Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INFORME 2 Calificado
INFORME 2 Calificado
FASE I
ASESORA
UNIVERSIDAD DE ANTIOQUIA
PROGRAMA DE BIOINGENIERÍA
MEDELLÍN
2016-2
CONTENIDO
1. INTRODUCCIÓN ......................................................................................................4
2. PLANTEAMIENTO DEL PROBLEMA .......................................................................5
3. JUSTIFICACIÓN.......................................................................................................7
4. ANTECENDENTES ..................................................................................................8
5. MARCO TEÓRICO .................................................................................................10
5.2. IMÁGENES HISTOLÓGICAS ..............................................................................10
5.2.1. IMÁGENES HISTOLOGICAS SANGUINEAS ............................................10
5.3. PATOLOGÍAS IDENTIFICABLES A PARTIR DE LA COLORACIÓN. ..............11
5.3.1. MALARIA ...................................................................................................11
5.3.2. ANEMIA FALCIFORME .............................................................................13
5.4. MÉTODOS DE CONTEO DE CÉLULAS SANGUÍNEAS EXISTENTES. ..........15
5.4.1. TÉCNICA MANUAL. ..................................................................................15
5.4.2. TÉCNICA DE IMPEDANCIA. .....................................................................15
5.4.3. TÉCNICA DE CITOMETRÍA DE FLUJO. ...................................................16
5.5. PROCESAMIENTO DIGITAL DE IMÁGENES..................................................17
5.5.1. FILTRADO PARA REMOCIÓN DE RUIDO. ...............................................18
5.5.2. SEGMENTACIÓN. ........................................................................................22
5.5.3. INTERFAZ GRÁFICA. ...............................................................................25
6. OBJETIVOS ...........................................................................................................28
6.1. OBJETIVO GENERAL .........................................................................................28
6.2. OBJETIVOS ESPECÍFICOS ............................................................................28
7. METODOLOGÍA .....................................................................................................29
7.1. BÚSQUEDA BIBLIOGRÁFICA. ........................................................................30
7.2. BÚSQUEDA DE IMÁGENES HISTOLÓGICAS DE CÉLULAS HUMANAS
INFECTADAS Y SANAS. ...........................................................................................30
7.3. SELECCIÓN DE CELULAS PATOLOGICAS A EVALUAR. .............................30
7.4. DETERMINACIÓN DE PARÁMETROS DE IDENTIFICACIÓN Y
CARACTERIZACIÓN DE LAS CELULAS PATOLOGICAS A ANALIZAR. .................30
7.5. DESARROLLO DEL ALGORITMO EN MATLAB CON INTERFAZ GRÁFICA. .31
7.6. PRUEBA DEL PROGRAMA DESARROLLADO ...............................................34
7.7. ANÁLISIS Y RESULTADOS.............................................................................34
8. RECURSOS ........................................................................................................... 35
9. CRONOGRAMA DE ACTIVIDADES .......................................................................36
10. RESULTADOS ....................................................................................................37
10.1. DESARROLLO DEL ALGORITMO PARA LA DETECCIÓN DE MALARIA. ..37
10.2. DESARROLLO DEL ALGORITMO PARA LA ANEMIA FALCIFORME .........42
10.3. INTERFAZ GRÁFICA....................................................................................50
11. ANÁLISIS DE RESULTADOS .............................................................................56
11.1. ALGORITMO IMPLEMENTADO PARA LA MALARIA ...................................56
11.2. ALGORITMO IMPLEMENTADO PARA LA ANEMIA FALCIFORME. ............57
12. CONCLUSIONES ................................................................................................61
13. BIBLIOGRAFÍA ...................................................................................................62
1. INTRODUCCIÓN
Los desórdenes hematológicos, pueden ser identificados basándose en la
caracterización de parámetros sanguíneos como cantidad de eritrocitos, leucocitos y
plaquetas. El examen microscópico de las células sanguíneas es la actividad de
laboratorio clínico más frecuente para detectar la presencia de alguna patología. El
análisis hematológico es una técnica indispensable hoy en día y todavía depende solo de
la interpretación visual humana [1]. Un análisis automático de imágenes ayudaría a
incrementar la certeza de un diagnóstico ahorrando tiempo y facilitando el reconocimiento
de características morfológicas en diferentes patologías como la malaria y la anemia
falciforme. La malaria es una enfermedad parasitaria que puede ser diagnosticada a partir
de imágenes histológicas tomadas de muestras sanguíneas, y presenta características
hematológicas como: aparición de merozoitos [2] (es una etapa del ciclo de vida de un
parásito protozoario, resultado de la reproducción asexual por división múltiple), cambio
de forma de los glóbulos rojos, entre otros. La anemia falciforme es una enfermedad
congénita que se caracteriza por la producción de hemoglobina S, a la cual se le atribuye
el cambio de forma celular de los glóbulos rojos (en forma de media luna). Al igual que la
malaria, su diagnóstico es dado principalmente por imágenes de microscopía electrónica
del tejido sanguíneo [3]. Para hacer el diagnóstico de estas enfermedades se hace el
reconocimiento de una serie de características morfológicas en imágenes microscópicas.
En este proyecto se busca automatizar la obtención de estas características a partir de
procesamiento de imágenes digitales.
En este informe se presenta la descripción del análisis planteado para el desarrollo del
proyecto. En la sección 2 se plantea la necesidad de automatizar la obtención de las
características celulares, ya que de esta forma el diagnóstico de este tipo de patologías
se puede hacer de una forma más rápida y eficiente. En la sección 3 se presenta la
justificación de la investigación en el ámbito académico y del sector salud, enmarcándolo
en los planes estratégicos de Salud del Gobierno Nacional y el plan de desarrollo
departamental de Antioquia. En la sección 4 se presenta el estado del arte, en el cual se
muestran los trabajos realizados por cuatro autores que llevaron a cabo el análisis
automático de características de células sanguíneas a partir de técnicas de
procesamiento de imágenes como filtrado y segmentación. En la sección 5 se presentan
los conceptos más relevantes para el desarrollo del proyecto, realizando una
profundización en las técnicas de conteo de células y tinción de muestras sanguíneas,
también se describen las enfermedades a analizar y lo más importante técnicas de
procesamiento de imágenes que serán utilizadas en este proyecto, además de la
explicación en que consiste una interfaz gráfica. Finalmente, de la sección 6 a la 11 se
hacen los requerimientos generales para llevar a cabo y con éxito un proyecto
investigativo al cual se le quiere dar una solución óptima.
2. PLANTEAMIENTO DEL PROBLEMA
El cuidado de la salud requiere de la interacción de varias disciplinas médicas y
especialidades, entre las cuales el laboratorio clínico aporta herramientas adicionales
para prevenir, monitorear y diagnosticar una enfermedad. Los exámenes de laboratorio
por si solos no son el diagnóstico, pero aportan una valiosa información sobre el estado
de salud de cualquier individuo.
Los exámenes básicos o rutinas de laboratorio sirven para detectar la función de los
órganos, estos exámenes se llaman paneles o perfiles según el órgano que se monitorea,
por ejemplo: hemograma, perfil renal, perfil hepático, perfil lipídico, y perfil tiroideo, son
los más comunes. Otras pruebas van en la búsqueda de un diagnóstico, estableciendo
un patrón de anomalías, como lo son la electroforesis de hemoglobina o proteína. Las
pruebas de laboratorio en sangre, heces o líquidos corporales obtienen la información
necesaria para conocer el estado “químico” de la persona [4].
Con el paso del tiempo las pruebas de laboratorio en sangre han sido el procedimiento
más común y efectivo para ayudar al diagnóstico de diversas patologías, especialmente,
cuando se trata de enfermedades que afectan el mismo funcionamiento de las células
sanguíneas, como es el caso de la malaria y la anemia falciforme [5].
La malaria y la anemia falciforme son enfermedades comunes que afectan a muchas
personas a nivel mundial. De acuerdo a los datos presentados por la organización
mundial de la salud solo en 2015 se presentaron 214 millones de casos de malaria a nivel
mundial [6] y 40.768 casos en Colombia; De anemia falciforme se registra que
aproximadamente el 5% de la población mundial tiene el gen que codifica para esta
enfermedad [7].
El análisis de sangre para detectar la malaria y la anemia falciforme, se basa en estudiar
los tipos de formas y la cantidad de cada una de las células presentes en la sangre, para
detectar anomalías, como cambios morfológicos, de color, concentración y de
composición.
Hay diferentes tipos de técnicas para evaluar estos cambios analizados en las pruebas
de laboratorio, las cuales son mencionadas en el marco teórico; las técnicas de
impedancia y citometría de flujo representan una inversión de dinero grande para los
laboratorios clínicos, ya que es necesario el uso de equipos costosos y la compra de
reactivos químicos necesarios para el funcionamiento de los mismos. La técnica manual
requiere de un tiempo considerable debido a que la observación depende de un factor
humano, donde puede existir diferentes diagnósticos para una misma muestra, dados por
diferentes profesionales o por el mismo profesional en diferentes momentos, además de
la preparación del equipo, la muestra, el proceso de conteo realizado por el profesional,
y un cierto nivel de esfuerzo físico.
Debido a estas condiciones surge la necesidad de impulsar el desarrollo de una
herramienta capaz no solo de realizar el conteo de células sanguíneas, sino también de
permitir al profesional identificar las características propias de las patologías antes
mencionadas para proporcionar un diagnóstico más acertado a partir de un análisis
profundo de los cambios morfológicos que se presentan en las células, como: atrofia
hiperplasia, metaplasia, muerte celular, necrosis, apoptosis de la celular, crecimiento
celular descontrolado y cambios en el color; de una forma más rápida, disminuyendo
costos, tiempo y recursos [8].
3. JUSTIFICACIÓN
Con el fin de contribuir a una caracterización integral del diagnóstico de la
malaria y de la anemia falciforme a través de muestras de sangre, se hace
necesario realizar el análisis de los cambios morfológicos que presentan las
células sanguíneas en cada una de las patologías a estudiar. En la presente
etapa de este proyecto se llevará a cabo el procesamiento de las imágenes que
evidencian la enfermedad, mediante un algoritmo con interfaz gráfica
desarrollado en Matlab, a través del cual se llegará a identificar los cambios más
específicos y comunes que presentan las células debido a las patologías
desarrolladas comparándolas con imágenes cuyas características celulares no
presentan ninguna alteración.
El desarrollo de este proyecto es un aporte a la comunidad en el sector de la
salud, ya que podría contribuir como una herramienta para detectar con mayor
precisión y rapidez cuál de estas patologías padecen los individuos que se
someten a las pruebas en sangre de laboratorio para poder proceder de manera
más efectiva en el tratamiento a seguir, tanto para malaria como para anemia
falciforme, además se enmarca dentro de algunos lineamientos estratégicos del
plan decenal de salud y el plan departamental de Antioquia, contribuyendo a la
política pública en el cumplimiento de las siguientes metas:
PLAN DE DESARROLLO DEPARTAMENTAL DE ANTIOQUIA 2016-2019. [9]
5.3.1. MALARIA
0 1 1 1
Y 0 0 0 0
1
1 1 1 0
Pixel
1 1 1 0
1 0 0 1
Y
𝐺(𝑢,𝑣)= 𝐹(𝑢,𝑣)∗ 𝐻(𝑢,𝑣) Ecuación 2.
TIPOS DE FILTROS
FILTRAJE PASA-ALTA.
Los filtros pasa- alta, tienen la propiedad de acentuar los detalles de
alta frecuencia de una imagen, normalmente el filtro pasa alta se
utilizan cuando se quiere examinar objetos con alto contenido de
frecuencia espacial. Las porciones de una imagen que presentan
componente de alta frecuencia, serán resaltadas mediante la
utilización de niveles de grises más claras. Este tipo de filtro puede
ser utilizado para reforzar los bordes presentes en la imagen [19].
Dentro de este tipo filtros se encuentran los filtros de Gradiente y
Laplaciano.
FILTRO LAPLACIANO.
El Laplaciano de una imagen es la acentuación de los bordes de la
imagen, este filtro destaca las regiones donde hay cambios bruscos
de intensidad y consiste en usar la segunda derivada, en tal caso se
usan los puntos de cruce por cero para realizar la detección de borde.
En el caso de la imagen por una señal bidimensional, la extensión de
la segunda derivada unidimensional corresponderá en este caso al
Laplaciano, cuya expresión se puede determinar a partir de la
máscara descrita en la figura 9 [19]. En la figura 10 se ilustra un
ejemplo de la aplicación del filtro Laplaciano.
0 -1 0
-1 4 -1
0 -1 0
1 1 1 1 1 1 1 2 1
2 4 2
(1/9) x 1 1 1 (1/10) x 1 2 1 (1/16) x
.
1 1 1 1 1 1 1 2 1
a) b) c)
Figura 11. Tres máscaras que permiten el filtraje pasa-baja de una imagen. a)
Filtro de media, b) Filtro de media ponderada, c) Filtro de la mediana.
FILTRO GAUSSIANO.
El filtro gaussiano se usa para emborronar imágenes y eliminar ruido,
es similar al filtro de media, pero se usa una máscara diferente
modelizando la función gaussiana que produce un suavizado más
uniforme, el filtro gaussiano se caracteriza por asignar un mayor peso
al píxel central y a los píxeles que se encuentran cercano a este, y
menor peso a los píxeles alejados. [19]
En la figura 12 se puede apreciar la máscara de filtro gaussiano.
1 2 1
(1/16) x 2 4 2
1 2 1
Gradiente de imagen.
UMBRALIZACIÓN.
células patológicas
7.3. SELECCIÓN DE CELULAS PATOLOGICAS A EVALUAR.
Con base en
En base a la recolección de imágenes de células humanas tanto sanas
como patológicas, se seleccionó las enfermedades con mayor número
de características de identificación y reconocimiento de dicha infección,
con el fin de obtener una clasificación histológica que facilitó un poco el
análisis de la célula, a través del código creado.
IMAGEN IMAGEN
1 4
IMAGEN IMAGEN
2 5
IMAGEN IMAGEN
3 6
Este primer algoritmo fue mejorado para refinar los resultados, en este segundo
algoritmo se aplicaron técnicas de umbralización. Con la ayuda de un histograma
(figura 22) se obtiene un rango de valores con las mayores intensidades presentes
a aplicar
en la imagen, estos valores se utilizan como el umbral que se le aplicara a las
imágenes, ya que este no es el mismo para todas. En la tabla 5 se hizo un reporte
con varios intervalos de intensidades para determinar cuál es el umbral más óptimo
para este tipo de imágenes, este valor de intensidad sirve para separar los parásitos
de las células.
1 X
2 X X
3 X
4 X X
5 X X
6
Total 2 3 5
Tabla 5. Reporte para escoger el porcentaje aplicado al valor de máxima intensidad
en las imágenes. ’a’ es la mayor intensidad, el chulo () indica que solo los parásitos
quedan en la imagen luego de aplicar ese valor de umbral, las equis(x) indican que
la umbralización no fue efectiva y también quedaron células. Los números con los
que se compara cada pixel de la imagen indican el porcentaje de ese valor máximo
de intensidad.
A partir de estos datos se puedo determinar que el mejor valor de umbral es del
0.05*a hasta infinito, es decir se aplicara como valor de umbral los valores que estén
por debajo del 5% de la máxima intensidad.
M(i,j)>(a*0.8) M(i,j)>(a*0.05)
IMAGEN IMAGEN
2 5
IMAGEN IMAGEN
3 6
Tabla 7. Resultado de las imágenes tratadas. Los puntos negros representan los
parásitos celulares.
10.2. DESARROLLO DEL ALGORITMO PARA LA ANEMIA FALCIFORME
IMAGEN 1 IMAGEN 5
IMAGEN 2 IMAGEN 6
IMAGEN 3 IMAGEN 7
IMAGEN 4 IMAGEN 8
M(i,j)>(0.85*I) M(i,j)>(0.8*I)
IMAGEN IMAGEN
2 6
IMAGEN IMAGEN
3 7
IMAGEN IMAGEN
4 8
Tabla 11. Resultado de la implementación del umbral más óptimo a cada imagen.
con mejores resultados
son tales
Para eliminar las estructuras de la imagen que no sean útiles en el análisis como
sucios, células incompletas o ruido de la imagen, se utilizó la función strel para
diferenciar las células sanas e infectadas del resto de células incompletas. En la
figura 24 se muestran los strels utilizados para la identificación de las células.
A) B)
Figura 24. Strels utilizados en la identificación morfológica de las células. a) strel
en forma de semiluna para la identificación de las células infectadas, b) strel en
forma de disco para la identificación de las células sanas.
Figura 25. Identificación de las áreas de las células tantos completas como
incompletas.
que representan las áreas
más pequeñas en la
imagen
A partir de la clasificación de las áreas se eliminan las células incompletas, para
garantizar un análisis más preciso de las células presentes en la imagen. Esta etapa
se
del algoritmo refuerza el procedimiento de umbralización descrito en la primera
etapa. En la figura 26 se observa la identificación de las áreas más pequeñas que
corresponde a las células incompletas, en la figura 27 se ilustra la imagen con la
eliminación de las células incompletas antes identificadas.
Hay un botón que permite cargar la imagen, y un menú desplegable que permite
elegir 3 opciones para realizar diferentes procesamientos de la imagen como
detectar la presencia de malaria, de anemia falciforme o si están sanas las Células.
(Figura 31)
A B
Figura 37. Visualización de células con malaria. A) Primer recuadro con imagen
de usuario cargada. B) Segundo recuadro con imagen procesada donde se
aprecian los parásitos. C) Cuadro de texto con la descripción de la enfermedad.
Verdaderos 8 8
Falsos 8 0
trabajo futuro? que proponen? Les propongo algoritmo de otsu y segmentación por regiones.
13. BIBLIOGRAFÍA
[1] mohapatra, s., patra, d., & kumar, k. (2011). blood microscopic image
segmentation using rough sets. 2011 international conference on image information
processing. http://dx.doi.org/10.1109/iciip.2011.6108977.
[2] doi charpe, k. & bairagi, v. (2015). automated malaria parasite and there stage
detection in microscopic blood images. 2015 ieee 9th international conference on
intelligent systems and control (isco). http://dx.doi.org/10.1109/isco.2015.7282336.
[3] sickle cell disease - nhs choices. (2016). nhs.uk. retrieved 14 september 2016, from
http://www.nhs.uk/conditions/sickle-cell-anaemia/pages/introduction.aspx.
[4] clinica san fernando. (2015). exámenes de laboratorio más frecuentes realizados en
los pacientes. 14/09/2016, de el laboratorio clínico de clínica hospital san fernando sitio
web: http://www.hospitalsanfernando.com/www/es/articulos-medicos/examenes-de-
laboratorio-mas-frecuentes-realizados-en-los-pacientes
[5] lichtman, m. & williams, w. (2006). williams hematology. new york: mcgraw-hill,
medical pub. division
[9]luis pérez gutiérrez. (2016). bases del plan de desarrollo de antioquia. 14/08/2016,
de departamento de antioquia sitio web:
http://www.antioquia.gov.co/images/pdf/bases%20del%20plan%20de%20desarrol
lo%20pensando%20en%20grande%202016-2019.pdf
[10] ministerio de salud y protección social, “plan decenal de salud pública, pdsp, 2012
- 2021,” bogotá dc., 2012.
[11] selvanathan, n., yun, l., sankupellay, m., purushothaman, v., & jameelah, s. automatic
retrieval of microscopic blood cells images. 3rd kuala lumpur international conference on
biomedical engineering 2006, 245-249. http://dx.doi.org/10.1007/978-3-540-68017-8_64
[12] rezatofighi, s. & soltanian-zadeh, h. (2011). automatic recognition of five types of white
blood cells in peripheral blood. computerized medical imaging and graphics, 35(4), 333-343.
http://dx.doi.org/10.1016/j.compmedimag.2011.01.003
[13] bhattacharjee, r. & saini, l. (2015). robust technique for the detection of acute
lymphoblastic leukemia. 2015 ieee power, communication and information technology
conference (pcitc). http://dx.doi.org/10.1109/pcitc.2015.7438079
[14] geneser, f. (1986). atlas color de histologia. (3rd ed., pp.1) argentina:
panamericana.
[15] naranjo, c. (2008). atlas de hematología células sanguíneas (2nd ed., pp. 21-37).
manizales: ucm.
[20] baez, d. & coutiño, c. (2016). adición de ruido, filtrado no lineal, enriquecimiento y
detección del contorno en imágenes digitales a color. informacion tecnologica, 9(6),
135-140.
[21] gonzales, r. & woods, r. (2008). digital image processing (3rd ed., pp. 689-700).
new jersey: pearson.
[22] nobuyuki otsu, “a threshold selection method from gray-level histogram”, ieee
transactions on system man cybernetics, vol. smc-9, no. 1, 1979, pp. 62-66.
[23] matlab gui - matlab. (2016). mathworks.com. retrieved 15 september 2016, from
http://www.mathworks.com/discovery/matlab-
gui.html?requesteddomain=www.mathworks.com
[24] atlas of hematology. (2016). hematologyatlas.com. retrieved 5 september 2016,
from http://www.hematologyatlas.com/