ES2684373B2 - Procedimiento y sistema de vision artificial para la descripcion y clasificacion automatica de tejidos no patologicos del sistema cardiovascular humano - Google Patents
Procedimiento y sistema de vision artificial para la descripcion y clasificacion automatica de tejidos no patologicos del sistema cardiovascular humano Download PDFInfo
- Publication number
- ES2684373B2 ES2684373B2 ES201731430A ES201731430A ES2684373B2 ES 2684373 B2 ES2684373 B2 ES 2684373B2 ES 201731430 A ES201731430 A ES 201731430A ES 201731430 A ES201731430 A ES 201731430A ES 2684373 B2 ES2684373 B2 ES 2684373B2
- Authority
- ES
- Spain
- Prior art keywords
- images
- blocks
- tissue
- image
- block
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Description
PROCEDIMIENTO Y SISTEMA DE VISION ARTIFICIAL PARA LA DESCRIPCION Y
CLASIFICACION AUTOMATICA DE TEJIDOS NO PATOLOGICOS DEL SISTEMA
CARDIOVASCULAR HUMANO
DESCRIPCION
OBJETO DE LA INVENCION
El objeto de la presente invention es un procedimiento y sistema automatizado para clasificar regiones de muestras histologicas, que no presentan patologias, del sistema cardiovascular humano en funcion de los tejidos fundam enta ls presentes en ellas. La invencion permite reconocer tejido sano indicando al mismo tiempo la clase de tejido a la que pertenece. Esta invencion, tambien permite identificar que un tejido no es normal, posiblemente patologico, pero sin especificar el tipo de patologia que presenta.
ANTECEDENTES DE LA INVENCION
El reconocimiento de tejidos en muestras histologicas consiste en identificar la morfologfa del tejido que a su vez viene determinada por la composition y las caracteristicas del mismo. El reconocimiento de tejidos y organos se realiza habitualmente por expertos histologos, biologos, patologos y disciplinas relacionadas en procesos de ensenanza y practica medica.
Sin embargo, el reconocimiento manual de tejidos presenta una serie de inconvenientes. En primer lugar, el numero de muestras evaluadas es muy limitado por el elevado tiempo necesario para cada clasificacion. Ademas, el reconocimiento depende en gran medida de la persona que lo ejecuta, aportando subjetividad que genera una disparidad de criterio entre expertos. Tambien, el etiquetado no es siempre fiable, ya que frecuentemente se producen errores derivados por el cansancio y la falta de atencion del experto. Por ultimo, es un proceso costoso por los elevados costes asociados al tiempo del experto.
El analisis digital de imagen aplicado al estudio de imagenes medicas en general, y a la clasificacion de celulas, tejido y organos en imagenes histologicas en particular, empezo a utilizarse hace mas de una decada. La mayoria de los trabajos realizados hasta el momento en este campo se limitan a la identification de tejidos patologicos (N. Herv, A. Servais, E. Thervet, J. C. Olivo-Marin, V. Meas-Yedid, "Statistical color texture descriptors for histological images analysis", Biomedical Imaging: From Nano to Macro, 2011 IEEE International Symposium on, 2011, pp. 724-727), la clasificacion de organos en muestras histologicas (D.
Zhao, Y. Chen, N. Correa, "Statistical categorization of human histological images", Image Processing, 2005. ICIP 2005. IEEE International Conference 3,2005, pp. 628-631), y algunos enfocados en el sistema gastrointestinal (DYu, Feiyang, H. Ip, H. S. Horace, "Semantic content analysis and annotation of histological images", Comput. Biol. Med. 38 (6), 2008, pp.635-649).
Sin embargo, no se ha descrito especlficamente un metodo y un sistema para realizar la description y clasificacion automatica de los tejidos normales (sin patologlas) del sistema cardiovascular humano.
DESCRIPCION DE LA INVENCION
El procedimiento y sistema para la clasificacion de muestras histologicas de la presente invention permite clasificar y etiquetar automaticamente grandes repositorios de imagenes histologicas obtenidas mediante tecnologla digital (camara digital conectada a un microscopio para capturar imagenes) disponible en hospitales o distribuidos a traves de los dispositivos de almacenamiento de histologos.
El etiquetado automatico frente al etiquetado manual por un experto anula la subjetividad, los errores por cansancio y falta de atencion, la disparidad de criterio entre expertos, los costes asociados al tiempo del experto, disminuye el tiempo necesario para la clasificacion y aumenta la fiabilidad del etiquetado. Por este motivo, este procedimiento puede ser utilizado en hospitales y cllnicas, para realizar una detection temprana de tejidos considerados como “anormales” . La presente invencion puede ser tambien aplicada en el entrenamiento o aprendizaje a distancia de histologos. La disposition de grandes conjuntos de imagenes histologicas etiquetadas y las posibilidades actuales para adquirirlas y enviarlas a un sistema de forma remota, permite que estudiantes de histologla mejoren su conocimiento de los tejidos, pudiendo recibir realimentacion, en este caso un diagnostico automatico, para las imagenes digitales de muestras que envlen al sistema, lo que aumentarla su conocimiento del aspecto normal del tejido y del aspecto que refleja cuando sufre patologlas.
El procedimiento de la invencion permite realizar la clasificacion automatica de tejidos no patologicos del sistema cardiovascular mediante la descripcion de la textura de bloques, de tamano 100x100 pixeles, de una imagen histologica obtenida mediante microscopio. Los tejidos clasificados son: (i) tejido muscular cardiaco de corazon, (ii) tejido muscular liso de arteria muscular, (iii) tejido muscular liso de arteria elastica, (iv) tejido muscular liso de vena de gran calibre, y (v) tejido conectivo laxo.
En una realization preferente de la invention este procedimiento se aplica a imagenes histologicas del sistema cardiovascular humano, aunque se puede extender a otro tipo de imagenes histologicas de otros sistemas del cuerpo humano o animal, como al sistema digestivo.
En la presente description, se entiende que las operaciones basadas en los tamanos de los bloques se realizan teniendo en cuenta los aumentos a los que se toma la imagen en cada aplicacion concreta. En la presente invention, el termino "bloque” se emplea de manera general para designar un area cuadrada de la imagen histologica de un tamano tal que contenga unicamente tejido cardiovascular perteneciente a una clase y no se solape con otros bloques. Por otro lado, se emplea de manera general el termino "imagen” para hacer referencia tanto a imagenes fijas (o fotograflas) como a cada una de las imagenes presentes en una secuencia (o video).
El procedimiento para la clasificacion automatica de tejidos del sistema cardiovascular de la presente invention comprende las siguientes etapas:
1. Preparation de muestras histologicas: Se adquiere una muestra histologica de diferentes organos que se desea analizar, siguiendo un protocolo de laboratorio para controlar el proceso de tincion con Hematoxilina Eosina y Tricromica de Masson.
2. Adquision y particionamiento de las imagenes: Se adquiere una imagen de la muestra histologica que se desea analizar, capturada como una imagen fija o procedente de una secuencia de video, utilizando una camara digital acoplada al microscopio. La camara digital envla la imagen digital adquirida a un ordenador, en el cual se analiza. Esta imagen, por tanto, contiene una zona o area de la muestra histologica la cual alcanza a cubrir el campo de vision del microscopio. A continuation, y de acuerdo con una realization preferente de la invention, se realiza un particionamiento de las imagenes en bloques con el objeto de mejorar la eficiencia computacional y la precision de la clasificacion. En una realization preferente se fija el tamano de un bloque a 100x100 pixeles teniendo en cuenta que no se solape con otros bloques.
3. Description de los tejidos: Los bloques de los tejidos a identificar presentan visualmente similitud intra-clase y diferencia inter-clase. Los bloques se describen extrayendo
caracterlsticas de su textura, la cual esta relacionada con la morfologla y disposition del tejido.
Por lo tanto, la description de la information visual de la imagen en cuanto a su textura proporciona informacion relevante y discriminatoria para el reconocimiento y clasificacion de los tejidos. El procedimiento se basa en aplicar un descriptor de textura a los bloques. De acuerdo con una realization preferente de la invention, la descripcion de un bloque se realiza mediante un vector de caracterlsticas numerico de 292 elementos obtenido mediante la concatenation de patrones binarios locales (LBP, "Local Binary Pattern”) y de patrones binarios locales invariantes a la rotation (LBPri, "Local Binary Pattern Rotation Invariant”).
4. Clasificacion de tejidos: Por ultimo, se procede a la clasificacion de los bloques utilizando una tecnica de aprendizaje supervisado. De acuerdo con una realizacion preferente de la invencion, el metodo de clasificacion supervisada optimo es una maquina de vectores de soporte (SVM, "Support Vector Machine”). La clasificacion se lleva a cabo en dos fases.
En una primera fase se clasifican los bloques en alguno de los siguientes tejidos: (i) tejido muscular liso de vena de gran calibre y de arteria elastica; (ii) tejido muscular liso de arteria muscular; (iii) tejido muscular cardiaco de corazon; y (iv) tejido conectivo laxo. De acuerdo con una realizacion preferente de la invencion se utiliza una SVM con un kernel o nucleo lineal.
En la segunda fase, los bloques de la clase (i) tejido muscular liso de vena de gran calibre y de arteria elastica se vuelven a clasificar en los tejidos: (a) tejido muscular liso de vena de gran calibre y (b) tejido muscular liso de arteria elastica. Segun la realizacion preferente de la invencion para esta segunda clasificacion se utiliza una SVM con un kernel o nucleo polinomial.
Un segundo aspecto de la presente invencion se refiera a un sistema de vision artificial para la descripcion y clasificacion automatica de tejidos no patologicos del sistema cardiovascular a partir de imagenes digitales de muestras histologicas. El sistema comprende medios de procesamiento de datos, tales como un ordenador, configurados para adquirir una imagen digital de una muestra histologica de tejido cardiovascular no patologico; dividir la imagen digital en bloques de imagenes no solapadas de tamano rectangular; seleccionar los bloques de imagenes que contienen un solo tipo de tejido; describir los bloques de imagenes seleccionados mediante descriptores de textura, generando un vector de caracterlsticas; determinar la clase de tejido presente en cada bloque de imagenes seleccionado utilizando el vector de caracterlsticas de los bloques y un algoritmo de aprendizaje supervisado en cascada, y clasificar los bloques de imagenes segun la clase de tejido determinada.
En una realization preferente de la invention, el sistema comprende una camara digital acoplada a un microscopio optico y que esta configurada para capturar la imagen digital a partir de la muestra histologica. El sistema tambien puede comprender unos medios de almacenamiento de datos donde se almacena un archivo de datos de la description con los resultados obtenidos de la description, y un archivo de datos de la clasificacion con los resultados de la clasificacion.
Por ultimo, la presente invention tambien se refiere a un producto de programa que comprende medios de instrucciones de programa para llevar a la practica el procedimiento anteriormente descrito cuando el programa se ejecuta en un procesador. El producto de programa esta preferentemente almacenado en un medio de soporte de programas. Los medios de instrucciones de programa pueden tener la forma de codigo fuente, codigo objeto, una fuente intermedia de codigo y codigo objeto, por ejemplo, como en forma parcialmente compilada, o en cualquier otra forma adecuada para uso en la puesta en practica de los procesos segun la invencion.
El medio de soporte de programas puede ser cualquier entidad o dispositivo capaz de soportar el programa. Por ejemplo, el soporte podrla incluir un medio de almacenamiento, como una memoria ROM, una memoria CD ROM o una memoria ROM de semiconductor, una memoria flash, un soporte de grabacion magnetica, por ejemplo, un disco duro o una memoria de estado solido (SSD, del ingles solid-state drive). Ademas, los medios de instrucciones de programa almacenados en el soporte de programa pueden ser, por ejemplo, mediante una senal electrica u optica que podrla transportarse a traves de cable electrico u optico, por radio o por cualquier otro medio.
Cuando el producto de programa va incorporado en una senal que puede ser transportada directamente por un cable u otro dispositivo o medio, el soporte de programa puede estar constituido por dicho cable u otro dispositivo o medio.
Como variante, el soporte de programa puede ser un circuito integrado en el que va incluido el producto de programa, estando el circuito integrado adaptado para ejecutar, o para ser utilizado en la ejecucion de los procesos correspondientes.
BREVE DESCRIPCION DE LOS DIBUJOS
A continuation, se describen de manera muy breve una serie de figuras que ayudan a
comprender mejor la invention y que se relacionan expresamente con una realization de dicha invencion que se presenta como un ejemplo no limitativo de esta.
La Fig. 1 muestra un esquema simplificado de un sistema capaz de llevar a cabo el procedimiento de la invencion.
La Fig. 2 muestra ejemplos de bloques de imagenes histologicas de cada clase de tejido.
La Fig. 3 muestra una representation numerica del procedimiento para la obtencion del valor del descriptor de textura LBP para un pixel cualquiera.
La Fig. 4 muestra los patrones uniformes y no uniformes en el calculo del descriptor de textura LBPri para un pixel cualquiera.
REALIZACION PREFERENTE DE LA INVENCION
Se describe a continuation un ejemplo de procedimiento de acuerdo con la invencion, haciendo referencia a las figuras adjuntas. La Figura 1 muestra un esquema simplificado de un sistema de captura que comprende a un microscopio optico 2 (que podrla ser, por ejemplo, un modelo Leica DM750-M), donde se dispone una muestra de tejido o muestra histologica 1. El microscopio optico 2 tiene acoplada una camara digital 3, y a su vez esta conectado a un ordenador 4, bien mediante una tarjeta digitalizadora, mediante una conexion FireWire, mediante una conexion inalambrica, o bien de la forma que el microscopio optico 2 requiera para que la imagen capturada llegue al ordenador 4 como una imagen digital 5 de la muestra histologica 1. La imagen digital 5 es particionada (esto es, separada o dividida) en bloques de imagenes 6 o pequenas particiones no solapadas de tamano rectangular, que son almacenados en el ordenador 4. Un archivo de datos de la description 7 permite almacenar los resultados obtenidos de la descripcion y un archivo de datos de la clasificacion 8 permite almacenar los resultados de la clasificacion. A continuacion, se describe cada paso del procedimiento de la invencion.
La preparation de las muestras histologicas 1 comprende un proceso que sigue un protocolo de laboratorio que incluye toma de la muestra, deshidratacion, inclusion, fijacion, corte, coloration y montaje. En la etapa de coloration se utilizan las tinciones Hematoxilina Eosina y Tricromica de Masson. El objeto de esta operation es obtener las muestras histologicas de diferentes organos.
A continuation, se procede a la adquisicion y particionamiento de las imagenes. En primer lugar, siguiendo el esquema presentado en la Figura 1, se deposita en el microscopio 2 la muestra histologica 1 que se quiere analizar y se ilumina y enfoca apropiadamente para que la imagen aparezca nltida. El sistema se ha evaluado con imagenes tomadas a 10x, pero el mismo metodo puede funcionar con otras configuraciones. La ventaja de utilizar un aumento de 10x es que se analizan con el mismo objetivo que utilizan los expertos del area medica para analizar las muestras.
La Figura 2 muestra ejemplos de bloques de imagenes de cada clase de tejido, agrupados por filas: tejido muscular cardlaco del corazon 6a; tejido muscular liso de arteria muscular 6b; tejido muscular liso de arteria elastica 6c; tejido muscular liso de vena de gran calibre 6d; tejido conectivo laxo 6e. Aunque lo ideal serla conseguir bloques de imagenes que contengan unicamente un tejido, tal y como se muestra en la Figura 2, en la practica, al realizar el particionamiento automatico, hay situaciones en las que en cada bloque aparecen varios tejidos. Para evitar esta situation, se realiza un procesamiento de la imagen digital 5 obtenida para obtener regiones no superpuestas de tamano 100x100 pixeles y seleccionar aquellas que contienen information de un solo tejido. La partition de las imagenes en bloques se obtiene mediante el uso de una ventana deslizante de tamano 100x100 pixeles que recorre la imagen por completo, trasladandose una distancia de 100 pixeles en cada movimiento para evitar solapamientos con su anterior o posterior ubicacion. Para determinar si en un bloque aparece mas de un tejido, se utiliza una medida de homogeneidad de los niveles de gris de la imagen. La medida utilizada puede ser el valor de homogeneidad propuesto por Haralick que se calcula sobre sobre la matriz de coocurrencia de los niveles de grises (GLCM) o cualquier otro descriptor de textura que permita determinar dicho valor.
En la siguiente etapa se procede a la description de los tejidos. Para describir un bloque se obtiene un vector de caracterlsticas que contiene information sobre su textura. La obtencion del vector se realiza como se explica a continuation.
Se calculan descriptores de texturas basados en patrones binarios locales, LBP (T. Ojala, M. Pietikainen, T. Maenpaa, “Multiresolution gray-scale and rotation invariant texture classification with local binary patterns” , IEEE Trans. Pattern Anal. Mach. Intell. 24 (7), 2002, pp. 971-987) y en patrones binarios locales invariantes a la rotation, LBPri (M. Pietikinen, T. Ojala, Z. Xu, “Rotation-invariant texture classification using feature distributions”, Pattern
Recognition 33, 2000, pp. 43-52). Dado un bloque a evaluar, se obtiene un vector descriptor concatenando los valores de los descriptores de textura LBP y LBPri, ambos con un radio igual a 1 y 8 vecinos.
Para cada pixel A del bloque, el metodo LBP calcula un codigo comparando el nivel de gris del pixel con los niveles de gris de los plxeles vecinos utilizando la formula:
donde gc es el valor del pixel central, gp es el valor de sus plxeles vecinos, P es el numero total de vecinos (P=8) y R es el radio utilizado para determinar el vecindario (R=1). La Figura 3 muestra un ejemplo del procedimiento utilizado para la obtencion del valor numerico del descriptor de textura LBP para un pixel A cualquiera, con 8 vecinos y radio 1. El recuadro central izquierdo corresponde a s(gp - gc) y el recuadro central derecho a 2p, de forma que multiplicando los valores de ambos recuadros segun la ecuacion (1) se obtiene el LBP del pixel A:
LBP (A)=1+2+4+8+128=143
Por otro lado, el metodo LBPri asigna un identificador unico para cada rotacion de LBP definido por la siguiente ecuacion:
Donde ROR(x,i) realiza un desplazamiento circular a la derecha sobre los N-vecinos i veces. La Figura 4 representa un ejemplo de los 36 patrones binarios invariantes a la rotacion de LBPri con 8 vecinos y radio 1, donde los clrculos negros corresponden a los pixeles con valor 0 y los clrculos blancos los plxeles con valor 1. La primera fila representa los nueve patrones uniformes, mientras que el resto no son uniformes. La Figura 4 muestra por tanto los posibles patrones generados por LBPri que pueden ser considerados como detectores de caracterlsticas, por ejemplo: el patron #0 detecta puntos brillantes, el patron #3 esquinas brillantes, el patron #4 bordes y el patron #5 areas oscuras o planas.
El descriptor final de cada bloque se conforma mediante la concatenation de los vectores obtenidos mediante LBP y LBPri. De esta manera, teniendo un bloque se obtendra LBP = [l0,l1,...,l255] , donde li contiene el numero de plxeles cuyo valor de LBP es "i” , para dicho bloque,
y LBPri = [lri,lr2 ,...,lr36], donde In contiene el numero de veces que el patron “ri” aparece en el bloque analizado. Finalmente, el vector que describe la information de textura sera:
donde Ftd es el descriptor caracterlstico del bloque. La concatenation entre LBP y LBPri aumenta la dimension del vector caracterlstico y tambien mejora la description del bloque. LBP genera un vector de 256 elementos y LBPri genera un vector de tamano 36, lo que significa que la dimension del descriptor Ftd es de 292 (que resulta de la suma de 256 y 36).
A continuation, se utilizan algoritmos de aprendizaje supervisado para la clasificacion de tejidos y para determinar el tejido presente en un bloque. Los bloques se clasifican en una de las siguientes cinco clases de tejidos: (i) tejido muscular cardiaco de corazon, (ii) 30 tejido muscular liso de arteria muscular, (iii) tejido muscular liso de arteria elastica, (iv) tejido muscular liso de vena de gran calibre, y (v) el tejido conectivo laxo. El proceso de clasificacion se realiza en dos pasos, o cascada, como se describe a continuacion.
El primer paso consiste en la clasificacion de cada bloque en cuatro posibles clases utilizando una maquina de vectores de soporte (SVM) con kernel lineal: (i) tejido muscular liso de vena de gran calibre y de arteria elastica; (ii) tejido muscular liso de arteria muscular; (iii) tejido muscular cardiaco de corazon; y (iv) tejido conectivo laxo. El segundo paso consiste en una reclasificacion de la clase (i) tejido muscular liso de vena de gran calibre y de arteria elastica utilizando una maquina de vectores de soporte (SVM) con kernel polinomial para diferenciar las clases de tejido: (a) tejido muscular liso de vena de gran calibre y (b) tejido muscular liso de arteria elastica.
El procedimiento concluye cuando se clasifican los bloques en una de las cinco clases posibles, obteniendo un listado con la clase asignada para cada bloque.
Claims (12)
1. Procedimiento para la descripcion y clasificacion automatica de tejidos no patologicos del sistema cardiovascular a partir de imagenes digitales (5) de muestras histologicas (1), que comprende los siguientes pasos:
- adquirir una imagen digital (5) de una muestra histologica (5) de tejido cardiovascular no patologico;
- dividir la imagen digital (5) en bloques de imagenes (6) no solapados de tamano rectangular;
- describir bloques de imagenes (6) previamente seleccionados mediante descriptores de textura, generando un vector de caracteristicas;
- determinar la clase de tejido presente en cada bloque de imagenes (6) seleccionado utilizando el vector de caracteristicas de los bloques y un algoritmo de aprendizaje supervisado en cascada, y clasificar los bloques de imagenes (6) segun la clase de tejido determinada;
caracterizado por que el metodo comprende adicionalmente:
- determinar, para cada bloque de imagen (6), si aparece mas de un tejido utilizando una medida de homogeneidad de los niveles de gris de la imagen;
- seleccionar los bloques de imagenes (6) que contienen un solo tipo de tejido, donde la etapa de descripcion de los bloques de imagenes (6) se realiza unicamente sobre dichos bloques de imagenes (6) seleccionados.
2. Procedimiento segun la reivindicacion 1, donde la medida de homogeneidad utilizada para determinar si aparece mas de un tejido en cada bloque de imagen (6) es el valor de homogeneidad de Haralick calculado sobre sobre la matriz de coocurrencia de los niveles de grises (GLCM).
3. Procedimiento segun cualquiera de las reivindicaciones anteriores, donde la adquisicion de la imagen digital (5) comprende la captura de dicha imagen digital (5) a partir de la muestra histologica (1) mediante una camara digital (3) acoplada a un microscopio optico (2).
4. Procedimiento segun cualquiera de las reivindicaciones anteriores, donde la descripcion de los bloques de imagenes (6) comprende:
- calcular un vector de textura resultante de aplicar un descriptor de patrones binarios locales, LBP, de tamano 256;
- obtener un vector de textura resultante de aplicar un descriptor de patrones binarios locales invariantes a la rotacion, LBPri, de tamano 36;
- concatenar dichos vectores de textura, formando un unico vector de caracteristicas de 292 elementos, usado como descriptor final de cada bloque de imagenes (6).
5. Procedimiento segun cualquiera de las reivindicaciones anteriores, donde el paso de clasificacion de los bloques de imagenes (6) comprende:
- entrenar un sistema de aprendizaje automatico con un conjunto de entrenamiento etiquetado utilizando una maquina de vectores de soporte, SVM, con kernel lineal;
- entrenar un sistema de aprendizaje automatico con un conjunto de entrenamiento etiquetado utilizando una maquina de vectores de soporte, SVM, con kernel polinomial;
- clasificar, utilizando el sistema de aprendizaje automatico entrenado en cascada, el tejido del sistema cardiovascular humano presente en cada bloque de imagenes (6) en una de las cinco clases definidas:
• tejido muscular cardiaco de corazon,
• tejido muscular liso de arteria muscular,
• tejido muscular liso de arteria elastica,
• tejido muscular liso de vena de gran calibre, y
• tejido conectivo laxo.
6. Procedimiento segun cualquiera de las reivindicaciones anteriores, que comprende mostrar una etiqueta de cada bloque de imagenes (6) una vez ha sido clasificado.
7. Sistema de vision artificial para la descripcion y clasificacion automatica de tejidos no patologicos del sistema cardiovascular a partir de imagenes digitales (5) de muestras histologicas (1), que comprende medios de procesamiento de datos (4) configurados para:
- adquirir una imagen digital (5) de una muestra histologica (5) de tejido cardiovascular no patologico;
- dividir la imagen digital (5) en bloques de imagenes (6) no solapadas de tamano rectangular;
- describir bloques de imagenes (6) previamente seleccionados mediante descriptores de textura, generando un vector de caracteristicas;
- determinar la clase de tejido presente en cada bloque de imagenes (6) seleccionado utilizando el vector de caracteristicas de los bloques y un algoritmo de aprendizaje supervisado en cascada, y clasificar los bloques de imagenes (6) segun la clase de tejido
determinada;
caracterizado por que los medios de procesamiento de datos (4) estan adicionalmente configurados para:
- determinar, para cada bloque de imagen (6), si aparece mas de un tejido utilizando una medida de homogeneidad de los niveles de gris de la imagen;
- seleccionar los bloques de imagenes (6) que contienen un solo tipo de tejido, donde la etapa de descripcion de los bloques de imagenes (6) se realiza unicamente sobre dichos bloques de imagenes (6) seleccionados.
8. Sistema segun la reivindicacion 7, donde la medida de homogeneidad utilizada para determinar si aparece mas de un tejido en cada bloque de imagen (6) es el valor de homogeneidad de Haralick calculado sobre sobre la matriz de coocurrencia de los niveles de grises (GLCM).
9. Sistema segun cualquiera de las reivindicaciones 7 a 8, que comprende una camara digital acoplada a un microscopio optico (2) y configurada para capturar la imagen digital (5) a partir de la muestra histologica (1).
10. Sistema segun cualquiera de las reivindicaciones 7 a 9, que comprende unos medios de almacenamiento de datos donde se almacena un archivo de datos de la descripcion (7) con los resultados obtenidos de la descripcion, y un archivo de datos de la clasificacion (8) con los resultados de la clasificacion.
11. Un producto de programa que comprende medios de instrucciones de programa para llevar a cabo el procedimiento definido en cualquiera de las reivindicaciones 1 a 6 cuando el programa se ejecuta en un procesador.
12. Un producto de programa segun la reivindicacion 11, almacenado en un medio de soporte de programas.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES201731430A ES2684373B2 (es) | 2017-12-19 | 2017-12-19 | Procedimiento y sistema de vision artificial para la descripcion y clasificacion automatica de tejidos no patologicos del sistema cardiovascular humano |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES201731430A ES2684373B2 (es) | 2017-12-19 | 2017-12-19 | Procedimiento y sistema de vision artificial para la descripcion y clasificacion automatica de tejidos no patologicos del sistema cardiovascular humano |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| ES2684373A1 ES2684373A1 (es) | 2018-10-02 |
| ES2684373B2 true ES2684373B2 (es) | 2019-05-27 |
Family
ID=63668597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES201731430A Active ES2684373B2 (es) | 2017-12-19 | 2017-12-19 | Procedimiento y sistema de vision artificial para la descripcion y clasificacion automatica de tejidos no patologicos del sistema cardiovascular humano |
Country Status (1)
| Country | Link |
|---|---|
| ES (1) | ES2684373B2 (es) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340770B (zh) * | 2020-02-22 | 2020-11-24 | 太原理工大学 | 结合全局加权lbp和纹理分析的癌症预后模型构建方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013019856A1 (en) * | 2011-08-02 | 2013-02-07 | Siemens Healthcare Diagnostics Inc. | Automated malignancy detection in breast histopathological images |
| US20140233826A1 (en) * | 2011-09-27 | 2014-08-21 | Board Of Regents Of The University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
| CA2951600C (en) * | 2014-08-04 | 2022-12-06 | Ventana Medical Systems, Inc. | Image analysis system using context features |
| GB2543030A (en) * | 2015-09-23 | 2017-04-12 | Pathxl Ltd | Pattern driven image processing method & apparatus for tissue recognition |
| GB2543029A (en) * | 2015-09-23 | 2017-04-12 | Pathxl Ltd | Method and apparatus for tissue recognition |
-
2017
- 2017-12-19 ES ES201731430A patent/ES2684373B2/es active Active
Also Published As
| Publication number | Publication date |
|---|---|
| ES2684373A1 (es) | 2018-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arık et al. | Fully automated quantitative cephalometry using convolutional neural networks | |
| CN110598782B (zh) | 一种训练用于医学影像的分类网络的方法与装置 | |
| Lan et al. | Deep convolutional neural networks for WCE abnormality detection: CNN architecture, region proposal and transfer learning | |
| Wang et al. | Automatic segmentation of pneumothorax in chest radiographs based on a two-stage deep learning method | |
| US11244450B2 (en) | Systems and methods utilizing artificial intelligence for placental assessment and examination | |
| Vesal et al. | Fully automated 3d cardiac mri localisation and segmentation using deep neural networks | |
| Mahapatra et al. | Weakly supervised semantic segmentation of Crohn's disease tissues from abdominal MRI | |
| Anisuzzaman et al. | A mobile app for wound localization using deep learning | |
| Ren et al. | Detection of trabecular landmarks for osteoporosis prescreening in dental panoramic radiographs | |
| Du et al. | Patch-based adaptive weighting with segmentation and scale (pawss) for visual tracking in surgical video | |
| Kern et al. | 3D bounding box detection in volumetric medical image data: A systematic literature review | |
| Shrivastava et al. | Deep learning for visual recognition of environmental enteropathy and celiac disease | |
| Niri et al. | A superpixel-wise fully convolutional neural network approach for diabetic foot ulcer tissue classification | |
| ES2684373B2 (es) | Procedimiento y sistema de vision artificial para la descripcion y clasificacion automatica de tejidos no patologicos del sistema cardiovascular humano | |
| Rodrigues et al. | Automated detection of coronary artery stenosis in X-ray angiography using deep neural networks | |
| JP2020115283A (ja) | 特徴量決定方法、学習用データ生成方法、学習用データセット、評価システム、プログラム、及び、学習方法 | |
| Krammer et al. | Deep learning‐based classification of dermatological lesions given a limited amount of labelled data | |
| WO2016132367A1 (en) | Chest radiograph (cxr) image analysis | |
| Kadam et al. | A cnn-rnn based approach for simultaneous detection, identification and classification of intracranial hemorrhage | |
| Zhan et al. | Cross-modality vertebrae localization and labeling using learning-based approaches | |
| Gadermayr et al. | Quality based information fusion in fully automatized celiac disease diagnosis | |
| Rasool et al. | Automated multiclass classification using deep convolution neural network on dermoscopy images | |
| Li | Detection of premature ventricular contractions using densely connected deep convolutional neural network with spatial pyramid pooling layer | |
| Pemasiri et al. | Semantic segmentation of hands in multimodal images: A region new-based CNN approach | |
| Paul et al. | Computer-Aided Diagnosis Using Hybrid Technique for Fastened and Accurate Analysis of Tuberculosis Detection with Adaboost and Learning Vector Quantization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| BA2A | Patent application published |
Ref document number: 2684373 Country of ref document: ES Kind code of ref document: A1 Effective date: 20181002 |
|
| FG2A | Definitive protection |
Ref document number: 2684373 Country of ref document: ES Kind code of ref document: B2 Effective date: 20190527 |