124MC Mafm

CENTRO NACIONAL DE INVESTIGACION Y DESARROLLO TECNOLOGICO
cenidet
APLICACION DE TECNICAS DE PROCESAMIENTO DIGITAL DE SEALES PARA LA CARACTERIZACION DE IMAGENES HISTOLOGICAS
QUE PARA OBTENER EL GRADO DE MAESTRO EN CIENCIAS EN INGENIERIA ELECTRONICA P R E S E N T A
MIGUEL ANGEL FLORES MIJANGOS
DIRECTORES DE TESIS:
DR. JOSE TOMAS RAMIREZ NIO M. C. CARLOS RAMIREZ VALENZUELA
CUERNAVACA, MORELOS
Dedicatorias
Al nico digno de recibir toda gloria, honra y honor. Al nico Rey y Seor dador de vida Jesucristo! Gracias Seor porque todo lo que soy y he logrado te lo debo a ti mi Dios.
A mi mam... Por todo el amor y apoyo que me ha brindado en los momentos difciles de mi vida. Porque ha sido la motivacin para emprender nuevos retos. Gracias Mam.
A mis Hermanos... Por el apoyo incondicional que me han brindado desde los momentos de mi infancia Gracias.
Agradecimientos
A ti Seor por que todo lo haces posible A mi Madre: Sra. Esperanza Mijangos Alamilla. Por su amor y consejos que siempre me ha brindado. A mis Hermanos: Mara Guadalupe, Julin de Jess y Sonia Antonieta por ser un ejemplo para seguir adelante A mis cuados: Blanca, Oscar y Paco por el apoyo que me han brindado. A mis sobrinitos: Omar, Caro, Any, Lolita, Sandra, Enrique, Gaby y Oscar. Por los momentos de felicidad compartidos A mis asesores: Jos Toms Ramrez Nio, Carlos Ramrez Valenzuela Por compartir conmigo sus conocimientos y experiencias, por toda su paciencia. A mis Revisores: Marco Antonio Oliver Salazar, Ral Pinto Elas, Victor Hugo Zrate Silva. Por sus acertados comentarios. A mis compaeros y amigos de generacin: Irene Guerrero Mora, Roger Carrillo, Jess Mina Antonio, Ral Jimnez Grajales, Miguel A. Zapata, Omar Castaeda, Ren Osorio, Luis Neri, Javier Martnez Mata, Javier Macedonio Andrs, Anely Peralta, Paty Zavaleta, Iris Daz. Por su amistad y esos momentos de compaerismo A mis Pastores: No San Martn, Maura Ubando por darme la direccin espiritual, por hacerme sentir parte de la familia. Al Sr. Alfredo y Sra. Georgina por el apoyo que siempre me han brindado. A Cenidet por darme la oportunidad de realizar este trabajo. Al personal de Cenidet por su gran amabilidad prestada A la SEP y a CONACyT por darme la oportunidad y el apoyo para llevar a cabo este trabajo de investigacin
A todos ustedes Gracias!
CONTENIDO
Glosario Lista de figuras CAPITULO I INTRODUCCION 1.1 Antecedentes. 1.2 Objetivo del Trabajo Realizado. 1.3 Estado del Arte. 1.4 Metodologa de Trabajo. 1.5 Contenido del Trabajo Realizado. CAPITULO II PLANTEAMIENTO DEL PROBLEMA Motivacin. 2.1 La Prueba PAP. 2.1.1 Significado de los Resultados de la Prueba PAP. 2.2 El Virus de Papiloma Humano (VPH). 2.2.1 Diagnstico. 2.3 Anlisis de Displasias. 2.3.1 Proceso de Diagnstico. 2.3.1.1 Funcionamiento del Sistema 2.3.1.2 Tcnicas de Apoyo para Realizar el Anlisis. CAPITULO III HERRAMIENTAS UTILIZADAS 3.1 Conceptos para el Procesamiento Digital de Imgenes. 3.1.1 Tcnica de la Paleta de Color Look Up Table. 3.1.2 Tcnica de Variaciones Estadsticas. 3.1.3 Tcnica de Transformaciones del Histograma. 3.1.4 Filtrado Espacial. 3.2 Redes Neuronales Artificiales. 3.2.1 Arquitectura Bsica de Redes Neuronales Artificiales. 3.2.1.1 Modelo Combinatorio Lineal Adaptable y el Perceptrn. 25 27 29 31 34 36 37 37 13 14 14 16 17 17 21 23 24 1 4 5 10 11 i iii
3.2.1.2 El Perceptrn. CAPITULO IV DESCRIPCION DEL SISTEMA 4.1 Anlisis del Sistema. 4.1.1 Mdulos Generales del Sistema. 4.2 Especificacin de Requerimientos. 4.2.1 Requerimientos de Hardware y Software. 4.2.2 Restricciones del Sistema. 4.3 Eleccin del Software de Apoyo. 4.4 Digitalizacin de Imgenes. 4.4.1 Caractersticas Requeridas para las Imgenes. 4.4.2 Normalizacin de las Imgenes por brillantez. 4.5 Caracterizacin y Anlisis de Imgenes. 4.5.1 Mtodo de Redes Neuronales Artificiales. 4.5.1.1 El Modelo Final. 4.5.1.2 Modelo Particularizado. 4.5.1.3 Programa para el Entrenamiento. 4.5.1.4 Programa de Identificacin de Zonas. 4.5.2 Concentracin de Ncleos, Citoplasma y halos blancos en Imgenes Histolgicas. 4.5.3 Localizacin de la Lnea Basal y Zona Externa. 4.6 La Interfaz de Usuario. 4.6.1 Especificaciones. 4.6.1.1 La Funcin Procesar. 4.6.1.2 El Men Principal. CAPITULO V EXPERIMENTACION 5.1 Fase de Pruebas. 5.2 Resultados. 5.2.1 La Funcin Abrir. 5.2.2 La Funcin Procesar. 5.2.3 La Funcin Anlisis. 5.2.4 La Funcin Desplegar. 5.2.5 La Funcin Graficar.
39
45 45 50 50 51 51 51 52 54 56 56 56 58 60 61 62 63 68 68 68 69
73 74 74 76 77 80 82
CAPITULO VI CONCLUSIONES 6.1 Introduccin. 6.2 Conclusiones. 6.3 Aportacin del trabajo. 6.4 Trabajos Futuros. REFERENCIAS APENDICE A LISTADO DEL PROGRAMA APENDICE B CONCEPTOS MEDICOS APENDICE C PROCESO DE VISUALIZACION HUMANA 117 111 94 87 87 90 90 92
GLOSARIO DE TERMINOS
Biopsia: Muestra del tejido humano para examinarlo bajo un microscopio y hacer un diagnstico. Cncer: Un grupo de enfermedades en las cuales las clulas anormales crecen descontroladamente, las clulas cancerosas se extienden a travs del cuerpo por medio de la sangre y del sistema linftico. Cncer invasor: El desarrollo descontrolado y anormal de las clulas, resultando en un tumor maligno que puede invadir y destruir los tejidos normales cercanos. Carcinoma: Cncer que comienza en la mucosa o cubierta de los tejidos de un rgano. Carcinoma in situ: Cncer localizado solamente en la capa superior del tejido, sin invadir tejidos profundos. Se considera como un estado precanceroso. Cauterizacin: Una tcnica de tratamiento que usa una sonda (instrumento pequeo) elctrica para destruir las clulas anormales. Clulas: Estructuras sumamente pequeas o unidades bsicas de todos los rganos del cuerpo. Cuello del tero, o de la matriz: Seccin estrecha en el extremo ms bajo del tero que se proyecta hacia la vagina. Conizacin: Extraer, por medio de una operacin, tejido en forma de cono, del cuello del tero y el canal cervical. La conizacin se hace para diagnosticar o tratar una enfermedad en el cuello del tero. Criociruga: Tratamiento que se lleva a cabo con una sonda que congela y destruye los tejidos anormales cercanos. Displasia: Presencia de clulas anormales. Hay tres clasificaciones para la displasia: Leve, moderada y grave. Examen ginecolgico: Examen mdico que normalmente incluye un examen de, vagina, ovarios, trompas de Falopio, vejiga y recto. Tambin incluye un examen mdico de los senos.
Glosario
Gineclogo: Mdico que se especializa en las enfermedades de la mujer, especialmente de los rganos reproductivos. Histerectoma: Extirpar por medio de una operacin el tero (matriz) y el cuello del tero. In situ: Frase latina que significa en el mismo sitio. Menopausia: La etapa de la vida de una mujer en la que cesan naturalmente sus periodos de menstruacin de manera permanente, usualmente ocurre entre los 45 o 50 aos de edad. Tambin se le conoce como el cambio de vida. NIC: Neoplasia Intraepitelial Cervical. Plvico: Esta palabra se relaciona con la pelvis, la regin del cuerpo entre los huesos plvicos. Los rganos de la regin plvica incluyen el tero, la vagina, los ovarios, las trompas de Falopio, la vejiga y el recto.
ii
LISTA DE FIGURAS Y TABLAS

CAPITULO I Figura 1.1 Figura 1.2 Figura 1.3 Figura 1.4 El procesamiento digital de imgenes en la medicina moderna. El procesamiento digital de imgenes en la medicina moderna. Ejemplos de imgenes obtenidas de estudios realizados de RM y TAC. Ejemplos de aplicaciones del procesamiento digital de imgenes en la medicina moderna (Microscopa) a) imagen de una endoscopa b) imagen histolgica de la regin epitelial de un tejido c) imagen de una amiba. CYMET diseado para eliminar tareas laboriosas al realizar la pueba PAP. El equipo CARS est basado en un microscopio acoplado a una estacin de trabajo de citlogos.
Figura 1.5 Figura1.6
CAPITULO II Figura 2.1 Figura 2.2 Figura 2.3 Figura 2.4 Figura 2.5 Figura 2.6 Figura 2.7 Figura 2.8 Imagen de una muestra de un examen de Papanicolaou. Distribucin de las clulas en las tres capas epiteliales Representacin de los tercios que definen las tres capas en una imagen histolgica. Ejemplo de una biopsia con resultado negativo o normal. Ejemplo de displasia leve. Ejemplo de Displasia leve y displasia moderada. Ejemplo de displasia severa. Ejemplo de carcinoma in situ y displasia grave.
Lista de Figuras y Tablas
Figura 2.9
Ejemplo de carcinoma invasor.
Figura 2.10 Localizacin del tejido cilndrico y del epitelio plano estratificado. Figura 2.11 Ilustracin del sentido de anlisis de displasias. CAPITULO III Figura 3.1 Representacin grfica de los componentes de color de una imagen. Para denotar Rojo, Verde y Azul se utilizan los trminos R, G y B (por sus siglas en ingls) respectivamente. Identificacin de ncleos, citoplasma y halos blancos como caractersticas especficas de una imagen histolgica. Imagen histolgica en la que se requiere identificar la forma de la regin basal. Tcnica de Procesamiento de intensidad o color Look Up Table. Ejemplo de la aplicacin de la tcnica de procesamiento de color a una imagen histolgica. Curva estadstica utilizada para la identificacin de objetos en una imagen. Ejemplo de la identificacin de objetos (ncleos) por la tcnica de variaciones estadsticas. Tcnica de Transformaciones basadas en Histograma. Ejemplo de una imagen histolgica oscura.
Figura 3.2 Figura 3.3 Figura 3.4 Figura 3.5 Figura 3.6 Figura 3.7 Figura 3.8 Figura 3.9
Figura 3.10 Ejemplo de una imagen histolgica clara. Figura 3.11 Histograma correspondiente a la imagen oscura. Figura 3.12 Histograma correspondiente a la imagen clara. Figura 3.13 Una mscara de 3 x 3 con coeficientes arbitrarios (pesos). Figura 3.14 Vecindad 3x3 alrededor de un punto (x,y) en una imagen. Figura 3.15 Filtro Sobel para deteccin de bordes verticales utilizado para la deteccin de la lnea basal y la lnea externa en una imagen histolgica. iv
Figura 3.16 Ejemplo de la aplicacin de la mscara de Sobel a una imagen histolgica para detectar la lnea basal y lnea externa. Figura 3.17 Modelo ALC. Figura 3.18 Modelo del Perceptrn. Figura 3.19 Funcin Escaln Unitario. Figura 3.20 En esta imagen histolgica se muestran los ncleos, los citoplasmas y los halos blancos que identifica la red neuronal. Figura 3.21 Ejemplo de la identificacin de ncleos, citoplasma y halos blancos en una imagen histolgica aplicando redes neuronales artificiales. CAPITULO IV Figura 4.1 Figura 4.2 Figura 4.3 Figura 4.4 Figura 4.5 Figura 4.6 Figura 4.7 Figura 4.8 Figura 4.9 Arquitectura General del sistema. Proceso de adquisicin de las imgenes. Normalizacin de imgenes. Caracterizacin de las imgenes. Clculo de concentracin de ncleos y citoplasma. Localizacin de la lnea basal y lnea externa. Graficacin de la relacin ncleos/citoplasma. Imgenes histolgicas con mayor concentracin de ncleos y halos blancos en la regin de anlisis. Imgenes histolgicas con presencia del VPH.
Figura 4.10 Imgenes histolgicas con presencia del VPH de clulas vivas en el segundo tercio de la regin de anlisis. Figura 4.11 Imgenes histolgicas con presencia del VPH. Figura 4.12 Identificacin de las tres secciones de anlisis separadas por ncleos, citoplasma epitelial citoplasma subepitelial y halos blancos.
Figura 4.13 Muestra de un ncleo de una imagen histolgica en condiciones normales. Figura 4.14 Muestra del Citoplasma, a) epitelial b) subepitelial, de una imagen histolgica en condiciones normales. Figura 4.15 Muestra de un halo blanco de una imagen histolgica en condiciones normales. Figura 4.16 Red Neuronal utilizada para hacer el reconocimiento de ncleos, citoplasma y halos blancos. Figura 4.17 Caracterizacin de ncleos, citoplasmas y halos blancos. a) imagen original b) Imagen procesada. Figura 4.18 Caracterizacin de ncleos, citoplasmas y halos blancos. a) imagen original b) Imagen procesada. Figura 4.19 Caracterizacin de ncleos, citoplasmas y halos blancos. a) imagen original b) Imagen procesada. Figura 4.20 Imagen en la que se ha seleccionado un rea especfica para realizar el anlisis. Figura 4.21 Deteccin de la lnea externa y la lnea basal original b) En la imagen caracterizada. a) En la imagen
Figura 4.22 Mscara de Sobel para la deteccin de bordes verticales. Figura 4.23 Empleo de la mscara de Sobel. a) Imagen original resultante. Figura 4.24 Empleo de la mscara de Sobel. a) Imagen original resultante. Figura 4.25 Empleo de la mscara de Sobel. a) Imagen original resultante. b) Imagen b) Imagen b) Imagen
Figura 4.26 Deteccin de la lnea basal y externa a) en la imagen original b) en la imagen caracterizada. Figura 4.27 Deteccin de la lnea basal y externa a) en la imagen original b) en la imagen caracterizada. Figura 4.28 Deteccin de la lnea basal y externa a) en la imagen original b) en la imagen caracterizada.
vi
Figura 4.29 Imgenes con la regin de anlisis acotada por la lnea basal y externa. Figura 4.30 Grfica de la relacin N/C en un punto seleccionado previamente en la imagen que se analiza. Figura 4.31 La Funcin Procesar. Figura 4.32 La Funcin Archivo. Figura 4.33 La Funcin Edicin. Figura 4.34 La Funcin Imagen. Figura 4.35 Interfaz de usuario en la que se muestra el men principal. Figura 4.36 Interfaz de usuario en la que se muestra la grfica de la relacin N/C con las tres zonas en la regin de anlisis. CAPITULO V Figura 5.1 Figura 5.2 Figura 5.3 Figura 5.4 Figura 5.5 Figura 5.6 Figura 5.7 Figura 5.8 Figura 5.9 Normalizacin de una imagen a) Imagen Original Normalizada. Normalizacin de una imagen a) Imagen Original Normalizada. Normalizacin de una imagen Normalizada. Normalizacin Normalizada. de imgenes a) b) Imagen b) Imagen
a) Imagen Original b) Imagen Imagen Original b) Imagen
a) Imagen Normalizada b) Imagen Caracterizada. a) Imagen Normalizada b) Imagen Caracterizada. a) Imagen Normalizada b) Imagen Caracterizada. a) Imagen Normalizada b) Imagen Caracterizada. Seleccin de una regin de anlisis sobre la imagen original bajo estudio.
Figura 5.10 Seleccin de una regin de anlisis sobre la imagen original bajo estudio. vii
Figura 5.11 Seleccin de una regin de anlisis sobre la imagen original bajo estudio. Figura 5.12 Seleccin de una regin de anlisis sobre la imagen original bajo estudio. Figura 5.13 Imagen de un tejido normal a) Regin de anlisis esperada b) Regin de anlisis obtenida. Figura 5.14 Displasia con la regin de anlisis a) esperada b) obtenida. Figura 5.15 Displasia con la regin de anlisis a) esperada b) obtenida. Figura 5.16 Displasia con la regin de anlisis a) esperada b) obtenida. Figura 5.17 Displasia con la regin de anlisis a) esperada b) obtenida. Figura 4.18 Comportamiento exponencial de la relacin N/C para un tejido normal. Figura 5.19 Grfica N/C de la imagen bajo estudio en la coordenada indicada. Figura 5.20 Grfica N/C de la imagen bajo estudio en la coordenada indicada. Figura 5.21 Grfica N/C de la imagen bajo estudio en la coordenada indicada. Figura 5.22 Grfica N/C de la imagen bajo estudio en la coordenada indicada. CAPITULO VI Figura 6.1 Figura 6.2 Relacin ncleos/citoplasma de una imagen de un tejido normal. Comparacin de la relacin ncleos/citoplasma medida contra la esperada de una imagen de tejido normal.
APENDICE B Figura B.1 Figura B.2 Localizacin del cuello del tero. Obtencin de la muestra que se usar en la prueba PAP.
APENDICE C
viii
Figura C.1 Figura C.2 TABLAS
Diagrama simplificado de una seccin transversal del ojo humano. Diagrama del sistema de interpretacin de imgenes.
TABLA 2.1 Nivel de ayuda de la herramienta desarrollada para el anlisis de las imgenes histolgicas. TABLA 2.2 Tcnicas de procesamiento digital de seales utilizadas por el sistema desarrollado. TABLA 4.1 Lmites inferior y superior para cada color de la figura 4.12. TABLA 4.2 Intervalos de valores de R, G y B para cada sub-imagen.
ix
C
1.1 ANTECEDENTES
APITULO
INTRODUCCION
Se estima que aproximadamente las tres cuartas partes de la informacin que maneja un ser humano es visual [3], de ah el inters por dotar a las mquinas del sentido de la vista mediante su reproduccin artificial, ste es un objetivo muy ambicioso y complejo que se encuentra actualmente en desarrollo [2].
Desde los inicios de la fotografa1, ha existido un gran inters por reproducir, mejorar y conservar las imgenes con la mejor calidad posible, originndose con ello el tratamiento de imgenes. Uno de los problemas del tratamiento de las imgenes fue el mejoramiento de fotografas digitalizadas de peridicos, enviadas por cable submarino entre las ciudades de Londres y Nueva York a principios de la dcada del siglo XX, cuando un equipo especializado de impresin codificaba las imgenes para su transmisin por cable, las cuales eran reconstruidas en el extremo de recepcin [2]. Las mejoras en los mtodos de procesamiento de las imgenes digitales2 transmitidas, continuaron durante los siguientes treinta y cinco aos. Sin embargo, fue hasta el advenimiento combinado de las computadoras digitales de gran potencia y del programa espacial norteamericano de los 60s (imgenes de la luna fueron transmitidas por el Ranger 7) y otras misiones, cuando se puso de manifiesto el potencial de los conceptos del tratamiento digital de imgenes (TDI) [2].
El francs Niepce fue el primero que realiz fotografas (1826), y a partir de ah se sucedieron ininterrumpidamente los dems perfeccionamientos tcnicos (empleo de las sales de plata, introduccin de la pelcula de celuloide, tcnicas del color, cmaras instantneas, reproduccin electrnica de la imagen, etc.). 2 Entindase como imagen digital una imagen que se ha discretizado tanto en sus coordenadas espaciales como en el brillo. Una imagen digital puede considerarse como una matriz cuyos ndices de fila y columna identifican un punto de la imagen, donde el valor del elemento de la matriz (pxel) indica el nivel de gris en ese punto [2].
I Introduccin
Adems de las aplicaciones al programa espacial, las tcnicas de procesamiento digital de imgenes (PDI) se emplean actualmente para resolver problemas en diversas reas, tales como [2]: o o o o o La medicina. La geografa. La arqueologa. La fsica y campos afines. Otras reas como son la biologa, la astronoma, la medicina nuclear, aplicaciones industriales, investigaciones judiciales, defensa, etc.
Aunque a veces estos problemas parecen inconexos, stos requieren normalmente mtodos capaces de realzar la informacin de las imgenes para su interpretacin y anlisis humano. Con el paso del tiempo, surgi un segundo campo de aplicacin de las tcnicas del PDI. El inters se centra en los procedimientos para extraer informacin de la imagen de manera apropiada que permita lograr su interpretacin. Esta informacin, pocas veces, tiene algo en comn con los rasgos visuales que los seres humanos emplean para comprender el contenido de una imagen. Algunos de esos problemas tpicos de la percepcin automatizada son [3]: o El ensamblado e inspeccin de productos industriales. o El tratamiento automtico de huellas digitales. o El procesamiento automtico de imgenes areas y de satlites para la prediccin del tiempo y la evolucin de cultivos. o La identificacin de personas. o Los reconocimientos militares. o La deteccin de tumores. o El control de robots mviles por medios visuales. De esta manera, el inters por los mtodos de tratamiento digital de imgenes se deriva de dos reas de aplicacin principales [2]: a) La mejora de la informacin pictrica para la interpretacin humana. b) El procesamiento y la extraccin de los datos de una escena para la percepcin autnoma por una mquina. Los seres humanos tenemos la habilidad de realizar el proceso de reconocimiento de cualquier objeto sujeto a cambios en apariencia, tamao, posicin, etc., o an con limitaciones ms grandes como es el tener objetos que presenten informacin incompleta y/o difusa. Sin embargo, a pesar de que el sistema de visin humano presenta las caractersticas de ser flexible y adaptable no es totalmente completo; ya que, bajo algunas condiciones no presenta la misma calidad de reconocimiento, un ejemplo burdo de ello es el intentar leer un texto rotado 180 grados, lectura difcil y lenta, pero no imposible [1].
Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas
I Introduccin
Las tcnicas que se han desarrollado emplean por un lado teoras de sicologa visual humana y por el otro, modelos de los dispositivos fsicos de adquisicin y representacin de imgenes [4]. El objetivo principal de la visin por computadora es precisamente tratar de comprender y aproximar las complejas tareas realizadas por el cerebro, a travs de una gran cantidad de operaciones simultneas o en paralelo a grandes velocidades (en comparacin a cualquier computadora moderna) en aplicaciones reales. Cuando se habla de aplicaciones reales, se hace referencia a imgenes tomadas en escenarios reales con los problemas que stos conllevan, tales como cambios de intensidad luminosa, brillos, oscurecimientos inesperados, polvo, variacin de escala, rotacin del objeto a identificar y traslaciones [4], traslapes, vistas parciales, etc. Problemas que se han intentado solucionar de diversas maneras, pero que siguen siendo problemas abiertos ya que no hay soluciones generales para stos. Luego entonces, dada una imagen, el objetivo es obtener una posible interpretacin para lo cual se requiere identificar o reconocer correctamente los objetos que la forman. Para poder realizar este proceso de interpretacin de la imagen, generalmente se tiene un conocimiento a priori de los objetos buscados (proceso supervisado); esto es, el reconocimiento se realiza a travs de un conjunto de caractersticas del objeto, conocidas de antemano, que lo describen de manera que no sea posible confundirlo con los dems objetos de un universo dado. El proceso automtico de reconocimiento de patrones se utiliza actualmente en una gran diversidad de reas. El tipo de objetos a reconocer se puede agrupar en tres clases de objetos principalmente: Los rgidos o fijos, los articulados y los alfa flexibles. Los objetos rgidos son aquellos en los cuales no es importante su posicin o tamao; ya que sus caractersticas siempre presentan las mismas relaciones geomtricas. Los objetos articulados son aquellos que pueden presentar algunos cambios; sin embargo, estos cambios son conocidos totalmente y por tanto es posible obtener todava un patrn. Los objetos alfa flexibles son aquellos que cuentan con la capacidad de transformacin, una caracterstica muy importante, por lo que se puede obtener una gran cantidad de instancias del mismo objeto que lo describiran de diversas maneras, haciendo difcil poder obtener una descripcin nica o un patrn
I Introduccin
estndar necesario para el proceso de reconocimiento. Debe entenderse por patrn a la representacin de alguna cosa u objeto que se desea localizar [1]. El campo del reconocimiento automtico de objetos rgidos fue el primero en tratarse, existiendo un mayor nmero de aplicaciones, por ejemplo el reconocimiento de caracteres en placas de automviles, en Mxico las letras y dgitos tienen un tamao y patrn estndar [4], el reconocimiento de envases de refresco u otras bebidas [3], el reconocimiento de ciertos modelos de automviles, etc. Puesto que el objeto a reconocer presenta un patrn fijo, el reconocimiento de stos es an un problema que, en algunos casos especficos, no es posible resolver todava; por ejemplo, si se desea identificar automticamente a dos poliedros sobrepuestos a partir de una imagen 2D. En el reconocimiento automtico de objetos articulados se encuentran problemas como por ejemplo el desplazamiento de un robot autnomo en un ambiente estructurado, buscando evolucionar a un ambiente no estructurado, donde las trayectorias deben ser calculadas en tiempo real para ambientes de trabajo desconocidos. Otro ejemplo es el reconocimiento de caracteres sin un formato fijo [1]. En el reconocimiento automtico de objetos alfa flexibles la problemtica se acenta an ms, ya que adems de los problemas presentes en todo sistema de reconocimiento se presenta otro, la capacidad de transformacin de dicho objeto. En el campo de la medicina, existen diversos problemas en donde la tecnologa moderna puede aportar innumerables soluciones, mediante el tratamiento de las imgenes que se obtienen. La mayora de las tcnicas de diagnstico estn basadas en la observacin y en la experiencia de especialistas que saben reconocer las diferentes caractersticas de los padecimientos y en base a esto toman decisiones respecto a los tratamientos a seguir y estiman la evolucin de la enfermedad.
1.2 OBJETIVO DEL TRABAJO REALIZADO El objetivo principal de este trabajo est relacionado con el procesamiento de imgenes histolgicas de microscopa ptica de biopsias cervicales. Se pretende: Desarrollar un proceso matemtico para el tratamiento de imgenes histolgicas de microscopa ptica y la programacin requerida para distinguir, de manera cuantitativa, entre imgenes con caractersticas normales (sin alteraciones celulares) y con diferentes grados de malignidad, 4
I Introduccin
de acuerdo con el procedimiento de evaluacin empleado por los mdicos especialistas. Obtener una herramienta til que permita medir la relacin ncleo/citoplasma (N/C) existente dentro de capas de tejidos cervicales. Realizar un estimado de la confiabilidad y seguridad del mtodo de procesamiento digital propuesto para imgenes de microscopa.
La herramienta computacional desarrollada deber entregar resultados con caractersticas cuantitativas tiles al especialista para la elaboracin de un diagnstico con mayor certidumbre. 1.3 ESTADO DEL ARTE En el campo de la medicina se han logrado varios avances gracias a los procesos de tratamiento de imgenes. Estas proporcionan informacin de inters para emitir diagnsticos ms precisos por parte de los especialistas (Ver Fig. 1.1 y Fig. 1.2).
a)
b)
Fig. 1.1 Procesamiento digital de imgenes en la medicina moderna.
En la figura 1.1 se ilustran un par de equipos para diagnosticar un examen de ultrasonido, los cuales facilitan el procedimiento de anlisis para los especialistas.
I Introduccin
a)
b)
Fig. 1.2 Procesamiento digital de imgenes en la medicina moderna.
En la Fig. 1.2 se muestran un par de equipos para realizar exploraciones de ultrasonido en la medicina moderna. En el campo de la medicina nuclear tambin ha habido grandes adelantos en el anlisis computarizado de padecimiento de cncer. Tal es el caso de los equipos de Resonancia Magntica (RM) y Tomografa axial computarizada (TAC), algunas imgenes obtenidas por estos estudios se ilustran en la Fig. 1.3.
a)
b)
Fig. 1.3 Ejemplos de imgenes obtenidas de estudios realizados de RM y TAC.
En la Fig. 1.3 se muestran imgenes obtenidas de los estudios de Resonancia Magntica y de Tomografa Axial Computarizada respectivamente.
I Introduccin
Los avances tecnolgicos tambin han permitido analizar imgenes microscpicas como es el caso de las imgenes patolgicas, citolgicas y de endoscopa. La figura 1.4a) muestra la imagen de un estudio de endoscopa para observar las condiciones de los rganos, la figura 1.4 b) ilustra una muestra del tejido en la regin epitelial de la piel, la figura 1.4 c) muestra la imagen obtenida de una amiba.
a) ENDOSCOPIA
b) HISTOLOGICAS
c) PATOLOGICAS
Fig. 1.4 Ejemplos de aplicaciones del procesamiento digital de imgenes en la medicina de Microscopa a) imagen de una endoscopa b) imagen histolgica de la regin epitelial de un tejido c) imagen de una amiba.
Debido al padecimiento del cncer crvico uterino han surgido adelantos tecnolgicos para su estudio y anlisis.
I Introduccin
El diagnstico de cncer cervical se basa en el anlisis de muestras citolgicas para la identificacin de clulas anormales. La prctica actual se basa en la inspeccin manual de cada una de las muestras mediante un microscopio. Mediante esta inspeccin los especialistas diferencian las clulas anormales o enfermas de las clulas sanas basndose en el tamao, forma y detalles estructurales de las clulas y sus ncleos [5]. La inspeccin automtica se encuentra con varios retos [5]:
La adquisicin de datos debe ser extremadamente rpida. La resolucin necesaria para identificar las clulas debe ser de una micra (10-6 m). Una muestra tiene un tamao tpico 2cm x 2cm, lo que supone unos 400,000,000 puntos. Dado que la imagen se codifica usando tres colores, el espacio requerido para su almacenamiento total es de 1.2 Gbytes.
El almacenamiento de las imgenes es otro importante problema. Los laboratorios obtienen diariamente cientos de muestras. (Slo en Dinamarca se realizan 650,000 estudios anuales, lo que supone un total de 780 Terabytes). Es por tanto esencial proporcionar una compresin de datos [5]. El alto nmero de puntos en cada imagen implica que el procesamiento de las imgenes requiere disponer de un sistema de clculo intensivo. La computacin paralela se presenta como el medio ms efectivo para proporcionar esta potencia de clculo [5]. Ya se ha desarrollado un equipo denominado AUTOSCREEN cuyos objetivos son [5]: Demostrar la viabilidad del anlisis automatizado de especimenes citolgicos mediante tcnicas de visin por computadora, especficamente en el estudio del cncer cervical mediante muestras basadas en el mtodo de Papanicolau. Mostrar que el uso masivo de un sistema como AUTOSCREEN redundar en una reduccin de costes en la industria mdica adems de proporcionar un mejor servicio al ciudadano. Mostrar que la tecnologa AUTOSCREEN es extensible a muchas otras aplicaciones de diagnstico basado en anlisis citolgico. Proporcionar un medio eficiente para el almacenamiento de grandes cantidades de muestras de datos.
Existen algunos equipos empleados para la realizar el examen de deteccin del cncer crvico uterino, tal como es el caso del CYMET (ver Fig. 1.5) utilizado para observar de manera automtica la prueba.
I Introduccin
Fig. 1.5 CYMET diseado para eliminar tareas laboriosas al realizar la prueba PAP.
El equipo CARS (ver Fig. 1.6) consiste en un microscopio acoplado a una estacin de trabajo de citlogos.
Fig. 1.6 El equipo CARS est basado en un microscopio acoplado a una estacin de trabajo de citlogos.
Tambin existen asociaciones con el propsito de luchar contra la mortalidad por el padecimiento del cncer cervical, tal es el caso de la AEPCC [6]. La AEPCC es una asociacin cientfica, no lucrativa, constituida en el ao 1987. Es miembro de la International Federation of Cervical Pathology and Colposcopy (IFCPC) [6]. Tiene como objetivo promover el conocimiento y la investigacin del tracto genital inferior de la mujer, mediante el uso de la colposcopia y de todas aquellas tcnicas, que como la epidemiologa, citologa, patologa, investigacin bsica o ciruga, puedan ser tiles para conocer las causas, prevencin, diagnstico y
I Introduccin
tratamiento de las enfermedades que afectan a la vulva, vagina y cuello del tero. Para conseguir sus objetivos la AEPCC fomenta, promueve y promociona seminarios, publicaciones, cursos de formacin continua, simposiums, y organiza un congreso anual [6]. 1.4 METODOLOGIA DE TRABAJO En un principio se hizo la revisin del estado del arte referente al procesamiento digital de imgenes mdicas analizando cada una de las referencias encontradas al respecto, especialmente los temas relacionados con el tratamiento de imgenes histolgicas. Posteriormente se hizo la eleccin del lenguaje de programacin utilizado como software para realizar el procesamiento digital de las imgenes histolgicas. Se obtuvieron fotografas de muestras de biopsias cervicales tomadas por una cmara acoplada a un microscopio de laboratorio de anlisis de displasias. Posteriormente se realiz la digitalizacin de estas fotografas para realizar este trabajo de tesis. Se desarroll un algoritmo para la deteccin de la concentracin de clulas anormales en un campo de la muestra tomada para detectar la posible presencia de cncer crvicouterino. Se definieron las caractersticas sobresalientes de las imgenes histolgicas que las distinguen de las dems. Posteriormente se realiz la adquisicin de las imgenes seleccionadas. Posteriormente se definieron las caractersticas a considerar para realizar el anlisis. Enseguida se realiz el desarrollo de la programacin. Se utilizaron diferentes tcnicas de procesamiento digital de imgenes hasta elegir la tcnica que proporcion la mayor aproximacin a los resultados deseados. Se prosigui con el proceso de caracterizacin y anlisis de diferentes imgenes, despus de realizar esto se comenz con el diseo de la interfaz de usuario procurando obtener la ms interactiva, considerndose que el mal empleo de la herramienta no genere alteraciones en su funcionamiento. Finalmente se realizaron las pruebas de la herramienta desarrollada con diferentes imgenes, y se hicieron las correcciones necesarias hasta garantizar su confiabilidad con respecto a los resultados esperados.
10
I Introduccin
1.5 CONTENIDO DEL TRABAJO REALIZADO El captulo 1 de este trabajo presenta una perspectiva del procesamiento de imgenes planteando los antecedentes relacionados con este tema, como son los orgenes del procesamiento de imgenes a principios del siglo XX, las aplicaciones iniciales de ste y las aplicaciones ms recientes, como son aplicaciones industriales, didcticas, mdicas, etc. Se hace mencin del objetivo particular por el que se desarroll este trabajo. Se menciona el estado del arte para tener referencias sobre los trabajos relacionados con el tema que se desarroll en este trabajo. Posteriormente se hace una descripcin de la metodologa desarrollada en la elaboracin de este trabajo. En el captulo 2 se presenta el planteamiento del problema que motiv la realizacin de este trabajo, se comienza explicando los resultados de la prueba PAP (Prueba Papanicolaou) utilizada para la deteccin del cncer crvico uterino. Tambin se explica la influencia del virus del papiloma humano (VPH) en el padecimiento de este cncer y su diagnstico. Finalmente se explica la tcnica de anlisis de displasias y el mtodo utilizado para realizar este anlisis; se mencionan las tcnicas utilizadas para el desarrollo del trabajo y una explicacin de la operacin del sistema. En el captulo 3 se presentan las tcnicas de procesamiento digital de imgenes utilizadas en este trabajo. Se comienza con la definicin de los conceptos de imagen digital y de color y los componentes bsicos de ste. Posteriormente se explica cada una de las tcnicas de procesamiento digital de imgenes utilizadas en este trabajo a saber la tcnica de variaciones estadsticas, la tcnica de anlisis del histograma, la tcnica de filtrado digital y finalmente el empleo de redes neuronales. Tambin se dan ejemplos de la aplicacin de cada una de estas tcnicas a las imgenes histolgicas utilizadas en este trabajo. El captulo 4 consiste en la explicacin detallada de la realizacin del trabajo de tesis. Se presenta el anlisis y diseo del sistema. Se menciona cmo se realiz la adquisicin de las imgenes (la resolucin y las dimensiones), la seleccin de stas de acuerdo con ciertas caractersticas que deben cumplirse. Se presenta el procedimiento empleado para la programacin del sistema computacional. Se presentan las pruebas y correcciones realizadas hasta conseguir el procedimiento que genera el mnimo error con respecto a los dems procedimientos empleados. Tambin se hace mencin acerca del diseo de la interfaz de usuario y los cambios realizados durante el proceso de la programacin, hasta conseguir la presentacin final. En el captulo 5 se presenta la experimentacin del sistema realizada con diferentes imgenes y se realiza el anlisis de los resultados obtenidos. Finalmente en el captulo 6 se presentan las conclusiones, aportacin, el alcance obtenido, aplicaciones y trabajos futuros del sistema desarrollado.
11
I Introduccin
El Apndice A contiene el listado del programa del sistema, en el apndice B se explican los conceptos mdicos bsicos acerca del padecimiento del cncer crvico uterino, en el Apndice C se presenta una breve introduccin de cmo se lleva acabo el proceso de visualizacin en el ojo humano y los esfuerzos de la ciencia para conseguir un proceso similar y las aplicaciones que se pueden realizar.
12
C
MOTIVACIN
APITULO
II
PLANTEAMIENTO DEL PROBLEMA
Actualmente la primera causa de muerte en mujeres en nuestro pas [7], se debe al padecimiento del cncer crvico-uterino [7]. Para su diagnstico se realizan algunos anlisis como es el caso de la prueba llamada Papanicolaou que consiste en la obtencin de clulas del paciente, su tincin con colorantes especiales y su anlisis microscpico; otra tcnica de anlisis es mediante la realizacin de un estudio histolgico de muestras de tejido (Displasias) tomadas del paciente mediante la realizacin de una biopsia en la regin cervical para su posterior anlisis microscpico. En el estudio del padecimiento del cncer crvico-uterino se necesita obtener toda la informacin posible de las muestras del tejido cervical que permita emitir un diagnstico con mayor certidumbre. Para obtener esta informacin se efecta un estudio histolgico de las muestras de la regin cervical. ste consiste en realizar una inspeccin en la muestra para detectar la presencia de clulas anormales o la presencia del virus del papiloma humano (VPH), que es el principal causante del padecimiento del cncer crvico-uterino. Sin embargo, esta inspeccin la realiza el mdico de manera visual bajo microscopio y el diagnstico depende principalmente de su experiencia, lo que provoca que en algunos casos se emita un diagnstico errneo. Para mejorar el proceso de diagnstico se requiere de una herramienta que permita obtener informacin cuantificable y as incrementar su certidumbre. En este captulo se comienza con la definicin de la prueba PAP y los resultados que se pueden obtener al realizarse esta prueba. Tambin se define el cncer crvico-uterino y se dan datos acerca de su padecimiento. Posteriormente se define el virus del papiloma humano como el principal causante del padecimiento del cncer cervical y la manera en que se realiza el diagnstico. Enseguida se explica el anlisis de displasias, as como el proceso que realiza el especialista para la obtencin del diagnstico. A continuacin se presenta el funcionamiento del sistema, las tcnicas empleadas, se explica la manera de operar el sistema.
II Planteamiento del Problema
2.1 LA PRUEBA PAP La prueba PAP, o Prueba Papanicolaou, es uno de los mtodos ms eficaces para detectar tempranamente el cncer del cuello del tero (CCU) o cuello de la matriz. Mediante la prueba PAP es posible ver con un microscopio si hay clulas anormales antes que la mujer tenga algn sntoma. Estos cambios de las clulas a veces se convierten en CCU. La Fig. 2.1 muestra una imagen correspondiente a la prueba Papanicolaou.
Fig. 2.1 Imagen de una muestra de un examen de Papanicolaou.
2.1.1 SIGNIFICADO DE LOS RESULTADOS DE LA PRUEBA PAP Existen varias maneras de reportar los resultados de la prueba PAP. Las siguientes son las 5 clasificaciones ms comunes [8]: Clase 1 NEGATIVO o NORMAL Cuando las clulas son normales y no ha habido cambios en ellas.
14
Clase 2 IRREGULAR o ANORMAL Cuando las clulas comienzan a ser anormales. Una prueba anormal se debe muchas veces al inicio de una inflamacin del cuello del tero. Por lo general no se indica ningn tratamiento porque muchas de estas clulas anormales vuelven a ser normales (Clase 1) sin tratamiento mdico. El mdico podr hacer una biopsia para confirmar los resultados de la prueba PAP. Clase 3 SOSPECHOSO o DISPLASIA Cuando las clulas han cambiado de tal modo que es necesario continuar investigando para determinar el grado de cambio normal. Es necesario tener en cuenta lo siguiente: La displasia no es cncer. La evolucin de la displasia es imprevisible a veces mejora sin tratamiento mdico, otras veces se mantiene o empeora. Las mujeres entre 25 y 35 aos de edad corren un riesgo mayor de tener esta enfermedad. Hay tres tipos de displasia: Displasia Leve (NIC 1): Cuando hay clulas anormales en la superficie del cuello del tero, lo que puede indicar que hay una inflamacin. Por lo general se requiere que se repita la prueba PAP cada tres o seis meses. Displasia moderada (NIC 2). Cuando hay una mayor concentracin de clulas anormales en la superficie del cuello del tero. El tratamiento indicado suele ser el congelamiento de las clulas anormales o la terapia con rayos lser. Se deber hacer nuevas pruebas PAP despus de estos tratamientos. Displasia grave (NIC 3): Cuando ocurren serios cambios en las clulas de la superficie del cuello del tero. El tratamiento indicado suele ser la conizacin o biopsia de cono u otros mtodos de tratamiento.
15
Clases 4 y 5 PROBABILIDAD DE CARCINOMA IN SITU o CANCER INVASOR Las clases 4 y 5 corresponden a un resultado positivo de la prueba PAP, lo que indica la probabilidad de un carcinoma in situ o un cncer invasor. Slo mediante una biopsia (o sea, muestra del tejido para analizarlo en el laboratorio) se puede determinar qu tipo de clulas hay en el tejido. Tanto el carcinoma in situ como el cncer invasor requerirn un tratamiento. El carcinoma in situ es un cncer que por lo general est limitado a la capa superior de las clulas en la regin cervical. El cncer invasor es un cncer ms profundo que se ha extendido a tejidos u rganos cercanos. La prueba PAP puede ayudar al mdico a hacer un diagnstico del CCU. Pero para estar seguro que en efecto hay cncer, hay que hacer una biopsia. 2.2 EL VIRUS DEL PAPILOMA HUMANO (VPH) El virus del papiloma humano (VPH) es el causante de la infeccin de transmisin sexual. Es tambin el principal causante de un 70% de los casos del cncer del cuello del tero, que es el tumor maligno de mayor frecuencia en las mujeres [8]. Otros trminos que a veces se utilizan para describir estas clulas anormales son neoplasia intraepitelial cervical (NIC) y displasia [9]. Las lesiones intraepiteliales escamosas de bajo grado (displasias leves) son una condicin comn, especialmente en las mujeres jvenes. La mayora de las lesiones intraepiteliales escamosas de bajo grado vuelven a la normalidad pasado unos meses o unos pocos aos. A veces, las lesiones intraepiteliales escamosas de bajo grado pueden convertirse en lesiones intraepiteliales escamosas de alto grado. Las lesiones intraepiteliales escamosas de alto grado no son cncer, pero eventualmente pueden convertirse en cncer y deben ser tratadas por un mdico [8]. El nmero de infecciones por el VPH y su duracin son un factor de riesgo para el posterior desarrollo de cncer.
16
2.2.1 DIAGNOSTICO Las clulas cervicales anormales pueden detectarse mediante la citologa vaginal (prueba de Papanicolaou o PAP). El riesgo de desarrollar cncer del cuello del tero en las mujeres mayores de edad tambin continua existiendo en la actualidad [10]. Las mujeres de 65 aos de edad y mayores representan casi un 25 % de todos los casos de cncer del cuello del tero y un 41 % de las muertes por cncer del tero. Las mujeres de 65 aos de edad y mayores tienen una tasa de incidencia de cncer del cuello del tero de 16.8 por cada 100,000, comparada con un 7.4 en mujeres menores de edad. La tasa de incidencia es el nmero de casos de cncer diagnosticados entre una poblacin de 100,000 durante un perodo especfico de tiempo (normalmente un ao) [10].
2.3 ANALISIS DE DISPLASIAS Las displasias se evalan seccionando la muestra de la biopsia en tercios, considerando el primer tercio el interno, donde se encuentran las clulas basales y el tercero termina en la parte externa (como se muestra en las Figuras 2.2 y 2.3). En el tejido sano las clulas del epitelio se originan en la membrana basal y al madurar con el tiempo emigran del primer tercio al segundo y al tercero. En este proceso los ncleos se modifican y se tornan alargados o pictnicos (puntos pequeos) donde las clulas maduran y mueren y finalmente se descaman [10]. La membrana basal la conforman de 3 a 5 capas de clulas epiteliales, basales o germinales que se reproducen y desplazan a las maduras. En la parte interna de la membrana basal se encuentra el tejido celular subepitelial el cual contiene vasos que nutren la membrana basal y glndulas [10]. Las clulas basales son redondas cuando estn vivas solamente.
17
Capas Epiteliales
Externa Intermedia
Basal
Fig. 2.2 Distribucin de las clulas en las tres capas epiteliales.
Fig. 2.3 Representacin de los tercios que definen las tres capas en una imagen histolgica.
La Fig. 2.4 muestra una biopsia de tejido sano, para compararlo con las biopsias que presentan clulas anormales. Las alteraciones que se presentan son: Displasia leve. Invasin de clulas basales en el primer tercio (Fig. 2.5). Displasia moderada. Invasin de clulas basales en el primero y segundo tercio (Fig. 2.6). Displasia severa. Invasin de los tres tercios (Fig. 2.7). Displasia grave. Cuando ocurren serios cambios en las clulas de la superficie del cuello del tero (Fig. 2.8).
18
Carcinoma in situ. Clulas basales uniformes en los tercios (Fig. 2.8). Carcinoma invasor. Ruptura de la membrana basal (Fig. 2.9).
Fig. 2.4 Ejemplo de una biopsia con resultado negativo o normal.
Fig. 2.5 Ejemplo de displasia leve.
Fig. 2.6 Ejemplo de Displasia leve y displasia moderada.
19
Fig. 2.7 Ejemplo de displasia severa.
Fig. 2.8 Ejemplo de carcinoma in situ y Displasia Grave.
Fig. 2.9 Ejemplo de carcinoma invasor.
20
La mitosis (etapa de reproduccin celular) es indicacin de clulas vivas y solamente debe de presentarse en la capa basal. Clulas con mitosis o ncleos grandes fuera de la membrana basal es indicacin de displasia. Halos blancos alrededor de los ncleos indican VPH; el cual, como ya se mencion, es inductor del cncer crvico uterino. La mayor incidencia de alteraciones ocurre en el cambio del epitelio plano estratificado al tejido del tipo cilndrico (Fig. 2.10).
Fig. 2.10 Localizacin del tejido cilndrico y del epitelio plano estratificado.
2.3.1 PROCESO DE DIAGNOSTICO Los mdicos especialistas realizan el siguiente procedimiento para el estudio de las muestras de las biopsias [10]. 1.- Verificar que la muestra tenga iluminacin homognea para su anlisis bajo microscopio. 2.- Localizar la membrana basal y la capa externa (Fig. 2.2). 3.- Medir el espesor celular, el nmero de clulas vivas o capas, considerando el sentido de anlisis dividido en tercios de adentro hacia fuera como se muestra en la Fig. 2.11. Este procedimiento se tom como referencia para elaborar el sistema. 4.- Evaluar la capa basal. El tamao de los ncleos para compararlos con los ncleos en el segundo y tercer tercio. 5.- Medir el porcentaje de halos blancos perinucleares por biopsia. 6.- Observar el tamao y forma de ncleos en el segundo y tercer tercio. 7.- Determinar el nmero de mitosis o ncleos que tengan el doble o ms del tamao de los ncleos de la membrana basal por rea de anlisis (campo).
21
8.- Verificar si el epitelio penetra o infiltra la membrana basal. 9.- Obtener la relacin ncleo/citoplasma en la direccin del anlisis. El tamao promedio de los ncleos en la membrana basal es la referencia para realizar la medicin de los ncleos en el segundo y tercer tercio. Es importante obtener la grfica de la densidad nuclear en funcin del espesor del epitelio para complementar el anlisis de las biopsias.
Fig. 2.11 Ilustracin del sentido de anlisis de displasias.
El objetivo para resolver el problema consisti en desarrollar un sistema como herramienta computacional para caracterizar imgenes de biopsias que permita diferenciar cuantitativamente entre clulas normales y clulas anormales para la emisin de un diagnstico con mayor certidumbre. El sistema desarrollado le facilita al especialista la realizacin del procedimiento de estudio de las muestras de las biopsias. El funcionamiento y alcance de esta herramienta depende del paso del procedimiento de anlisis, pudiendo ser de manera automtica, operada por el usuario (manual) o semiautomtica como se indica en la Tabla 2.1.
22
TABLA 2.1 Nivel de ayuda de la herramienta desarrollada para el anlisis de las imgenes histolgicas. PASO FORMA DE EJECUCION AUTOMATICA SEMIAUTOMATICA MANUAL X X X X X X X X X
Iluminacin de la imagen Localizar la lnea basal y la lnea externa Medir espesor celular, clulas vivas Evaluar la capa basal Medir el porcentaje de halos blancos Observar el tamao y la forma de ncleos Determinar el No. de mitosis Verificar el epitelio y la membrana basal Obtener la relacin ncleo/citoplasma
2.3.1.1 FUNCIONAMIENTO DEL SISTEMA En esta seccin se presenta una breve explicacin del funcionamiento del sistema con el fin de tener una idea ms clara de cmo este sistema desarrollado pretende solventar las necesidades del especialista para emitir un diagnstico con mayor certidumbre, en el captulo IV se analizar ms a detalle su diseo y funcionamiento. El sistema se dise de manera que permite obtener una imagen de una biopsia cervical de un archivo en formato mapa de bits (bmp), esta imagen se normaliza automticamente al momento de abrir el archivo con el fin de mantener una iluminacin homognea en las imgenes. Una vez hecho esto es posible realizar la caracterizacin de la imagen para comenzar el anlisis. La caracterizacin consiste en la identificacin de los ncleos, citoplasma epitelial, citoplasma subepitelial y zonas blancas, esto se lleva acabo de manera semiautomtica al presionar un botn sobre la pantalla de la interfaz. Con la imagen caracterizada es posible localizar las lneas basal y externa, que limitan la regin de anlisis, mediante la seleccin de la funcin desplegar del men principal de la interfaz. El especialista tiene la opcin de seleccionar, con el apoyo del mouse, un rea especfica sobre la regin de anlisis para obtener las concentraciones de ncleos y de citoplasma. Tambin puede elegir un punto sobre la regin de anlisis y obtener una grfica correspondiente a la relacin ncleos/citoplasma (N/C), que le es de utilidad para observar la situacin de la muestra de la biopsia y con esto emitir el diagnstico.
23
Si el especialista desea recuperar la imagen para repetir el anlisis o bien guardar la imagen analizada en un archivo, el sistema le brinda estas opciones mediante la eleccin de determinadas funciones del men principal. 2.3.1.2 TECNICAS DE APOYO PARA REALIZAR EL ANALISIS Para realizar un anlisis equivalente al hecho por el especialista se utilizaron tcnicas de procesamiento digital de imgenes, aplicadas a imgenes digitalizadas de muestras obtenidas de biopsias. Para la identificacin de los ncleos, citoplasma epitelial, citoplasma subepitelial y zonas blancas se decidi utilizar algunas tcnicas empleadas para realizar la identificacin de objetos en imgenes. La primer tcnica utilizada fue la de variaciones estadsticas, ya que sta es sencilla de utilizar; con el fin de obtener mejores resultados se procedi a utilizar la tcnica de anlisis del histograma, con la cual se obtuvieron resultados favorables. Sin embargo, se decidi emplear la tcnica de redes neuronales artificiales y se compararon los resultados con los de las tcnicas anteriores. Debido a los resultados satisfactorios obtenidos con esta ltima tcnica, sta fue la que finalmente se emple para realizar la identificacin de ncleos, citoplasmas y zonas blancas. Para conseguir la localizacin de la lnea basal y la lnea externa se utiliz la tcnica de filtros digitales o mscaras ya que estos filtros pueden detectar los cambios de zonas (discontinuidades) en las imgenes. El empleo de estas tcnicas se resume en la Tabla 2.2.
TABLA 2.2 Tcnicas de procesamiento digital de seales utilizadas por el sistema desarrollado.
TCNICA
NORMALIZACIN DE IMGENES TRANSFORMACIN DE COLOR VARIACIONES ESTADSTICAS HISTOGRAMA REDES NEURONALES FILTROS DIGITALES
APLICACIN
IDENTIFICACIN DE PARTES LOCALIZACIN DE LNEAS
X X X X X
24
APITULO
III
HERRAMIENTAS UTILIZADAS
En este captulo se tratan las tcnicas de procesamiento digital de imgenes utilizadas para realizar el anlisis de imgenes histolgicas de biopsias para la deteccin del cncer crvico-uterino. Se comienza mencionando el concepto de imagen digital. Se discuten las tcnicas de procesamiento de imgenes utilizadas en este trabajo a saber: la de procesamiento de color, la basada en variaciones estadsticas, la basada en histograma y la de redes neuronales artificiales. Adems se detalla el mtodo empleado para la reduccin de los defectos producidos en el proceso de adquisicin de las imgenes, con el que se tiene el mejoramiento de contraste. Se presenta el mtodo de filtrado, utilizando mscaras digitales, usado en el procesamiento de las imgenes histolgicas. Finalmente se presenta el modelo de la red neuronal utilizada en el desarrollo de este trabajo. 3.1 CONCEPTOS PARA EL PROCESAMIENTO DIGITAL DE IMGENES IMAGEN DIGITAL El trmino imagen se refiere a una funcin bidimensional f(x,y) de intensidad de luz y color, donde esta funcin representa el nivel de brillantez o intensidad de luz y color de la imagen en las coordenadas espaciales (x,y). Una imagen digital es una imagen que se ha discretizado tanto en las coordenadas espaciales como en intensidad de luz y color, es decir, que se ha realizado un muestreo de la funcin continua f(x,y) [2]. COLOR El color es un fenmeno perceptual relacionado con la respuesta humana a diferentes longitudes de onda del espectro visible. El humano tiene dos tipos de sensores y stos dan la sensacin de toda la gama de colores que percibimos [2].
III Herramientas Utilizadas
Una imagen multiespectral es una funcin vectorial F con componentes (f1,f2,...fn) donde cada una representa la intensidad de la imagen a diferentes longitudes de onda. Una imagen a color F(x,y) generalmente se representa en funcin de la brillantez en tres longitudes de onda diferentes [2]: F(x,y) = [f(Rojo(x,y)), f(Azul(x,y)), f(Verde(x,y))] B l
Azul Magenta Negro Rojo Amarillo Cian Blanco Verde
Ec. (1)
R
Fig. 3.1 Representacin grfica de los componentes de color de una imagen. Para denotar Rojo, Verde y Azul se utilizan los trminos R, G y B (por sus siglas en ingls) respectivamente.
Estas tres longitudes de onda se representan como R, G, B por sus siglas en ingls respectivamente. Estas longitudes de onda son las empleadas como entradas a la herramienta desarrollada en este trabajo. El procesamiento de las imgenes se realiza para diferentes finalidades, entre ellas la deteccin de caractersticas especficas. En algunas imgenes es importante resaltar ciertas caractersticas que la conforman, por lo que se deben localizar primeramente esas caractersticas para procesarlas posteriormente. En el caso particular de este trabajo se efectu la identificacin automtica de ncleos, citoplasma y halos blancos de las imgenes histolgicas para ayudar en el anlisis realizado por los especialistas en la deteccin del cncer crvico-uterino (ver Fig. 3.2).
Fig. 3.2 Identificacin de ncleos, citoplasma y halos blancos como caractersticas especficas de una imagen histolgica.
26
El reconocimiento de formas o estructuras en una imagen digital consiste en identificar ciertas formas particulares contenidas en una imagen [4]. Por ejemplo, si se requiere identificar la forma que tiene la regin basal en una imagen histolgica se utiliza este mtodo para realizar un anlisis histolgico (ver Fig. 3.3).
Fig. 3.3 Imagen histolgica en la que se requiere identificar la forma de la regin basal.
En las siguientes secciones se describirn las tcnicas de procesamiento digital de imgenes que se emplearon en el desarrollo de este trabajo.
3.1.1 TECNICA DE LA PALETA DE COLOR (LOOK-UP TABLE) Puesto que, una imagen digitalizada se representa como un arreglo de nmeros (pxeles) es posible realizar algunas operaciones con estos nmeros para modificar ciertas caractersticas de la imagen, tal es el caso de la modificacin de su color, este proceso se conoce como tcnica de la paleta de color (Look Up Table o LUT). La tcnica LUT consiste en usar una tabla que lista el conjunto de valores posibles de cada pxel en una imagen y asocia el color o intensidad que es usado para graficar cada pxel (ver Fig. 3.4 y Fig. 3.5).
27
Fig. 3.4 Tcnica de Procesamiento de intensidad o color Look Up Table.
Fig. 3.5 Ejemplo de la aplicacin de la tcnica de procesamiento de color a una imagen histolgica.
Con la tcnica LUT tambin es posible convertir una imagen en escala de grises en una imagen en seudo-color. Esto se consigue realizando un mapeo de cada nivel de gris (x) y asignando tres funciones de color r(x), g(x) y b(x). Las salidas RGB de la tcnica LUT tiene diferentes aplicaciones: Se pueden reconocer pequeas variaciones de niveles de gris mucho mejor si son transformados en diferencias de color. Se pueden marcar rangos de valores de gris de mayor inters con un determinado color. Reconocimiento de objetos. Los objetos se pueden marcar por colores sin cambios en los niveles de gris. De alguna manera es posible visualizar el resultado de una clasificacin. Se puede usar un color diferente para objetos de diferentes clases. 28
Se pueden codificar las caractersticas imgenes en color.
3.1.2 TECNICA POR VARIACIONES ESTADISTICAS La transformacin por variaciones estadsticas consiste en los siguientes pasos: Obtencin de muestras del objeto a reconocer. Estas se obtienen de manera que su rea comprenda las tres regiones de anlisis (basal, intermedia y externa). Obtencin de cada pxel de la imagen procesamiento. digitalizada de la muestra para su
Clculo de la media y la desviacin estndar , estadstica del conjunto de pxeles obtenidos en el paso anterior. Establecer un umbral dentro del intervalo [-n,+n] (donde n debe ser positivo) hasta lograr la identificacin del objeto. Se repite el procedimiento para todos los objetos a identificar.
Despus de que se hayan obtenidos los datos mencionados anteriormente y siguiendo el comportamiento de la campana estadstica mostrada en la Fig. 3.6, la cual est en funcin de la escala del componente de color verde de cada pxel (ya que ste proporcion el mejor contraste de la imagen) y de su intensidad, se realizan pruebas, variando n hasta establecer los umbrales e intervalos que consiguen la identificacin de ncleos, citoplasma y halos blancos.
29
Intensidad
Escala G
Fig. 3.6 Curva estadstica utilizada para la identificacin de objetos en una imagen.
El valor obtenido para la media fue de 172, para la desviacin tpica fue 12.9 y para n fue 2.
Fig. 3.7 Ejemplo de la identificacin de objetos (ncleos) por la tcnica de variaciones estadsticas.
En la figura 3.7 se muestra la representacin de ncleos de la imagen original (izquierda) en una segunda imagen (derecha), despus de haber calculado las posibles posiciones de los ncleos por el mtodo de variaciones estadsticas.
30
3.1.3 TECNICA DE TRANSFORMACIONES DEL HISTOGRAMA El Histograma de una imagen digital es el diagrama de barras de la propia imagen donde se cuenta el valor de los pxeles [2]; esto es, en las abscisas se representan los niveles de gris o color y en las ordenadas el nmero de pxeles de la imagen para cada nivel. Estos valores se normalizan (entre 0 y 1). Las transformaciones se basan en el procesamiento del histograma a travs de una funcin de transferencia (Ver Fig. 3.8).
Fig. 3.8 Tcnica de Transformaciones basadas en Histograma.
Sea: He(p) la funcin del histograma original. T(p) una funcin de transformacin lineal. Entonces; Hs(p) es la funcin del histograma ecualizado resultante de aplicar He(p) a T(p). La tcnica de histograma se aplic para modificar el color y la brillantez de la imagen. La figura 3.9 muestra un ejemplo de una imagen oscura y la figura 3.10 ilustra la imagen clara resultante despus de aplicar una transformacin T(p) a la imagen oscura dada por:
31
T(p) =
p + V ( p)
i =1
Ec. (2)
Donde: n p V es el nmero de pxeles de la imagen. representa cada componente de color R, G, B del pxel evaluado. es el vector correspondiente a cada componente de color R, G y B del pxel evaluado.
Las figuras 3.11 y 3.12 muestran los histogramas de la imagen oscura y clara respectivamente.
Fig. 3.9 Ejemplo de una imagen histolgica oscura.
32
Fig. 3.10 Ejemplo de una imagen histolgica clara.
Imagen Oscura
Fig. 3.11 Histograma correspondiente a la imagen oscura.
33
Imagen Clara
Fig. 3.12 Histograma correspondiente a la imagen clara.
3.1.4 FILTRADO ESPACIAL Es posible realizar el procesamiento de imgenes mediante el empleo de las denominadas mscaras (tambin llamadas plantillas, ventanas o filtros). Una mscara bsicamente es una distribucin bidimensional en la que los valores de los coeficientes determinan la naturaleza del proceso (Ver Fig. 3.13). Esta tcnica de mejora de imgenes se conoce como procesamiento por mscaras o filtrado [2]. En este trabajo se utiliz una mscara correspondiente a un filtro lineal. La operacin de los filtros se basa en los valores de los pxeles en la vecindad considerada. El procedimiento bsico de un filtro lineal consiste en la suma de productos entre los coeficientes de la mscara usada y las intensidades de los pxeles bajo la mscara en cualquier (x,y). W 1 W2 W 3 W4 W5 W 6
W 7 W8 W 9
Fig. 3.13 Una mscara de 3 x 3 con coeficientes arbitrarios (pesos).
34
Si z1, z2, .....,z9 son los niveles de los 9 pxeles debajo de esta mscara, entonces la respuesta de este filtro viene, dada como: R = w1z1 + w2z2 +...+ w9z9 donde: Z1, Z2,........,Z9 son los niveles de gris Ec. (3)
R es la respuesta del filtro y se calcula empleando entornos parciales para los pxeles que estn colocados en los bordes de la imagen [2]. Si el centro de la mscara se encuentra en un punto (x,y) de la imagen, el nivel de gris del pxel situado en (x,y) se reemplaza por R. Luego se mueve la mscara hasta el emplazamiento del siguiente pxel de la imagen y se repite el proceso. Se continua hasta que se han cubierto todos los pxeles de la imagen [2].
y (x,y)
Imagen
x
Fig. 3.14 Vecindad 3x3 alrededor de un punto (x,y) en una imagen.
Las mscaras (o filtros) generalmente se utilizan para la deteccin de discontinuidades en una imagen [2]. Algunos tipos de mscaras para realizar la deteccin de discontinuidades de una imagen digital son: discontinuidad por puntos, discontinuacin por lneas y discontinuidad por bordes. La mscara ms comnmente utilizada para detectar discontinuidades en nivel de gris es la de bordes [2]. 35
Para realizar la identificacin de la lnea basal y externa en las imgenes histolgicas de este trabajo, se utiliz el filtro Sobel para la deteccin de bordes verticales (ver Fig. 3.15), ya que esta mscara resalt notoriamente la regin basal de la imagen histolgica (Ver Fig. 3.16).
-1 -1 -1
2 2 2
-1 -1 -1
Fig. 3.15 Filtro Sobel para deteccin de bordes verticales utilizado para la deteccin de la lnea basal y la lnea externa en una imagen histolgica.
Fig. 3.16 Ejemplo de la aplicacin de la mscara de Sobel a una imagen histolgica para detectar la lnea basal y lnea externa.
3.2 REDES NEURONALES ARTIFICIALES Se decidi emplear el mtodo de redes neuronales artificiales para caracterizar las imgenes histolgicas, debido a que stas tienen mayor aplicacin en la identificacin de caractersticas en imgenes [11]. A continuacin se da un bosquejo acerca de la importancia que tiene el empleo de redes neuronales artificiales en el procesamiento de imgenes.
36
Los objetivos principales de la investigacin en Redes Neuronales Artificiales pueden englobarse de esta manera [11]: 1. Entender y proponer aquellos modelos de redes neuronales artificiales que emulen algunas habilidades del cerebro humano tales como: Interpretacin perceptiva, asociacin de ideas, razonamiento de sentido comn y aprendizaje. 2. Entender y proponer aquellos modelos de redes neuronales artificiales que enfatizan la potencia computacional ms que la fidelidad biolgica a las redes neuronales naturales, esto es incorporando caractersticas en los modelos aunque no sean neurolgicamente posibles. 3.2.1 ARQUITECTURA BASICA DE REDES NEURONALES ARTIFICIALES Para realizar la caracterizacin de las imgenes histolgicas se utiliz el modelo Combinatorio Lineal adaptable y el empleo del perceptrn ya que la regla de aprendizaje es similar para ambos modelos. 3.2.1.1 MODELO COMBINATORIO LINEAL ADAPTABLE El modelo Combinatorio Lineal Adaptable (ALC, por sus siglas en ingls) apareci por primera vez a principios de los 60s; junto con l se desarroll una regla de aprendizaje llamada Regla de Widrow Of. Creada por Bernard Widrow y Marcian Of. El modelo del ALC se representa en la Fig. 3.17, consta de n neuronas de entrada y una neurona de salida lineal [11]. x1 w1 x2 w2 o w3 x3 wn
xn
Fig. 3.17 Modelo ALC.
37
La regla de aprendizaje se obtiene al minimizar una funcin de error definida por: 1 (d wtx)2 2
E= donde: x w d o = wtx
Ec. (4)
es la muesrtra de entrada a la neurona. es el peso para la muestra x. es la salida deseada para la muestra x . es la salida actual para esa muestra.
El gradiente de E es:
E = - (d wtx)x
de tal manera que es posible hacer la siguiente correccin a los pesos: W(t + 1) = X(t) - E W(t + 1) = W(t) + (d - wtx)x
Ec. (5)
Ec. (6) Ec. (7)
donde el valor inicial de w se escoge aleatoriamente en el intervalo cerrado [-1,1], y el factor de paso en el intervalo abierto (0,1).
ALGORITMO DE ENTRENAMIENTO PARA EL MODELO ALC Supngase que se tiene un conjunto de muestras {xk} para k = 1,.......,n y para el cual deseamos las salidas correspondientes dk para k = 1,....,n. Adems, existe un nmero mximo de iteraciones m para llegar a un error aceptable Emax. [11]. Entonces se aplica el algoritmo siguiente:
38
1. Proponer una e inicializar w aleatoriamente. 2. Iniciar los ciclos. 3. Mientras

n
w x
t k =1
>EMAX y nmero de ciclos< nmero mximo de ciclos m. para k = 1,....n.
a) w(t+1) = w(t) + (dk wtx),
b) Nmero de ciclos = nmero de ciclos + 1. 4. Si nmero de ciclos = nmero mximo de iteraciones, imprimir w. Si no, imprimir no converge en nmero m mximo de iteraciones. Es conveniente observar el valor de w cada cierto nmero de ciclos con el fin de saber si el parmetro n se escogi apropiadamente.
3.2.1.2 EL PERCEPTRON El perceptrn es un modelo parecido al modelo ALC y su configuracin se muestra en la Fig. 3.18. Este modelo tambin se tom como referencia para realizar la red neuronal empleada en este trabajo. Una caracterstica especial de la regla de aprendizaje del perceptrn es que si existe un conjunto de pesos (w) que solucionan un problema de clasificacin de representaciones binarias o bipolares de objetos, el perceptrn encuentra dichos pesos [12]. El algoritmo de aprendizaje del perceptrn es similar al del modelo ALC. Su salida puede calcularse por medio de la siguiente ecuacin:
n
1 si y= -1 si donde es un error permitido.
w x
i =1 n
i i
Ec. (8)
w x
i =1
i i
<
definiendo:
39
Net = W1X1 + W2X2 + .......+ WnXn - , Entonces: Net = W tX donde: W = [w1, w2, ...... wn, - ] t y X = [x 1, x2,....xn,1] t.
Ec. (9)
Ec. (10)
Ec. (11)
Por lo tanto, se observa que y es igual a S(net), donde S(net) es la funcin escaln unitario, cuya grfica se muestra en la Fig. 3.19.
w1 w2 w3
wn
x1 x2 x3
xn
Fig. 3.18 Modelo del Perceptrn.
De manera que para una salida deseada d la funcin de error queda definida a continuacin:
40
net si y = 0, d = 1 E= 0 si y = d Ec. (12)
-net si y = 1, d = 0 En base a esto la actualizacin del vector de pesos W se divide en dos casos. 1. Para y =1 y d =0 el error est definido como: E = wtx y su gradiente es E = x w Ec. (13)
E =
Ec. (14)
efectuando una bsqueda del gradiente para disminuir el error ecuacin (12), la actualizacin del vector de pesos W est dada por:
en la
W(t+1) = W(t) X donde controla la razn de aprendizaje 2. Para y =0 y d =1 el error est definido como: E = -WtX Su gradiente es:
Ec. (15)
Ec. (16)
41
E =
E = -x w
. (17)
Efectuando una bsqueda del gradiente para disminuir el error dado en la ecuacin (12), la actualizacin del vector de pesos W est dado: W(t+1) = W(t) + X donde controla la razn de aprendizaje. Ec. (18)
y = S(net)
. 1
Net
Fig. 3.19 Funcin Escaln Unitario.
A diferencia del modelo ALC el perceptrn garantiza la convergencia al resultado esperado en un nmero finito de pasos si el problema (en este caso la identificacin de objetos en imgenes) es separable y puede ser inestable si no es separable [12]. Luego entonces, esta tcnica de redes neuronales artificiales se utiliz para realizar la identificacin de los ncleos, los citoplasmas y los halos blancos, de una
42
imagen histolgica como lo muestra la Fig. 3.20 y de esta manera se logr la caracterizacin de la imagen.
Fig. 3.20 Imagen histolgica en la que se muestran los ncleos, los citoplasmas y los halos blancos que identifica la red neuronal.
Un ejemplo de aplicar esta red neuronal a una imagen histolgica se muestra en la Fig. 3.21. En esta figura se observa que la identificacin de los ncleos, citoplasma y halos blancos se aproxima a la ubicacin real de stos en la imagen original.
Fig. 3.21 Ejemplo de la identificacin de ncleos, citoplasma y halos blancos en una imagen histolgica aplicando redes neuronales artificiales.
43
APITULO
IV
DESCRIPCION DEL SISTEMA

En este captulo se presenta el desarrollo del trabajo de tesis. Se da inicio con la explicacin del procedimiento de diseo y anlisis del sistema. Se continua con la justificacin de la eleccin del lenguaje de programacin utilizado. Enseguida se muestran algunas de las imgenes adquiridas para realizar el anlisis. Adems, se presenta el procedimiento de obtencin de las imgenes y las caractersticas que stas deben de reunir. Posteriormente se describe el procedimiento de normalizacin de las imgenes a partir de una imagen de referencia. Tambin se explica el procedimiento utilizado para lograr dicha normalizacin, obteniendo muestras de ncleos, citoplasma epitelial, citoplasma subepitelial y halos blancos de la imagen de referencia. A continuacin se explica el procedimiento para la identificacin de ncleos, citoplasma epitelial, citoplasma subepitelial y zonas blancas en una imagen histolgica. Se explica el proceso de localizacin de la regin basal y de la regin externa de la imagen obtenida de una biopsia, tambin se muestra cmo se obtiene la informacin cuantitativa de una imagen histolgica. Finalmente se explica el diseo de la interfaz de usuario y se detalla la operacin de cada funcin contenida en ella.
IV Descripcin del Sistema
4.1 ANALISIS DEL SISTEMA El sistema se ha implementado como una herramienta computacional de apoyo a los mdicos especialistas para la emisin de un diagnstico con mayor certidumbre del padecimiento del cncer crvico uterino. El sistema permite el anlisis de imgenes histolgicas de biopsias cervicales de acuerdo al procedimiento de anlisis realizado por los especialistas.
4.1.1 MODULOS GENERALES DEL SISTEMA El sistema se ha diseado de tal forma que pueda funcionar de manera automtica, semiautomtica y manual dependiendo del mdulo que se ejecute. El sistema est estructurado con 7 mdulos principales: a) b) c) d) e) f) g) Lectura de las imgenes. Normalizacin de las imgenes. Caracterizacin de las imgenes. Clculo de concentracin de ncleos y citoplasma. Localizacin de la lnea basal y lnea externa. Graficacin de la relacin ncleo/citoplasma. Impresin de resultados cuantitativos..
Estos mdulos y sus interacciones se encuentran representados en la figura 4.1 que se muestra a continuacin.
45
LEER LAS IMAGENES
NORMALIZAR LAS IMGENES
CARACTERIZAR LAS IMAGENES
LOCALIZAR LINEAS BASAL Y EXTERNA
NUCLEOS Y CITOPLASMA POR AREA
GRAFICA NUCLEOS/ CITOPLASMA
RESULTADOS CUANTITATIVOS
Fig. 4.1 Arquitectura general del sistema.
A) LECTURA DE LAS IMAGENES El sistema permite abrir un archivo en formato mapa de bits (bmp) correspondiente a una imagen histolgica de una biopsia cervical. Esta imagen es el resultado de la digitalizacin de una fotografa por una cmara acoplada a un microscopio (ver Fig. 4.2).
46
Fig. 4.2 Proceso de adquisicin de las imgenes.
B) NORMALIZACION DE LAS IMAGENES Puesto que algunas imgenes son tomadas con diferentes grados de iluminacin y con diferencias de color debido al proceso de tincin, el sistema realiza una normalizacin de las imgenes de acuerdo a una imagen de referencia. Esta imagen de referencia se encuentra en condiciones normales de tincin e iluminacin. La figura 4.3 muestra un ejemplo de la etapa de normalizacin de imgenes.
Fig. 4.3 Normalizacin de imgenes.
47
C) CARACTERIZACION DE LAS IMAGENES La caracterizacin de las imgenes consiste en la identificacin de los ncleos, citoplasma epitelial, citoplasma subepitelial y halos blancos presentes en la imagen que se encuentra bajo estudio. La Figura 4.4 muestra un ejemplo de la etapa de caracterizacin de imgenes.
Fig. 4.4 Caracterizacin de las imgenes.
D) CALCULO DE CONCENTRACIONES DE NUCLEOS Y CITOPLASMA En este mdulo se realiza el clculo de la concentracin de ncleos y citoplasma presentes dentro de un rea determinada sobre la imagen bajo estudio. La figura 4.5 muestra un ejemplo de esta etapa.
Fig. 4.5 Clculo de concentracin de ncleos y citoplasma.
48
E) LOCALIZACION DE LA LINEA BASAL Y LA LINEA EXTERNA El objetivo de este mdulo es localizar la lnea basal y la lnea externa para delimitar la regin de anlisis de inters. Esta regin se secciona en tres partes iguales para comenzar el anlisis similar al realizado por los especialistas. La figura 4.6 muestra un ejemplo de esta etapa.
Fig. 4.6 Localizacin de la lnea basal y lnea externa.
F) GRAFICACION DE LA RELACION NUCLEO/CITOPLASMA En este mdulo se realiza la graficacin de la relacin ncleo/citoplasma en un punto determinado dentro de la regin de anlisis. La grfica obtenida contempla las tres secciones de la regin de anlisis. En la figura 4.7 se muestra un ejemplo de la grfica obtenida en esta etapa.
Fig. 4.7 Graficacin de la relacin ncleos/citoplasma.
49
G) IMPRESION DE RESULTADOS CUANTITATIVOS La informacin obtenida de la concentracin de ncleos y citoplasma dentro de un rea determinada es desplegada numricamente en la interfaz de usuario. Por ejemplo despus de ejecutarse la etapa de clculo la concentracin de ncleos/citoplasma se obtienen resultados como los que se muestran a continuacin: % Ncleos = 2.522551987834 % Citoplasma = 97.4777448071217
4.2 ESPECIFICACION DE REQUERIMIENTOS Los requerimientos definen con precisin las caractersticas del sistema desarrollado y establecen los alcances del mismo, sirven como base para el diseo del sistema, de referencia para las pruebas del mismo y de informacin para utilizarlo. 4.2.1 REQUERIMIENTOS DE HARDWARE Y SOFTWARE Para la operacin del sistema se requiere el siguiente hardware: Una PC con procesador Pentium III a 500 MHz o mayor. 256 Mbytes en RAM o mayor. Un Escner para la digitalizacin de las imgenes. Una cmara fotogrfica (de pelcula o digital) para la obtencin de las imgenes. Un microscopio para la amplificacin de las muestras.
En cuanto al software nicamente se requiere de la plataforma Windows 98 o mayor.
50
4.2.2 RESTRICCIONES DEL SISTEMA El sistema presenta las siguientes restricciones para su funcionamiento Procesa imgenes en archivos en formato mapa de bits (bmp), de 8 bits (256 colores). Las imgenes a analizar deben tener dimensiones establecidas, de 200 x 138 pxeles.
4.3 ELECCION DEL SOFTWARE DE APOYO Una vez revisado el estado del arte referente al procesamiento de imgenes mdicas, se adquirieron fotografas de diferentes imgenes histolgicas de exmenes del cuello del tero, observando las caractersticas especficas de cada una de ellas. A continuacin se definieron tres parmetros que, basados en las observaciones, caracterizan a las imgenes: El rea abarcada de cada muestra, la iluminacin de la imagen y su dimensin. Se eligi el lenguaje Delphi como el Software a utilizarse en el procesamiento de las imgenes, ya que permite construir de manera sencilla y rpida nuevos programas, llamados aplicaciones, que no utilizan muchos recursos en PCs. Adems es uno de los lenguajes de computacin que proporciona la facilidad de procesar los componentes de color RGB de las imgenes, y propiciar un ambiente interactivo para la interfaz de usuario. Adems es econmico y se consigue fcilmente en el mercado. 4.4 DIGITALIZACION DE IMAGENES Se seleccionaron fotografas de displasias tpicas tomadas de muestras de laboratorio; estas fotografas se digitalizaron para obtener las imgenes que se utilizaron para el desarrollo del sistema. Algunas de estas imgenes se presentan de la figura 4.8 a la 4.11.
51
Fig. 4.8 Imgenes histolgicas con mayor concentracin de ncleos y halos blancos en la regin de anlisis.
Fig. 4.9 Imgenes histolgicas con presencia del VPH.
Fig. 4.10 Imgenes histolgicas con presencia del VPH y de clulas vivas en el segundo tercio de la regin de anlisis.
52
Fig. 4.11 Imgenes histolgicas con presencia del VPH.
En la figura 4.8 se ilustran imgenes de displasias en las que se observa una mayor concentracin de ncleos en la regin de anlisis. La Fig. 4.9 muestra imgenes con presencia de VPH en la regin de anlisis. En la Fig. 4.10 se muestran imgenes con presencia de clulas vivas y VPH en el segundo tercio de la regin de anlisis y en la Fig. 4.11 se muestran imgenes con la presencia de VPH. Ntese que las imgenes anteriores se han tomado con diferentes grados de iluminacin, lo cual ocasiona que los valores de los componentes de color R, G y B varen. Tambin se observa que fueron tomadas abarcando diferentes reas de las muestras de biopsias. Las imgenes que se seleccionaron fueron aquellas que cumplen con las caractersticas que se mencionan en la seccin 4.4.1.
4.4.1 CARACTERISTICAS REQUERIDAS PARA LAS IMAGENES Para realizar el anlisis de las imgenes histolgicas se estableci que stas reunieran las siguientes caractersticas: Una resolucin mnima de 256 colores/pxel. Que el rea de anlisis contemple las tres secciones definidas (capa interna, capa intermedia y capa externa). El tamao de las imgenes bajo anlisis es de 200 x 138 pxeles.
53
4.4.2 NORMALIZACION DE LAS IMAGENES POR BRILLANTEZ Debido a las variaciones de color que se produjeron en el procedimiento de tincin de las muestras y por diferencias de iluminacin de las tres capas, al realizarse la adquisicin de imgenes, se realiz un proceso de normalizacin para reducir estas variaciones de color en las imgenes. Para conseguir esto se consideraron: A) UNA IMAGEN DE REFERENCIA Se seleccion una imagen como referencia (Fig. 4.12) y se tomaron separadamente sus histogramas de color RGB. De la imagen de referencia, y de acuerdo a su histograma, se tomaron los valores mximos y mnimos de cada color, para toda la imagen, como lmites de referencia superiores e inferiores, los cuales se les llam RH, RL, GH, GL, BH, BL, respectivamente. Estos lmites se usan para las imgenes bajo estudio para el proceso de normalizacin. Los lmites para cada color se indican en la tabla 4.1.
TABLA 4.1 Lmites inferior y superior para cada color de la Fig. 4.12.
COLOR ROJO (R) VERDE (G) AZUL (B)

B) CUATRO SUBIMAGENES
INTERVALO [L,H] [30,240] [25,218] [20,250]
De la imagen de referencia se tomaron partes correspondientes a ncleos, citoplasma y halos blancos; estas sub-imgenes se muestran en las figuras 4.13, 4.14 y 4.15. Posteriormente, se tomaron separadamente los componentes de color para cada subimagen. La tabla 4.2 muestra los intervalos de valores de cada componente de color para las sub-imgenes correspondientes a ncleos, citoplasma epitelial, citoplasma subepitelial y zonas blancas. Ntese que para el caso de las zonas blancas el lmite superior de los intervalos para cada color fue 255, esto se debe a que en la muestra obtenida (Fig. 4.15) se tienen partes pequeas completamente blancas (R =255, G =255, B =255).
54
Fig. 4.12 Identificacin de las tres secciones de anlisis separadas por ncleos, citoplasma epitelial citoplasma subepitelial y halos blancos.
Fig. 4.13 Muestra de un ncleo de una imagen histolgica en condiciones normales.
a)
b)
Fig. 4.14 Muestra del Citoplasma, a) epitelial b) subepitelial, de una imagen histolgica en condiciones normales.
55
Fig. 4.15 Muestra de un halo blanco de una imagen histolgica en condiciones normales.
TABLA 4.2 Intervalos de valores de R, G y B para cada subimagen.
SUB-IMAGEN NUCLEOS CITOPLASMA EPITELIAL CITOPLASMA SUB EPITELIAL ZONAS BLANCAS R [145,173] [209,233] [228,234] [231,255]
INTERVALOS G [96,133] [138,186] [177,189] [239,255]
B [185,178] [183,215] [187,218] [222,255]
4.5 CARACTERIZACION Y ANALISIS DE IMAGENES Despus de realizar pruebas con los mtodos de variaciones estadsticas, anlisis del histograma y redes neuronales se opt por el empleo de redes neuronales artificiales para realizar la caracterizacin de las imgenes, ya que este mtodo proporcion mejores resultados. 4.5.1 METODO DE REDES NEURONALES ARTIFICIALES 4.5.1.1 EL MODELO FINAL La Red Neuronal utilizada para realizar la identificacin de ncleos (N), citoplasma epitelial (C1), citoplasma subepitelial (C2) y zonas blancas (B) en las imgenes es la que se muestra en la figura 4.16.
56
K R G B
X0 X1 X2 X3
WB0 WC10
XB XC1
YB YC1 YC2 YN
WC11
XC2
WC22
XN
WN3
Fig. 4.16 Red Neuronal utilizada para hacer el reconocimiento de ncleos, citoplasma y halos blancos.
donde: X0, X1, X2 y X3 Son las entradas a la red neuronal correspondientes a una constante arbitraria K y a las componentes de color R, G, B respectivamente. Ec. (1) es la sumatoria de las entradas Xi ponderadas. e Xr Yr = (e X K ) es la salida de la capa de la red neuronal. E = [tr . ln(Yr )] tr para r = B, C1, C2, N Ec. (3) Ec. (2)
X r = ( X iWri )
i =0
es el error permitido para la red neuronal. es la salida esperada de la red neuronal. Ec. (4)
Wri ( nuevo) = Wri ( anterior ) + (tr Yr ) X i son los pesos que afectarn a cada entrada Xi y es un factor entre 0 y 1. B C1 C2 N denota zona de halos blancos. denota zona de citoplasma epitelial. denota zona de citoplasma subepitelial. denota zona de ncleos.
57
De este modelo de la red neuronal se formalizaron las expresiones matemticas para cada salida deseada. 4.5.1.2 MODELO PARTICULARIZADO A partir de las ecuaciones (1) a (4) se definieron las siguientes ecuaciones: X B = X 0WB0 + X 1WB1 + X 2WB2 + X 3WB3 X C1 = X 0WC10 + X 1WC11 + X 2WC12 + X 3WC13 X C 2 = X 0WC 20 + X 1WC 21 + X 2WC 22 + X 3WC 23 X N = X 0WN 0 + X 1WN1 + X 2WN 2 + X 3WN 3 YB = eX B (e X B + e
X C1
Ec. (5) Ec. (6) Ec. (7) Ec. (8) Ec. (9)
+e
X C1
X C2
+ eX N )
YC1 =
e (e X B + e
X C1
+e
X C2
X C2
+ eX N )
Ec. (10)
YC 2 =
e (e X B + e
X C1
+e
X C2
+ eX N )
Ec. (11)
YN =
eX N (e X B + e
X C1
+e
X C2
+ eX N )
Ec. (12) Ec. (13) Ec. (14) Ec. (15) Ec. (16) Ec. (17)
WB0 ( Nuevo ) = WB0 ( Anterior ) + (t B YB ) X 0 WB1 ( Nuevo) = WB1 ( Anterior ) + (t B YB ) X 1 WB2 ( Nuevo ) = WB2 ( Anterior ) + (t B YB ) X 2 WB3 ( Nuevo) = WB3 ( Anterior ) + (t B YB ) X 3 WC10 ( Nuevo) = WC10 ( Anterior ) + (tC1 YC1 ) X 0
58
WC11 ( Nuevo) = WC11 ( Anterior ) + (tC1 YC1 ) X 1 WC12 ( Nuevo) = WC12 ( Anterior ) + (tC1 YC1 ) X 2 WC13 ( Nuevo) = WC13 ( Anterior ) + (tC1 YC1 ) X 3 WC 20 ( Nuevo) = WC 20 ( Anterior ) + (tC 2 YC 2 ) X 0 WC 21 ( Nuevo ) = WC 21 ( Anterior ) + (tC 2 YC 2 ) X 1 WC 22 ( Nuevo) = WC 22 ( Anterior ) + (tC 2 YC 2 ) X 2 WC 23 ( Nuevo) = WC 23 ( Anterior ) + (tC 2 YC 2 ) X 3 WN 0 ( Nuevo ) = WN 0 ( Anterior ) + (t N YN ) X 0 WN1 ( Nuevo) = WN1 ( Anterior ) + (t N YN ) X 1 WN 2 ( Nuevo) = WN 2 ( Anterior ) + (t N YN ) X 2 WN 3 ( Nuevo) = WN 3 ( Anterior ) + (t N YN ) X 3 Considerando tr = 1 como valor deseado y tr = 0 en otro caso.
Ec. (18) Ec. (19) Ec. (20) Ec. (21) Ec. (22) Ec. (23) Ec. (24) Ec. (25) Ec. (26) Ec. (27) Ec. (28)
Las entradas de la red neuronal son los componentes de color R, G, B, de las muestras tomadas de la imagen de referencia, y una constante K. El valor de la constante K determina la ubicacin del hiperplano que garantiza una mejor identificacin de las clases (ncleos, citoplasma epitelial, citoplasma subepitelial y halos blancos) consideradas dentro del sistema coordenado de dimensin 4 (determinado por R, G, B y K). Dado que al realizar el entrenamiento de la red neuronal el valor de K se ajusta de acuerdo a los valores de los pesos wi obtenidos, ste se toma aleatoriamente, por lo que se eligi un valor inicial para K igual a 100.
59
4.5.1.3 PROGRAMA PARA EL ENTRENAMIENTO Para comenzar el entrenamiento, se utilizaron las muestras de ncleos, citoplasma epitelial, citoplasma subepitelial y halos blancos indicadas en las figuras 4.13, 4.14 y 4.15. Dado que los valores de las componentes de color R, G y B se encuentran en el intervalo [0,255] para evitar desbordamientos matemticos al momento de realizar el entrenamiento, fue necesario normalizar cada componente de color y la constante K de la red. La normalizacin consisti en dividir los componentes de color R, G, B y la constante K entre 255. Planteando valores iniciales arbitrarios para cada peso Wri y para se comenz el entrenamiento de la red neuronal hasta obtener los pesos Wi que logran identificar los ncleos, citoplasma y halos blancos con el error mnimo posible. Los valores iniciales para los pesos se eligieron de manera aleatoria en el intervalo (-1,1) como se muestra a continuacin: WN0 = 1 WN1 = -1 WN2 = -1 WN3 = 1 WC10 = 1 WC11 = 1 WC12 = -1 WC13 = 1 WC20 = -1 WC21 = 1 WC22 = 1 WC23 = -1 WB0 = -1 WB1 = -1 WB2 = 1 WB3 = -1
Se elabor un programa para llevar a cabo el entrenamiento de la red neuronal. Despus de algunas iteraciones, se obtuvieron los nuevos valores de los pesos, hasta obtener un error de 0.0955%. Los valores obtenidos son los siguientes: WB0 = -900 WB1 = -700 WB2 = 700 WB3 = -500 WC10 = 900 WC11 = 500 WC12 = -500 WC13 = -100 WC20 = -800 WC21 = 400 WC22 = 100 WC23 = -400 WN0 = 500 WN1 = -500 WN2 = -300 WN3 = 600
60
4.5.1.4 PROGRAMA DE IDENTIFICACION DE ZONAS Con los ltimos pesos obtenidos, se dise un algoritmo en el cual, dada una imagen histolgica, se aplicaron sus componentes de color a la red neuronal. A continuacin, se analiz la salida de la red neuronal para verificar la identificacin de ncleos, cada uno de los dos tipos de citoplasma y los halos blancos, generando una imagen caracterizada como se aprecia en la figura 4.17.
a)
b)
Fig. 4.17 Caracterizacin de ncleos, citoplasmas y halos blancos. a) imagen original b) Imagen procesada.
Posteriormente se realizaron pruebas con otras imgenes para observar si el funcionamiento del proceso de caracterizacin era correcto. En las figuras 4.18 y 4.19 se muestran algunas de ellas:
a)
b)
Fig. 4.18 Caracterizacin de ncleos, citoplasmas y halos blancos. a) imagen original, b) imagen procesada.
61
a)
b)
Fig. 4.19 Caracterizacin de ncleos, citoplasmas y halos blancos. a) imagen original, b) imagen procesada.
4.5.2 CONCENTRACION DE NUCLEOS, CITOPLASMA Y HALOS BLANCOS EN IMAGENES HISTOLOGICAS Con las imgenes caracterizadas se calcul el porcentaje de concentracin de ncleos y el de citoplasma dentro de un rea definida por el usuario, como se muestra en la figura 4.20. Los porcentajes se obtienen realizando un conteo de ncleos, citoplasma y halos blancos presentes en la zona delimitada; tomando como 100% el total de pxeles dentro de la zona se calcula el porcentaje correspondiente a ncleos, citoplasma y halos blancos.
Fig. 4.20 Imagen en la que se ha seleccionado un rea especfica para realizar el anlisis.
Al realizar el anlisis de la regin indicada en la figura 4.20 se obtuvieron como resultados: 25.3112 % de concentracin de ncleos y 74.68879 % de concentracin de citoplasma.
62
Con esta operacin es posible obtener la informacin de los porcentajes de concentracin de ncleos y de citoplasma en cualquier regin, seleccionada previamente segn el criterio del especialista, sobre la imagen que se est analizando. 4.5.3 LOCALIZACION DE LA LINEA BASAL Y LA REGION EXTERNA La regin de anlisis se puede acotar por una lnea en la zona basal (la que se le llam lnea basal), es decir, la zona donde las clulas nacen, y una lnea en la zona externa (la cual se le llam lnea externa), es decir, la zona donde las clulas mueren y se descaman. Esta regin se seccion en tres partes iguales para comenzar el anlisis por tercios. La lnea externa puede localizarse realizando un barrido a lo largo de un segmento vertical sobre la imagen, de manera que al detectar un cambio de la regin blanca a citoplasma epitelial se traza la lnea en esa posicin del segmento. Recorriendo el segmento horizontalmente sobre toda la imagen y repitiendo este proceso se obtiene finalmente la lnea de inters. Para la deteccin de la lnea basal se requiere de un anlisis ms complicado, ya que el procedimiento anterior no resulta eficiente para localizar esta lnea. Por esta razn, se dise un nuevo mtodo para la deteccin de la lnea basal que consiste en analizar la imagen por segmentos verticales. Se recorre verticalmente una ventana en el segmento y se calcula la concentracin de ncleos y citoplasma dentro de la ventana, de manera que, cuando se detecta que la cantidad de ncleos excede a la de citoplasma epitelial se traza una lnea en ese punto de la ventana. La Figura 4.21 muestra el resultado obtenido.
a)
b)
Fig. 4.21 Deteccin de la lnea externa y la lnea basal a) En la imagen original b) En la imagen caracterizada.
63
Sin embargo, con este procedimiento no se logr la identificacin de la lnea basal para algunas imgenes. Por esta razn se decidi disear otro procedimiento para de detectar la lnea basal en diferentes imgenes analizadas. La deteccin de la lnea externa en diferentes imgenes se realiz de manera que produjo mejores resultados de los esperados, por lo que se tom como referencia para comenzar el anlisis debajo de ella para la deteccin de la lnea basal. Para lograr la identificacin de la lnea basal se decidi trabajar con el empleo de filtros digitales o mscaras. Despus de probar con los filtros Roberts, Prewitt y Sobel, se decidi utilizar la mscara de Sobel para la deteccin de bordes verticales, ya que este present mejores resultados en las imgenes analizadas que los dems. Esta mscara se muestra en la figura 4.22.
-1 -2 -1
0 0 0
1 2 1
Fig.4.22 Mscara de Sobel para la deteccin de bordes verticales.
Con la imagen resultante de aplicar esta mscara, se procedi a convertir la imagen en una imagen binaria, con el propsito de manejar, dos niveles de gris conocidos. Los resultados de aplicar esta mscara a diferentes imgenes se muestran en las figuras 4.23, 4.24 y 4.25.
a) Fig. 4.23 Empleo de la mscara de Sobel. a) Imagen original
b)
b) Imagen resultante.
64
a) Fig. 4.24 Empleo de la mscara de Sobel. a) Imagen original
b) b) Imagen resultante.
a)
b)
Fig. 4.25 Empleo de la mscara de Sobel. a) Imagen original b) Imagen resultante.
Con las ltimas imgenes obtenidas y teniendo como referencia la lnea externa, se comenz un anlisis por segmentos verticales, de manera que, en las zonas blancas (correspondientes a los ncleos de la imagen original) con mayor concentracin se traz la lnea basal. Los resultados que se obtuvieron son los que se muestran en las figuras 4.26, 4.27 y 4.28.
b) b) Fig. 4.26 Deteccin de la lnea basal y externa a) en la imagen original b) en la imagen caracterizada.
a)
65
a)
b)
Fig. 4.27 Deteccin de la lnea basal y externa a) en la imagen original b) en la imagen caracterizada.
a)
b)
Fig. 4.28 Deteccin de la lnea basal y externa a) en la imagen original b) en la imagen caracterizada.
Aunque, con los ltimos valores obtenidos para los pesos Wi de la red neuronal se logr la caracterizacin de las imgenes histolgicas, se decidi realizar una mejora en la caracterizacin de las imgenes. Por esta razn se procedi a cambiar los valores iniciales de los pesos (Wri), tomando los ltimos valores obtenidos en el primer entrenamiento de la red neuronal, indicados en la seccin 4.5.1.3, se volvi a realizar el entrenamiento de la red neuronal. Despus de realizar nuevamente el entrenamiento de la red neuronal con estos nuevos valores de los pesos Wri y de realizar de nuevo la caracterizacin de ncleos, citoplasmas y halos blancos, la deteccin de las lneas externa y basal fue mas aproximada que la obtenida anteriormente. Los nuevos valores de los pesos Wri son: WN0 =1362.29168363288 WN1 =1482.3244360704 WN2 =1335.10504061356 WN3 =2418.21371921152 WC10 =1739.81220837124 WC11 =2266.21922905743 WC12 =1008.45594779123 WC13 =1694.63366906345 66
WC20 =123.479017239762 WC21 =2229.6904059127 WC22 =2355.32248985022 WC23 =1361.6153334938
WB0 =239.593565541087 WB1 =1647.46240813844 WB2 =2507.78711223602 WB3 =1759.43256416731
Esta nueva consideracin se refleja en las imgenes de la Fig. 4.29.
Fig. 4.29 Imgenes con la regin de anlisis acotada por la lnea basal y externa.
Una vez que se ha localizado la regin de inters para realizar el anlisis y de haber dividido esta regin en tres partes iguales, es posible realizar un anlisis similar al que realiza el especialista. El programa despliega una grfica en la que se indica el comportamiento de la relacin ncleo/citoplasma (N/C) a lo largo de las tres regiones, en la misma direccin de anlisis realizado por los mdicos. Esta relacin N/C se obtiene dividiendo la concentracin existente de ncleos en una lnea vertical, correspondiente a un punto en la imagen, entre la concentracin de citoplasma existente sobre la misma lnea. El programa toma la distancia acotada por las lneas externa y basal correspondiente al punto seleccionado por el usuario. Esta distancia es tomada como el 100%. De acuerdo con el anlisis realizado por el especialista, se divide esta distancia en tres partes y se calcula la cantidad presente de citoplasma y ncleos. Enseguida se calcula la relacin ncleos/citoplasma comenzando de la lnea basal hacia la externa (del primer tercio hacia el tercero). Esta informacin es calculada y desplegada en forma grfica. La figura 4.30 muestra un ejemplo de esta grfica obtenida despus de seleccionar un punto dentro de la regin de inters en una imagen bajo estudio.
67
Fig. 4.30 Grafica de la relacin N/C en un punto seleccionado previamente en la imagen que se analiza.
4.6 LA INTERFAZ DE USUARIO 4.6.1 ESPECIFICACIONES La interfaz de usuario se dise de manera que sea sencilla de utilizar, las primeras versiones de sta nicamente se utilizaron para realizar las pruebas de los algoritmos ya mencionados, pero progresivamente se le adicionaron funciones que facilitaron su operacin. Estas funciones son: Un men principal. Desplegado de la grfica ncleos/citoplasma N/C. Trazado de la lnea basal y la lnea externa. Desplegado de la informacin de los resultados obtenidos.
4.6.1.1 LA FUNCION PROCESAR Esta funcin se encarga de realizar la identificacin de los ncleos, los citoplasmas y los halos blancos. Este botn debe presionarse inmediatamente despus de abrir el archivo que contiene la imagen; de no hacer esto no se podrn ejecutar las funciones de anlisis, contenidas en el men principal (Ver Fig. 4.31). 68
Fig. 4.31 La Funcin Procesar.
4.6.1.2 EL MENU PRINCIPAL El men principal est compuesto de tres funciones principales: 1 Archivo Esta funcin a su vez se subdivide en las siguientes funciones (Fig. 4.32):
Fig. 4.32 La Funcin Archivo.
a) Abrir: Abre un archivo de una imagen histolgica en formato mapa de bits (bmp), la cual ser procesada. Al momento de abrir la imagen, sta es normalizada con respecto a la imagen de referencia, de acuerdo con lo establecido anteriormente, de manera que todas las imgenes a procesar tengan un patrn estndar en los niveles de R, G y B.
69
b) Guardar: Guarda en un archivo la imagen procesada, en formato mapa de bits (bmp), para conservarla en un expediente til para el especialista. c) Guardar Como: Guarda la imagen procesada, en formato bmp, con otra identificacin si as se desea. d) Cerrar. Termina con la operacin de la herramienta. 2 Edicin Esta funcin a su vez se subdivide en tres funciones (Fig. 4.33):
Fig. 4.33 La Funcin Edicin.
a) Desplegar: Despliega las lneas exterior y basal para acotar la regin de anlisis, despus de que se han identificado los ncleos, citoplasmas y halos blancos. b) Anlisis: Despliega la concentracin de ncleos, citoplasma y halos blancos dentro de un rea especfica de la regin de anlisis. Adems en la barra de estado se despliegan las coordenadas de la regin seleccionada. c) Graficar: Despliega la grfica correspondiente a la relacin N/C a lo largo de la regin de anlisis, seccionada en tres partes iguales, despus de seleccionar un punto dentro de esta regin; comenzando con el primer tercio (Zona interna) hasta el tercero (Zona externa), de manera similar como lo realiza el especialista. No es posible ejecutar estas funciones si no se ha realizado la identificacin de ncleos, citoplasmas y halos blancos.
70
Imagen Esta funcin se subdivide en una funcin (Fig. 4.34):
Fig. 4.34 La Funcin Imagen.
Recuperar. Recupera la imagen original para realizar nuevamente el anlisis y confirmar resultados, si as se desea. La pantalla de esta interfaz de usuario se muestra en las figuras 4.35 y 4.36 en las que se presentan algunos casos especficos de su funcionamiento.
71
Fig. 4.35 Interfaz de usuario en la que se muestra el men principal.
Fig. 4.36 Interfaz de usuario en la que se muestra la grfica de la relacin N/C con las tres zonas en la regin de anlisis.
72
APITULO
EXPERIMENTACION
En este captulo se presenta la experimentacin del sistema desarrollado, el cual tiene como objetivos: Caracterizar las imgenes histolgicas de biopsias cervicales. Realizar un anlisis similar al realizado por los mdicos especialistas. Proporcionar resultados cuantitativos para apoyar el diagnstico del cncer crvico-uterino.
Con las pruebas realizadas se evalu el desempeo, la eficiencia y robustez del sistema. 5.1 FASE DE PRUEBAS Para realizar las pruebas de los objetivos planteados se comenz por la seleccin de las imgenes que cumplieron con los requisitos de iluminacin y dimensin. Mediante el apoyo de un escner se digitalizaron fotografas de biopsias cervicales para diferentes casos de displasias; todas las imgenes adquiridas se ajustaron a las mismas dimensiones, las dimensiones fueron de 200 x 138 pxeles. Una vez digitalizadas las imgenes se comenz con la fase de pruebas del sistema. Haciendo uso de las funciones del men principal de la interfaz de usuario del sistema se realiz lo siguiente: Se abri el archivo correspondiente a la imagen a caracterizar, en esta etapa de adquisicin se prob la funcin abrir con diferentes archivos de imgenes histolgicas para asegurar que su funcionamiento fuera correcto durante la ejecucin del sistema. Al mismo tiempo se verific la normalizacin de las imgenes con respecto a la imagen de referencia.
V Experimentacin
Posteriormente se verific la funcin procesar, verificando que la caracterizacin de la imagen fuera correcta. Tambin se tom el tiempo de ejecucin de esta funcin. A continuacin se probaron las funciones Analizar, Desplegar y Graficar y se analizaron los resultados obtenidos. 5.2 RESULTADOS 5.2.1 LA FUNCION ABRIR La etapa de normalizacin de las imgenes se realiza en el momento de abrir un archivo que contiene la imagen histolgica a procesar, las figuras 5.1, 5.2, 5.3 y 5.4 muestran ejemplos de algunas imgenes normalizadas.
a)
b)
Fig. 5.1 Normalizacin de una imagen a) Imagen Original b) Imagen Normalizada.
a)
b)
74
V Experimentacin
a)
b)
a)
b)
Fig. 5.4 Normalizacin de imgenes a) Imagen Original b) Imagen Normalizada.
En la figura 5.1a) se muestra una imagen oscura, la cual despus de realizar su normalizacin, mediante la ejecucin de la funcin abrir, se obtiene una imagen clara Fig. 5.1 b). Las figuras 5.2 a 5.4 se tienen originalmente imgenes claras (izquierda), despus de realizar su normalizacin se obtienen ms oscuras (derecha).
75
V Experimentacin
5.2.2 LA FUNCION PROCESAR A continuacin se realizaron pruebas con la funcin Procesar para realizar la caracterizacin de las imgenes. Las figuras 5.5 a 5.8 muestran los resultados obtenidos.
a)
b)
Fig. 5.5 a) Imagen Normalizada b) Imagen caracterizada.
a)
b)
a)
b)
Fig. 5.7 a) Imagen Normalizada b) Imagen caracterizada. Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas
76
V Experimentacin
a)
b)
Las figuras 5.5 a 5.8 presentan algunos ejemplos de los resultados obtenidos de la caracterizacin de las imgenes normalizadas. Ntese que los ncleos se han resaltado en color negro, mientras que los citoplasmas se han presentado en dos tonalidades de gris. El tiempo promedio de caracterizacin de las imgenes es aproximadamente 17 segundos. 5.2.3 LA FUNCION ANALISIS Despus de realizar la caracterizacin de las imgenes se prob la funcin Analizar para obtener los porcentajes de concentracin de ncleos y citoplasma dentro de un rea definida. Se seleccion un rea especfica sobre la imagen original con el apoyo del mouse. Inmediatamente es desplegada la concentracin de ncleos y de citoplasma dentro del rea seleccionada. En la barra de estado se indican las coordenadas de la regin seleccionada. Algunos ejemplos de los resultados obtenidos utilizando esta funcin se indican en las figuras 5.9, 5.10, 5.11 y 5.12.
77
V Experimentacin
Fig. 5.9 Seleccin de una regin de anlisis sobre la imagen original bajo estudio.
La Fig. 5.9 indica que la regin seleccionada no contiene ncleos, pero si existe citoplasma epitelial.
La Fig. 5.10 muestra que la regin seleccionada sobre la imagen contiene una mayor concentracin de citoplasma y un mnimo porcentaje de ncleos.
78
V Experimentacin
La Fig. 5.11 muestra que la regin seleccionada contiene una mnima concentracin de ncleos (0.5%) en comparacin con la concentracin de citoplasma.
De igual manera la Fig. 5.12 indica que en la regin seleccionada en la imagen predomina la concentracin de citoplasma (99.7%) ante una concentracin pequea de ncleos (0.225%).
79
V Experimentacin
5.2.4 LA FUNCION DESPLEGAR Con la imagen caracterizada tambin se prob la funcin Desplegar para localizar la lnea basal y la lnea externa y poder realizar el anlisis por tercios, similar al realizado por los especialistas. Se hizo la comparacin entre la regin esperada con la obtenida por el sistema. Las Figuras 5.13 a 5.17 muestran ejemplos de la ubicacin de la lnea basal y la lnea externa esperada y la obtenida por el sistema sobre la imagen bajo estudio.
a)
b)
Fig. 5.13 Imagen de un tejido normal a) regin de anlisis esperada b)regin de anlisis obtenida.
a)
b)
Fig. 5.14 Displasia con la regin de anlisis a) esperada b) obtenida por el sistema.
80
V Experimentacin
a)
b)
a)
b)
a)
b)
Fig. 5.17 Displasia con la regin de anlisis a)esperada b) obtenida por el sistema.
81
V Experimentacin
De acuerdo al criterio del especialista, las variaciones obtenidas en la identificacin de la regin de anlisis son poco significativas por lo que es posible realizar el anlisis. 5.2.5 LA FUNCION GRAFICAR Despus de haber identificado la lnea basal y la lnea externa se prob la funcin Graficar, con esta funcin se obtiene la grfica correspondiente a la relacin N/C a lo largo de la regin, acotada por estas lneas, seccionada en tres partes. En un tejido en condiciones normales la grfica de la relacin N/C tiene un comportamiento exponencial como se muestra en la figura 5.18.
Fig. 4.18 Comportamiento exponencial de la relacin N/C para un tejido normal.
La Fig. 5.18 indica que en el primer tercio de la regin de anlisis existen ncleos en mayor concentracin que citoplasma, al avanzar al segundo tercio la cantidad de ncleos disminuye aumentando la de citoplasma. Finalmente en el ltimo tercio se tiene ausencia de ncleos. En las figuras 5.19 a 5.22 se muestran ejemplos de grficas obtenidas para diferentes casos en algunas imgenes bajo estudio.
82
V Experimentacin
Fig. 5.19 Grfica N/C de la imagen bajo estudio en la coordenada indicada.
La grfica de la Fig. 5.19 indica que en el punto donde se eligi realizar el anlisis, indicado en la barra de estado, existe mayor citoplasma que ncleos, mantenindose esta relacin casi constante en los tres tercios. Esto quiere decir que el punto elegido se encuentra en una regin infectada por VPH.
83
V Experimentacin
La figura 5.20 muestra que la posicin de anlisis seleccionada contempla que en el primer tercio se tiene mayor concentracin de ncleos, al avanzar al segundo tercio se observa que la cantidad de ncleos disminuye, sin embargo, en el ltimo tercio la cantidad de ncleos se mantiene constante; esto indica que existe una invasin de ncleos en la ltima capa de la regin de anlisis, en este caso se presenta una displasia severa.
84
V Experimentacin
De igual manera la grfica presente en la Fig. 5.21indica invasin de ncleos en los tres tercios, es decir, displasia severa.
85
V Experimentacin
La grfica de la figura 5.22 muestra que en el punto seleccionado el primer tercio contiene mayor concentracin de ncleos, en el segundo esta cantidad disminuye y en el ltimo desaparecen. En este punto se tiene un tejido sano. 5.3 ANALISIS DE RESULTADOS Con los resultados mencionados es posible afirmar que el sistema desarrollado tiene un buen desempeo en la caracterizacin de imgenes histolgicas, para apoyar el diagnstico del padecimiento del cncer crvico uterino. El objetivo principal de este trabajo se cumpli al obtenerse un porcentaje satisfactorio de efectividad en la caracterizacin de las imgenes. El porcentaje de error obtenido en la ubicacin de la lnea basal y la lnea externa es poco significativo, esto hace que la informacin proporcionada por el sistema sea confiable para realizar un diagnstico con mayor certidumbre.
86
C
6.1 INTRODUCCION
APITULO
VI
CONCLUSIONES
En el presente captulo se presentan las conclusiones generales de este trabajo as como su aportacin o contribucin en el procesamiento digital de imgenes histolgicas para la deteccin del cncer crvico-uterino. Tambin se mencionan los trabajos futuros a realizar para mejorar el funcionamiento del sistema. 6.2 CONCLUSIONES El trabajo realizado consisti en el desarrollo de un sistema de procesamiento digital de imgenes histolgicas como una herramienta computacional que permita la caracterizacin de las mismas. Con el propsito de apoyar al especialista en el diagnstico del cncer crvico-uterino; al realizarse el estudio de las imgenes histolgicas, esta herramienta proporciona informacin cuantitativa, que ayuda al especialista a emitir un diagnstico con mayor certidumbre en la deteccin temprana, la presencia o ausencia del cncer crvicouterino. Esta herramienta implanta un proceso matemtico basado en tcnicas de procesamiento digital de imgenes y de un algoritmo computacional diseado para ser operado por los especialistas. El algoritmo se estructur de manera que realiza la caracterizacin cuantitativa de imgenes histolgicas de muestras de biopsias con displasias, obtenidas con el propsito de analizar a detalle la posible formacin de cncer crvico-uterino. El algoritmo desarrollado considera el procedimiento de evaluacin empleado por los especialistas. Al momento de obtener las imgenes de fotografas correspondientes a las biopsias se observ que es muy importante:
VI Conclusiones
Tener una resolucin de 256 colores. La iluminacin en las imgenes debe ser homognea. Considerar un rea que contenga las tres regiones de anlisis (interna, intermedia y externa). Las dimensiones de las imgenes deben ser de 200 x 138 pxeles.
Una eleccin inadecuada de estas caractersticas genera confusin al realizar el anlisis y como consecuencia un diagnstico errneo. Para el desarrollo de la herramienta se utiliz el lenguaje de programacin Delphi. Se seleccion la tcnica de redes neuronales artificiales para la identificacin de ncleos, citoplasma epitelial, citoplasma subepitelial y halos blancos en la regin de anlisis. Para realizar la identificacin de la lnea basal y la lnea externa se emple el mtodo de mscaras o filtros digitales. Para garantizar la efectividad del sistema, tomando en cuenta el conocimiento subjetivo de los especialistas, se compararon los resultados obtenidos con los esperados por el especialista. Por otro lado, la grfica de la relacin ncleos/citoplasma de un tejido normal tiene un comportamiento exponencial (Fig. 6.1). Al comparar esta grfica con la obtenida por el sistema despus de procesar esta imagen se observ una tendencia exponencial similar a la esperada (Fig. 6.2).
88
V Conclusiones
Fig. 6.1 Relacin ncleos/citoplasma de una imagen de un tejido normal.
Fig. 6.2 Comparacin de la relacin ncleos/citoplasma medida contra la esperada de una imagen de tejido normal.
Se analizaron alrededor de 30 imgenes histolgicas de biopsias cervicales diferentes, obteniendo resultados satisfactorios en la mayora de ellas, por lo que, al comparar los resultados obtenidos con los deseados, se estima un
89
V Conclusiones
95% de efectividad del anlisis de las imgenes propuesto. Es indispensable que las imgenes tengan la regin del epitelio completa para obtener resultados fiables. El tiempo de ejecucin de la herramienta para la identificacin de las clulas, citoplasma epitelial, citoplasma subepitelial y zonas blancas en una PC con procesador Pentium III a 500 MHz fue de 17 segundos aproximadamente, despus de que se ha abierto el archivo de la imagen digitalizada. Los resultados obtenidos indican que el uso de tcnicas de inteligencia computacional pueden proporcionar informacin cuantitativa til para los especialistas para apoyar los informes de diagnstico. Aunque el sistema realizado est en su fase de prototipo de laboratorio, cuenta con el diseo, con una interfaz de usuario interactiva para su ejecucin en una PC, en plataforma de Windows, en un laboratorio de anlisis clnico. El laboratorio debe contar con un microscopio con una capacidad de amplificacin fija de 10X, y una cmara acoplada. 6.3 APORTACION DEL TRABAJO Con la finalidad de contribuir a la lucha para disminuir el nmero de muertes de mujeres debido al padecimiento de cncer crvico-uterino, se elabor una herramienta computacional como apoyo en el anlisis de imgenes histolgicas. Esta herramienta est constituida por un programa de cmputo capaz de distinguir de manera cuantificable entre clulas normales y clulas anormales mediante el empleo de tcnicas de procesamiento digital de imgenes. De tal forma que el especialista cuente con mayor informacin que le permita emitir un diagnstico con mayor grado de certidumbre y decidir el tratamiento correspondiente. El sistema desarrollado es fcil de utilizar ya que proporciona informacin cuantitativa de las imgenes histolgicas, de inters al especialista. Esta informacin le permite al especialista emitir su diagnstico en la deteccin del cncer crvico-uterino con un error mnimo en la identificacin de los ncleos, citoplasmas epitelial y subepitelial y halos blancos. 6.4 TRABAJOS FUTUROS Debido a la tincin, el citoplasma epitelial puede confundirse con el citoplasma subepitelial o viceversa, lo que ocasiona que se produzcan errores, poco significativos segn el criterio del especialista, al realizar la identificacin de citoplasmas en la imagen bajo estudio. Como trabajos futuros, se propone el desarrollo de nuevos algoritmos para obtener la dimensin de los ncleos y
90
V Conclusiones
aproximar an ms la lnea basal para averiguar si las clulas malignas invaden el tejido interior. Realizando algunas modificaciones al sistema, es posible analizar imgenes histolgicas de biopsias de tejidos de otras partes del cuerpo infectados por VPH para la deteccin de cncer; siempre que las imgenes renan las caractersticas, ya mencionadas, de iluminacin, dimensin y rea abarcada de la muestra. Obteniendo informacin de manera grfica de la relacin entre dos clases u objetos de inters de la imagen, a lo largo de un segmento vertical sobre la imagen.
91
REFERENCIAS
[1] Magadn, 1999 Magadn Salazar Andrea. Reconocimiento de Rostros Invariante a Expresiones Faciales. (Maestra en Ciencias en Ciencias Computacionales; Cuernavaca, Morelos; Centro Nacional de Investigacin y Desarrollo Tecnolgico, 1999). [2] Gonzlez, 1996 Gonzlez R. C. [y] R. E. Woods, Tratamiento Digital de Imgenes. (Estados Unidos, Addison Wesley. 1996). [3] Velarde, 1998 Velarde Martnez Apolinar. Sistema de Visin Artificial para la Verificacin del Llenado de Recipientes no Opacos Utilizando Redes Neuronales Artificiales, (Maestra en Ciencias en Ciencias Computacionales; Cuernavaca, Morelos; Centro Nacional de Investigacin y Desarrollo Tecnolgico, 1998). [4] Maravall, 1994 Maravall Daro [y] Gmez-Allende. Reconocimiento de Formas y Visin Artificial.(Estados unidos, Addison Wesley iberoamericana, 1994). [5] National Cancer Institute, La prueba Papanicolaou. Fecha de consulta: 12 de Septiembre del 2002 en http://amon.dsic.upv.es/eutistm/medical_spa/news/medi11b.htm [6] AEPCC, El cncer cervical. Fecha de consulta: 30 de Agosto del 2002 en: http://www.aepcc.org/presentacin.html [7] Registro Histopatolgico de Neoplasias Malignas en Mxico. Epidemiologa, Direccin General de Epidemiologa, S.S.A., ISBN 968-811-620-3 1988, pp. 43-53. [8] National Cancer Institute NCI, Cervical Cancer (PDQ): Screening. Fecha de consulta: 30 de Agosto del 2002 en http://cancer.gov [9] National Cancer Institute, Lo que usted necesita saber del cncer de cerviz. Fecha de consulta: 30 de Agosto del 2002 en Http: //cancernet.nci.nih.gov [10] National Cancer Institute NCI, Cancer del cuello uterino. Fecha de consulta 30 de Agosto del2002 en http://rex.ncih.gov/NCI_PUB_Interface/La_prueba_Pap/quesla.html
Referencias
[11] Salazar,1994 Salazar Jaime. Redes Neuronales. Instituto Tecnolgico de Toluca. (Congreso Internacional de Investigacin en Ciencias Computacionales, 1994). [12] IFS, Neuronal Net Tutorial. Fecha de consulta: 26 de Julio del 2000 en http://www.ifsys.co.uk/html/tutorial.html
93
APENDICE A
LISTADO DEL PROGRAMA
En este Anexo se presenta el listado del programa que se elabor para llevar a cabo la caracterizacin de las imgenes histolgicas. El sistema se desarroll en lenguaje Delphi, ya que ste permite construir de manera sencilla y rpida nuevos programas llamados aplicaciones, a dems de ser econmico y de fcil adquisicin en el mercado. unit Analisis; interface uses Windows, Messages, SysUtils, Classes, Graphics, Controls, Forms, Dialogs, StdCtrls, Buttons, ExtCtrls, ComCtrls, Menus; type TForm1 = class(TForm) Image1: TImage; Image2: TImage; Button1: TButton; OpenDialog1: TOpenDialog; Image3: TImage; Image4: TImage; Image5: TMenuItem; Image6: TImage; Image7: TImage; Graphic1: TMenuItem; StatusBar1: TStatusBar; MainMenu: TMainMenu; File1: TMenuItem; Open1: TMenuItem; Save1: TMenuItem; Edit: TMenuItem; Display1: TMenuItem; Analisis1: TMenuItem; Redraw1: TMenuItem;
Apndice A
PaintBox1: TPaintBox; SaveAs1: TMenuItem; Close1: TMenuItem; Label1: TLabel; Label2: TLabel; Label3: TLabel; Label4: TLabel; Label5: TLabel; Label6: TLabel; Label7: TLabel; Label8: TLabel; Label9: TLabel; Label10: TLabel; Label11: TLabel; Label12: TLabel; Label13: TLabel; SaveDialog1: TSaveDialog; procedure FormCreate(Sender: TObject); procedure Button1Click(Sender: TObject); procedure Image1MouseDown(Sender: TObject; Button: TMouseButton; Shift: TShiftState; X, Y: Integer); procedure Image1MouseUp(Sender: TObject; Button: TMouseButton; Shift: TShiftState; X, Y: Integer); procedure Image1MouseMove(Sender: TObject; Shift: TShiftState; X, Y: Integer); procedure Save1Click(Sender: TObject); procedure Analisis1Click(Sender: TObject); procedure Display1Click(Sender: TObject); procedure Graphic1Click(Sender: TObject); procedure Redraw1Click(Sender: TObject); procedure Open1Click(Sender: TObject); procedure Close1Click(Sender: TObject); procedure SaveAs1Click(Sender: TObject); private { Private declarations } public { Public declarations } Drawing: Boolean; Selecting: Boolean; Origin, MovePt: TPoint; Final: TPoint; CurrentFile: String; end; var Form1: TForm1; ancho,alto : Integer;
Tcnicas de procesamiento digital para la carcterizacin de imgenes histolgicas
95
Apndice A
K: Real; WN0,WN1,WN2,WN3,WC10,WC11,WC12,WC13,WC20,WC21,WC22,WC23, WB0,WB1,WB2,WB3: Real; Col,R,G,B,SN,SC: Integer; A,D,GR,P: Boolean; implementation {$R *.DFM} procedure TForm1.FormCreate(Sender: TObject); begin ancho:=Image1.Width; alto:=Image1.Height; K:=100/255; WN0:=1362.29168363288; WN1:=1482.3244360704; WN2:=1335.10504061356; WN3:=2418.21371921152; WC10:=1739.81220837124; WC11:=2266.21922905743; WC12:=1008.45594779123; WC13:=1694.63366906345; WC20:=123.479017239762; WC21:=2229.6904059127; WC22:=2355.32248985022; WC23:=1361.6153334938; WB0:=239.593565541087; WB1:=1647.46240813844; WB2:=2507.78711223602; WB3:=1759.43256416731; Selecting:=False; SC:=0; SN:=0; D:=False;; A:=False; GR:=False; P:=False; Label5.Visible:=False; Label6.Visible:=False; end; {Procedimiento para la funcin procesar} procedure TForm1.ProcesarClick(Sender: TObject); var I,J,M,R,G,B,Col,C :Integer; XN,XC1,XC2,XB,YN,YC1,YC2,YB, Re, Ge, Be : Real; E: Extended; begin Screen.Cursor:=CrHourGlass; Image2.Width:=ancho; Image2.Height:=alto; Image3.Width:=ancho; Image3.Height:=alto;
96
Apndice A
Image4.Width:=ancho; Image4.Height:=alto; C:=0; Repeat Begin For J:=1 to alto do Begin For I:=1 to C+15 do Begin Col:=Image1.Canvas.Pixels[I,J]; R:=(Col and $000000FF); G:=(Col and $0000FF00) shr 8; B:=(Col and $00FF0000) shr 16; Re:=R/255; Ge:=G/255; Be:=B/255; XN:=(K*WN0)+(Re*WN1)+(Ge*WN2)+(Be*WN3); XC1:=(K*WC10)+(Re*WC11)+(Ge*WC12)+(Be*WC13); XC2:=(K*WC20)+(Re*WC21)+(Ge*WC22)+(Be*WC23); XB:=(K*WB0)+(Re*WB1)+(Ge*WB2)+(Be*WB3); E:= Exp(XN)+Exp(XC1)+Exp(XC2)+Exp(XB); YN:=Exp(XN)/E; YC1:=Exp(XC1)/E; YC2:=Exp(XC2)/E; YB:=Exp(XB)/E; If (YN>YC1) and (YN>YC2) and (YN>YB) Then Begin Image2.Canvas.Pixels[I,J]:=$00000000; Image3.Canvas.Pixels[I,J]:=$00FF0000; End Else If (YC1>YN) and (YC1>YC2) and (YC1>YB) Then Begin Image2.Canvas.Pixels[I,J]:=$00808080; Image3.Canvas.Pixels[I,J]:=$000000FF; End Else If (YC2>YN) and (YC2>YC1) and (YC2>YB) Then Begin Image2.Canvas.Pixels[I,J]:=$00C0C0C0; Image3.Canvas.Pixels[I,J]:=$00FFCCFF; End Else If (YB>YN) and (YB>YC1) and (YB>YC1) Then Begin Image2.Canvas.Pixels[I,J]:=$00F0F0F0; Image3.Canvas.Pixels[I,J]:=$00F0F0F0;
97
Apndice A
End Else Begin Image2.Canvas.Pixels[I,J]:=$00FFFFFF; Image3.Canvas.Pixels[I,J]:=$00FF0000; End; End; End; C:=C+15; End; Until C>=ancho; Image4.Picture:=Image3.Picture; Screen.Cursor:=CrDefault; P:=True; end; {Procedimiento ejecutado al pulsar el botn izquierdo del mouse sobre la imagen1} procedure TForm1.Image1MouseDown(Sender: TObject; Button: TMouseButton; Shift: TShiftState; X, Y: Integer); Var Nt,Ct,Li,Ls,I,Val,ZA,FE,XB,YB:Integer; begin If A Then Begin Drawing:= True; Image1.Canvas.Brush.Style:= bsClear; Image1.Canvas.MoveTo(X,Y); Image7.Canvas.Brush.Style:=bsClear; Image7.Canvas.MoveTo(X,Y); Origin:=Point(X,Y); MovePt:=Origin; StatusBar1.Panels[0].Text:=Format('Origin: (%d,%d)', [X,Y]); End; if GR then Begin Repaint(); Origin:=Point(X,Y); StatusBar1.Panels[0].Text:=Format('Point: (%d,%d)', [X,Y]); NT:=0; Li:=0; Ls:=0; CT:=0; For I:=alto downto 1 do Begin Val:=Image3.Canvas.Pixels[Origin.X,I]; if Val=$0000FFFF then Li:=I
98
Apndice A
else if Val=$0000FF00 then Begin Ls:=I; Break; End; End; ZA:=Li-Ls; if (ZA<>0) and ((Origin.Y)<Li) and ((Origin.Y)>Ls) then Begin PaintBox1.Canvas.MoveTo(2,0); PaintBox1.Canvas.LineTo(2,200); PaintBox1.Canvas.MoveTo(0,199); PaintBox1.Canvas.LineTo(269,199); PaintBox1.Canvas.Pen.Style:=psdot; PaintBox1.Canvas.MoveTo(89,0); PaintBox1.Canvas.LineTo(89,200); PaintBox1.Canvas.MoveTo(179,0); PaintBox1.Canvas.LineTo(179,200); PaintBox1.Canvas.MoveTo(269,0); PaintBox1.Canvas.LineTo(269,200); PaintBox1.Canvas.Pen.Style:=psSolid; PaintBox1.Canvas.MoveTo(0,1); PaintBox1.Canvas.LineTo(5,1); PaintBox1.Canvas.MoveTo(0,10); PaintBox1.Canvas.LineTo(5,10); PaintBox1.Canvas.MoveTo(0,20); PaintBox1.Canvas.LineTo(5,20); PaintBox1.Canvas.MoveTo(0,30); PaintBox1.Canvas.LineTo(5,30); PaintBox1.Canvas.MoveTo(0,40); PaintBox1.Canvas.LineTo(5,40); PaintBox1.Canvas.MoveTo(0,50); PaintBox1.Canvas.LineTo(5,50); PaintBox1.Canvas.MoveTo(0,60); PaintBox1.Canvas.LineTo(5,60); PaintBox1.Canvas.MoveTo(0,70); PaintBox1.Canvas.LineTo(5,70); PaintBox1.Canvas.MoveTo(0,80); PaintBox1.Canvas.LineTo(5,80); PaintBox1.Canvas.MoveTo(0,90); PaintBox1.Canvas.LineTo(5,90); PaintBox1.Canvas.MoveTo(0,100); PaintBox1.Canvas.LineTo(5,100); PaintBox1.Canvas.MoveTo(0,110); PaintBox1.Canvas.LineTo(5,110); PaintBox1.Canvas.MoveTo(0,120); PaintBox1.Canvas.LineTo(5,120);
99
Apndice A
PaintBox1.Canvas.MoveTo(0,130); PaintBox1.Canvas.LineTo(5,130); PaintBox1.Canvas.MoveTo(0,140); PaintBox1.Canvas.LineTo(5,140); PaintBox1.Canvas.MoveTo(0,150); PaintBox1.Canvas.LineTo(5,150); PaintBox1.Canvas.MoveTo(0,160); PaintBox1.Canvas.LineTo(5,160); PaintBox1.Canvas.MoveTo(0,170); PaintBox1.Canvas.LineTo(5,170); PaintBox1.Canvas.MoveTo(0,180); PaintBox1.Canvas.LineTo(5,180); PaintBox1.Canvas.MoveTo(0,190); PaintBox1.Canvas.LineTo(5,190); FE:=270 div ZA; Label7.Visible:=True; Label8.Visible:=True; Label9.Visible:=True; Label10.Visible:=True; Label11.Visible:=True; Label12.Visible:=True; Label13.Visible:=True; PaintBox1.Canvas.MoveTo(0,200); For I:=ZA downto 0 do Begin if (LS+I)>=(LS+10) then Begin NT:=0; CT:=0; For XB:=Origin.X-5 to Origin.X+4 do Begin For YB:=1 to 10 do Begin Val:=Image3.canvas.Pixels[XB,Ls+I-YB]; if Val=$00FF0000 then NT:=NT+1 else if Val=$000000FF then CT:=CT+1; End; End; End else NT:=NT; PaintBox1.Canvas.LineTo(270-I*FE,200-Round(CT/NT)*8); end; end else if ZA=0 then
100
Apndice A
ShowMessage('Es necesario seleccionar primero la opcin "Display"') else if ((Origin.Y)>Li) or ((Origin.Y)<Ls) then ShowMessage('Seleccionar un punto dentro de la regin de anlisis'); End else ShowMessage('Es necesario seleccionar primero la opcin "Display"'); GR:=False; end; {Procedimiento ejecutado al soltar el botn izquierdo del mouse sobre la imagen1} procedure TForm1.Image1MouseUp(Sender: TObject; Button: TMouseButton; Shift: TShiftState; X, Y: Integer); Var I,J,T,RX,RY: Integer; begin if Drawing then Begin Image3.Canvas.Pen.Mode:= pmCopy; Image3.Canvas.Rectangle(Origin.X,Origin.Y,Point(X,Y).X,Point(X,Y).Y); Image7.Canvas.Pen.Mode:= pmCopy; Image7.Canvas.Rectangle(Origin.X,Origin.Y,Point(X,Y).X,Point(X,Y).Y); Drawing:= False; Final:=Point(X,Y); Selecting:= True; if Selecting and A then Begin Label1.Visible:=True; Label2.Visible:=True; Label3.Visible:=True; Label4.Visible:=True; Label5.Visible:=True; Label6.Visible:=True; SN:=0; SC:=0; RX:=Abs(Final.X-Origin.X); RY:=Abs(Final.Y-Origin.Y); Repaint; For I:=0 to RX do Begin For J:=0 to RY do Begin If (Origin.X)>(Final.X) Then
101
Apndice A
Begin if (Origin.Y)>(Final.Y) then Col:=Image3.Canvas.Pixels[(Final.X)+I,(Final.Y)+J] else Col:=Image3.Canvas.Pixels[(Final.X)+I,(Origin.Y)+J]; End else Begin if (Origin.Y)>(Final.Y) then Col:=Image3.Canvas.Pixels[(Origin.X)+I,(Final.Y)+J] else Col:=Image3.Canvas.Pixels[(Origin.X)+I,(Origin.Y)+J]; End; R:=(Col and $000000FF); B:=(Col and $00FF0000) shr 16; If R=$00FF Then SC:=SC+1 else if B=$00FF then SN:= SN+1; End; End; T:=(SN+SC); Label5.Caption:=IntToStr(SN); Label6.Caption:=IntToStr(SC); if T<>0 then Begin Label2.Caption:=FloatToStr((SC*100/T)); Label4.Caption:=FloatToStr((SN*100/T)); End Else Begin Label2.Caption:='0'; Label4.Caption:='0'; Showmessage('AUSENCIA DE NUCLEOS Y DE CITOPLASMA!'); End; A:=False; End; End; end; {Procedimiento ejecutado al desplazar el mouse sobre la imagen1} procedure TForm1.Image1MouseMove(Sender: TObject; Shift: TShiftState; X, Y: Integer); begin If (Drawing) and (Not GR) and (Not P) Then
102
Apndice A
Begin Image3.Canvas.Pen.Mode:= pmNOTXOR; Image3.Canvas.Rectangle(Origin.X,Origin.Y,MovePt.X,MovePt.Y); Image7.Canvas.Pen.Mode:= pmNOTXOR; Image7.Canvas.Rectangle(Origin.X,Origin.Y,MovePt.X,MovePt.Y); MovePt:=Point(X,Y); Image3.Canvas.Rectangle(Origin.X,Origin.Y,MovePt.X,MovePt.Y); Image7.Canvas.Rectangle(Origin.X,Origin.Y,MovePt.X,MovePt.Y); StatusBar1.Panels[1].Text:=Format('Current: (%d,%d)',[X,Y]); End; end; {Procedimiento Cerrar} procedure TForm1.CerrarClick(Sender: TObject); begin Close; end; {Procedimiento Analizar} procedure TForm1.AnalizarClick(Sender: TObject); begin A:=True; end; {Procedimiento Desplegar} procedure TForm1.DesplegarClick(Sender: TObject); Var H,I,J,K,L,M,O,Z,ValPix,Vpix,C: Integer; F: Boolean; CN,CB,CC,CC2, Mayor,Mayor1: Integer; Pos,Pos1: Array[0..20] of Integer; SV,SP,SD,SI,X,Y: integer; Begin If P Then Begin Screen.Cursor:=CrHourGlass; {Encuentrar la lnea de la regin externa} Image3.Canvas.Pen.Color:=cllime;
103
Apndice A
Image2.Canvas.Pen.Color:=clred; K:=1; L:=K; Repeat Begin Z:=1; For J:=1 to alto do Begin If K=1 Then Begin Image1.Canvas.MoveTo(K,J); Image3.Canvas.MoveTo(K,J); Image7.Canvas.MoveTo(K,J); End; CN:=0; CB:=0; CC:=0; CC2:=0; For I:=K to K+15 do Begin ValPix:=Image2.Canvas.Pixels[I,J]; if ValPix=$00000000 then CN:=CN+1 else if ValPix=$00808080 then CC:=CC+1 else if ValPix=$00C0C0C0 then CC2:=CC2+1 else if ValPix=$00F0F0F0 then CB:=CB+1; End; if (CC>CC2) or (CN>CC2) or (CC>CB) then Begin Image1.Canvas.LineTo(K+15,J); Image3.Canvas.LineTo(K+15,J); Image7.Canvas.Lineto(K+15,J); Z:=J; L:=K+15; Break; End; End; K:=K+15; End; Until K>ancho; if Z<alto then Begin Image1.Canvas.LineTo(L,alto); Image3.Canvas.LineTo(L,alto); Image7.Canvas.LineTo(L,alto); End; {Encuentra la lnea basal}
104
Apndice A
Image3.Canvas.Pen.Color:=clyellow; Image2.Canvas.Pen.Color:=clblue; K:=1; C:=25; Repeat Begin O:=0; F:=False; For I:=0 to 20 do Begin Pos[I]:=0; Pos1[I]:=0; End; For I:=0 to 19 do Begin For J:=1 to alto do Begin ValPix:=Image3.Canvas.Pixels[K+I,J]; if ValPix=$0000FF00 then Begin Pos[I]:=J; Break; End; End; End; mayor:=Pos[0]; mayor1:=alto-1; For I:=1 to 19 do if Pos[I]>mayor then mayor:=Pos[I]; Z:=mayor; if mayor <>0 then Begin For J:=1 to (alto-mayor) do Begin CC:=0; CC2:=0; {CB:=0;} CN:=0; For M:=0 to C do For I:=0 to 19 do Begin If (K=1) and (I=0) then Begin if J=(alto-mayor) then Begin Image1.Canvas.MoveTo(K,Mayor); Image3.Canvas.MoveTo(K,Mayor); Image7.Canvas.MoveTo(K,Mayor); End
105
Apndice A
Else Begin Image1.Canvas.MoveTo(K,Pos[I]+J); Image3.Canvas.MoveTo(K,Pos[I]+J); Image7.Canvas.MoveTo(K,Pos[I]+J); End; End; VPix:=Image2.Canvas.Pixels[K+I,Pos[I]+J+M]; if VPix=$00808080 then CC:=CC+1 else if VPix=$00C0C0C0 then CC2:=CC2+1 else if VPix=$00000000 then CN:=CN+1; End; if (CC2>CC) or (CC2>CN) then Begin For I:=0 to 19 do Begin Pos1[I]:=Pos[I]+J+C; End; Mayor1:=Pos1[0]; For I:=1 to 19 do if Pos1[I]>mayor1 then mayor1:=Pos1[I]; For H:=0 to (alto-Mayor1) do Begin CC:=0; CC2:=0; {CB:=0; CN:=0;} For M:=0 to C do For I:=0 to 19 do Begin VPix:=Image2.Canvas.Pixels[K+I,Pos1[I]+H+M]; if VPix=$00808080 then CC:=CC+1 else if VPix=$00C0C0C0 then CC2:=CC2+1 else if VPix=$00000000 then CN:=CN+1; End; if (CC2>CC) or (CC2>CN) then Begin For I:=0 to 19 do Begin if (K+I)<ancho then Begin Image1.Canvas.LineTo(K+I,Pos1[I]+H);
106
Apndice A
Image3.Canvas.LineTo(K+I,Pos1[I]+H); Image7.Canvas.LineTo(K+I,Pos1[I]+H); End; End; F:=True; Break; End else F:=False; End; Z:=mayor1; if F then Break; End; End; End; else Begin O:=K; End; K:=K+19; End; Until K>ancho; if Z<J then Begin if Z=0 then Begin Image1.Canvas.LineTo(L,alto); Image3.Canvas.LineTo(L,alto); Image7.Canvas.LineTo(L,alto); End else Begin Image1.Canvas.LineTo(Ancho,mayor+Z); Image3.Canvas.LineTo(Ancho,mayor+Z); Image7.Canvas.LineTo(Ancho,Mayor+Z); End; End else Begin Image1.Canvas.LineTo(Ancho-1,mayor1); Image3.Canvas.LineTo(Ancho-1,mayor1); Image7.Canvas.LineTo(ancho-1,mayor1); Label6.Caption:=IntToStr(Mayor1); End; Image3.Canvas.Pen.Color:=clblack; D:=False;
107
Apndice A
Screen.Cursor:=CrDefault; End; end; {Procedimiento Graficar} procedure TForm1.GraficarClick(Sender: TObject); begin GR:=True; end; {Procedimiento Recuperar} procedure TForm1.RecuperarClick(Sender: TObject); Begin Repaint(); StatusBar1.Panels[0].Text:=(' '); StatusBar1.Panels[1].Text:=(' '); Image3.Picture:=Image4.Picture; D:=True; Label1.Visible:=False; Label2.Visible:=False; Label3.Visible:=False; Label4.Visible:=False; Label5.Visible:=False; Label6.Visible:=False; Label7.Visible:=False; Label8.Visible:=False; Label9.Visible:=False; Label10.Visible:=False; Label11.Visible:=False; Label12.Visible:=False; Label13.Visible:=False; End; {Procedimiento Abrir} procedure TForm1.AbrirClick(Sender: TObject); Var I,J,K,R,G,B,R1,G1,B1,Col,Col1: Integer; SR,SG,SB,SR1,SG1,SB1,N,RA,GA,BA,RA1,GA1,BA1: Integer; VR,VG,VB,VR1,VG1,VB1: Array[1..205,1..205] of Integer; AR,AG,AB,AR1,AG1,AB1,T,T1,T2,T0,T10,T20: Real; begin
108
Apndice A
Screen.Cursor:=crHourGlass; OpenDialog1.Execute; Redraw1Click(Sender); if (OpenDialog1.Filename)<>Emptystr then Begin Image7.Picture.LoadfromFile(OpenDialog1.FileName); alto:=Image7.Picture.Height; ancho:=Image7.Picture.Width; Image1.Width:=ancho; Image1.Height:=alto; Image7.Width:=ancho; Image7.Height:=alto; Redraw1Click(Sender); For I:=1 to ancho do For J:=1 to alto do Begin VR[I,J]:=0; VG[I,J]:=0; VB[I,J]:=0; VR1[I,J]:=0; VG1[I,J]:=0; VB1[I,J]:=0; End; For K:=1 to ancho-1 do For J:=1 to alto-1 do Begin Col:=Image6.Canvas.Pixels[K,J]; R:=(Col and $000000FF); G:=(Col and $0000FF00) shr 8; B:=(Col and $00FF0000) shr 16; VR[K,J]:=R; VG[K,J]:=G; VB[K,J]:=B; End; For K:=1 to ancho do For J:=1 to alto do Begin Col1:=Image7.Canvas.Pixels[K,J]; R1:=(Col1 and $000000FF); G1:=(Col1 and $0000FF00) shr 8; B1:=(Col1 and $00FF0000) shr 16; VR1[K,J]:=R1; VG1[K,J]:=G1; VB1[K,J]:=B1; End; SR:=0; SG:=0; SB:=0; SR1:=0; SG1:=0; SB1:=0; N:=0; For I:=1 to ancho do For J:=1 to alto do Begin SR:=SR+VR[I,J]; SG:=SG+VG[I,J]; SB:=SB+VB[I,J]; SR1:=SR1+VR1[I,J]; SG1:=SG1+VG1[I,J]; SB1:=SB1+VB1[I,J]; N:=N+1; End;
109
Apndice A
AR:=SR/N; AG:=SG/N; AB:=SB/N; AR1:=SR1/N; AG1:=SG1/N; AB1:=SB1/N; T:=AR/AR1; T1:=AG/AG1; T2:=AB/AB1; T0:=Round(T); T10:=Round(T1); T20:=Round(T2); For I:=1 to ancho-1 do For J:=1 to alto-1 do Begin RA:=Round(T*VR1[I,J]); GA:=Round(T1*VG1[I,J]); BA:=Round(T2*VB1[I,J]); if RA>255 then RA:=255; if GA>255 then GA:=255; if BA>255 then BA:=255; Image1.Canvas.Pixels[I,J]:=RGB(RA,GA,BA); End; D:=True; End; Screen.Cursor:=crDefault; end; {Procedimiento Guardar} procedure TForm1.GuardarClick(Sender: TObject); begin if CurrentFile<>EmptyStr then Image7.Picture.SaveToFile(CurrentFile; else SaveAs1Click(Sender); end; {Procedimiento Guardar Como} procedure TForm1.Guardar_ComoClick(Sender: TObject); begin if SaveDialog1.Execute then Begin CurrentFile:=SaveDialog1.FileName; Save1Click(Sender); End; end; end.
110
APENDICE B
CONCEPTOS MDICOS
B.1 CITOLOGIA La citologa es la rama de la biologa que estudia la estructura y funcin de las clulas como unidades individuales, complementando as a la histologa (que estudia a las clulas como componente de los tejidos). La citologa abarca el estudio de la estructura y actividad de las diferentes partes de la clula y membrana celular, el mecanismo de divisin celular, el desarrollo de las clulas sexuales, la fecundacin y la formacin del embrin, las alteraciones de las clulas, como las que ocurren en el cncer. El objetivo principal de la citologa es el diagnstico de alteraciones en las clulas como puede ser la formacin de tumores. Un tumor maligno se caracteriza por un crecimiento descontrolado de la estructura de las clulas que lo componen, y la capacidad de extenderse mas all de los lmites del tejido de origen. Las tcnicas ms recientes de la citologa permiten hoy el estudio y observacin de las clulas vivas. Con el microscopio se pueden observar las clulas vivas en funcionamiento gracias al uso de contrastes. La citologa tiene gran valor en la medicina actual, ya que ayuda a diagnosticar enfermedades mediante el anlisis de las clulas extradas de diversos fluidos corporales. La determinacin del nmero y proporcin de los diferentes tipos de clulas de la sangre (recuento celular) facilita el diagnstico de infecciones agudas y otros procesos. B.2 HISTOLOGIA La histologa se refiere al estudio microscpico de los tejidos (grupos de clulas similares interrelacionadas que cooperan para llevar a cabo una funcin biolgica determinada) del cuerpo humano, animales y plantas. La biopsia proporciona una informacin cientfica valiosa a cerca de las enfermedades. En el cuerpo de un ser vivo se distinguen cinco grupos principales de tejidos: El epitelio, que se encuentra en todas las superficies de revestimiento
Apndice B
corporales y en las reas de secrecin; el tejido conjuntivo, que incluye los huesos, los cartlagos y otras estructuras de soporte; el tejido muscular, el tejido nervioso, los fluidos tisulares, sangre y linfa. B.3 EL CANCER DEL CUELLO UTERINO El carcinoma crvicouterino es la neoplasia maligna ms frecuente en nuestro medio. Es el nico cncer genital que se puede prevenir confiablemente con una tcnica de tamizaje; la citologa cervical permite la deteccin de lesiones precancerosas que pueden ser tratadas eficazmente para prevenir el desarrollo de cncer invasivo. La mitad de las mujeres con carcinoma in situ tiene menos de 35 aos. Es ms frecuente en mujeres que inician actividad sexual o se embarazan a temprana edad, con mltiples parejas sexuales y multparas. Se ha postulado como agente etiolgico la infeccin por algunos tipos de virus de papiloma humano. El carcinoma invasor de clulas escamosas usualmente se origina de la unin escamo-columnar de la cerviz y es precedido por displasia cervical y carcinoma in situ.
B.4 EL VIRUS DEL PAPILOMA HUMANO (VPH) El Virus del Papiloma Humano (VPH) es un grupo de ms de 80 tipos de virus. Se les llaman virus papiloma porque ciertos tipos de stos pueden causar verrugas, o papilomas, que son tumores benignos (no cancerosos). La infeccin por este virus puede cursar en un cuadro subclnico, por lo que el paciente no tiene conocimiento de esta infeccin hasta que aparecen alteraciones en la prueba Papanicolaou o en la colposcopia. El sntoma ms caracterstico que se presenta es la aparicin de condilomas (protuberancia crnica o verrugas genitales) planos, condilomas acuminados y lesiones endofticas. Estas verrugas pueden presentar diferentes apariencias como son: Blandas, de color gris o rosa, pedunculadas y suelen encontrarse en racimos. Las clulas escamosas son delgadas, planas, y se encuentran en el tejido que forma la superficie de la piel, en la vagina y la parte exterior del cuello del tero. Otros trminos que a veces se utilizan para describir estas clulas anormales son neoplasia intraepitelial cervical (NIC) y displasia [5]. Las lesiones intraepiteliales escamosas de bajo grado (displasias leves) son una condicin comn, especialmente en las mujeres jvenes. La mayora de las lesiones intraepiteliales escamosas de bajo grado vuelven a la normalidad pasado unos meses o unos pocos aos. A veces, las lesiones intraepiteliales escamosas de bajo grado
112
Apndice B
pueden convertirse en lesiones intraepiteliales escamosas de alto grado. Las lesiones intraepiteliales escamosas de alto grado no son cncer, pero eventualmente pueden convertirse en cncer y deben ser tratadas por un mdico. El nmero de infecciones por el VPH y su duracin son un factor de riesgo para el posterior desarrollo de cncer. Para realizar el diagnstico el mdico hace la evaluacin de condiloma acuminado por la apariencia de las lesiones que tienen la forma de una coliflor: blanquecinas, verrugosas, blandas e indoloras. No obstante, cuando se trata de lesiones sin stas caractersticas, como las que ocurren en el cuello del tero, el mdico slo podr confirmarlas a travs de una biopsia del sitio sospechoso mediante una colposcopia, una citologa cervicovaginal (Papanicolau) o a travs de la prueba del cido actico. En sta ltima tcnica, si el mdico observa la aparicin de una zona blanquecina entonces sospechar que dicha zona est infectada por el VPH. B.5 LA PRUEBA PAP La prueba PAP, tambin conocida como el Papanicolaou o examen de citologa, es uno de los mtodos ms eficaces para detectar temprano el cncer del cuello del tero (CCU) o cuello de la matriz. La prueba PAP es sencilla, rpida y barata. Mediante la prueba PAP es posible ver con un microscopio si hay clulas anormales antes que la mujer tenga algn sntoma. Estos cambios pequesimos de las clulas a veces se convierten en CCU. Se recomienda hacer la prueba PAP regularmente, al mismo tiempo que se realice un examen ginecolgico. La figura B.1 presenta una imagen en la que se indica la ubicacin del cuello del tero.
113
Apndice B
Fig. B.1 Localizacin del cuello del tero.
La mayora de los casos del CCU se puede curar, si se detecta a tiempo. Gracias a la prueba PAP y a los nuevos mtodos de tratamiento, la proporcin de mujeres que mueren de CCU ha disminuido en un 70%. Han habido ms adelantos en la curacin de este tipo de cncer que en ningn otro. La mayora de las mujeres que mueren de CCU son aqullas que nunca se han hecho la prueba PAP. Si todas las mujeres se hicieran la prueba, como parte del examen ginecolgico (que tambin incluye un examen de los senos), el CCU se convertira, en la mayora de los casos, en una enfermedad perfectamente curable. Toda mujer debe hacerse el examen plvico y la prueba PAP inmediatamente despus de haber cumplido 18 aos de edad. Las mujeres que son, o que han sido, sexualmente activas tambin deben hacerse los exmenes plvicos y la prueba PAP regularmente. Si la mujer se ha sometido a estos exmenes por tres aos consecutivos y los resultados han sido normales, la prueba PAP puede hacerse con menos frecuencia, segn lo indique el mdico. Las mujeres con riesgo mayor de tener CCU, o las que han recibido tratamiento para este tipo de cncer, deben ser examinadas con ms frecuencia. A estas mujeres se les recomienda una prueba PAP de dos a cuatro veces al ao, segn lo indique el mdico. An las mujeres que se les ha hecho una histerectoma, o aqullas que han presentado la menopausia o ya la hayan pasado, deben hacerse la prueba PAP con regularidad.
114
Apndice B
B.5.1 RIESGOS DE TENER CANCER DEL CUELLO DEL TERO Si en el pasado alguna prueba ha revelado la presencia de clulas anormales. Si las mujeres tienen entre los 40 y 55 aos o mayores de edad. Si se han embarazado varias veces. Si han tenido infecciones vaginales frecuentes, transmitidas por relaciones sexuales (tales como Herpes simples, tipo II, y Condiloma). Si las madres de ellas tomaron hormonas para prevenir el aborto mientras estaban embarazadas.
B.5.2 COMO SE REALIZA LA PRUEBA PAP Normalmente la prueba PAP es parte del examen plvico que realiza el mdico, con la frecuencia recomendada por l. No se recomienda un lavado vaginal ni antes de una prueba PAP ni durante un periodo de tratamiento. La prueba PAP consiste en los siguientes procedimientos: 1. Con un espculo (instrumento que se utiliza para abrir la vagina), el mdico o enfermera inspecciona el cuello del tero y toma una muestra de las clulas para analizarlas. 2. Se utiliza un cepillo pequeo para obtener una muestra de las clulas de la superficie del cuello de tero. Normalmente, este procedimiento no les causa ninguna molestia. 3. Estas clulas se colocan sobre una laminilla de vidrio y se envan al laboratorio para que un citlogo (especialista en el examen de clulas bajo microscopio) las analice. La figura B.2 presenta la forma en que se realiza la prueba PAP.
115
Apndice B
Fig. B.2 Obtencin de la muestra que se usar en la prueba PAP.
B.5.3 CUANDO DEBE REALIAZARSE LA PRUEBA PAP Si las mujeres han cumplido 18 aos de edad o antes si han comenzado a tener relaciones sexuales, o si son sexualmente activas. Debido a que la sangre de la menstruacin (regla) puede modificar los resultados de la prueba PAP, el momento recomendado para que se hagan es entre los 10 y 20 das despus de que halla comenzado su menstruacin. Si su menstruacin les dura demasiado tiempo o si sangran ms de lo normal Si sangran por la vagina de manera anormal en los casos siguientes: a) Entre una menstruacin y otra, b) Despus de que hayan tenido relaciones sexuales, c) Despus que se hayan realizado un lavado vaginal. Si estn en la menopausia o se han hecho una histerectoma debern continuar hacindose la prueba con regularidad
No se les recomienda los lavados vaginales y aplicarse jaleas ni espumas contraceptivas antes de que se realicen la prueba PAP, ya que stas pueden alterar los resultados de la prueba.
116
APENDICE C
PROCESO DE VISUALIZACION HUMANA
C.1 OBTENCION DE IMAGENES No es posible pensar en un procesamiento de imgenes sin considerar el sistema visual del ojo humano. Esto es aparentemente trivial, pero requiere de un anlisis ms a detalle. Observemos y evaluemos cmo con nuestro sistema visual procesamos las imgenes. C.1.1 ESTRUCTURA DEL OJO HUMANO
Fig. C.1 Diagrama simplificado de una seccin transversal del ojo humano.
Apndice C
C.1.2 ELEMENTOS DE LA PERCEPCION

La Fig. C.1 muestra una seccin transversal de l ojo humano en la cual se observan los elementos que intervienen en la percepcin visual. stos son: Crnea y esclertica: Membranas que cubren la superficie del globo y/o globo ocular. Coroides: Membrana que contiene una red de venas para la nutricin del ojo. i) Cuerpo ciliar o Iris: Abre o cierra para controlar la cantidad de luz que entra al ojo. La parte frontal contiene un pigmento visible. La apertura central (pupila) vara de dimetro desde 2 a 8 mm. ii) Cristalino: absorbe por medio de protenas la luz infrarroja y ultravioleta ya que en cantidades excesivas pueden daar al ojo. Retina: Cuando un ojo est bien enfocado, la luz del objeto forma su imagen en la retina. La visin del objeto se debe a una distribucin de receptores de luz repartidos en la superficie retiniana. C.1.2.1 RECEPTORES EN LA RETINA: CONOS: Hay 6 o7 millones en cada ojo, localizados en la regin central de la retina (FOVEA) [2]. Al tener una terminacin nerviosa para cada uno permiten apreciar los detalles finos de los objetos. Los conos son sensibles al color (Visin fotpica). BASTONES: Hay entre 75 y 150 millones en cada ojo.
118
Apndice C
Varios bastones comparten una misma terminacin nerviosa, reduciendo el detalle de la visin, pero sirven para dar una visin general de la visin. No estn implicados en la visin en color, por lo que se utilizan de noche (visin escotpica) [2]. C.2 INTERPRETACION
Segmentacin
Representacin y Descripcin
Preprocesado Reconocimiento e Interpretacin Resultado
Dominio del Problema
Base de Reconocimiento Adquisicin de Imgenes
Fig. C.2 Diagrama del sistema de interpretacin de imgenes.
C.2.1 ELEMENTOS DEL ANALISIS DE IMAGENES Para el anlisis del procesado de imgenes es posible hacer una divisin en tres reas bsicas, stas son: 1) Procesado de bajo nivel. 2) Procesado de nivel intermedio. 3) Procesado de alto nivel. Estas reas bsicas se muestran en la figura C.2 indicando cada nivel por las lneas punteadas. Procesado de bajo nivel. Comprende un grupo de funciones a las que se puede considerar como reacciones automticas, y que no requieren inteligencia por parte del sistema de anlisis de imgenes. La adquisicin y el procesado de imgenes son funciones que operan a bajo nivel. Esta clasificacin incluye actividades desde el proceso mismo de formacin de las imgenes hasta las
119
Apndice C
diversas compensaciones aplicables, como la reduccin del ruido o la supresin del emborronamiento de las imgenes. Procesado de nivel intermedio. Se refiere a la labor de extraccin y caracterizacin de los componentes de la imagen que se obtiene de un proceso a bajo nivel. El procesado de nivel intermedio abarca la segmentacin y la descripcin. Procesado de alto nivel. Comprende el reconocimiento y la interpretacin. Estos dos procesos tienen un gran parecido con lo que normal mente se conoce como reconocimiento inteligente. La mayora de las tcnicas empleadas por los procesados de bajo nivel e intermedio utilizan un conjunto de formulaciones tericas bien definidas. La visin por computadora, visin artificial, es una de las reas de la Inteligencia Artificial, que tiene como uno de sus objetivos principales la mejora de las soluciones actuales a problemas relacionados con la percepcin del mundo a travs de imgenes digitales. Es posible hacer la analoga entre un sistema artificial de procesamiento de imgenes y el sistema visual humano. El ojo artificial podra ser cualquier sensor de imgenes, tal como una cmara de video, un escner, etc., y la computadora que realiza el procesamiento, sera el cerebro [2]. La adquisicin de imgenes, mediante la digitalizacin de la seal producida por alguno de los sensores mencionados, es un proceso que se puede realizar actualmente, no as el proceso que debe realizar una computadora tratando de emular las operaciones realizadas por el cerebro humano; esto es debido a que el ser humano an no es capaz de explicar como se llevan a cabo estas operaciones en el cerebro, si se logra podr darse un gran salto en las capacidades de las computadoras [3].
120

124MC Mafm

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

124MC Mafm

Cargado por

Copyright:

Formatos disponibles

CENTRO NACIONAL DE INVESTIGACION Y DESARROLLO TECNOLOGICO

QUE PARA OBTENER EL GRADO DE MAESTRO EN CIENCIAS EN INGENIERIA ELECTRONICA P R E S E N T A

MIGUEL ANGEL FLORES MIJANGOS

DR. JOSE TOMAS RAMIREZ NIO M. C. CARLOS RAMIREZ VALENZUELA

A todos ustedes Gracias!

LISTA DE FIGURAS Y TABLAS

Figura 1.5 Figura1.6

Lista de Figuras y Tablas

Ejemplo de carcinoma invasor.

Lista de Figuras y Tablas

Lista de Figuras y Tablas

Lista de Figuras y Tablas

a) Imagen Original b) Imagen Imagen Original b) Imagen

Lista de Figuras y Tablas

Lista de Figuras y Tablas

Figura C.1 Figura C.2 TABLAS

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

Fig. 1.1 Procesamiento digital de imgenes en la medicina moderna.

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

Fig. 1.2 Procesamiento digital de imgenes en la medicina moderna.

Fig. 1.3 Ejemplos de imgenes obtenidas de estudios realizados de RM y TAC.

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

PLANTEAMIENTO DEL PROBLEMA

II Planteamiento del Problema

Fig. 2.1 Imagen de una muestra de un examen de Papanicolaou.

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

II Planteamiento del Problema

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

II Planteamiento del Problema

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

II Planteamiento del Problema

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

II Planteamiento del Problema

Fig. 2.2 Distribucin de las clulas en las tres capas epiteliales.

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

II Planteamiento del Problema

Fig. 2.4 Ejemplo de una biopsia con resultado negativo o normal.

Fig. 2.5 Ejemplo de displasia leve.

Fig. 2.6 Ejemplo de Displasia leve y displasia moderada.

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

II Planteamiento del Problema

Fig. 2.7 Ejemplo de displasia severa.

Fig. 2.8 Ejemplo de carcinoma in situ y Displasia Grave.

Fig. 2.9 Ejemplo de carcinoma invasor.

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

II Planteamiento del Problema

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

II Planteamiento del Problema

Fig. 2.11 Ilustracin del sentido de anlisis de displasias.

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

II Planteamiento del Problema

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

II Planteamiento del Problema

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

III Herramientas Utilizadas

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

III Herramientas Utilizadas

Tcnicas de procesamiento digital para la caracterizacin de imgenes histolgicas

III Herramientas Utilizadas