la presente divulgación. El sistema 100 comprende una fuente 101 para generar una imagen fuente, incluyendo cualquier combinación de un ensayo, microscopio y escáner. La fuente 101 está en comunicación con una memoria 103, que incluye una pluralidad de módulos de procesamiento u operaciones lógicas que son ejecutadas por el procesador 105 acolado a la interfaz 107. Por ejemplo, una muestra, tal como una muestra biológica, puede montarse sobre un portaobjetos para fines de imagenología mediante un microscopio, cámara, escáner, u otro dispositivo de imagenología acoplado a la memoria 103, con el análisis de imágenes de la muestra siendo realizado por el procesador 105 que ejecuta uno o más de la pluralidad de módulos almacenados en la memoria 103 de acuerdo con la presente divulgación. El análisis puede ser para propósitos de identificación y estudio de la muestra. Por ejemplo, un sistema biológico o patológico puede estudiar la muestra para información biológica, como la detección de estructuras celulares y tisulares, núcleos, la presencia de proteínas, fragmentos de proteínas u otros marcadores indicativos de cáncer u otra enfermedad, o para otros fines, tales como detección genómica de ADN, detección de ARN mensajero, detección de proteínas, detección de virus, detección de genes u otros.

La muestra puede teñirse, por ejemplo, mediante una plataforma automatizada de tinción/ensayo, como la plataforma automatizada de tinción de portaobjetos Discovery.TM., del cesionario Ventana Medical Systems, Inc. El portaobjetos o ensayo resultante puede iluminarse mediante una fuente de luz y visualizarse mediante un sistema de imagenología tal como una cámara. La fuente de luz puede comprender una fuente de luz de banda estrecha tal como un láser, o luz blanca RGB destinada a verse a través de un microscopio de campo claro. La plataforma de la cámara también puede incluir un microscopio que tenga una o más lentes objetivo y un generador de imágenes digital, así como un conjunto de filtros espectrales. Se pueden usar otras técnicas para capturar imágenes a diferentes longitudes de onda. Las plataformas de cámara adecuadas para obtener imágenes de muestras biológicos teñidos son conocidas en la técnica y están disponibles en el mercado en compañías tales como Zeiss, Canon, Applied Spectral Imaging y otras, y dichas plataformas son fácilmente adaptables para su uso en el sistema, métodos y aparatos de esta presente divulgación.

La imagen 702 puede suministrarse a la memoria o el medio legible por ordenador 103, mediante una conexión inalámbrica, una conexión por línea alámbrica, por ejemplo, una conexión por cable ente la fuente 101 y el ordenador 107, mediante una red informática, o usando cualquier otro medio que se usa comúnmente para transferir información digital entre ordenadores. La imagen también puede suministrarse por la red a un servidor de red o base de datos para almacenamiento y posterior recuperación por el ordenador 107. Además del procesador 105 y la memoria 103, el ordenador 107 también incluye dispositivos de entrada y salida del usuario tales como un teclado, ratón, lápiz óptico, y un visualizador/pantalla táctil. Como se explicará en la siguiente descripción, el procesador 105 ejecuta módulos almacenados en la memoria 103, que realizan análisis de la imagen, procesamiento morfológico de

5

10

15

20

25

30

35

40

45

50

55

60

65

la imagen o datos de imagen derivados de dichas imágenes, análisis cuantitativo, y visualización de resultados cuantitativos/gráficos a un usuario que maneja el ordenador 107.

Los módulos almacenados en la memoria 103 incluyen un módulo 111 de detección de gradientes, un módulo 112 de computación de campos tensoriales, un módulo 113 de votación tensorial, un módulo 114 de generación de histogramas locales, un módulo 115 de determinación de umbrales y un módulo 116 de generación de resultados. Las operaciones realizadas por estos módulos no están limitadas a las descritas en el presente documento, y la secuencia, disposición y número total de módulos pueden variar, con la realización descrita actualmente siendo únicamente para fines ejemplares.

Por ejemplo, el módulo 111 de detección de gradientes puede ejecutarse para determinar que uno o más píxeles o regiones de la imagen corresponde a o indica una presencia de un borde de una estructura diana. Un contraste o gradiente elevado entre diferentes píxeles puede indicar una presencia de un borde dentro del bloque de imágenes, la región, o el campo de visión. Pueden seleccionarse regiones a partir de características detectadas mediante selección automatizada o manual de estructuras o regiones dentro de la imagen fuente recibida a partir de la fuente 101. Las características pueden determinarse automáticamente basándose en análisis de imágenes, heterogeneidad tisular, etc., o pueden ser seleccionadas por el usuario. En algunos casos, una imagen en escala de grises o un canal de color único de una imagen RGB pueden muestrearse para anotar regiones específicas, tales como células o núcleos. Las zonas identificadas pueden usarse para definir un campo de visión para operaciones posteriores. En algunas realizaciones, la imagen puede dividirse uniformemente en regiones o bloques dependiendo de una escala de la imagen y una estructura diana de interés. Los píxeles dentro de estas regiones o bloques pueden seleccionarse como píxeles iniciales para operaciones posteriores como se describe en el presente documento. Otros métodos para determinar los píxeles de borde iniciales pueden volverse evidentes para los expertos en la materia tras leer esta divulgación.

El módulo 112 de computación de campos tensoriales se ejecuta a continuación para determinar una pluralidad de campos tensoriales para una pluralidad correspondiente de orientaciones. Cada orientación corresponde a un ángulo predefinido, por ejemplo 2°, 4°, 6°, ..., 360°. En este ejemplo, 180 ángulos distribuidos uniformemente están cubiertos, pero también son posibles otros números de división y distribución. Como se describe a continuación, un tensor bidimensional es una matriz 2-por-2. El campo tensorial representa una disposición ordenada bidimensional de tensores. Por ejemplo, la disposición ordenada bidimensional de tensores de un campo tensor puede comprender tantos tensores como píxeles existen en la imagen original 702. Para una implementación eficiente, se generan una pluralidad de campos tensoriales en una pluralidad correspondiente de orientaciones ("ángulos") distribuidos uniformemente, dando como resultado una disposición ordenada tridimensional, con la primera dimensión siendo el índice angular. Por ejemplo, puede haber un primer campo tensorial para el ángulo 0°, un segundo campo tensorial para el ángulo 2°, ..., y un 180° campo tensorial para el ángulo 358°. Todos los campos tensoriales pueden calcularse antes de que comiencen las operaciones de votación. Los campos tensoriales computados previamente permiten una recuperación más rápida de tensores cuando se realizan operaciones de votación tensorial. En lugar de calcular 180 autentificadores de tensor/tensores específicos de orientación para cada píxel en la imagen, que podrían dar como resultado una imagen compuesta por 1000 píxeles en 180.000 etapas individuales, solamente se realizan un número comparativamente bajo de etapas de cálculo (por ejemplo 180 para 180 ángulos diferentes/campos de votación tensorial) para proporcionar los datos de entrada usados en el proceso de votación.

El módulo 113 de votación tensorial es ejecutado para realizar operaciones de votación tensorial que dan como resultado una imagen tensorial (no mostrada), que se usa además para generar valores de prominencia para los píxeles en la imagen de borde de prominencia 802. En resumen, cada píxel de borde inicial 316 se designa como un píxel de votación, y píxeles dentro del campo de votación del píxel reciben un voto, con los votos siendo determinados basándose en píxeles vecinos que encajan dentro de intervalos de umbrales de la curvatura de votación y el ángulo de votación. Los umbrales se seleccionan basándose en la forma de la estructura a detectar y características de imagenología para suprimir píxeles de borde improbables y resaltar los probables. Algunos ejemplos se presentan después de la descripción de figura de la figura 9.

Los gradientes de los píxeles en el borde del mismo núcleo apuntan aproximadamente hacia la misma posición y se codifican usando campo tensorial en forma de barra bidimensional encima de los píxeles de borde iniciales. Los tensores bidimensionales pueden recuperarse a partir de los campos tensoriales computados previamente como se ha descrito anteriormente. Estas operaciones se describen adicionalmente con respecto a las figuras 3A-3C. La imagen tensorial resultante permite la generación de una imagen de borde de prominencia 802, y determinar el vector propio que corresponde al valor propio grande, es decir, la dirección normal del borde de prominencia en cada píxel.

Habiendo identificado píxeles de borde probables para la región de la imagen que incluye la estructura a detectar realizando votación tensorial en la imagen de borde inicial 704, tal como un núcleo, se computa un intervalo de umbrales para cada región de la imagen. El módulo 114 de generación de histogramas locales permite esta operación muestreando un píxel de primer plano 404 a lo largo de la dirección de gradiente por encima del píxel de borde 408, y un píxel de segundo plano 406 por debajo del píxel de borde, y creando histogramas 410, 412 tanto para segundo plano como para primer plano. Se usan histogramas tanto de primer plano como de segundo plano

5

10

15

20

25

30

35

40

45

50

55

60

65

para generar el intervalo de umbrales en cada bloque. Posteriormente, se genera una imagen umbral adaptable por interpolación usando los intervalos de umbrales para la pluralidad de bloques de imagen. Finalmente, comparar la imagen de entrada 702 con la imagen umbral adaptable localmente proporciona un primer plano significativamente mejorado.

Los resultados determinados por el módulo 116 de generación de resultados pueden emitirse a un usuario u operador del terminal 107, o pueden compilarse en un informe generado por el procesador 105 y transmitirse a otro ordenador a través de una red, o guardarse en un archivo. Como se ha descrito anteriormente, los módulos incluyen lógica que es ejecutada por el procesador 105. "Lógica", como se usa en el presente documento y a lo largo de esta divulgación, se refiere a cualquier información que tenga la forma de señales de instrucción y/o datos que pueden aplicarse para afectar al funcionamiento de un procesador. El software es un ejemplo de dicha lógica. Ejemplos de procesadores son procesadores informáticos (unidades de procesamiento), microprocesadores, procesadores de señales digitales, controladores y microcontroladores, etc. La lógica puede formarse a partir de señales almacenadas en un medio legible por ordenador tal como la memoria 103, que incluye memoria de acceso aleatorio (RAM), memorias de solo lectura (ROM), memorias de solo lectura programables borrables/eléctricamente borrables (EPROMS/EEPROMS), memorias flash, etc. La lógica también puede comprender circuitos digitales y/o analógicos de hardware, por ejemplo, circuitos de hardware que comprenden AND, OR, XOR, NAND, NOR lógicos y otras operaciones lógicas. La lógica puede formarse a partir de combinaciones de software y hardware. En una red, la lógica puede programarse en un servidor o en un complejo de servidores. Una unidad lógica particular no está limitada a una única ubicación lógica en la red.

La figura 2 muestra un método para umbralización adaptable, de acuerdo con una realización ejemplar de la presente divulgación. El método de la figura 2 puede ser realizado por un ordenador que ejecuta módulos similares a los representados en la figura 1, con la comprensión de que las etapas del método descritas en el presente documento no necesitan realizarse en el orden descrito, y pueden ejecutarse en cualquier secuencia comprensible por un experto en la materia a la luz de la presente divulgación. El método comienza (S220) con una fuente para generar o recibir una imagen fuente, tal como un microscopio combinado con un sistema de imagenología para escanear un ensayo. La imagen 702 puede ser una imagen en escala de grises, o puede ser representativa de un solo canal en una imagen múltiplex. Los píxeles del borde pueden aproximarse basándose en los gradientes identificados en la imagen, o en las características detectadas por la segmentación del tejido o la selección manual de una región dentro de la imagen. La imagen puede dividirse en bloques, y puede muestrearse un bloque de una imagen de tamaño apropiado para anotar regiones específicas, tales como células o núcleos. Cada bloque puede tener el tamaño suficiente para contener al menos uno o varios núcleos o agrupaciones de núcleos. Las selecciones iniciales de bordes o límites dentro del bloque pueden realizarse detectando características y píxeles con valores superiores a un umbral.

A continuación se aplica votación tensorial bidimensional (S222) para determinar la imagen de borde de prominencia 802 y a partir de dicha imagen una máscara de borde de prominencia. Pueden computarse previamente campos tensoriales en diversas orientaciones, lo que permite una recuperación más rápida de tensores cuando se realizan operaciones de votación tensorial.

Los píxeles 322, 324 vecinos a un píxel de borde inicial designado 408, 316 y dentro del campo de votación 310, 312 del píxel de borde inicial reciben votos como se describe adicionalmente en el presente documento. Los campos tensoriales se diseñan con la consideración de posiciones y direcciones de gradiente consistentes, es decir, píxeles vecinos que es probable que sean píxeles de borde que pertenecen al mismo núcleo o una agrupación de núcleos se votan más entre sí. Se aplica una restricción en el ángulo de la dirección de votación y la curvatura del arco de votación para suprimir píxeles de borde improbables y resaltar los probables. Estas operaciones se describen adicionalmente con respecto a las figuras 3A-3C. Los votos recibidos por píxel son analizados (S223) para determinar si es o no probable que el píxel sea un píxel de borde/límite, o un píxel de unión dentro de una agrupación de núcleos, o un valor atípico (ni de borde ni en una unión). Los resultados se usan para generar una imagen de borde de prominencia 802 y, a partir de dicha imagen, una máscara de borde de prominencia. En una máscara de borde de prominencia, todos los píxeles que no son un píxel de borde de prominencia son píxeles de máscara.

Habiendo identificado píxeles de borde probables para la región de la imagen que incluye la estructura a detectar, tal como un núcleo, se computa un intervalo de umbrales de intensidades (es decir un límite máximo permitido y un límite mínimo permitido) para la región de la imagen o bloque de imágenes para permitir la generación de la imagen umbral local adaptable. Se generan histogramas de primer plano y de segundo plano 410, 412 S224) para cada bloque de la imagen. Estas operaciones incluyen muestrear un píxel de primer plano 404 a lo largo de la dirección de gradiente por encima del píxel de borde 408, y un píxel de segundo plano 406 por debajo del píxel de borde, y crear los histogramas tanto para segundo plano como para primer plano, usar el valor de prominencia o la magnitud de gradiente en el píxel como coeficiente de ponderación. A continuación se usan histogramas tanto de primer plano como de segundo plano para determinar el intervalo de umbrales en cada bloque. Posteriormente, se genera una imagen umbral local adaptable (S226), mediante interpolación usando la pluralidad de bloques de imagen y sus intervalos de umbrales respectivos.

5

10

15

20

25

30

35

40

45

50

55

Por ejemplo, la imagen puede dividirse en bloques de imágenes 2x2, con el intervalo de umbrales en cada uno de los cuatro bloques siendo [30, 60], [40, 80], [50, 90] y [60, 100]. La imagen umbral local adaptable puede generarse calculando un umbral central para cada uno de los cuatro bloques, por ejemplo como la media de los límites del intervalo de umbrales. Para el ejemplo anterior, los valores umbral centrales de los cuatro bloques serían 45, 60, 70 y 80. Sin embargo, hay muchas opciones para utilizar el intervalo de umbrales para obtener resultados similares. A continuación, los umbrales centrales se interpolan sobre toda la imagen, asignando de este modo a cada píxel un valor umbral interpolado. Comparar la imagen de entrada con la imagen umbral adaptable localmente proporciona un primer plano significativamente mejorado. Los resultados pueden ser transmitidos (S229) a un usuario, o pueden compilarse en un informe y transmitirse a otro ordenador a través de una red, o guardarse en un archivo.

Las figuras 3A a 3C muestran respectivamente un método para votación tensorial, una función de decaimiento S parametrizada con el ángulo de votación 0 y la curvatura de votación K, y un campo de votación basándose en las restricciones de ángulo y curvatura mencionadas anteriormente, de acuerdo con una realización ejemplar de la presente divulgación. Los métodos de la figura 3A-C pueden ser realizados por un ordenador que ejecuta módulos similares a los representados en la figura 1, con la comprensión de que las etapas del método descritas en el presente documento no necesitan realizarse en el orden descrito, y pueden ejecutarse en cualquier secuencia comprensible por un experto en la materia a la luz de la presente divulgación.

Con referencia ahora a la figura 3A, el método comienza (S330) con un píxel de borde inicial 316 con cierta dirección de gradiente 318. Un número de campos tensoriales se computan previamente (S331) para una pluralidad de orientaciones distribuidas uniformemente dentro de la imagen. Por ejemplo, para ángulos entre 0° y 360°, una pluralidad de orientaciones pueden distribuirse uniformemente a intervalos de 2° o 3°. Esta computación previa permite una recuperación rápida de tensores para votación en cada píxel de borde. Posteriormente a la computación previa (S331), un píxel inicial 316 se selecciona (S332) y se designa como un píxel de votación. Como se ha descrito anteriormente, el píxel inicial puede seleccionarse a partir de píxeles de borde basándose en un valor de gradiente, o una característica detectada. Cualquier algoritmo de detección de bordes iniciales conocido en la técnica puede usarse para detectar los píxeles de borde iniciales de la imagen de borde inicial 704.

En cualquier caso, las operaciones de votación tensorial comienzan para ese píxel inicial. El campo tensorial para votación en el píxel puede recuperarse (S333) basándose en la dirección de gradiente 318 del píxel inicial 316.

En cualquier caso, se determina si se analizarán o no más píxeles (S335). Si existen más píxeles iniciales dentro de la región de la imagen que está siendo analizada, entonces se selecciona el siguiente píxel inicial (S332) y se recupera un nuevo campo tensorial (S331) como se describe en el presente documento. Cuando se completa la votación para todos los píxeles iniciales en la imagen o región, se genera una imagen de borde de prominencia 802 y se usa para generar una máscara de borde de prominencia (S336). Para generar la máscara de borde de prominencia, los votos para cada píxel se calculan para generar un tensor acumulado ("suma tensorial"). Un ejemplo para un voto individual que incluye información acerca de características de un núcleo a detectar se describe en la descripción de figura de la figura 3A. El resultado del compendio de todos los votos emitidos en un píxel P particular, el "valor tensorial" o "suma tensorial", también es un tensor. El tensor obtenido en cada píxel es una matriz definida no negativa simétrica, que puede descomponerse adicionalmente en dos componentes tensoriales en forma de barra y usarse para generar la imagen de borde de prominencia 802 y la máscara de borde de prominencia. Por ejemplo, un tensor de 2° orden bidimensional es una matriz 2x2 definida no negativa simétrica puede representarse de la siguiente manera:

imagen2

El tensor T puede descomponerse como la suma de un tensor en forma de barra (también denominado "componente tensorial en forma de barra") y un tensor en forma de esfera (también denominado "componente tensorial en forma de esfera"). T es una combinación lineal de tensores de producto externo y, por lo tanto, también un tensor. El tensor T puede ser un tensor simétrico de segundo orden, los valores propios A?, Á2 son reales y positivos o cero y el primer valor propio A? ("valor propio mayor") es mayor o igual que el segundo valor propio A2 ("valor propio menor"). El superíndice T indica transposición de matrices.

El valor de A? y e1 y A2 y e2 representan respectivamente una longitud y una dirección de un primer (el mayor) y un segundo eje (el menor) de una elipse.

El tensor en forma de barra puede expresarse como: , en la que ei es un primer vector

propio y A1 es el primer valor propio correspondiente del primer vector propio. El primer vector propio y el primer valor

5

10

15

20

25

30

35

40

45

50

55

60

propio juntos son descriptivos de la longitud (prominencia) y orientación de una barra representada por el tensor en forma de barra. En términos geométricos, la prominencia del componente en forma de barra corresponde a la longitud de un modelo en forma de barra que subyace al componente en forma de barra y representado por los mayores de los valores propios.

Á^{c+ C-)C\ )

El tensor en forma de esfera puede expresarse como: “ , en la que e2 es un segundo

vector propio y Á2 es el segundo valor propio correspondiente del segundo vector propio. El segundo vector propio y el segundo valor propio juntos son descriptivos de la prominencia de la esfera representada por el tensor en forma de esfera. En términos geométricos, la prominencia corresponde al radio de un modelo en forma de esfera que subyace al componente en forma de esfera.

Los dos vectores propios corresponden a las principales direcciones de la elipse y los valores propios codifican el tamaño y la forma de la elipse.

Los resultados, es decir, los componentes tensoriales en forma de barra y en forma de esfera calculados, indican una probabilidad de que cada píxel esté en una unión dentro de una agrupación de núcleos, un borde del núcleo, o un valor atípico. Esta determinación se realiza comparando los componentes tensoriales en forma de barra y en forma de esfera en cada píxel. Por ejemplo, si Ai - Á2 > A2, esto indica que el componente en forma de barra del tensor acumulado en el píxel es más grande que el componente en forma de esfera, y el píxel está probablemente en el borde del núcleo. Si A1 “ A2 > 0, el componente en forma de barra es más pequeño que el componente en forma de esfera, y el píxel vecino está probablemente en una unión o región. Si Ai = A2 “ 0, el píxel tiene una baja prominencia, es decir es improbable que sea un píxel de borde o de límite, y se desecha como un valor atípico. Asimismo, cada voto puede representarse mediante una matriz 2x2. Los votos para cada píxel se acumulan, y la medida de votos acumulados (la medida de la suma tensorial) puede descomponerse para obtener la imagen de borde de prominencia 802 (Ai - A2) y la dirección normal del borde de prominencia (el vector propio que corresponde al más grande de los dos valores propios Ai, A2 de dicha suma tensorial acumulada T en un píxel particular). La dirección normal del borde de prominencia indica la dirección normal de un borde en un píxel particular.

La figura 3B muestra la función de fórmula S para el cálculo del campo de votación tensorial. Esta fórmula también se denomina en el presente documento "función de decaimiento". Se usa para calcular los elementos (voto tensorial) en el campo tensorial basándose en la dirección normal del píxel de votación (es decir la dirección de gradiente en dicho píxel), implementando la idea de que los píxeles que demuestran una mejor continuación (o que es más probable que estén en el borde del mismo núcleo) se votan más entre sí. Por ejemplo, el origen O está alineado en cada píxel de borde inicial (píxel de votación) 316 con su dirección de gradiente apuntando a lo largo del eje y (véase la figura 3B). La letra pequeña s representa una longitud del arco de votación 317 entre el píxel de votación O 316 y el píxel receptor de votos P, K representa la curvatura, y / representa la distancia euclidiana entre los dos píxeles. El eje x y el eje y representan los ejes x e y de la imagen original, con lo que el origen del sistema de coordenadas se sitúa en el píxel de votación. C representa un centro geométrico que matemáticamente está implícito en la curvatura del arco 317 que conecta los píxeles O y P. Sigma ("a") es un parámetro de decaimiento que especifica la velocidad de decaimiento del voto en función de la distancia de un píxel receptor de votos desde el píxel de votación y la curvatura. Como los radios de la mayoría de los núcleos son conocidos o bien aproximados, se puede aplicar un umbral de curvatura K para controlar adicionalmente la magnitud del voto a emitir desde O a P. Por ejemplo, el diámetro promedio del núcleo de una célula de mamífero es de aproximadamente 5-15 pm, el radio promedio es de 2,5-7,5 pm.

De acuerdo con realizaciones, los píxeles P (píxel receptor de votos) más alejados del origen O, es decir el píxel de votación, son votados menos, y los píxeles en los arcos de votación 317, 325 que tienen curvaturas fuera de las restricciones promedio o conocidas también son votados menos.

Además, o como alternativa, de acuerdo con realizaciones, el voto emitido desde el píxel de votación inicial O en el píxel receptor de votos p está disminuida o es cero en caso de que el punto P se sitúa en dirección opuesta al vector gradiente en el píxel de votación O (el vector gradiente apunta en la dirección del núcleo). Por ejemplo, el voto emitido desde el píxel de votación inicial O en el píxel receptor de votos p disminuye o es cero en caso de que el campo tensorial para direcciones de votación con un ángulo 9 se sitúe dentro de un intervalo predefinido de grados que cubre píxeles en el lado opuesto de la dirección del gradiente en el IVP respectivo. Dicho intervalo predefinido puede ser, por ejemplo, de 190 grados a 350 grados.

Para cualquier píxel de votación, un voto tensorial modulado por factor de decaimiento positivo es emitido en píxeles que satisfacen las restricciones. Una descripción detallada del cálculo del voto de acuerdo con un ejemplo se da en la descripción de la figura 3A.

El conocimiento de curvaturas de núcleos (basándose en los radios conocidos) se usa para determinar el campo/región de votación para píxeles vecinos, representados en la figura 3C. La función de decaimiento S de la figura 3B se aplica a uno o ambos lados 310, 312 del campo de votación. La función de decaimiento puede ser

5

10

15

20

25

30

35

40

45

50

55

60

65

asimétrica a lo largo de lados arriba y abajo del campo de votación, en cuyo caso puede emitirse un voto más elevado a los píxeles en el lado superior ("lado superior" aquí significa en la dirección supuesta al interior del núcleo de la célula; esta dirección puede derivarse del vector gradiente 318 en el píxel de votación 316). Además, el campo de votación es dinámico y gira basándose en la dirección de gradiente 318 del píxel de votación inicial 316. El campo de votación puede basarse en campos tensoriales computados previamente en la etapa S331 de la figura 3A, permitiendo la generación o recuperación más rápida de tensores durante la votación entre píxeles. Los cuadros grises mostrados en la figura 3C representa píxeles sobre los cuales el píxel de votación 316 emite votos más elevados que sobre píxeles fuera de las zonas grises.

De acuerdo con realizaciones, las inmediaciones rectangulares están alineadas con la dirección del gradiente en IVP O y alineadas con la dirección de la tangente en el IVP. El campo de votación tensorial del IVP O es asimétrico en la dirección del gradiente del IVP.

De acuerdo con realizaciones, el IVP emite un voto con una menor cuantía ("coeficiente de ponderación") o cero sobre cualquier píxel que se sitúe en la dirección opuesta al gradiente de intensidad, es decir, que se sitúa en la dirección de partes internas del núcleo supuesto.

De acuerdo con realizaciones, los límites de las zonas grises 312, 310 son nítidos: todos los píxeles en los rectángulos grises se consideran píxeles vecinos del píxel de votación inicial O que reciben un voto de O. Todos los píxeles en las zonas blancas no se consideran vecinos del píxel O y no reciben un voto del píxel O. Por ejemplo, el lado más largo del rectángulo puede ser de 27 píxeles para las imágenes de 20 aumentos de los escáneres Ventana.

De acuerdo con otras realizaciones, el límite entre las zonas grises y blancas puede ser, de hecho, liso, es decir, las zonas grises pueden no tener un límite nítido. En su lugar, los votos pueden decaer gradualmente dependiendo de la distancia de un píxel receptor de votos desde el píxel de votación dado un arco de votación particular 325. La cuantía/coeficiente de ponderación de un voto de píxel O para un píxel en una zona blanca puede ser aproximadamente cero.

La línea de forma irregular 320 puede representar el contorno real de un núcleo. El arco 325 es el arco de votación que conecta el píxel de votación 316 con el píxel receptor de votos 324 y se usa para calcular un voto para el píxel 324. El píxel 314 puede ser otro píxel en el contorno "real" del núcleo. Los votos son más elevados a lo largo de la dirección de la tangente (normal al gradiente) en el píxel de votación 316 que a lo largo de la dirección del gradiente. Como se puede deducir a partir de las zonas grises 310, 312 que son rectángulos no cuadrados, los votos son más elevados si un píxel está más cerca de un arco de votación que refleja la curvatura típica del contorno de un núcleo celular. Al contrario que un voto "simétrico" donde los tensores en los pares de puntos (O, P) a lo largo del gradiente de intensidad del píxel de votación que se sitúan a igual distancia del píxel de votación son iguales, el campo tensorial "asimétrico" da como resultado un píxel de votación que vota más favorablemente en la dirección de gradiente que en la dirección opuesta.

Las figuras 4A-4C muestran un método para generación de umbrales locales para cada bloque de píxeles, de acuerdo con una realización ejemplar de la presente divulgación. Como se describe en el presente documento, para cada píxel de borde inicial o píxel de borde de prominencia 408 detectado mediante votación tensorial, un píxel de primer plano 404 y un píxel de segundo plano 406 a lo largo de una dirección de gradiente 318 (o la dirección normal de prominencia del píxel 408) se muestrean (es decir, se seleccionan y se añaden a un conjunto de muestras de primer plano o un conjunto de muestras de segundo plano de píxeles). La distancia entre los dos píxeles muestreados y el píxel de borde puede ser, por ejemplo, de 2 a 3 píxeles, dependiendo de la escala de la imagen o del bloque de imágenes, y del tamaño del núcleo, como se muestra en la figura 4B. La distancia desde el píxel de borde 316, 408 en la que se muestrean los píxeles puede estar predefinida y es, preferentemente, más pequeña que un radio de un núcleo. Como se describe en el presente documento, la imagen se puede dividir en pequeñas subregiones. Por ejemplo, una imagen ampliada 20x se puede dividir en bloques de 50x50 píxeles. Para cada conjunto de píxeles de primer plano/segundo plano muestreados en cada bloque, pueden generarse dos histogramas correspondientes por bloque, como se muestra adicionalmente en la figura 4C.

Con referencia a la figura 4A, el método puede comenzar con una selección de un píxel de borde (S441) 408 como se describe en el presente documento. El píxel de borde seleccionado es probablemente un borde auténtico, y puede basarse en los resultados de una operación de votación tensorial. Se dibuja una línea normal al borde a través del píxel de borde, y se muestrea un píxel de primer plano 404 y un píxel de segundo plano 406 (S442) para el píxel de borde a lo largo de la dirección de gradiente y en la dirección opuesta. Véase la figura 4B para una selección de píxeles ejemplar. Se determina si hay o no píxeles de borde adicionales en el bloque (S443), y si los hay, se selecciona el siguiente píxel de borde (S441) y se muestran píxeles de primer plano y de segundo plano (S442).

Si no hay más píxeles de borde, entonces el método continúa con la generación de los histogramas de primer plano 410 y de segundo plano 412 para el bloque (S444). Los histogramas de segundo plano y los histogramas de primer plano con modulación de prominencia se generan basándose en los píxeles de primer plano y de segundo plano

5

10

15

20

25

30

35

40

45

50

55

60

65

muestreados dentro de cada bloque de imágenes. Los histogramas tienen modulación de prominencia, ya que están ponderados por el valor de prominencia de los píxeles de borde, según lo determinado por votación tensorial, o basándose en el valor de la magnitud de gradiente. Véase la figura 4C para histogramas ejemplares para segundo plano y primer plano de un solo bloque de imágenes. Ambos histogramas se muestran dentro de un diagrama. Los histogramas se usan para definir el intervalo de umbrales para el bloque de imágenes (S445), para minimizar el error de clasificación basado en el histograma. Se selecciona un intervalo de umbrales apropiado para minimizar el error causado mezclando píxeles de segundo plano y de primer plano, que generalmente es una consecuencia de falsos positivos o falsos negativos en la detección de bordes que se alivia con los histogramas con modulación de prominencia descritos en el presente documento.

De acuerdo con realizaciones, los dos histogramas 410, 412 provienen de tomar los píxeles de primer plano 404 del lado interno de un borde y tomar los píxeles de segundo plano 406 desde un "exterior" de dichos píxeles de borde. Si la intensidad de todos los píxeles dentro, sobre y fuera de cada píxel de borde 408 siguiera un gradiente de intensidad homogéneo, los dos histogramas "ideales" no se superpondrían, es decir, no habría ningún valor de intensidad que se observe tanto en el histograma de primer plano como en el histograma de segundo plano. En realidad, debido al ruido de imagenología y otras fuentes de ruido (tinción y preparación del tejido), los dos histogramas se superponen, lo que significa que hay uno o más valores de intensidad para los que existen píxeles tanto en el histograma de primer plano como en el de segundo plano. Minimizar el error significa determinar automáticamente un umbral de intensidad tal que el número (ponderado por el valor de prominencia) de los píxeles de primer plano por debajo del umbral y píxeles de segundo plano por encima del umbral se minimice. De acuerdo con realizaciones en las que los píxeles de fondo y primer plano se ponderan dependiendo de su valor de prominencia o valor de gradiente del píxel usado para seleccionar el píxel de primer plano de segundo plano durante el muestreo, minimizar el error significa determinar automáticamente un umbral de intensidad tal que el número ponderado por prominencia de píxeles en primer plano por debajo del umbral y píxeles de segundo plano por encima del umbral se minimice.

De acuerdo con realizaciones, el umbral óptimo es un intervalo en lugar de un valor específico. Por ejemplo, un primer umbral de intensidad podría identificar (clasificación basada en la intensidad) todos los píxeles por debajo de dicho primer umbral como píxeles de segundo plano y un segundo umbral podría identificar todos los píxeles por encima del segundo umbral como píxeles de primer plano. Por ejemplo, el primer umbral puede ser el valor de intensidad más alto en el histograma de segundo plano de dicho bloque que tampoco está contenido en el histograma de primer plano. El segundo umbral puede ser el valor de intensidad más bajo en el histograma de primer plano de dicho bloque que tampoco está contenido en el histograma de segundo plano.

El valor/intervalo umbral se calcula para cada bloque individualmente y se asigna al centro de dicho bloque. Finalmente, el umbral puede interpolarse (S446) en cada píxel basándose en el intervalo de umbrales de intensidad para cada bloque de imágenes. La triangulación del umbral del bloque o la interpolación bilineal se pueden realizar en cada píxel. El resultado final (S449) es una imagen umbral (mostrada ahora).

Por ejemplo, la imagen 702 puede dividirse en varios bloques, por ejemplo 14x13=182 bloques, teniendo cada bloque un intervalo de umbrales calculado. Por ejemplo, el intervalo de umbrales de cada bloque puede comprender un umbral inferior ("primero") y un umbral superior ("segundo"). El primer y segundo umbrales pueden calculares, por ejemplo, como se ha descrito anteriormente. Para cada bloque, puede calcularse un valor umbral de intensidad promedio del umbral inferior y superior y asignarlo al centro geométrico del bloque. El umbral en cada píxel en la imagen umbral se obtiene por interpolación basándose en los 182 intervalos de umbrales.

La imagen umbral puede compararse con la imagen fuente para determinar el primer plano, es decir, si un valor de píxel supera el umbral determinado mediante los métodos anteriores, es un píxel de primer plano. Esto permite una determinación más precisa de la presencia de un núcleo en la imagen, reducir falsos positivos y falsos negativos respecto a la técnica anterior. Las figuras 5A y 5B muestran núcleos detectados para métodos de la técnica anterior frente a las realizaciones ejemplares desveladas de la presente divulgación. Claramente, los resultados de detección de núcleos son mejores en la figura 5B, frente al resultado de la técnica anterior mostrado en la figura 5A.

La figura 9 ilustra campos de votación tensorial específicos del ángulo de votación 902-906. Los ejes x e y corresponden a los ejes y píxeles respectivos de la imagen inicial 702. Cada píxel, por ejemplo el píxel 910 en la posición x 2 y la posición y 1 tiene asignado un tensor T, que puede representarse como una matriz 2x2, calculada basándose en las ecuaciones en la figura 3B.

El procesador del sistema de análisis de imágenes calcula, para cada uno de una pluralidad de ángulos predefinidos, en una única etapa de cálculo, un campo de votación tensorial asimétrico respectivo. Cada tensor de cada uno de los campos de votación tensorial asimétricos calculados comprende información sobre la dirección del gradiente de intensidad en cada uno de los píxeles de votación inicial para los cuales se calculó el campo de votación tensorial, pero no comprende información sobre la magnitud del gradiente de intensidad del IVP. Por ejemplo, la fórmula representada en la figura 3B tiene en consideración la información sobre distancia del píxel mediante la longitud del arco s.

10

15

20

25

30

35

40

45

De acuerdo con realizaciones, cada campo de votación tensorial comprende selectivamente tensores que se han computados previamente para píxeles cuya dirección de gradiente es idéntica o la más similar al un ángulo predefinido para el que se calculó dicho campo de votación tensorial.

Por ejemplo, Por ejemplo, la fórmula a continuación se usa para calcular el campo de votación tensorial en el sistema de coordenadas locales polares donde la dirección de gradiente del píxel para emitir el voto está alineada

imagen3

con la dirección a 90 grados: Con el fin de

calcular un voto de un IVP particular respecto a un píxel vecino particular, el campo tensorial calculado previamente, calculado para un ángulo que es idéntico o muy similar al ángulo de gradiente de IVP se identifica y se alinea con la imagen digital 702. El alineamiento puede realizarse de modo que el centro del campo tensorial se ubique en el píxel de votación. Para conseguir esto para una dirección de gradiente particular a del IVP particular, el dominio del campo tensorial (o elementos del mismo, por ejemplo un conjunto de coordenadas x,y enteras) se hace girar (un

TI

- — a

ángulo de 2 en el sentido de las agujas del reloj). La rotación puede realizarse en un sistema de coordenadas locales polares. Como resultado de la rotación, se obtiene un conjunto de parámetros de entrada correspondientes para el cálculo del voto, por ejemplo el parámetro I que indica la distancia euclidiana entre el un píxel de votación inicial y el un píxel vecino, y el ángulo de votación 0. Dichos parámetros de entrada derivados de la rotación se usan como entrada, por ejemplo en la fórmula representada en la figura 3B, para calcular un voto. Después de conseguir el alineamiento, la información de posición relativa del un IVP y el un píxel vecino se usa para obtener el tensor del campo tensorial que se usará para emitir votos como se describe en otras secciones de este documento.

De acuerdo con realizaciones, la fórmula

imagen4

es al menos parcialmente resuelta y se transforma en una fórmula derivada

S2+CJf2

S(l,0,a) = e a2 F

, en la que F es una constante que depende exclusivamente del ángulo predefinido para el cual se calcula previamente el actual campo de votación tensorial. F puede calcularse de acuerdo con:

imagen5

Calculando previamente campos de votación tensorial específicos de ángulo, es decir, tensores para todos los píxeles en una imagen 702 respecto a una orientación particular, se pueden ahorrar recursos computacionales. Cada campo de votación tensorial específico de ángulo 902, 904, 906 comprende información sobre la dirección de gradiente del gradiente de intensidad en cada píxel. Los campos de votación tensorial específicos de ángulo se calculan antes de que el auténtico proceso de votación comience, es decir, están "calculados previamente". Cuando el procesador realiza realmente las operaciones de votación tensorial, el procesador identifica un ángulo entre la dirección del gradiente de intensidad del píxel de votación inicial 316 y el eje x de la imagen. Este ángulo se denomina en el presente documento el ángulo de gradiente de IVP. El ángulo de gradiente de IVP en un píxel particular 316 usado como píxel de votación inicial puede ser, por ejemplo, 5,6°. En la fase de cálculo previo, se puede haber calculado campos de votación tensorial para los ángulos predefinidos 0°, 2°, 4°, 6°, ..., 358°. En la fase de votación, se identifica el uno de la pluralidad de campos de votación tensorial calculados que se calculó para un ángulo que es idéntico o lo más similar al ángulo de gradiente del IVP identificado (5,6°) (en este caso: el campo de votación tensorial calculado para el ángulo 6°). A continuación, el procesador usa el campo de votación tensorial calculado previamente identificado para calcular el voto emitido por el un píxel de votación inicial sobre el píxel vecino. Esto puede tener la ventaja de que el proceso de votación puede acelerarse significativamente. Además, de acuerdo con realizaciones, el voto emitido por el píxel de votación inicial 316 sobre un píxel vecino P se pondera dependiendo de la magnitud del gradiente de intensidad del píxel de votación.

5

10

15

20

25

30

35

40

45

50

55

60

Votación tensorial basándose en conocimiento de dominio biológico

En lo sucesivo, se describen ejemplos para ilustrar la modificación de un campo de votación tensorial mediante características del núcleo cuyo borde debe determinarse con el fin de proporcionar una detección de borde particularmente precisa y un método de segmentación nuclear.

Al principio, una imagen de histopatología digital, por ejemplo, una imagen de H&E o imagen IHC, se lee a partir de un medio de almacenamiento o se recibe dinámicamente desde un microscopio o sistema de adquisición de imágenes de microscopía en campo claro (tal como Ventana iScan Coreo). Por ejemplo, la imagen digital puede representar una biopsia de tejido de cáncer de mama teñida con diaminobencidina (DAB) que proporciona una imagen pardusca y/o hematoxilina (HTX) que proporciona una imagen azulada. La imagen pardusca o azulada se convierte a una imagen en escala de grises 702, por ejemplo a través de PCA o desconvolución de color.

En la siguiente etapa, el sistema aplica un algoritmo de detección de bordes en la imagen de escala de grises 702. Por ejemplo, puede aplicarse el método de detección de bordes de Canny o cualquier otro método de detección de bordes conocido en la técnica para identificar bordes iniciales como se representa en la imagen 704. Normalmente, los bordes identificados en esta etapa comprenden varios falsos positivos (ruido, artefactos de tinción) y/o falsos negativos (bordes nucleares reales que no se identificaron como bordes). Con el fin de aumentar la precisión de la detección de bordes, se realizan etapas adicionales como se explica a continuación.

Para cada píxel en la imagen de escala de grises digital 702, el sistema determina un gradiente de intensidad. Si se usa un algoritmo de detección de bordes basada en gradiente, esta etapa ya se habrá realizado durante la detección de bordes iniciales. La información de gradiente se usa para generar una imagen tensorial. En la imagen tensorial, cada píxel del píxel de la imagen en escala de grises está representado por un respectivo tensor de segundo orden que captura tanto la información de orientación del gradiente como su confianza o prominencia. Dicho tensor se puede visualizar como una elipse, con lo que la forma del tensor define el tipo de información capturada (punto o borde). Por ejemplo, un elemento de borde muy prominente está representado por una elipse delgada cuyo eje mayor representa la dirección de borde predicha y cuya longitud refleja la prominencia de la predicción. El primer y segundo vectores propios de cada tensor corresponden a las direcciones principales de la elipse y los valores propios primero y segundo, respectivamente, codifican el tamaño y la forma de la elipse.

Después de haber codificado la información de gradiente de la imagen en escala de grises en la imagen tensorial, el sistema realiza un procedimiento de votación que usa una forma particular de votación tensorial. La votación tensorial puede describirse como un proceso que propaga y agrega la o las corrientes normales más probables codificadas por medio de tensores de segundo orden.

El procedimiento de votación tensorial de acuerdo con realizaciones de la invención usa un campo de votación tensorial asimétrico que incorpora conocimiento de características estructurales de los núcleos a identificar para calcular los votos. Un campo tensor como se usa en el presente documento es una estructura de datos que asigna un tensor a cada píxel vecino del píxel de votación en la imagen 702. De acuerdo con realizaciones, el campo de votación tensorial para un píxel de votación particular se recupera de acuerdo con la dirección de la dirección de gradiente a partir de un conjunto computado previamente de campos tensoriales. El voto emitido por cada tensor del campo de votación tensorial se pondera mediante la magnitud del gradiente de intensidad de su píxel respectivo.

La votación se basa en la hipótesis de que los bordes generalmente son suaves y que, por lo tanto, dada una orientación conocida de la normal del gradiente en el píxel de votación, la orientación de la normal en un píxel vecino puede inferirse mediante el seguimiento del cambio de lo normal en una curva uniforme de unión, por ejemplo un arco de un círculo perfecto. Una función de decaimiento como se representa, por ejemplo, en la figura 3B, se usa para ponderar el voto emitido sobre el píxel vecino.

De acuerdo con realizaciones, el campo de votación tensorial asimétrico realiza las operaciones de votación de modo que un píxel de votación inicial emite votos más elevados sobre píxeles vecinos que se predijo que se sitúan, de acuerdo con el gradiente de intensidad, dentro del interior de un núcleo celular que sobre píxeles vecinos que están a igual distancia del píxel de votación pero que se predijo que se sitúan fuera del núcleo. Cuando se usa un colorante particular para teñir núcleos en una muestra de tejido, esto da como resultado un gradiente de intensidad característico en el límite nuclear. Por ejemplo, los píxeles dentro de un núcleo teñido con este colorante en particular pueden normalmente tener una intensidad mayor que los píxeles fuera de un núcleo. El campo de votación tensorial incorpora matemáticamente este "conocimiento" sobre el gradiente de intensidad "típico" en el límite nuclear emitiendo votos más altos sobre los píxeles vecinos que se sitúan, de acuerdo con la dirección del gradiente de intensidad del píxel de votación y de acuerdo con la posición relativa del píxel de votación y el píxel vecino, dentro de un núcleo. Por ejemplo, esto se puede conseguir modificando la fórmula para calcular el voto (dada en la figura 3B) de la siguiente manera (fórmula modificada MF1):

5

10

15

20

25

30

35

40

45

imagen6

A1, A2 y A3 son intervalos para ángulos de votación. De acuerdo con un ejemplo, se usan los siguientes intervalos:

A1 =[T7’7l’

intervalo de ángulos 14 4

A2 = [— ,n\,

intervalo de ángulos 4 4

intervalo de ángulos

A3 = [-tt,-^].

(- ^^ —)

En la notación de círculo unitario, el eje y 2 2 corresponde al gradiente de intensidad en el píxel de

votación y el eje x —> 0) corresponde al gradiente normal en el píxel de votación. Preferentemente, los intervalos

de ángulos se seleccionan de modo que los intervalos de ángulos que cubren áreas de píxel que se predijo que se sitúan (con probabilidad relativamente alta), de acuerdo con la dirección de gradiente del píxel de votación, en el mismo lado que el interior del núcleo, son más grandes que los intervalos de ángulos que cubren un píxel que se predijo que se sitúa en el otro lado de la normal del gradiente.

En efecto, el píxel de votación emitirá un voto cero sobre el píxel vecino a menos que el ángulo de votación pertenezca a uno de los intervalos de ángulos especificados anteriormente A1-A3. Esto tiene el efecto de que los píxeles que no se sitúan cerca de una normal del gradiente alargada del píxel de votación recibirán un voto cero, en particular si el píxel se sitúa en el lado de la normal del gradiente que se predijo que se sitúa, según la dirección del gradiente de intensidad en el píxel de votación, en el lado de la normal del gradiente que se sitúa fuera del núcleo.

Además, o como alternativa, el campo de votación tensorial asimétrico incorpora conocimiento de características estructurales de los núcleos implementando una restricción en la curvatura permitida cuando se calcula el voto para un píxel vecino particular. Por ejemplo, el radio promedio de un núcleo de una célula de mamífero es de aproximadamente 2,5-7,5 pm. De este modo, 7,5 pm puede usarse como un umbral superior rmax de un radio del tipo de núcleo a identificar. Por consiguiente, 2,5 pm puede usarse como un umbral inferior rm¡n de un radio del tipo de

nf — 1

núcleo a identificar. Un umbral de curvatura inferior Kmjn se calcula de acuerdo con ’max y un umbral de

nr — *

-/vmax . •

curvatura superior Kmax se calcula de acuerdo con

La fórmula para calcular el voto (dada en la figura 3B) puede modificarse de la siguiente manera (fórmula modificada MF2):

imagen7

Dependiendo de la realización, es posible usar combinaciones de las fórmulas modificadas MF1 y MF2. Además o como alternativa, es posible usar una función de decaimiento continua que emite votos que se correlacionan indirectamente con la desviación de la curvatura respecto a una "curvatura media típica" y/o que se correlacionan indirectamente con la desviación del ángulo de votación respecto a un "ángulo típico" de dos píxeles de borde nuclear reales que tienen la misma distancia que el píxel de votación y el receptor de votos. De este modo, en lugar de usar una función discreta, las realizaciones alternativas pueden usar una fórmula suave/continua para calcular el coeficiente de ponderación de los votos en función de la curvatura y/o el ángulo de votación.

En efecto, el "coeficiente de ponderación" de un voto emitido sobre un píxel vecino particular depende de una característica estructural del tipo de núcleo cuyo límite debe identificarse.

Todos los votos emitidos sobre un píxel receptor de votos particular se suman para computar una suma tensorial ("valor tensorial") para dicho píxel. Esa suma tensorial de cada píxel se descompone y se analiza con el fin de estimar la "similitud a una barra" de dicho píxel. Se supone que los píxeles con baja prominencia son casos atípicos.

5

10

15

20

25

30

35

40

Se genera una imagen de borde de prominencia en la que píxeles que tienen una elevada prominencia (una alta probabilidad de ser un píxel de borde real, de acuerdo con la predicción de votación tensorial) se resaltan selectivamente como píxeles de borde auténticos.

Aunque descritas con referencia a las imágenes en escala de grises, las realizaciones desveladas también se aplican a las imágenes en color y a otros tipos de imágenes tales como imágenes múltiplex. Para las imágenes en color, se puede calcular un gradiente dentro de un espacio de color, y los métodos ejemplares descritos en el presente documento se pueden realizar en ese espacio de color para determinar los primeros planos precisos. Se pueden generar imágenes de gradiente en escala de grises para cada canal de color y las operaciones se realizan en consecuencia. Las imágenes múltiplex se pueden separar en vectores componentes antes de ejecutar las operaciones de votación tensorial y generación de umbrales locales descritas en el presente documento. Asimismo, los métodos desvelados pueden aplicarse a cualquier estructura con una curvatura conocida o uniforme, además del núcleo descrito.

Como es conocido por un experto en la materia, la expresión "conocimiento específico del dominio" puede significar que si se conocen las formas que se buscan en las imágenes, entonces ese conocimiento de las formas se puede aplicar hacia la conformación del campo de votación tensorial, lo que lo convierte en un tipo especial de asimetría.

Pueden realizarse ciertas computaciones previas y aceleración de hardware para aliviar los gastos de hardware y tiempo. Por ejemplo, los votos para los píxeles vecinos pueden computarse previamente para una serie de direcciones de gradiente diferentes. Una imagen de acumulación se puede generar en paralelo para cada bloque de píxeles. Estos procesos pueden realizarse en paralelo en la misma o diferentes regiones de la imagen, o toda la imagen repetidamente, con regiones personalizadas siendo definidas basándose en las estructuras o características observadas en la imagen, y operaciones separadas siendo ejecutadas en paralelo en diferentes regiones, permitiendo el procesamiento de grandes cantidades de portaobjetos. Asimismo, además de aplicaciones médicas tales como patología anatómica o clínica, diagnóstico de cáncer de próstata/pulmón, etc., se pueden realizar los mismos métodos para analizar otros tipos de muestras, tales como la detección remota de datos geológicos o astronómicos, etc. Las imágenes pueden refinarse aún más eliminando fuentes de ruido conocidas u obvias, por ejemplo, comparándolas con conjuntos conocidos o ideales de señales de materiales similares. Para análisis de imágenes/portaobjetos grandes o múltiples, o para analizar uno o más cubos de imágenes, las operaciones descritas en el presente documento pueden trasladarse a una unidad de procesamiento de gráficos de hardware (GPU), lo que permite una implementación en paralelo de múltiples subprocesos.

La divulgación anterior de las realizaciones ejemplares de la presente divulgación se ha presentado con fines de ilustración y descripción. No pretende ser exhaustiva o limitar la presente divulgación a las formas precisas desveladas. Muchas variaciones y modificaciones de las realizaciones descritas en el presente documento serán evidentes para un experto en la materia a la luz de la divulgación anterior. El alcance de la presente divulgación debe definirse únicamente por las reivindicaciones adjuntas. Además, al describir realizaciones representativas de la presente divulgación, la memoria descriptiva puede haber presentado el método y/o proceso de la presente divulgación como una secuencia particular de etapas.

Claims

5

10

15

20

25

30

35

40

45

50

55

60

REIVINDICACIONES

1. Un sistema (100) de procesamiento de imágenes para patología digital que comprende un procesador (105) y una memoria acoplada al procesador, almacenando la memoria una imagen digital (702) de una muestra de tejido biológico y almacenando instrucciones ejecutables por ordenador que, cuando son ejecutadas por el procesador, hacen que el procesador realice operaciones para discernir un límite de núcleo celular en la imagen digital, comprendiendo dichas operaciones:

- identificar, mediante el procesador, uno o más bordes iniciales en la imagen digital (702) y usar los píxeles dentro de los bordes iniciales identificados como píxeles de votación iniciales (316);

- usar, mediante el procesador, un campo de votación tensorial para realizar operaciones de votación tensorial sobre píxeles (322, 324, 328) en las inmediaciones de cada uno de los píxeles de votación iniciales (316);

- acumular, mediante el procesador, una pluralidad de votos para cada uno de los píxeles vecinos (322, 324, 328) para determinar un valor tensorial para dicho píxel vecino (322, 324, 328), indicando la cuantía del voto si dicho píxel vecino es probable que sea un píxel de borde del mismo núcleo que el píxel de votación inicial, siendo el valor tensorial una suma de todos los votos emitidos por todos los píxeles de votación iniciales en cuyas inmediaciones se sitúa dicho píxel vecino (322, 324); y

- descomponer, mediante el procesador, cada uno de los valores tensoriales determinados para determinar valores propios y vectores propios del valor tensorial descompuesto;

- evaluar, mediante el procesador, los valores propios y vectores propios determinados para identificar píxeles de borde refinados, representando los píxeles de borde refinados el límite de núcleo celular; y

- generar, mediante el procesador, una imagen de intensidad de borde de prominencia (806) que comprende selectivamente los píxeles de borde refinados identificados que representan el límite del núcleo celular.
2. El sistema de la reivindicación 1,

- en el que el campo de votación tensorial codifica una o más características del núcleo;

- en el que las una o más características del núcleo comprenden la información de si los valores de intensidad típicos de píxeles internos al núcleo del tipo de núcleo a determinar son mayores o menores que los valores de intensidad típicos de píxeles externos al núcleo;

- en el que el campo de votación tensorial es un campo de votación tensorial asimétrico,

- en el que el campo de votación tensorial es asimétrico a lo largo de un gradiente de intensidad (318) del píxel de votación inicial cuyo voto se calcula; y

- en el que la codificación se realiza de modo que el cálculo de un voto de un píxel de votación inicial (316) mediante el campo de votación tensorial comprende:

◦ identificar, mediante el procesador, una dirección de un gradiente de intensidad (318) de la imagen digital (702) en el píxel de votación inicial (316); y

◦ hacer que las operaciones de votación emitan votos más elevados sobre un primer píxel vecino (324) que sobre un segundo píxel vecino (328), situándose los primer y segundo píxeles vecinos a igual distancia del píxel de votación (316), en el que el primer píxel vecino se sitúa, de acuerdo con la dirección identificada del gradiente de intensidad (318), en la dirección del interior del núcleo; en el que el segundo píxel vecino (328) se sitúa, de acuerdo con la dirección identificada del gradiente de intensidad (318), en la dirección del exterior del núcleo.
3. El sistema de una cualquiera de las reivindicaciones anteriores, comprendiendo la emisión del voto emitido por uno de los píxeles de votación iniciales en cuyas inmediaciones se sitúa el píxel vecino:

- identificar el ángulo de votación para el un píxel de votación inicial y el píxel vecino, en el que el ángulo de votación es el ángulo entre una línea y la dirección perpendicular al gradiente de intensidad (318) en el un píxel de votación inicial (316), conectando la línea el píxel de votación inicial y el píxel vecino, representando el gradiente de intensidad un gradiente de valores de intensidad de la imagen digital (702), apuntando el gradiente de intensidad en la dirección de valores de intensidad típicos para las partes internas del tipo de núcleo a determinar;

- emitir un voto cero sobre el píxel vecino a menos que el ángulo de votación pertenezca a uno de los siguientes intervalos de ángulos:

í— -1

l12 4 o

r37r i

i ' 12 J

5

10

15

20

25

30

35

40

45

50

55

60
4. El sistema de una cualquiera de las reivindicaciones anteriores, comprendiendo la evaluación de los valores propios y vectores propios determinados, determinar si el píxel para el cual se determinaron los valores propios y los vectores propios evaluados es un píxel de borde, un píxel de unión, o un valor atípico, comprendiendo además el método:

- usar esta información para resaltar selectivamente los píxeles de borde en la imagen de intensidad de borde de prominencia (806).
5. El sistema de una cualquiera de las reivindicaciones anteriores, en el que el valor tensorial determinado para cada píxel representa un valor de prominencia para dicho píxel, siendo el valor de prominencia proporcional a la probabilidad de que dicho píxel sea un miembro de un borde nuclear.
6. El sistema de una cualquiera de las reivindicaciones anteriores,

- en el que el campo de votación tensorial está modulado por una característica del núcleo; y

- en el que la característica del núcleo es el radio del tipo de núcleo cuyo límite debe detectarse.
7. El sistema de la reivindicación 6, en el que calcular cada voto de uno (O, 316) de los píxeles de votación iniciales para uno (322, 324) de sus píxeles vecinos comprende:

- Identificar un gradiente de intensidad (318) en el un píxel de votación inicial (316), representando el gradiente de intensidad un gradiente de valores de intensidad de la imagen digital (702), apuntando el gradiente de intensidad en la dirección de valores de intensidad típicos para las partes internas del tipo de núcleo a determinar;

- calcular un arco (317) de un círculo que conecta el un píxel de votación inicial (316) y el uno de los píxeles vecinos (324), teniendo el arco un centro geométrico, situándose el centro geométrico en una línea cuya dirección es idéntica a la dirección del gradiente de intensidad (318) y situándose en la mitad de dicha línea a la que apunta la dirección del gradiente de intensidad;

- reducir la cuantía del voto emitido en el un píxel vecino en proporción a la distancia (I) de dicho un píxel vecino hasta el píxel de votación inicial (316); y/o

- reducir la cuantía del voto emitido en el un píxel vecino en caso de que la curvatura del arco (317) se desvíe de la curvatura de borde típica del tipo de núcleo a identificar más que un umbral de desviación predefinido.
8. El sistema de la reivindicación 7,

- en el que el voto emitido sobre el un píxel vecino es cero en caso de que la curvatura K del arco (317) esté por debajo de un umbral de curvatura inferior Km¡n o esté por encima de un umbral de curvatura superior Kmax\

ar _ 1

-A-min— ■

■ en el que

en la que rmax es el umbral superior de un radio del tipo de núcleo a identificar; y

^max—

- en el que

’ ' en la que rmin es el umbral inferior de un radio del tipo de núcleo a identificar.
9. El sistema de una cualquiera de las reivindicaciones anteriores, en el que las operaciones comprenden además:

- usar los píxeles de borde refinados para muestrear píxeles de primer plano (404) y píxeles de segundo plano (406), siendo los píxeles de primer plano candidatos para píxeles internos al núcleo, siendo los píxeles de segundo plano candidatos para píxeles externos al núcleo, en el que los píxeles de primer plano y de segundo plano se muestrean seleccionando píxeles de la imagen digital (702) en las inmediaciones de un píxel de borde refinado identificado (408), en el que los píxeles de primer plano y de segundo plano se seleccionan de diferentes lados del borde (402);

- crear un histograma de primer plano (410) para los valores de intensidad de los píxeles de primer plano muestreados (404);

- crear un histograma de segundo plano (412) para los valores de intensidad de los píxeles de segundo plano muestreados (406);

- evaluar los histogramas de primer plano y de segundo plano para identificar un valor umbral de intensidad optimizado, siendo el valor umbral de intensidad optimizado un valor umbral de intensidad que es capaz de separar los píxeles muestreados dependiendo de que sus valores de intensidad estén por debajo o por encima del valor umbral de intensidad en dos conjuntos de píxeles separados, de modo que dichos dos conjuntos de píxeles separados tengan una desviación mínima respecto a las muestras de píxeles de primer plano y de segundo plano.
10. El sistema de la reivindicación 9, en el que las operaciones comprenden además:

- Asignar un coeficiente de ponderación a cada uno de los píxeles de imagen de primer plano y a cada uno de los píxeles de imagen de segundo plano, siendo el coeficiente de ponderación proporcional a:

5

10

15

20

25

30

35

40

45

50

55

60

65

◦ el valor de prominencia del píxel de borde refinado identificado (408), situándose el píxel de borde refinado identificado entre dichos píxeles de primer plano (404) y de segundo plano (406) muestreados y siendo uno de los píxeles de borde refinados a partir de cuyos dos lados se muestrearon el píxel de primer plano y el píxel de segundo plano; o

◦ el tamaño del gradiente de intensidad del píxel de borde refinado identificado (408), situándose el píxel de borde refinado identificado entre dichos píxeles de primer plano (404) y de segundo plano (406) muestreados y siendo uno de los píxeles de borde refinados a partir de cuyos dos lados se muestrearon el píxel de primer plano y el píxel de segundo plano;

en el que el valor umbral de intensidad optimizado se identifica de modo que el valor umbral de intensidad optimizado sea capaz de separar los píxeles muestreados, dependiendo de que sus valores de intensidad estén por debajo o por encima del valor umbral de intensidad y dependiendo de los coeficientes de ponderación de los píxeles muestreados, en dos conjuntos de píxeles separados de modo que dichos dos conjuntos de píxeles separados tengan una desviación mínima respecto a las muestras de píxeles de primer plano y de segundo plano.
11. El sistema de una cualquiera de las reivindicaciones anteriores, comprendiendo además las operaciones:

- para cada uno de una pluralidad de ángulos predefinidos, calcular, en una única etapa de cálculo, un campo de votación tensorial respectivo (902, 904, 906), incorporando cada tensor de cada uno de los campos de votación tensorial calculados información sobre la dirección del gradiente de intensidad en cada píxel (316) de la imagen (702) e incorporando la posición relativa de cada uno de una pluralidad de píxeles vecinos con respecto a dicho píxel (316), careciendo cada campo de votación tensorial calculado de información sobre la magnitud del gradiente de intensidad de los píxeles;

en el que las operaciones de votación tensorial se realizan después del cálculo de la pluralidad de campos de votación tensorial, en el que la emisión de un voto por uno de los píxeles de votación iniciales sobre uno de sus píxeles vecinos comprende:

- Identificar, para él un píxel de votación inicial (316), un ángulo de gradiente de IVP, siendo el ángulo de gradiente de IVP el ángulo entre el eje x de la imagen y la dirección del gradiente de intensidad en el un píxel de votación inicial;

- Identificar el uno (904) de la pluralidad de campos de votación tensorial que ha sido calculado para un ángulo que es idéntico al ángulo de gradiente de IVP identificado o que es el más similar al ángulo de gradiente de IVP identificado;

- alinear el campo de votación tensorial identificado con la rejilla de la imagen digital (702);

- usar la posición relativa de un píxel de votación inicial y el un píxel vecino incorporado en el campo de votación tensorial identificado para identificar el valor tensorial que se descompone para calcular el voto.
12. El sistema de una cualquiera de las reivindicaciones anteriores, en el que las operaciones comprenden además:

- computar un gradiente de intensidad en la imagen inicial (702) en la ubicación de cada píxel de votación inicial; y

- analizar los gradientes de imagen en los píxeles de votación iniciales para producir componentes tensoriales en forma de barra del valor tensorial de cada píxel de votación inicial, en el que la dirección del gradiente de intensidad en un píxel se usa como la dirección de un componente tensorial en forma de barra en ese píxel y en el que el valor de gradiente del gradiente de intensidad en dicho píxel se usa para la intensidad del componente tensorial en forma de barra en ese píxel.
13. Un método para discernir automáticamente un límite de núcleo celular en una imagen digital (702) de una muestra de tejido biológico, siendo ejecutado el método por un procesador de un sistema de análisis de imágenes de patología digital, comprendiendo el método:

- identificar, mediante el procesador, uno o más bordes iniciales en la imagen digital (702) y usar los píxeles dentro de los bordes iniciales identificados como píxeles de votación iniciales (316);

- usar, mediante el procesador, un campo de votación tensorial para realizar operaciones de votación tensorial sobre píxeles en las inmediaciones de cada uno de los píxeles de votación iniciales (316);

- acumular, mediante el procesador, una pluralidad de votos para cada uno de los píxeles vecinos (322, 324) para determinar un valor tensorial para dicho píxel vecino (322, 324), indicando la cuantía del voto si dicho píxel vecino es probable que sea un píxel de borde del mismo núcleo que el píxel de votación inicial, siendo el valor tensorial una suma de todos los votos emitidos por todos los píxeles de votación iniciales en cuyas inmediaciones se sitúa dicho píxel vecino (322, 324); y

- descomponer, mediante el procesador, cada uno de los valores tensoriales determinados para determinar valores propios y vectores propios (e1, e2) del valor tensorial descompuesto;

- evaluar, mediante el procesador, los valores propios y vectores propios determinados para identificar píxeles de borde refinados, representando los píxeles de borde refinados el límite de núcleo celular; y

- generar, mediante el procesador, una imagen de intensidad de borde de prominencia (806) que comprende selectivamente los píxeles de borde refinados identificados que representan el límite del núcleo celular.
14. Un medio legible por ordenador no transitorio, tangible que tiene instrucciones ejecutables por ordenador para 5 ejecución por un sistema de procesamiento, las instrucciones ejecutables por ordenador para realizar delineación de

límites de un objeto para análisis de imágenes de muestras de tejido biológico, las instrucciones ejecutables por ordenador, cuando son ejecutadas, hacen que el sistema de procesamiento realice el método de la reivindicación 13.
15. Un medio legible por ordenador no transitorio, tangible para almacenar instrucciones ejecutables por ordenador 10 que, cuando son ejecutadas por un procesador, realizan operaciones para discernir un límite de núcleo celular en

una muestra de tejido biológico, comprendiendo dichas operaciones:

a) realizar operaciones de votación tensorial sobre píxeles en las inmediaciones de píxeles de votación iniciales;

b) acumular una pluralidad de votos para cada uno de los píxeles vecinos para determinar un valor tensorial; y

15 c) generar una imagen de intensidad de borde de prominencia que resalta píxeles de borde basándose en

valores propios y vectores propios del tensor en el píxel,

en el que las operaciones de votación tensorial usan un campo de votación tensorial asimétrico que incorpora conocimiento de dominio acerca de una estructura a detectar, no limitado por el tamaño del núcleo y el hecho de que 20 los gradientes en el borde apuntan a aproximadamente la misma posición.