WO2012136874A1 - Procedimiento de caracterización y clasificación de cálculos renales - Google Patents

Procedimiento de caracterización y clasificación de cálculos renales Download PDF

Info

Publication number
WO2012136874A1
WO2012136874A1 PCT/ES2012/070239 ES2012070239W WO2012136874A1 WO 2012136874 A1 WO2012136874 A1 WO 2012136874A1 ES 2012070239 W ES2012070239 W ES 2012070239W WO 2012136874 A1 WO2012136874 A1 WO 2012136874A1
Authority
WO
WIPO (PCT)
Prior art keywords
kidney stones
pca
principal component
analysis
component analysis
Prior art date
Application number
PCT/ES2012/070239
Other languages
English (en)
French (fr)
Inventor
Francisco Blanco
Giuseppe BONIFAZI
Aldo GARGIULO
Josef Havel
Montserrat LÓPEZ
Silvia SERRANTI
Manuel VALIENTE
Original Assignee
Universitat Autonoma De Barcelona
Masaryk University
Università La Sapienza
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Universitat Autonoma De Barcelona, Masaryk University, Università La Sapienza filed Critical Universitat Autonoma De Barcelona
Priority to EP12767459.6A priority Critical patent/EP2696191A4/en
Publication of WO2012136874A1 publication Critical patent/WO2012136874A1/es

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
    • A61B5/201—Assessing renal or kidney functions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/40—Measuring the intensity of spectral lines by determining density of a photograph of the spectrum; Spectrography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Definitions

  • the present invention deals with a procedure for characterizing and classifying kidney stones, through analysis by Hyperspectral Imaging (HIS) and Artificial Neural Networks (ANN), allowing high speeds in measurements, and not requiring great preparation previous initial samples.
  • HIS Hyperspectral Imaging
  • ANN Artificial Neural Networks
  • Kidney stone formation is a disease that affects a considerable percentage of the population. A variety of substances can be found as major compounds in kidney stones; Therefore, its characterization is of enormous importance to find the causes of this problem. In this sense, the analysis of the composition and structure of the stone can provide key information on the conditions of the urine during crystal growth.
  • kidney stones Many methodologies for the classification of kidney stones have been developed to date. The most widespread are the examination of kidney stones by stereoscopic microscopy and IR analysis. The first has the main advantage that it allows the identification of different substances in the entire area of the sample, so that it is possible to determine in full the morphological characteristics of the stone. However, this methodology is heavy and, more significantly, highly dependent on the knowledge of the operator. Regarding the developed IR methodologies, they require the grinding of the sample, the process by which the spatial analysis of the sample loses any meaning.
  • the invention described here is about a new procedure for characterizing and classifying kidney stones, based on the formation of Hyperspectral Imaging, for the study of said kidney stones, in combination with analysis through Artificial Neural Networks (ANN) .
  • ANN Artificial Neural Networks
  • the NIR reflectance spectra of the analyzed stones show significant differences that can be used for classification.
  • the possibility of using Artificial Neural Networks for the classification of kidney stones was also evaluated.
  • the results show more than 90% correct classification for all kinds of stones, including those that are mixtures of compounds.
  • the kidney stone characterization procedure described here uses the Hyperspectral Imaging or Chemical Imaging (HSI) technique, which combines a camera with a spectrometer to allow the capture of a spectrum for each pixel in the image. acquired, being then possible to characterize the entire surface of the sample.
  • HAI Hyperspectral Imaging Formation or Chemical Imaging Formation
  • the Hyperspectral Imaging Formation or Chemical Imaging Formation (HSI) is very useful for the objectives of this work, since it allows the characterization of really small areas in the Sample surface.
  • the formation of hyperspectral images may allow high speeds for the measurements, and poor sample preparation is necessary.
  • Hyperspectral Imaging or Chemical Imaging Formation (HSI) is an interesting possibility to analyze kidney stone samples in a hospital.
  • ANN Artificial Neural Networks show a continuously increasing number of applications in many fields, since they can successfully solve complex analytical problems. Although simple in structure, the large number of interconnections within the structure of the Artificial Neural Network (ANN) shows an interesting potential for calculations. In fact, Artificial Neural Networks (ANN) have already been used in medicine with good results, even in urology, where the main applications have been related to the diagnosis of cancer and other diseases, although they have never been used for the classification of kidney stones .
  • the main objective of this work is to evaluate the possibility of using NIR-HSI and Artificial Neural Networks (ANN) for the characterization and classification of kidney stones, since this could be useful for medical diagnosis, improving the conventional characterization carried out so far.
  • ANN Artificial Neural Networks
  • the proposed procedure for the characterization of kidney stones includes the following phases:
  • spectral camera in the NIR consisting of an imaging spectrograph and a camera. It works as a broom-type online scanning camera that provides complete contiguous spectral information for each pixel in the line.
  • the spectral chamber is housed in a laboratory platform to inspect different samples. The platform is equipped with a conveyor belt that allows the movement of particles so that the spectra are acquired, with a frame to hold the spectral sensor and the light source, with a control console also used as a worktable and a place for A digital computer and a monitor.
  • the device is controlled by a PC unit equipped with an acquisition / preprocessing software.
  • the spectra of the samples are measured by fixing them to a plastic support with the inner side facing up, so that the core is visible to the detector, to minimize the error in the measurements that could cause the vibrations that came from the conveyor belt.
  • the analysis of the stones is performed by selecting a plurality of regions of interest on the surface of the sample. Although this analysis of regions of interest loses the information for each individual pixel, it has two main advantages. First, by selecting some areas instead of individual pixels, the surface of the sample is smoothing, since some pixels may be slightly different from the rest of the sample. This difference can be explained by taking into account the nature of the sample, since some organic matter could have been maintained within the structure of the stone during the crystallization process. Second, the amount of information to be managed is much smaller than in pixel-by-pixel analysis.
  • PCA Principal Component Analysis
  • FA Factor Analysis
  • PCA Principal Component Analysis
  • FA Factor Analysis
  • PCA Principal Component Analysis
  • FFA Factor Analysis
  • PCA Principal Component Analysis
  • ANN Artificial Neural Networks
  • FA Factor Analysis
  • Main and Neural Networks is done through software.
  • the data used for this analysis are the spectra corresponding to the different groups of components that represent the total variety of substances studied.
  • the weight of the eigen value associated with each factor decreases for less important factors.
  • Factors analysis FA
  • PCA Principal Components Analysis
  • PCA Principal Component Analysis
  • Each Region of Interest is considered a different sample in terms of the software.
  • the full range of variables for the calculations are taken into account, thus being able to check if any of the regions of a sample or a complete sample is really different from the rest.
  • the Main Components (PC) of the system are represented, making it possible to detect outliers within the raw data.
  • PCA Principal Component Analysis
  • the first derivative of the raw data was made. This stage requires prior data smoothing. The results to predict samples are better than the non-derived data, therefore, the first derivative increases the slight differences between the groups of kidney stones. It has been observed, when working with Principal Component Analysis (PCA), that the best classification results are obtained if the measured reflectance spectra are softened and then the first derivative is calculated.
  • PCA Principal Component Analysis
  • ANN Artificial Neural Networks Model
  • ANN Artificial Neural Networks Model
  • Figure 1 shows the Eigen values for the seven main groups of kidney stones in the experimental study.
  • Figure 2. shows the scores for PC1 versus PC2 for 27 samples of Anhydrous Uric Acid.
  • Figure 3. shows the variance of the model for each Main Component (PC).
  • Figure 4. shows, within the experimental part, the loads of each variable for each of the first 7 Main Components.
  • Figure 5. shows, within the experimental part, the scores of the 7 main groups of kidney stones for PC1 versus PC2.
  • Figure 6.- shows, within the experimental part, the 3D representation of scores for PC1, PC2 and PC3.
  • Figure 7 - shows the scores for PC1 versus PC3.
  • FIG.- shows an example for the optimization of the Artificial Neural Network (ANN)
  • the proposed invention deals with a new procedure for characterizing and classifying kidney stones, which uses the technique of Hyperspectral Imaging in combination with Artificial Neural Networks. It comprises the following stages in a general way: (a) a plurality of samples of kidney stones are taken and cut to observe their interior, obtaining a surface as flat as possible,
  • HAI Hyperspectral Imaging
  • ROI Regions of Interest
  • PCA Principal Component Analysis
  • FA Factor Analysis
  • kidney stones were divided into two different groups according to their composition.
  • AUA Anhydrous Uric Acid
  • BRU Brushite
  • COD Calcium Oxalate Dihydrate
  • COM Calcium Oxalate Monohydrate
  • CYS Cystine
  • PAH Hydrophilapatite
  • STR EStruvita
  • Hyperspectral were performed using a NIR spectral camera that consisted of an ImSpector N17E imaging spectrograph for the 1000-1700 nm wavelength region and a thermostabilized Ingaes camera (Specim, Finland). It works as a broom-type online scanning camera that provides complete contiguous spectral information for each pixel in the line.
  • the spectral camera is housed in a laboratory platform developed by DV srl (Italy) to Perform inspection of different samples.
  • the platform is equipped with a conveyor belt that allows the movement of particles so that the spectra are acquired, with a frame to hold the spectral sensor and the light source, with a control console also used as a worktable and a place for A digital computer and a monitor.
  • the device is fully controlled by a PC unit equipped with the Spectral Scanner TM v.2.3 acquisition / preprocessing software.
  • the resolution of the spectra was 7 nm; therefore, a total amount of 121 wavelengths was measured.
  • the spectrometer was attached a 50 mm lens.
  • the resolution of the width of the image was 320 pixels, while the number of frames, that is, the resolution of the image on the Y-axis, ranged from 200 to 350, depending on the number of samples measured at a time.
  • the spectra of the samples were measured by fixing them to a plastic support with the inner side facing up, so that the core was visible to the detector, to minimize the error in the measurements that could cause the vibrations coming from the conveyor belt.
  • Spectral measurements were calculated as relative reflectance (R), according to the following equation: where r s is the measured reflectance, r b is the measured reflectance for black (background interference) and r w is the reflectance for a standard target (100% reflectance).
  • the analysis of the stones was performed by selecting some Regions of Interest (ROI) on the surface of the sample.
  • Five Regions of Interest (ROI) were randomly collected for each sample, to have data representative of the entire surface.
  • This Regions of Interest (ROI) analysis loses the information for each individual pixel, it has two main advantages.
  • Second, the amount of information to be managed is much smaller than in pixel-by-pixel analysis.
  • PCA Principal Component Analysis
  • FFA Factor Analysis
  • PCA Principal Component Analysis
  • ANN Artificial Neural Networks
  • PCA PCA
  • main objective that is, the reduction of the number of system variables finding latent connections between real variables, and some mathematical characteristics, have differences that allow obtaining different information.
  • Factor Analysis is based on the correlation between real variables, and the number of variables considered system descriptors is selected according to the associated eigenvalues.
  • FFA Factor Analysis
  • the Kaiser rule which indicates that only factors with an associated eigen value greater than 1 are representative for the system, has been applied in this study. All other factors represent linear combinations of real variables; therefore, they do not describe any new system components.
  • Principal Component Analysis PCA is based on the variance of the data. Therefore, the main key component to the system allows the direction in which the data have a greater variance.
  • the algorithm selected for the learning process is backpropagation.
  • the optimization of the Artificial Neural Networks (ANN) is carried out minimizing the RMS error, when the number of nodes in the hidden layer is modified.
  • Hyperspectral Imaging data has been processed using the following software: for FA, STATISTICA, Tulsa, OK, United States; for Principal Component Analysis (PCA), The Unscrambler v 9.1, Camo Process, Norway; for image processing, MATLAB v 7.0, MA, United States (PLS Toolbox by Eigenvector Research, Inc.) and for ANN TRAJAN v 3.0, Horncastle, United Kingdom.
  • PCA Principal Component Analysis
  • MATLAB v 7.0 Camo Process, Oslo, Norway
  • MA United States
  • PLS Toolbox by Eigenvector Research, Inc.
  • ANN TRAJAN v 3.0 Horncastle, United Kingdom.
  • STATISTICA software was used to perform Factor Analysis (FA) on the data.
  • the data used for this analysis were the spectra corresponding to the seven groups of different components, since they represent the total variety of substances studied.
  • Figure 1 shows how the weight of the eigen value associated with each factor decreases for less important factors, the seventh factor being the last one having a value greater than 1. This could be the last factor that describes the system, following the Kaiser rule. Consequently, it can be seen that Factor Analysis (FA) distinguishes the main species that form kidney stones. Taking these results into account, an analysis of Principal Components Analysis (PCA) is proposed to create a model capable of classifying the different types of kidney stones studied.
  • PCA Principal Components Analysis
  • PCA Principal Components Analysis
  • Figure 3 Model A shows that, in this case, the first two Main Components (PC) represent 95% of the variance of the model, therefore the rest of the Main Components (PC) have a relatively low value.
  • the first derivative of the raw data was made. This stage requires a previous smoothing of the data, which was done through the Savitzky-Golay algorithm, using a 5-point window. In this case, an explanation of the widely distributed variance is observed; specifically, up to 7 Main Components (PC) are necessary to explain 96% of the variance for the model ( Figure 3 Model B).
  • PC Main Components
  • Multivariable methods can give much more information than univariable methods, although many variables in the measured range may not provide valuable data but interference.
  • PCA Principal Component Analysis
  • the wavelengths that will be taken to the calculations can be those that have a higher value for the load for each Main Component (PC).
  • the representation of the loads of each wavelength for each Main Component (PC) ( Figure 4) is a clear way to see which are the most important wavelengths.
  • PC2 is well defined with positive charge values for the wavelengths of the intervals of 1 188-1230 nm and 1440-1542 nm. All these energies are associated with vibrations of C-H bonds. This association is perfectly consistent with the structure of Cistina, since this is the only component of the set studied that has C-H bonds.
  • the wavelengths of 971-978 nm and 1083-1 167 nm have negative charge values for PC2.
  • the associated bond vibrations are those of Ar-OH, which may only be related to anhydrous Uric Acid (AUA), by tautomeric equilibrium with the Cystine structure.
  • Table 1 below shows the main information extracted from the scores and loads for each group of kidney stones:
  • PCA Principal Components Analysis
  • Some samples considered pure compounds were used to create a model for the subsequent classification of unknown samples.
  • the criteria for classification were chosen by selecting which group corresponds to each compound in a representation of the scores.
  • the identification of the different compounds was performed by interpretation of the colors obtained by creating RGB images reconstructed from the hyperspectral cube. When this kind of representation is used, the three Main Components (PC) used for imaging will determine the color of each kind of kidney stone.
  • PC Main Components
  • each type of kidney stone makes each type of kidney stone can be distinguished from each other, except for Struvite and Hydroxyapatite.
  • results obtained by analyzing the hyperspectral cube fully coincide with those obtained by taking Regions of Interest (ROI) of the samples.
  • ROI Regions of Interest
  • the software allows the selection of a group of pixels of the representation of scores. Therefore, it is possible to identify which area of a sample or group of samples contains a given compound, when the values of the scores of each of them are known.
  • Figure 7 shows the values of the scores for PC1 and PC3 in a sample that mainly contain Calcium Oxalate Monohydrate (COM) and Calcium Oxalate Dihydrate (COD).
  • COM Calcium Oxalate Monohydrate
  • COD Calcium Oxalate Dihydrate
  • the raw data of the spectra consist of up to 97 wavelengths, so that to decrease the number of variables in the system, 50 wavelengths are selected.
  • the criteria for selection are based on the values of the charges for each wavelength, according to the data in Figure 4.
  • a matrix of 140 samples (7 main types of kidney stones) and 50 is used. variables for analysis.
  • the Artificial Neural Network (ANN) to be optimized is defined as: inputs-number of nodes in the hidden-output layer, where the inputs represent the number of samples to create the model and the outputs the number of types of kidney stones, that is (140, n, 7).
  • the value for the outputs is a single variable, which can adopt 7 different nominal values.
  • the model was applied to the seven groups of major renal stone compounds using the preconditions.
  • the results proven with cross validation leaving one out, show up to 100% accuracy for classification.
  • the next step was to further reduce the number of variables in the system, so that the predicted advantages of variable reduction became clearer.
  • the accuracy of the classification remained 100%.
  • the correct classification percentage fell to 95% at most. Therefore, the final choice was the model that used 30 wavelengths.
  • the really interesting objective is the classification of 1 1 groups of different types of kidney stones, that is, the seven main compounds and mixtures. Therefore, an optimization of a new Network is necessary
  • ANN Artificial Neuronal

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Physiology (AREA)
  • Optics & Photonics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Urology & Nephrology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

Procedimiento de caracterización y clasificación de cálculos renales, que comprende las siguientes etapas: (a) se toman una pluralidad de muestras de cálculos renales y se cortan para observar su interior, obteniendo una superficie lo más plana posible, (b) se aplica la técnica de Formación de Imágenes Hiperespectrales (HSI) obteniendo los espectros de los cálculos renales anteriormente cortados, seleccionando una pluralidad de Regiones de Interés (ROI) y analizando la imagen a través de Análisis de Componentes Principales (PCA) (c) se identifican las especies principales mediante Análisis de Factores (FA) (d) se identifican valores atípicos a través de Análisis de Componentes Principales (PCA) (e) se analizan los diferentes tipos de cálculos renales a través de un Análisis de Componentes Principales (PCA) (f) a los datos obtenidos del Análisis de Componentes Principales (PCA) se aplica la técnica de Redes Neuronales Artificiales (ANN) para su clasificación.

Description

PROCEDIMIENTO DE CARACTERIZACIÓN Y CLASIFICACIÓN DE
CÁLCULOS RENALES
DESCRIPCIÓN
Procedimiento de caracterización y clasificación de cálculos renales
Objeto de la invención
La presente invención trata de un procedimiento de caracterización y clasificación de cálculos renales, a través del análisis por la Formación de Imágenes Hiperespectrales (HIS) y las Redes Neuronales Artificiales (ANN), permitiendo altas velocidades en las mediciones, y no necesitando de gran preparación previa de las muestras iniciales.
Antecedentes de la invención
La formación de piedras en el riñon es una enfermedad que afecta a un porcentaje considerable de la población. Pueden encontrarse una diversidad de sustancias como compuestos principales en los cálculos renales; por lo tanto, su caracterización es de enorme importancia para encontrar las causas de este problema. En este sentido, el análisis de la composición y de la estructura de la piedra pueden proporcionar información clave sobre las condiciones de la orina durante el crecimiento del cristal.
Se han realizado muchos estudios en este campo, básicamente dirigidos a la reducción de los índices de incidencia y al aumento de la calidad de vida de los pacientes que la padecen, recortando al mismo tiempo los costes médicos para tratamientos relacionados y cirugía. Un estudio cuidadoso de la estructura de la piedra renal expulsada puede proporcionar información clave sobre el proceso de formación de la piedra y las condiciones de la orina durante el crecimiento del cristal. Por lo tanto, analizando específicamente el núcleo y la corteza externa de la muestra, es posible determinar el compuesto que sirve como núcleo de precipitación y las sustancias que precipitan después.
Se han desarrollado hasta la fecha muchas metodologías para la clasificación de las piedras renales. Las más extendidas son el examen de las piedras renales por microscopía estereoscópica y análisis de IR. La primera tiene la ventaja principal de que permite la identificación de diferentes sustancias en toda el área de la muestra, de modo que es posible determinar en su totalidad las características morfológicas de la piedra. Sin embargo, esta metodología es pesada y, más significativamente, altamente dependiente de los conocimientos del operario. Respecto a las metodologías de IR desarrolladas, requieren la molienda de la muestra, proceso por el cual el análisis espacial de la muestra pierde cualquier significado.
Además, se han llevado a cabo hasta la fecha algunos estudios de la estructura de las piedras renales, incluyendo otras técnicas tales como NIR, Microscopía Electrónica de Barrido - Espectroscopia de Rayos X de energía Dispersiva (SEM-EDS) e incluso difracción de rayos X. La espectroscopia en el NIR muestra un buen funcionamiento para la determinación de la composición de los cálculos renales, e incluso de cuantificación para mezclas. No obstante, esos trabajos requieren todavía cierto pretratamiento de la muestra, lo que hace que el análisis no sea práctico de aplicar en un hospital. Descripción de la invención
La invención que aquí se describe trata de un nuevo procedimiento de caracterización y clasificación de cálculos renales, basado en la Formación de Imágenes Hiperespectrales, para el estudio de dichas piedras en el riñon, en combinación con análisis a través de Redes Neuronales Artificiales (ANN). Los espectros de reflectancia en el NIR de las piedras analizadas muestran diferencias significativas que pueden usarse para su clasificación. También se evaluó la posibilidad de usar Redes Neuronales Artificiales para la clasificación de los cálculos renales. Los resultados muestran más de un 90% de clasificación correcta para todas las clases de piedras, incluyendo aquellas que son mezclas de compuestos. Estos prometedores resultados demuestran el buen funcionamiento de la metodología desarrollada y proporcionan nuevas perspectivas para mejorar la calidad de vida de los pacientes.
El procedimiento de caracterización de piedras en el riñon que aquí se describe utiliza la técnica de Formación de Imágenes Hiperespectrales o Formación de Imágenes Químicas (HSI), que combina una cámara con un espectrómetro para permitir la captura de un espectro para cada píxel de la imagen adquirida, siendo entonces posible caracterizar la superficie completa de la muestra. En lo que se refiere a la importancia de la caracterización espacial de la muestra, la Formación de Imágenes Hiperespectrales o Formación de Imágenes Químicas (HSI) es muy útil para los objetivos de este trabajo, puesto que permite la caracterización de áreas realmente pequeñas en la superficie de la muestra. Además de la resolución espacial, la formación de imágenes hiperespectrales puede permitir altas velocidades para las mediciones, siendo necesaria una escasa preparación de la muestra. En esencia, la Formación de Imágenes Hiperespectrales o Formación de Imágenes Químicas (HSI) es una posibilidad interesante para analizar muestras de piedra renales en un hospital. Para la gestión de la enorme cantidad de datos disponibles a partir de la formación de imágenes hiperespectrales son necesarias algunas técnicas quimiométricas. El Análisis de Componentes Principales (PCA) se usa habitualmente para explorar los datos sin procesar antes de la aplicación de una técnica de clasificación, tal como Redes Neuronales Artificiales (ANN). Las Redes Neuronales Artificiales ANN muestran un número continuamente creciente de aplicaciones en muchos campos, puesto que pueden resolver satisfactoriamente problemas analíticos complejos. Aunque es simple en estructura, el amplio número de interconexiones en el interior de la estructura de la Red Neuronal Artificial (ANN) muestra un potencial interesante para cálculos. En realidad, ya se han usado Redes Neuronales Artificiales (ANN) en medicina con buenos resultados, incluso en urología, donde las aplicaciones principales han estado relacionadas con el diagnóstico del cáncer y otras enfermedades, aunque nunca se han usado para la clasificación de piedras renales.
El objetivo principal de este trabajo es evaluar la posibilidad de usar NIR-HSI y Redes Neuronales Artificiales (ANN) para la caracterización y clasificación de cálculos renales, ya que esto podría ser útil para el diagnóstico médico, mejorando la caracterización convencional realizada hasta ahora.
Así, el procedimiento propuesto para la caracterización de piedras en el riñon comprende las siguientes fases:
Seleccionar una pluralidad de tipos de cálculos renales Cortar las piedras para ver la parte interna y obtener una superficie tan plana como fuera posible
Se analizan dichas superficies de las piedras por HSI en combinación con Análisis de Factores (FA), Análisis de Componentes principales (PCA) y Redes Neuronales Artificiales (ANN) Las mediciones hiperespectrales se realizan usando una cámara espectral en el NIR que consiste en un espectrógrafo de formación de imágenes y una cámara. Funciona como una cámara de exploración en línea de tipo escoba que proporciona información espectral contigua completa para cada píxel en la línea. La cámara espectral está alojada en una plataforma de laboratorio para realizar la inspección de diferentes muestras. La plataforma está equipada con una cinta transportadora que permite el movimiento de partículas para que se adquieran los espectros, con un marco para sostener el sensor espectral y la fuente de luz, con una consola de control usada también como mesa de trabajo y un lugar para un ordenador digital y un monitor. El dispositivo está controlado por una unidad de PC equipada con un software de adquisición/preprocesamiento.
Los espectros de las muestras se miden fijándolos a un soporte de plástico con el lado interior hacia arriba, de modo que el núcleo sea visible para el detector, para minimizar el error en las mediciones que podrían causar las vibraciones que venían de la cinta transportadora.
El análisis de las piedras se realiza seleccionando una pluralidad de regiones de interés en la superficie de la muestra. Aunque este análisis de regiones de interés pierde la información para cada píxel individual, tiene dos ventajas principales. En primer lugar, al seleccionar algunas áreas en lugar de pixeles individuales, se está alisando la superficie de la muestra, ya que algunos pixeles podrían ser ligeramente diferentes del resto de la muestra. Esta diferencia puede explicarse atendiendo a la naturaleza de la muestra, ya que podría haberse mantenido algo de materia orgánica dentro de la estructura de la piedra durante el proceso de cristalización. En segundo lugar, la cantidad de información que se va a gestionar es mucho más pequeña que en el análisis de píxel por píxel.
Además, se realiza un análisis de la imagen por Análisis de Componentes Principales (PCA) sobre cada píxel individual, mostrando las capacidades de esta técnica para la clasificación de imágenes completas.
Para el tratamiento de los datos se usan tres métodos diferentes:
Análisis de Factores (FA)
Análisis de Componentes Principales (PCA)
Rede Neuronal Artificial (ANN)
Aunque el Análisis de Factores (FA) y el Análisis de Componentes Principales (PCA) comparten el mismo objetivo principal, es decir, la reducción del número de variables del sistema encontrando conexiones latentes entre variables reales, y algunas características matemáticas, tienen diferencias que permiten obtener información diferente.
El Análisis de Factores (FA) se basa en la correlación entre variables reales, y el número de variables consideradas descriptores del sistema se selecciona de acuerdo con el valor eigen asociado. Se han sugerido varios criterios diferentes para decidir cuántos factores son descriptivos para el sistema, y cada caso tiene su propia solución, puesto que no hay reglas generales que encajen en todos los casos. La regla de Kaiser, que indica que sólo los factores con un valor eigen asociado superior a 1 son representativos para el sistema, se ha aplicado en este estudio. Todos los demás factores representan combinaciones lineales de variables reales; por lo tanto, no describen ningún componente nuevo del sistema.
Por otro lado, el Análisis de Componentes Principales (PCA) se basa en la varianza de los datos. Por lo tanto, el componente principal clave para el sistema permite la dirección en la que los datos tienen una varianza mayor.
Debido a estas propiedades, el Análisis de Factores (FA) se usa para comprobar cómo pueden distinguirse muchos componentes diferentes en todas las muestras, mientras que el Análisis de Componentes Principales (PCA) es útil para la selección de variables.
Respecto a las Redes Neuronales Artificiales (ANN), se consideran una herramienta informática sofisticada y potente, que resuelve problemas analíticos difíciles aprendiendo de casos reales. A pesar de las muchas estructuras diferentes que pueden adoptar las Redes Neuronales Artificiales (ANN), la estructura usada en este estudio siempre tenía tres capas: de entrada, capa oculta y de salida. El algoritmo seleccionado para el proceso de aprendizaje es la retropropagación. La optimización de la Redes Neuronales Artificiales (ANN) se lleva a cabo minimizando el error RMS, cuando se modifica el número de nodos en la capa oculta. El Análisis de Factores (FA) (así como el Análisis de Componentes
Principales y Redes Neuronales) se realiza a través de un software. Los datos usados para este análisis son los espectros correspondientes a los diferentes grupos de componentes que representan la variedad total de sustancias estudiadas. El peso del valor eigen asociado a cada factor disminuye para factores menos importantes. El análisis de Factores (FA) distingue las especies principales que forman los cálculos renales. De este modo, se propone un Análisis de Componentes Principales (PCA) para crear un modelo capaz de clasificar los diferentes tipos de piedras renales estudiados.
El Análisis de Componentes Principales (PCA) se realiza, mediante software, sobre cada grupo separado de piedras renales para determinar la existencia de valores atípicos dentro de los datos sin procesar. La eliminación de cualquier punto de muestras originales es una etapa crucial, puesto que al suprimir información disminuye la variabilidad del sistema. Además, no hay forma de estar completamente seguro de si una muestra está correctamente considerada como valor atípico. Por lo tanto, los criterios para la determinación de los valores atípicos se basaban en la variabilidad que muestran los espectros de las muestras. Los datos se han limpiado para tener una base de datos más fiable. Debido a la naturaleza biológica de las muestras, la estructura de los cristales que forman la piedra renal podría contener materia orgánica, que puede mantenerse en la estructura de la piedra durante su proceso de crecimiento. Además, atendiendo a la naturaleza de las muestras, la superficie medida puede no ser completamente regular, teniendo por lo tanto un valor de reflectancia que difiere del promedio del grupo.
Cada Región de Interés (ROI) se considera una muestra diferente en los términos del software. Se tienen en cuenta el intervalo completo de variables para los cálculos, pudiendo comprobar de este modo si cualquiera de las regiones de una muestra o una muestra completa es realmente diferente del resto.
Se representan los Componentes Principales (PC) del sistema, haciendo posible la detección de valores atípicos dentro de los datos sin procesar.
Después de que se hubieran limpiado los datos, se realizó un Análisis de Componentes Principales (PCA) sobre los diferentes grupos principales de cálculos renales para crear un modelo capaz de clasificar correctamente las piedras renales estudiadas. Se comprueba la eficacia mediante la validación cruzada, y todos los datos se centraron en la media.
Para obtener una distribución más amplia de la varianza de los datos, se realizó la primera derivada de los datos sin procesar. Esta etapa requiere un suavizado previo de los datos. Los resultados para predecir muestras son mejores que los datos no derivados, por tanto, la primera derivada aumenta las ligeras diferencias existentes entre los grupos de cálculos renales. Se ha observado, cuando se trabaja con Análisis de Componentes Principales (PCA), que los mejores resultados de clasificación se obtienen si los espectros de reflectancia medidos se suavizan y después se calcula la primera derivada.
El Modelo de Redes Neuronales Artificiales (ANN) se aplica para reducir el número de variables en el sistema. El uso de estas Redes Neuronales Artificiales (ANN) para el tratamiento de datos hiperespectrales muestra resultados similares a los obtenidos con técnicas convencionales. Sin embargo, es importante comentar que la metodología convencional requiere operarios entrenados mientras que las ANN realizan la clasificación independientemente de los conocimientos del operario. Además consigue un diagnóstico más rápido, aumentando la calidad de vida del paciente.
Descripción de los dibujos
Para completar la descripción que se está realizando y con objeto de ayudar a una mejor comprensión de las características del invento, de acuerdo con un ejemplo preferente de la realización práctica del mismo, se acompaña como parte integrante de dicha descripción, un juego de dibujos en donde con carácter ilustrativo y no limitativo, se ha representado lo siguiente: La Figura 1 .- muestra los valores Eigen para los siete grupos principales de cálculos renales del estudio experimental.
La Figura 2.- muestra las puntuaciones para PC1 frente a PC2 para 27 muestras de Ácido Úrico Anhidro.
La Figura 3.- muestra la varianza del modelo para cada Componente Principal (PC). La Figura 4.- muestra, dentro de la parte experimental, las cargas de cada variable para cada uno de los 7 primeros Componentes Principales. La Figura 5.- muestra, dentro de la parte experimental, las puntuaciones de los 7 grupos principales de piedras renales para PC1 frente a PC2.
La Figura 6.- muestra, dentro de la parte experimental, la representación 3D de puntuaciones para PC1 , PC2 y PC3.
La Figura 7 - muestra las puntuaciones para PC1 frente a PC3.
La Figura 8.- muestra un ejemplo para la optimización de la Red Neuronal Artificial (ANN)
Realización preferente de la invención La invención propuesta trata de un nuevo procedimiento de caracterización y clasificación de cálculos renales, que utiliza la técnica de Formación de Imágenes Hiperespectrales combinada con Redes Neuronales Artificiales. Comprende las siguientes etapas de manera general: (a) se toman una pluralidad de muestras de cálculos renales y se cortan para observar su interior, obteniendo una superficie lo más plana posible,
(b) se aplica la técnica de Formación de Imágenes Hiperespectrales (HSI) obteniendo los espectros de los cálculos renales anteriormente cortados, seleccionando una pluralidad de Regiones de Interés (ROI) y analizando la imagen a través de Análisis de Componentes Principales (PCA) (c) se identifican las especies principales mediante Análisis de Factores (FA)
(d) se identifican valores atípicos a través de Análisis de Componentes Principales (PCA)
(e) se analizan los diferentes tipos de cálculos renales a través de un
Análisis de Componentes Principales (PCA)
(f) a los datos obtenidos del Análisis de Componentes Principales (PCA) se aplica la técnica de Redes Neuronales Artificiales (ANN) para su clasificación.
Ejemplo de realización preferente
Para este estudio, se seleccionaron 215 muestras de una biblioteca de más de 1400 cálculos renales. Se consideraron once tipos de componentes de piedras renales, incluso sus mezclas. Todas estas muestras se recogieron en el servicio de urología del Hospital Universitari de Bellvitge, Barcelona (España). Los criterios de selección se basaban en tener tanta variabilidad como fuera posible, para cualquier tipo de piedra renal.
Las muestras se dividieron en dos grupos diferentes atendiendo a su composición. En primer lugar, se consideran siete tipos principales de piedras renales, puesto que representan los diferentes compuestos que se encuentran habitualmente como cálculos renales: AUA (Ácido Úrico Anhidro), BRU (Brushita), COD (Oxalato Cálcico Dihidrato), COM (Oxalato Cálcico Monohidrato), CYS (Cistina), HAP (Hidroxiapatita) y STR (EStruvita). En segundo lugar, se estudian cuatro grupos más, incluyendo mezclas de los primeros, en concreto: AUD (Ácido Úrico Dihidrato), MXL (Oxalato Cálcico e Hidroxiapatita mezclado, en capas), MXD (Oxalato Cálcico e Hidroxiapatita mezclado) y TRA (Oxalato Cálcico Dihidratado transformado en Oxalato Cálcico Monohidratado). Se analizan un número total de 1 1 tipos diferentes de piedras renales. Todas las muestras se cortaron con un bisturí para observar la parte interior de la piedra y, al mismo tiempo, para obtener una superficie tan plana como fuera posible, que se analizará mediante el equipo de HSI. Las muestras se analizaron en primer lugar por medio de microscopía estereoscópica, para comparar estos resultados con los obtenidos posteriormente con la metodología propuesta. Esta técnica se ha usado ampliamente para la caracterización de piedras renales. Para aquellas muestras no bien caracterizadas mediante este método, se realizó un análisis de Microscopía Electrónica de Barrido (SEM). En esos casos, una pequeña parte de la muestra se metalizó con una capa de grafito (el pico Au podía solaparse con el de P en el análisis de EDS) y se llevó al microscopio electrónico. Para este fin, se usaron dos equipos de SEM diferentes: Microscopio Electrónico de Barrido JEOL JSM-6300 (Japón) acoplado a un Espectrómetro de Rayos X de Energía Dispersiva Oxford Instruments Link ISIS-200 (Reino Unido) (laboratono de la Universitat Autónoma de Barcelona) y un Microscopio Electrónico de Barrido HITACHI S2500 (Japón) acoplado a un Espectrómetro de Rayos X de Energía Dispersiva Kevex 8000 (Estados Unidos) (laboratorio de la Universitá di Roma). La estructura de las muestras se analizó y se realizó el análisis de EDS en algunas partes de la piedra para confirmar la composición elemental de la muestra. En cuanto a la medición mediante la Formación de Imágenes
Hiperespectrales, se realizaron usando una cámara espectral en el NIR que consistía en un espectrógrafo de formación de imágenes ImSpector N17E para la región de longitud de onda de 1000-1700 nm y una cámara Ingaes termoestabilizada (Specim, Finlandia). Funciona como una cámara de exploración en línea de tipo escoba que proporciona información espectral contigua completa para cada píxel en la línea. La cámara espectral está alojada en una plataforma de laboratorio desarrollada por DV srl (Italia) para realizar la inspección de diferentes muestras. La plataforma está equipada con una cinta transportadora que permite el movimiento de partículas para que se adquieran los espectros, con un marco para sostener el sensor espectral y la fuente de luz, con una consola de control usada también como mesa de trabajo y un lugar para un ordenador digital y un monitor. El dispositivo está totalmente controlado por una unidad de PC equipada con el software de adquisición/preprocesamiento Spectral Scanner™ v.2.3.
La resolución de los espectros era de 7 nm; por lo tanto, se midió una cantidad total de 121 longitudes de onda. El espectrómetro estaba acoplado una lente de 50 mm. La resolución de la anchura de la imagen era de 320 píxeles, mientras que el número de cuadros, es decir, la resolución de la imagen en los ejes Y, vanaba de 200 a 350, dependiendo del número de muestras medidas en un momento.
Los espectros de las muestras se midieron fijándolos a un soporte de plástico con el lado interior hacia arriba, de modo que el núcleo fuera visible para el detector, para minimizar el error en las mediciones que podrían causar las vibraciones que venían de la cinta transportadora.
Las mediciones espectrales se calcularon como reflectancia relativa (R), de acuerdo con la ecuación siguiente:
Figure imgf000014_0001
donde rs es la reflectancia medida, rb es la reflectancia medida para el negro (interferencia de fondo) y rw es la reflectancia para un blanco patrón (reflectancia del 100%).
El análisis de las piedras se realizó seleccionando algunas Regiones de Interés (ROI) en la superficie de la muestra. Se recogieron aleatoriamente cinco Regiones de Interés (ROI) para cada muestra, para tener datos representativos de toda la superficie. Aunque este análisis de Regiones de Interés (ROI) pierde la información para cada píxel individual, tiene dos ventajas principales. En primer lugar, al seleccionar algunas áreas en lugar de pixeles individuales, se está alisando la superficie de la muestra, ya que algunos pixeles podrían ser ligeramente diferentes del resto de la muestra. Esta diferencia puede explicarse atendiendo a la naturaleza de la muestra, ya que podría haberse mantenido algo de materia orgánica dentro de la estructura de la piedra durante el proceso de cristalización. En segundo lugar, la cantidad de información que se va a gestionar es mucho más pequeña que en el análisis de píxel por píxel.
Además, se realiza un análisis de la imagen por Análisis de Componentes Principales (PCA) sobre cada píxel individual, mostrando las capacidades de esta técnica para la clasificación de imágenes completas.
Por etapas, se usaron tres métodos diferentes para analizar los datos: Análisis de Factores (FA), Análisis de Componentes Principales (PCA) y Redes Neuronales Artificiales (ANN). Aunque el Análisis de Factores (FA) y el Análisis de Componentes
Principales (PCA) comparten el mismo objetivo principal, es decir, la reducción del número de variables del sistema encontrando conexiones latentes entre variables reales, y algunas características matemáticas, tienen diferencias que permiten obtener información diferente.
El Análisis de Factores (FA) se basa en la correlación entre variables reales, y el número de variables consideradas descriptores del sistema se selecciona de acuerdo con el valor eigen asociado. Se han sugerido varios criterios diferentes para decidir cuántos factores son descriptivos para el sistema, y cada caso tiene su propia solución, puesto que no hay reglas generales que encajen en todos los casos. La regla de Kaiser, que indica que sólo los factores con un valor eigen asociado superior a 1 son representativos para el sistema, se ha aplicado en este estudio. Todos los demás factores representan combinaciones lineales de variables reales; por lo tanto, no describen ningún componente nuevo del sistema. Por otro lado, el Análisis de Componentes Principales (PCA) se basa en la varianza de los datos. Por lo tanto, el componente principal clave para el sistema permite la dirección en la que los datos tienen una varianza mayor. Debido a estas propiedades, el Análisis de Factores (FA) se usó para comprobar cómo pueden distinguirse muchos componentes diferentes en todas las muestras, mientras que el Análisis de Componentes Principales (PCA) era útil para la selección de variables. Respecto a las Redes Neuronales de Artificiales (ANN), se consideran una herramienta informática sofisticada y potente, que resuelve problemas analíticos difíciles aprendiendo de casos reales. A pesar de las muchas estructuras diferentes que pueden adoptar las Redes Neuronales Artificiales (ANN), la estructura usada en este estudio siempre tenía tres capas: de entrada, capa oculta y de salida.
El algoritmo seleccionado para el proceso de aprendizaje es la retropropagación. La optimización de la Redes Neuronales Artificiales (ANN) se lleva a cabo minimizando el error RMS, cuando se modifica el número de nodos en la capa oculta.
Los datos de Formación de Imágenes Hiperespectrales se han tratado usando el software siguiente: para el FA, STATISTICA, Tulsa, OK, Estados Unidos; para el Análisis de Componentes Principales (PCA), The Unscrambler v 9.1 , Camo Process, Oslo, Noruega; para el tratamiento de imágenes, MATLAB v 7.0, MA, Estados Unidos (PLS Toolbox por Eigenvector Research, Inc.) y para las ANN TRAJAN v 3.0, Horncastle, Reino Unido.
Se usó el software STATISTICA para realizar el Análisis de Factores (FA) sobre los datos. Los datos usados para este análisis eran los espectros correspondientes a los siete grupos de componentes diferentes, puesto que representan la variedad total de sustancias estudiadas.
La Figura 1 muestra cómo el peso del valor eigen asociado a cada factor disminuye para factores menos importantes, siendo el séptimo factor el último que tiene un valor superior a 1 . Este podría ser el último factor que describe el sistema, siguiendo la regla de Kaiser. En consecuencia, puede observarse que el Análisis de Factores (FA) distingue las especies principales que forman los cálculos renales. Teniendo en cuenta estos resultados, se propone un análisis de Análisis de Componentes Principales (PCA) para crear un modelo capaz de clasificar los diferentes tipos de piedras renales estudiados.
En primer lugar, se realizó un Análisis de Componentes Principales (PCA) sobre cada grupo separado de piedras renales, teniendo cada una de ellas una composición química diferente, para determinar la existencia de valores atípicos dentro de los datos sin procesar. Esos grupos de muestras incluyen los siete grupos principales de piedras renales.
La eliminación de cualquier punto de las muestras originales es una etapa crucial, puesto que al suprimir información disminuye la variabilidad del sistema. Además, no hay forma de estar completamente seguro de si una muestra está correctamente considerada como valor atípico. Por lo tanto, los criterios para la determinación de los valores atípicos se basaban en la variabilidad que muestran los espectros de las muestras. Los datos se han limpiado para tener una base de datos más fiable. Debido a la naturaleza biológica de las muestras, la estructura de los cristales que forman la piedra renal podría contener materia orgánica, que puede mantenerse en la estructura de la piedra durante su proceso de crecimiento. Además, atendiendo a la naturaleza de las muestras, la superficie medida puede no ser completamente regular, teniendo por lo tanto un valor de reflectancia que difiere del promedio del grupo.
El análisis de las muestras de Acido Úrico Anhidro (AUA) se mostrará como ejemplo, considerando que el resto de grupos se han analizado de la misma forma. Se usó el software The Unscrambler para realizar el Análisis de
Componentes Principales (PCA) sobre 5 Regiones de Interés (ROI) para cada muestra de Ácido Úrico Anhidro (AUA). Por lo tanto, cada Región de Interés (ROI) se consideraba una muestra diferente en los términos del software. En esta primera etapa, se tuvo en cuenta el intervalo completo de variables para los cálculos, es decir, 97 variables. Al organizar los datos de este modo, es posible comprobar si cualquiera de las regiones de una muestra o una muestra completa es realmente diferente del resto.
Al representar los Componentes Principales (PC) del sistema, es posible la detección de valores atípicos dentro de los datos sin procesar. La distribución de los valores de las puntuaciones para PC1 y PC2 para todas las Regiones de Interés (ROI) de Ácido Úrico Anhidro (AUA) se muestra en la Figura 2. Esta representación incluye la elipse T2 de Hotelling, que muestra la distancia de cada punto desde el centro del modelo. En nuestro caso, esta elipse representa el 95% de la varianza del modelo.
Si se analiza atentamente la Figura 2, parece claro que cuatro Regiones de Interés (ROI) están fuera de la elipse de Hotelling para valores de PC1 negativos. Puesto que todas estas Regiones de Interés (ROI) corresponden a la misma muestra, se considera que éste es un valor atípico.
Por otro lado, hay dos Regiones de Interés (ROI) fuera de la elipse con valores de PC1 positivos que representan muestras diferentes. Sin embargo, estas Regiones de Interés (ROI) no se suprimen de la colección completa de datos para no sobreajustar el sistema. Después de aplicar este tratamiento a todos los grupos de piedras renales diferentes, está claro que sólo una muestra de Ácido Úrico anhidro (AUA) y otra de Oxalato Cálcico Monohidrato (COM) es probable que sean valores atípicos. Después de que se hubieran limpiado los datos, se realizó un Análisis de Componentes Principales (PCA) sobre los siete grupos de cálculos renales para crear un modelo capaz de clasificar correctamente las piedras renales estudiadas. Este modelo se realizó tomando para el cálculo las 97 variables. La eficacia se comprobó por medio de validación cruzada, y todos los datos se centraron en la media.
En primer lugar, el modelo se calculó directamente a partir de los datos de reflectancia adquiridos. La Figura 3 Modelo A muestra que, en este caso, los dos primeros Componentes Principales (PC) representan el 95% de la varianza del modelo, teniendo por lo tanto el resto de Componentes Principales (PC) un valor relativamente bajo. Para obtener una distribución más amplia de la varianza de los datos, se realizó la primera derivada de los datos sin procesar. Esta etapa requiere un suavizado previo de los datos, que se realizó por medio del algoritmo de Savitzky-Golay, usando una ventana de 5 puntos. En este caso, se observa una explicación de la varianza muy distribuida; en concreto, son necesarios hasta 7 Componentes Principales (PC) para explicar el 96% de la varianza para el modelo (Figura 3 Modelo B). No obstante, como puede observarse en la sección siguiente, sus resultados para predecir muestras son mejores que los de datos no derivados. Por consiguiente, puede concluirse que la primera derivada aumenta las ligeras diferencias existentes entre los siete grupos de cálculos renales. Por esta razón, se usó la primera derivada de los espectros para el tratamiento adicional de los datos.
Los métodos multivariable pueden dar una cantidad de información mucho mayor que los univariables, aunque muchas variables del intervalo medido podrían no proporcionar datos valiosos sino interferencia. En este sentido, se puede aprovechar el hecho de que uno de los enunciados básicos del Análisis de Componentes Principales (PCA) es la reducción del número de variables, tomando sólo la información contenida en las variables reales. En realidad, no todas las regiones del espectro NIR proporcionan información relevante al modelo. Entonces, seleccionando aquellas longitudes de onda con las mayores capacidades de clasificación se reducen las interferencias del sistema, aumentando su precisión y simplificando los cálculos para el modelo. Las longitudes de onda que se llevarán a los cálculos pueden ser aquellas que tengan un valor superior para la carga para cada Componente Principal (PC). La representación de las cargas de cada longitud de onda para cada Componente Principal (PC) (Figura 4) es una forma clara de ver cuáles son las longitudes de onda más importantes.
A partir de la información de la Figura 4 y de la representación de los valores de las puntuaciones para dos Componentes Principales (PC), también es posible definir las variables que definen cada compuesto. La representación de puntuaciones para PC1 frente a PC2 (Figura 5) se proporciona como ejemplo. Muestra que tanto el Ácido Úrico Anhidro (AUA) como la Cistina (CYS) tienen valores negativos para PC1 pero de signo opuesto para PC2, lo que significa que PC2 está diferenciando claramente estos dos componentes.
A partir de la Figura 5 puede observarse que PC2 está bien definido con valores de carga positivos para las longitudes de ondas de los intervalos de 1 188-1230 nm y 1440-1542 nm. Todas estas energías se asocian a vibraciones de enlaces C-H. Esta asociación se concuerda perfectamente con la estructura de Cistina, puesto que éste es el único componente del conjunto estudiado que tiene enlaces C-H. Por otro lado, las longitudes de onda de 971 -978 nm y 1083-1 167 nm tienen valores de carga negativos para PC2. En este caso, las vibraciones de enlaces asociadas son las de Ar-OH, que pueden estar relacionadas solamente con Ácido Úrico anhidro (AUA), por equilibrio tautomérico con la estructura de la Cistina.
Además de la información respecto a Cistina (CYS) y Ácido Úrico anhidro (AUA), pueden obtenerse algunos otros datos que definan el resto de compuestos de la Tabla 1 , que se muestra a continuación. Claramente, la vibración que diferencia a Oxalato Cálcico Monohidrato (COM) y Oxalato Cálcico Dihidrato (COD) es la banda para el agua.
La Tabla 1 siguiente muestra la información principal extraída de las puntuaciones y cargas para cada grupo de piedras renales:
Tipo de piedra PC λ con mayor carga Vibraciones de NIR renal característicos (nm) asociadas
CYS PCK0 PC2>0 1188-1230, 1440-1542 CH, CH2, CH3 AUA PCK0 PC2>0 971-978, 1083-1167 Ar-OH COD PC3>0 PC2<0
1426-1475 H20
COM PC3<0 PC4>0 BRU PC3<0 PC4<0 1223-1244
HAP
No bien definidas
STR
Puede apreciarse que las bandas de NIR que definen Brushita (BRU) están comprendidas en el intervalo en el que aparecen vibraciones de C-H. Este hecho podría explicarse debido a la cantidad especialmente elevada de materia orgánica contenida en los cálculos de Brushita (BRU), puesto que no se encuentran enlaces de C-H en la estructura de la brushita.
El inconveniente principal que ha demostrado el Análisis de Componentes Principales (PCA) es el de ser incapaz de separar la Hidroxiapatita (HAP) y la Estruvita (STR), resultados que pueden observarse claramente en la Figura 6, donde estos dos compuestos aparecen como dos grupos superpuestos. Estos resultados pueden entenderse si se tiene en cuenta su composición muy similar. Los cálculos de Estruvita son básicamente piedras de Hidroxiapatita con una cantidad variable de cristales de Estruvita esparcidos en el interior de toda la piedra. Significa que la mayor parte de la muestra es similar a una piedra renal de Hidroxiapatita (HAP) pura. A pesar de la única excepción de los cálculos renales de
Hidroxiapatita (HAP) y Estruvita (STR), el Análisis de Componentes Principales (PCA) ha demostrado ser útil para la clasificación de los componentes principales para piedras renales, como se observa en la Figura 6.
Se realizó también un Análisis Componentes Principales (PCA) diferente sobre los siete grupos de piedras renales, tomando directamente el cubo hiperespectral y usando esta vez el software MATLAB.
Se analizó una muestra de cada tipo de piedra renal, obteniendo una clasificación de píxel por píxel. Como el Análisis de Componentes Principales (PCA) previo, los datos usados eran la primera derivada de los espectros y los datos se centraron en la media.
Algunas muestras consideradas compuestos puros (según se clasificaron por medio de Microscopía Estereoscópica y Microscopía Electrónica de Barrido (SEM)) se usaron para crear un modelo para la clasificación posterior de muestras desconocidas. Los criterios para la clasificación se escogieron seleccionando qué grupo corresponde a cada compuesto en una representación de las puntuaciones. La identificación de los diferentes compuestos se realizó por interpretación de los colores obtenidos al crear imágenes de RGB reconstruidas a partir del cubo hiperespectral. Cuando se usa esta clase de representación, los tres Componentes Principales (PC) usados para la imagen determinarán el color de cada clase de cálculo renal.
Los diferentes colores para cada clase de piedra renal, hace que cada tipo de piedra renal pueda distinguirse entre los demás, excepto por la Estruvita y la Hidroxiapatita. De hecho, los resultados obtenidos analizando el cubo hiperespectral coinciden totalmente con los obtenidos tomando Regiones de Interés (ROI) de las muestras. De hecho, el método y las condiciones usadas para el análisis son similares en ambos casos.
Además, el software permite la selección de un grupo de píxeles de la representación de puntuaciones. Por lo tanto, es posible identificar qué área de una muestra o grupo de muestras contiene un compuesto dado, cuando se conocen los valores de las puntuaciones de cada una de ellas. La Figura 7 muestra los valores de las puntuaciones para PC1 y PC3 en una muestra que contienen principalmente Oxalato Cálcico Monohidratado (COM) y Oxalato Cálcico Dihidratado (COD). Entre la aglomeración de pixeles observados en la Figura 7 es posible identificar áreas diferenciadas para Oxalato Cálcico Dihidrato (COD), que corresponde al círculo indicado con la letra A y Oxalato Cálcico Monohidrato (COM) (indicado con la letra B), así como un área intermedia de pixeles.
Se ha observado, cuando se trabaja con Análisis de Componentes Principales (PCA), que los mejores resultados de clasificación se obtienen si los espectros de reflectancia medidos se suavizan y después se calcula la primera derivada. Por lo tanto, estos datos se procesarán con el software TRAJAN para crear el modelo de Redes Neuronales Artificiales (ANN) con el software TRAJAN.
Los datos sin procesar de los espectros consisten en hasta 97 longitudes de onda, de modo que para disminuir el número de variables en el sistema se seleccionan 50 longitudes de onda. Los criterios para la selección se basan en los valores de las cargas para cada longitud de onda, de acuerdo con los datos de la Figura 4. De este modo, se usa una matriz de 140 muestras (7 tipos principales de piedras renales) y 50 variables para el análisis.
La Red Neuronal Artificial (ANN) a optimizar se define como: entradas-número de nodos en la capa oculta-salidas, donde las entradas representan el número de muestras para crear el modelo y las salidas el número de tipos de piedras renales, es decir (140, n, 7). El valor para las salidas es una sola variable, que puede adoptar 7 valores nominales diferentes.
Después de la optimización de la Red Neuronal Artificial (ANN), se observó (Figura 8) que el número óptimo de nodos en la capa ocultar era de 4, ya que de ese punto en adelante no se detectó disminución alguna en el error RMS.
El modelo se aplicó a los siete grupos de compuestos principales de piedras renales usando las condiciones previas. Los resultados, comprobados con validación cruzada dejando uno fuera, muestran hasta el 100% de exactitud para la clasificación.
Teniendo en cuenta estos prometedores resultados, la siguiente etapa era reducir adicionalmente el número de variables en el sistema, de modo que las ventajas predichas de la reducción de variables se hicieran más claras. En este caso, aunque se seleccionaron 30 longitudes de onda, la exactitud de la clasificación continuó siendo del 100%. Cuando se toman todavía menos variables para los cálculos, el porcentaje de clasificación correcta caía hasta el 95% como mucho. Por consiguiente, la elección final era el modelo que usaba 30 longitudes de onda. Sin embargo, debido a la importancia de una clasificación exacta respecto al diagnóstico para el paciente, el objetivo realmente interesante es la clasificación de 1 1 grupos de tipos diferentes de piedras renales, es decir, los siete compuestos principales y las mezclas. Por lo tanto, es necesaria una optimización de una nueva Red
Neuronal Artificial (ANN) para crear un modelo diferente capaz de la clasificación de estos datos muchos más complejos. Con este fin, se introdujeron 50 longitudes de onda como variables, siendo la estructura de la ANN (215, 13, 1 1 ). El número de nodos de la capa oculta se averiguó siguiendo el mismo procedimiento que en el modelo previo.
En este caso, el índice de muestras bien clasificadas alcanzaba el 93%. Aunque el índice de clasificación correcta para el modelo de 1 1 compuestos era inferior que el de 7, vale la pena decir que la complejidad de las muestras introducida en el nuevo modelo representa los resultados ligeramente diferentes. En cualquier caso, estos resultados pueden considerarse bastante aceptables, teniendo en cuenta la simplicidad de las mediciones que requieren.
De este modo, se demuestra la idoneidad de la técnica de Formación de Imágenes Hiperespecrales (HIS) junto con el uso de Redes Neuronales Artificiales (ANN) para la caracterización de piedras renales. Se han identificado las regiones de los espectros de reflectancia en el NIR que tienen la mayor potencia para la clasificación de los diferentes componentes.

Claims

REIVINDICACIONES
1 . - Procedimiento de caracterización y clasificación de cálculos renales, caracterizado porque comprende las siguientes etapas:
(a) se toman una pluralidad de muestras de cálculos renales y se cortan para observar su interior, obteniendo una superficie lo más plana posible,
(b) se aplica la técnica de Formación de Imágenes Hiperespectrales (HSI) obteniendo los espectros de los cálculos renales anteriormente cortados, seleccionando una pluralidad de Regiones de Interés (ROI) y analizando la imagen a través de Análisis de Componentes Principales (PCA)
(c) se identifican las especies principales mediante Análisis de Factores (FA)
(d) se identifican valores atípicos a través de Análisis de Componentes Principales (PCA)
(e) se analizan los diferentes tipos de cálculos renales a través de un Análisis de Componentes Principales (PCA)
(f) a los datos obtenidos del Análisis de Componentes Principales (PCA) se aplica la técnica de Redes Neuronales Artificiales (ANN) para su clasificación.
2. - Procedimiento de caracterización y clasificación de cálculos renales, según reivindicación 1 , caracterizado porque para la obtención de los espectros a través de la técnica de Formación de Imágenes Hiperespectrales (HSI), donde a través de una cámara combinada con un espectrógrafo de formación de imágenes se captura un espectro para cada píxel de imagen de la muestra adquirida, fijando las muestras de cálculos renales a un soporte con el lado interior hacia arriba para visualizar el núcleo a través de un detector.
PCT/ES2012/070239 2011-04-06 2012-04-10 Procedimiento de caracterización y clasificación de cálculos renales WO2012136874A1 (es)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP12767459.6A EP2696191A4 (en) 2011-04-06 2012-04-10 METHOD FOR THE CHARACTERIZATION AND CLASSIFICATION OF kidney stones

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
ESP201130548 2011-04-06
ES201130548A ES2390069B1 (es) 2011-04-06 2011-04-06 Procedimiento de caracterización y clasificación de cálculos renales

Publications (1)

Publication Number Publication Date
WO2012136874A1 true WO2012136874A1 (es) 2012-10-11

Family

ID=46968645

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/ES2012/070239 WO2012136874A1 (es) 2011-04-06 2012-04-10 Procedimiento de caracterización y clasificación de cálculos renales

Country Status (3)

Country Link
EP (1) EP2696191A4 (es)
ES (1) ES2390069B1 (es)
WO (1) WO2012136874A1 (es)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701812A (zh) * 2016-01-12 2016-06-22 南京工程学院 适用于采棉机器人的视觉识别系统
CN108344701A (zh) * 2018-02-02 2018-07-31 东北电力大学 基于高光谱技术的石蜡等级定性分类与定量回归方法
CN109034274A (zh) * 2018-08-30 2018-12-18 深圳大学 提升高光谱图像分类精度的方法、装置、设备及存储介质
CN109470639A (zh) * 2018-11-07 2019-03-15 浙江大学 基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2556558B1 (es) * 2014-06-18 2017-01-31 Universitat Autònoma De Barcelona Método y sistema para la clasificación automática de cálculos renales, programa de ordenador y producto de programa de ordenador
FR3074596B1 (fr) * 2017-12-01 2019-12-06 Universite De Reims Champagne Ardenne Procede de caracterisation d'echantillons utilisant des reseaux de neurones
CN108460342B (zh) * 2018-02-05 2021-01-01 西安电子科技大学 基于卷积神经网络和循环神经网络的高光谱图像分类方法
CN110084159B (zh) * 2019-04-15 2021-11-02 西安电子科技大学 基于联合多级空谱信息cnn的高光谱图像分类方法
CN110658174B (zh) * 2019-08-27 2022-05-20 厦门谱识科仪有限公司 基于表面增强拉曼光谱检测的智能化识别方法及系统
KR20230125412A (ko) 2022-02-21 2023-08-29 계명대학교 산학협력단 컴퓨터 단층 촬영 영상의 라디오믹스 파라미터를 이용한 요로결석의 요산석 분류 방법 및 분석장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010019515A2 (en) * 2008-08-10 2010-02-18 Board Of Regents, The University Of Texas System Digital light processing hyperspectral imaging apparatus

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8280496B2 (en) * 2007-12-13 2012-10-02 Boston Scientific Scimed, Inc. Extended spectral sensitivity endoscope system and method of using the same

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010019515A2 (en) * 2008-08-10 2010-02-18 Board Of Regents, The University Of Texas System Digital light processing hyperspectral imaging apparatus

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
BOSKEY A. L. ET AL.: "Infrared spectroscopic characterization of mineralized tissues.", VIB. SPECTROSC., vol. 38, no. 1-2, 2005, pages 107 - 114, XP004978657 *
GOYAL N. K. ET AL.: "A comparative study of artificial neural network analysis and multivariate regression analysis to analyze optimum renal stone fragmentation by extracorporeal shock wave lithotripsy.", SAUDI JOURNAL OF KIDNEY DISEASES AND TRANSPLANTATION, vol. 21, no. 6, 2010, pages 1073 - 1080, XP055137247 *
HAMED AKBARI ET AL.: "Wavelet-based compression and segmentation of hyperspectral images in surgery.", LECTURE NOTES IN COMPUTER SCIENCE, vol. 5128, 2008, pages 142 - 149, XP019101936 *
HAMID A. ET AL.: "Artificial neural networks in predicting optimum renal stone fragmentation by extracorporeal shock wave lithotripsy: a preliminary study.", BRITISH JOURNAL UROLOGY INTERNATIONAL, vol. 91, no. 9, 2003, pages 821 - 824, XP055137245 *
See also references of EP2696191A4 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701812A (zh) * 2016-01-12 2016-06-22 南京工程学院 适用于采棉机器人的视觉识别系统
CN105701812B (zh) * 2016-01-12 2021-09-07 南京工程学院 适用于采棉机器人的视觉识别系统
CN108344701A (zh) * 2018-02-02 2018-07-31 东北电力大学 基于高光谱技术的石蜡等级定性分类与定量回归方法
CN109034274A (zh) * 2018-08-30 2018-12-18 深圳大学 提升高光谱图像分类精度的方法、装置、设备及存储介质
CN109034274B (zh) * 2018-08-30 2021-01-22 深圳大学 提升高光谱图像分类精度的方法、装置、设备及存储介质
CN109470639A (zh) * 2018-11-07 2019-03-15 浙江大学 基于可见光和近红外高光谱成像的桑螟幼虫及其对桑叶损害的快速识别方法

Also Published As

Publication number Publication date
ES2390069A1 (es) 2012-11-06
EP2696191A4 (en) 2014-10-22
EP2696191A1 (en) 2014-02-12
ES2390069B1 (es) 2013-10-30

Similar Documents

Publication Publication Date Title
WO2012136874A1 (es) Procedimiento de caracterización y clasificación de cálculos renales
CN105263398B (zh) 手术成像系统
Rey-Barroso et al. Visible and extended near-infrared multispectral imaging for skin cancer diagnosis
DE69925869T2 (de) Laserabbildungsvorrichtung unter Verwendung biomedizinischer Marker, die sich mit Krebszellen verbinden
Wisotzky et al. Intraoperative hyperspectral determination of human tissue properties
Longato et al. Post-mortem interval estimation of human skeletal remains by micro-computed tomography, mid-infrared microscopic imaging and energy dispersive X-ray mapping
US20080015446A1 (en) Systems and methods for generating fluorescent light images
CN102893137A (zh) 用于癌症检测和定位的快速多光谱成像方法和设备及应用
Fabelo et al. A novel use of hyperspectral images for human brain cancer detection using in-vivo samples
Zoeger et al. Determination of the elemental distribution in human joint bones by SR micro XRF
WO2010080611A2 (en) Apparatus and method for surgical instrument with integral automated tissue classifier
US20200404131A1 (en) Hyperspectral and fluorescence imaging with topology laser scanning in a light deficient environment
US20220330826A1 (en) Noise aware edge enhancement in a pulsed hyperspectral, fluorescence, and laser mapping imaging system
Dochow et al. Etaloning, fluorescence and ambient light suppression by modulated wavelength Raman spectroscopy
WO2020257346A1 (en) Videostroboscopy of vocal cords with a hyperspectral, fluorescence, and laser mapping imaging system
Arnold et al. Hyper-spectral video endoscope for intra-surgery tissue classification using auto-fluorescence and reflectance spectroscopy
Pu et al. Resolving fluorophores by unmixing multispectral fluorescence tomography with independent component analysis
Mandair et al. Potential of Raman spectroscopy for evaluation of bone quality in osteoporosis patients: results of a prospective study
Minet et al. Diagnosis of rheumatoid arthritis using light: correction of motion artefacts and color visualization of multispectral images
WO2015097089A1 (en) Method for marker-free demarcation of tissues
JP4601571B2 (ja) Ｘ線検査装置
Liu et al. Combination of hyperspectral imaging and laser-induced breakdown spectroscopy for biomedical applications
US10048210B2 (en) Spectroscopic analysis method
Guo Chemometrics and statistical analysis in raman spectroscopy-based biological investigations
Arnold et al. Hyper-spectral video endoscopy system for intra-surgery tissue classification

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 12767459

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

REEP Request for entry into the european phase

Ref document number: 2012767459

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2012767459

Country of ref document: EP