IDENTIFICACIÓN DE PATRONES DE CELULAS HEMATOLOGICAS USANDO

TÉCNICA DE PROCESAMIENTO Y ANÁLISIS DE IMÁGENES MICROSCOPICAS -

FASE I

ERIKA TATIANA ARIAS ZULUAGA

ANDREA CAROLINA GIRALDO BEDOYA
ALEXANDRA LARGO CEBALLOS

JENNY KATERYNE ARISTIZÁBAL NIETO

ASESORA

PROYECTO INTEGRATIVO DE SEMESTRE

PIS

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]

 Componente: Ciencia, Tecnología e Innovación.

 Estrategia: se orienta a la incorporación de acciones para apoyar el
desarrollo de capacidades de gestión, generación de conocimiento,
investigación y desarrollo, innovación y emprendimiento, Transferencia
de conocimiento y tecnología y cultura
 Objetivo: Apoyar la investigación aplicada, el desarrollo experimental y
la Innovación, para el desarrollo de soluciones de alta calidad a
problemáticas sociales y tecnológicas en las regiones de Antioquia.

PLAN DECENAL DE SALUD 2012-2021. [10]
 Componente: Gestión para el fortalecimiento institucional y de los
servicios de salud.
 Estrategia: Direccionamiento de las reglas para la contratación de las
acciones colectivas de salud pública con las ESE, universidades, centros
de investigación, profesionales independientes y otros tipos de
organizaciones e instituciones.
 Objetivo: Garantizar de manera efectiva el acceso a los planes de
beneficio en salud
 4. ANTECENDENTES
A lo largo de las últimas décadas, el campo del procesamiento de imágenes ha
sido objeto de investigación debido al incremento de dispositivos de captura de
imágenes, su digitalización y la automatización de tareas que antes sólo podía
realizar el ser humano. Gracias a esto se han desarrollado muchos métodos y
algoritmos para el tratamiento y procesamiento de imágenes. En cuanto al
procesamiento de imágenes hematológicas como una herramienta para la
obtención de características celulares, se empezó a implementar en los últimos
5 años gracias al avance computacional.
Selvanathan et al.[11] Usó técnicas de procesamiento de imágenes y explora
diversos métodos de obtención automática de características morfológicas de
las células sanguíneas a partir de imágenes básicas obtenidas en el
microscopio. Estos métodos consisten en comparar características como el
color promedio de la imagen, histograma de color, color posicional y textura con
la ayuda de Query by Image Content (QBIC), la cual es un software de IBM que
permite trabajar con bases de datos. Estos atributos son usados para encontrar
una imagen con características similares en DB2 (DataBase 2 by IBM) que son
recuperadas y mostradas junto con la descripción del desorden sanguíneo. Los
resultados indican que usando la técnica de recuperación de imágenes el
parámetro de comparación más adecuado es el uso del histograma de color,
seguido por color promedio. en último se encuentran color posicional y textura
siendo esta última irrelevante para los resultados.
Rezatofighi et al.[12]Creó un algoritmo de procesamiento de imágenes para
reconocer cinco tipos de glóbulos blancos en sangre periférica. Usa dos
métodos para obtener las características celulares el primero es
ortogonalización de Gram-Schmidt junto con un algoritmo de serpiente para
segmentar el núcleo y el citoplasma de las células. Con las características
extraídas usa métodos de comparación como son: Selección del algoritmo
(SFS), Redes neuronales artificiales (ANN), Máquinas de vectores soporte
(SVM). Se encuentra que estas técnicas arrojan un porcentaje del 93% de
acierto en reconocer un tipo de glóbulo blanco, indicando que el algoritmo es
bastante certero en el reconocimiento de estas células, además de que se
puede usar para el conteo y reconocimiento de otras características como
tamaño, forma y espacio entre el citoplasma y el núcleo.

Bhattacharjee et al.[13] Desarrolló un algoritmo para diagnosticar la presencia

de leucemia linfoblástica aguda en MATLAB usando tres técnicas de
segmentación: aislamiento de la célula, aislamiento del núcleo y extracción de
operadores morfológicos tales como: área, perímetro, circularidad y factor de
forma. Por último, con estas características obtenidas y haciendo usos de
técnicas de comparación como K vecinos más próximos (KNN), Máquinas de
vectores soporte (SVM), Redes neuronales artificiales (ANN) y K-means
clustering clasifica las células en dos categorías enfermas y sanas. Como
resultados obtuvo que con los operadores morfológicos comparado con otras
técnicas obtiene una precisión de segmentación del 96.67% y que el método
5. MARCO TEÓRICO

5.2. IMÁGENES HISTOLÓGICAS

La palabra histología significa “el estudio del tejido” y se refiere al
análisis de la composición microscópica y la respectiva función del
material biológico. Las primeras investigaciones histológicas fueron
posibles a partir del año 1600, cuando se incorporaron los
microscopios a los estudios anatómicos. La histología permite
comprender el funcionamiento normal o patológico del tejido a nivel
microscópico analizado a partir de muestras de las diferentes células
existentes en la anatomía humana [14]. Uno de los tejidos de mayor
importancia y de mayor estudio de la anatomía humana es la sangre.

5.2.1. IMÁGENES HISTOLOGICAS SANGUINEAS

La mejor forma de observar y diferenciar los distintos componentes

celulares de la sangre es mediante imágenes histológicas tomadas a
partir de microscopios electrónicos, Estos adquieren las imágenes a
partir de muestras sanguíneas obtenidas de biopsias y extracción de
sangre periférica, las cuales requieren de procedimientos de tinciones
hematológicas.
Las tinciones hematológicas son métodos utilizados para la coloración
de las estructuras que componen las células de la sangre. Tienen por
objetivo aumentar el contraste entre las estructuras celulares y el medio
que las rodea.
En la hematología entre los colorantes más empleados está la
coloración de Romanoswky, constituida fundamentalmente por la
mezcla de eosina y azul de metileno; El fundamento de la coloración
deja que un colorante básico (azul de metileno) reaccione con un
colorante ácido (eosina) para formar una coloración neutra, con una
amplia gama de colores al nivel de las células sanguíneas.

Una tinción adecuada arrojara los siguientes resultados:

Eritrocitos: rojo amarillento.
Leucocitos:

- Neutrófilos: cromatina púrpura oscuro, citoplasma rosa pálido y

gránulos lila.
- Eosinófilos: cromatina púrpura oscuro, citoplasma azul pálido y
gránulos rojo brillante.
 - Basófilos: cromatina púrpura oscuro, gránulos azul oscuro,
diferenciación de la membrana celular.
- Linfocitos: cromatina púrpura oscuro, citoplasma azul cielo.
- Monocitos: cromatina púrpura medio, citoplasma azul grisáceo y
gránulos lila Plaquetas: centrómero violeta o púrpura, hialómero
azul claro [15].

En la figura 1 se puede observar la coloración que presenta cada

célula sanguínea.

Figura 1. Extensión de sangre a partir de tinción de Romanoswky .Fuente:

A.D.A.M. Disponible en:http://biometriahematicazana.blogspot.com.co/

5.3. PATOLOGÍAS IDENTIFICABLES A PARTIR DE LA

COLORACIÓN.

5.3.1. MALARIA

La malaria es una enfermedad transmitida por mosquito, que

está ampliamente esparcida por el mundo. Es una de las
enfermedades predominantes transmitida por vector, que
causa un número considerable de muertes en países en vía de
desarrollo como Colombia; esta enfermedad ocurre debido a la
hembra del mosquito Anopheles.
Existen 4 tipos principales de parásitos de malaria:
Plasmodium vivax, Plasmodium falciparum, Plasmodium
ovale, Plasmodium malaria. Entre estas la falciparum es la más
infecciosa y dañina comparada con las otras tres, su tiempo de
 incubación es de 7 a 14 días. Algunas veces los síntomas de
la malaria no se identifican apropiadamente, una medicación
tardía puede llevar a la muerte, por eso se hace necesario
diagnosticar la presencia del parásito en la sangre en una
etapa temprana [2].

ETAPAS DE LA VIDA PARASITARIA DE LA MALARIA.

Las etapas del ciclo de vida de la malaria son descritas en la
figura 2, se describe principalmente en dos etapas, el mosquito
huésped inyecta los porocitos en la sangre de su saliva. Estos
esporozoitos (Fase en la que el parasito pasa del mosquito al
hombre), luego entran en el hígado e invaden las células
hepáticas, las células infectadas que contienen los
esporozoitos maduros se rompen y estos se esparcen en toda
la sangre, infectando los eritrocitos, estos merozoitos
(Resultado de la reproducción asexual) dando lugar a los
trofozoítos (Forma vegetativa activada), schizoites (Trofozoitos
maduros), gametocitos (Crecimiento asexual del parasito) que
son considerados las etapas básicas de parásitos. En la figura
3 se puede observar la forma del parasito en las tres etapas
[2].

Figura 2. Ciclo de vida del parasito de la malaria. Fuente: Automated Malaria

Parasite and there Stage Detection in Microscopic Blood Images. Disponible
en: http://bmcbioinformatics.biomedcentral.com/articles/10.1186/1471-2105-13-
S17-S18
 Figura 3. Diferentes formas del parasito en tres etapas. Fuente: Automated
Malaria Parasite and there Stage Detection in Microscopic Blood Images.
Disponible en:
http://bmcbioinformatics.biomedcentral.com/articles/10.1186/1471-2105-13-
S17-S18

El diagnóstico de malaria se confirma con la identificación

de la especie de Plasmodium presente en la sangre
mediante examen microscópico de gota gruesa para hacer
el recuento parasitario en la totalidad de las muestras
positivas por P. falciparum e infecciones mixtas y en los
casos de malaria complicada por P. vivax. Se realiza un
extendido de sangre periférica. Y se realiza el proceso de
pre coloración de Romanowsky, Para diagnosticar una
muestra se deben observar como mínimo 200 campos
microscópicos [16].

5.3.2. ANEMIA FALCIFORME

La anemia falciforme o drepanocitosis es una de las
hemoglobinopatías estructurales más comunes en el
mundo. Este tipo de anemia es un trastorno hereditario de
la sangre, caracterizado por una anomalía de la
hemoglobina que consiste en una alteración estructural de
la cadena b de la globina, debida a la sustitución de un único
aminoácido (ácido glutámico por valina) originando la
hemoglobina S (HbS). Al nacimiento los pacientes son
asintomáticos, las primeras manifestaciones clínicas
 aparecen entre los 4 y 6 meses de vida cuando sus niveles
disminuyen.
La fisiopatología de la anemia de células falciformes radica
en los cambios de las características de la hemoglobina
cuando los monómeros solubles de hemoglobina se
transforman en polímeros gelificados ante variaciones
ambientales en el Ph, temperatura y concentraciones
iónicas. El resultado es la producción de eritrocitos rígidos,
lo cual, junto a las interacciones anómalas que se
establecen con el endotelio vascular, determina el
fenómeno de falciformación y oclusión vascular [3].

DIAGNÓSTICO DE LA ANEMIA FALCIFORME.

El diagnóstico de anemia falciforme se basa principalmente

en la toma de muestras de sangre periférica, las cuales
serán sometida a una serie de técnicas de reconocimiento
tanto morfológico como de composición. En primera
instancia se realiza un frotis de extendido de sangre
periférica, cuya finalidad es encontrar de una forma visual,
alteraciones en la morfología del glóbulo rojo con células
densas (pequeñas y deshidratadas) y en forma de hoz o
disco; posteriormente se hace uso de técnicas más estrictas
como:

- Prueba de solubilidad de la hemoglobina y del metabisulfito

de sodio.
- Evaluación de las hemoglobinopatías por electroforesis de la
hemoglobina (Hb), isoelectroenfoque - de la Hb o por HPLC
(técnica de cromatografía de líquidos de alto rendimiento) -
para detectar variantes anómalas y medir las cantidades
relativas de cada tipo de hemoglobina presente en los
hematíes.
- Análisis de ADN - para evaluar alteraciones y mutaciones en
los genes que producen los distintos componentes de la
hemoglobina; el análisis del ADN también permite conocer si
el paciente es portador de la anemia falciforme.
- Hemograma - para determinar el número y tamaño de los
hematíes y la cantidad de hemoglobina.
- Prueba de niveles de Creatinina y hierro presentes en los
eritrocitos. [17]
5.4. MÉTODOS DE CONTEO DE CÉLULAS SANGUÍNEAS
EXISTENTES.

5.4.1. TÉCNICA MANUAL.

Consiste en contar el número de células sanguíneas por medio de
observación a través de un microscopio para su posterior registro,
como se observa en la figura 4. Esta es la única técnica que permite
además de conocer la cantidad de células, qué cambios morfológicos
ha sufrido esta [18].

Figura 4. Conteo celular mediante la utilización de la cámara de

Neubauer. Fuente: Ensayo de toxicidad crónica con Selenastrum
capricornutum. Disponible en: http://www.idrc.ca/fr/ev-84467-201-1-
DO_TOPIC.html

5.4.2. TÉCNICA DE IMPEDANCIA.

Se basa en la detección de los cambios de la resistencia eléctrica
producidos por una partícula suspendida en un diluyente conductor a
su paso por una abertura de dimensiones conocida. La figura 5 ilustra
el sistema empleado por la técnica impedancia [18].
Figura 5. Gráfico del sistema de trabajo de los analizadores hematológicos
de impedancia. Fuente: Laboratorio patológico San Isidro. Disponible en:
http://laboratoriosanisidro.blogspot.com.co/2010/02/hematologia-
tradicional-y-moderna.html

5.4.3. TÉCNICA DE CITOMETRÍA DE FLUJO.

Como se observa en la figura 6, la técnica de citometría de flujo
consiste en un proceso de recuento y medición de las propiedades
de las células o partículas que se transportan por medio de un flujo
a través de una zona de detección [18].

Figura 6. Esquema de un citofluorómetro. Fuente: VIVES CORRONS, Joan

Lluís. AGUILAR BASCOMPTE, Josep Lluín. Manual de técnicas de laboratorio
en hematología. 3era ed. Barcelona: Masson, 2006. 103 p.
5.5. PROCESAMIENTO DIGITAL DE IMÁGENES.

El procesamiento digital de imagen es una herramienta de gran impacto

en múltiples disciplinas, arrojando resultados óptimos y confiables; En el
área de la medicina gracias a las innovaciones en la tecnología se ha
logrado desarrollar programas que sean apoyos directos en los
diagnósticos en base a imágenes médicas, por ello la adquisición,
almacenamiento y manejo de las imágenes digitales ha adquirido gran
importancia en todas las ramas de la medicina.
A diferencia del estudio de los mecanismos de la visión humana. El
procesamiento de imágenes digitales nace en el momento en que se
dispone de recursos tecnológicos para captar y manipular grandes
cantidades de información espacial en forma de matrices de valores, esta
distinción sitúa al procesamiento de imágenes digitales como una
tecnología asociada a las ciencias de la computación y, por tanto, cabe
pensar en ella como una proyección del termino visión artificial.
El término imagen se refiere a una función de intensidad de luz
bidimensional 𝑓(𝑥,𝑦), donde 𝒙 e 𝒚 indican las coordenadas espaciales y
el valor de f en cualquier punto (𝑥,𝑦) es proporcional a la luminosidad (o
nivel de gris) de la imagen en dicho punto.
Una imagen digital puede ser considerada como una matriz cuyos índices
de renglón y columna identifican un punto (un lugar en el espacio
bidimensional) en la imagen y el correspondiente valor de elemento de
matriz identifica el nivel de gris en aquel punto como se observa en la
figura 7. Los elementos de estos arreglos digitales son llamados
elementos de imagen o pixeles.
El termino niveles de grises es usado para referir la intensidad
monocromática de las imágenes y las imágenes a color son formados por
una combinación individual de imágenes 2-D, por ejemplo, en el sistema
de color RGB un color consiste en tres componentes individuales de una
imagen que son (red, green, blue) rojo, verde y azul respectivamente. Por
esta razón muchas técnicas de desarrollo para imágenes
monocromáticas pueden ser extendidas para el procesamiento de
imágenes a color.
 X

0 1 1 1

Y 0 0 0 0
1
1 1 1 0
Pixel
1 1 1 0
1 0 0 1

Figura 7. Imagen de 25 pixeles

5.5.1. FILTRADO PARA REMOCIÓN DE RUIDO.

Todas las imágenes tienen una cantidad de ruido, causadas por la
cámara o el medio de trasmisión de la señal, generalmente el ruido se
manifiesta como un aumento en el brillo de algunos pixeles más que
en otros, es un problema común de todas las imágenes digitales. [20]
El filtraje espacial es una de las operaciones para realizar efectos de
eliminación de ruido o bien detección de bordes en una imagen. En
ambos casos la determinación de los píxeles de la nueva imagen
depende del píxel de la imagen original y sus vecinos. Como lo ilustra
la figura 8, el filtrado se consigue multiplicando la transformada por un
filtro ℎ(𝑢,𝑣). La operación dual es la convolución con una respuesta a
impulso 𝑔(𝑥,𝑦) [19].

Figura 8. Operación dual convolución.

 𝑔(𝑥,𝑦)= 𝑓 (𝑥,𝑦)∗ ℎ(𝑥,𝑦) Ecuación 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

Figura 9. Máscara de filtro Laplaciano.

Figura 10. Realce de contorno basado en el uso de operador Laplaciano.
a) Imagen original, b) imagen resultante al procesar con operador Laplaciano.
Fuente: fundamentos de procesamiento de imágenes. Disponible en:
http://www.inf.ufrgs.br/~cwaraujo/inf01046/laboratorio1.html

FILTROS ESPACIALES PASA-BAJA.

Los filtros espaciales pasa baja, dejan el contenido de baja frecuencia
inalterado mientras que atenúan los contenidos de alta frecuencia,
este tipo de filtros resulta adecuado para atenuar ruido aditivo
aleatorio presente en la imagen. Las máscaras de convolución más
utilizadas para realizar el filtraje pasa-bajo son ilustradas en la figura
11. Una de las características de estas máscaras es que la suma de
todos sus valores debe ser igual a la unidad, Cabe resaltar que la
utilización de esos filtros, es que los mismos pueden introducir
apreciable borrosidad a la imagen procesada [19].

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

Figura 12. Máscara de filtro Gaussiano

En la figura 13 se muestra un ejemplo de filtro pasa-baja, filtro

gaussiano.

Figura 13. Realce de contorno basado en el uso de operador Laplaciano. a)

Imagen original, b) imagen resultante al procesar con operador Laplaciano.
Fuente: fundamentos de procesamiento de imágenes. Disponible en:
http://www.inf.ufrgs.br/~cwaraujo/inf01046/laboratorio1.html
5.5.2. SEGMENTACIÓN.

La segmentación divide una imagen en sus regiones constituyentes u

objetos. El nivel de detalle con que se realiza la subdivisión depende del
problema que se va a resolver. Esto es, la segmentación debe detenerse
cuando los objetos o regiones de interés en una aplicación se han
detectado. Por ejemplo, en la inspección automatizada de conjuntos
electrónicos, el interés radica en el análisis de imágenes de productos
con el objetivo de determinar la presencia o ausencia de anomalías
específicas, tales como componentes o vías de enlace rotos. No hay
ningún punto en la realización de segmentación más allá del nivel de
detalle necesario para identificar aquellos elementos. [21].

Hay diversas técnicas de segmentación usadas para la obtención de los

diferentes objetos de una imagen como lo son el uso del gradiente de la
imagen, que también corresponde a un tipo de filtrado pasa alta.

Gradiente de imagen.

El gradiente de imagen sirve para detectar los cambios de intensidad en

la imagen, estos cambios se pueden detectar usando derivadas de primer
y segundo orden. Obtener el gradiente de una imagen requiere calcular
las derivadas parciales 𝜕𝑓/ 𝜕𝑥 y 𝜕𝑓/𝜕𝑦 en cada pixel de la imagen. Como
se trata de cantidades digitales, se hace una aproximación de las
derivadas parciales del vecino alrededor de un punto así:

Para obtener los valores pertinentes de 𝑥 se deben implementar filtrados con

máscaras 3-D como la máscara de Sobel. Máscara Sobel: La máscara de
Sobel permite filtrar la imagen haciéndola más suave y cambiando los
valores de pixeles cercanos (3x3) por un valor promedio de intensidad, este
operador da la magnitud del mayor cambio posible de intensidad, la dirección
de este y el sentido de claro a oscuro o sea que tan posible es que en este
rango de pixeles haya un borde o no [21]. En la figura 14 se observa la
máscara que permite calcular las derivadas anteriores así:
 Figura 14. Máscara de Sobel.

UMBRALIZACIÓN.

La técnica de umbralización consiste en hacer una separación

de los objetos con el fondo, esto significa que los pixeles con
un valor mayor o igual a un porcentaje del máximo valor del
gradiente de la imagen se muestran en blanco mientras que los
pixeles con un valor debajo del umbral se muestran en negro
[21]. Cuando el interés está en destacar los bordes principales
y mantener la mayor conectividad posible la umbralización es
la técnica utilizada. Al aplicar un umbral, la imagen (T) en
escala de grises 𝑓(𝑥,𝑦) quedara binarizada, etiquetando con 1
los pixeles correspondientes al objeto y con 0 aquellos que
pertenecen al fondo. Por ejemplo, si los objetos son claros
respecto al fondo, se aplicará [22]:
En el caso de que los objetos sean oscuros respecto del fondo,
la asignación sería a la inversa:

El umbral puede depender de 𝑓(𝑥,𝑦), de alguna propiedad local

del píxel, 𝑝(𝑥,𝑦), y hasta de su propia posición: Si el umbral sólo
depende de 𝑓(𝑥,𝑦) se dice que es un umbral global; en el caso
de que además dependa de 𝑝(𝑥,𝑦), por ejemplo, el valor medio
de los píxeles vecinos, el umbral es denominado local; y si
depende también de la posición (𝑥,𝑦) del píxel, se denominará
dinámico [22].A través del histograma obtenemos una gráfica
donde se muestran el número de píxeles por cada nivel de gris
que aparece en la imagen. En la figura 15 se observa un
ejemplo de un histograma.

En el caso de que el histograma sea de una imagen 𝑓 (𝑥,𝑦) de

un objeto claro sobre un fondo oscuro (o viceversa), basta
elegir un umbral dentro de los niveles de grises, de tal forma
que el histograma forme un valle en ese nivel. Todos los niveles
de grises menores al umbral calculado se convertirán en negro
y todos los mayores en blanco así:
 En la figura 16 se puede observar un ejemplo de umbralización.

Figura 16. Arriba izquierda: Imagen original. Arriba derecha:

Umbralización global. Abajo izquierda: Umbralización global y
filtro top hat. Abajo derecha: umbralización local. Fuente:
Brett Shoelson. Disponible en:
https://www.mathworks.com/matlabcentral/fileexchange/29764
-thresholdlocally.

5.5.3. INTERFAZ GRÁFICA.

GUIs (también conocido como uso de interfaces gráficas o UIs)

proporciona control point-and-click software aplicaciones, eliminando lo
necesario para aprender un lenguaje o tipo de comandos en orden para
poder correr la aplicación [23].
La aplicación de Matlab contiene programas independientes con interfaz
GUI que automatizan una tarea o cálculo. La interfaz gráfica de usuarios
contiene controles tales como menús, barra de herramientas, botones y
controles deslizantes. Algunos productos de Matlab incluyen aplicaciones
con interfaces de usuario personalizadas, pero estas también pueden ser
creadas, incluyendo interfaces de usuarios correspondientes para que
otros lo utilicen [23].
TIPOS DE INTERFAZ GRÁFICA.

- CREACIÓN DE UNA APLICACIÓN DE MATLAB CON APP

DISEÑADOR.
La aplicación diseñada es un entorno para la creación de aplicaciones de
MATLAB. Integra las dos tareas principales de aplicaciones de
construcción-colocación incluyendo los componentes visuales y la
programación de aplicaciones de comportamiento y le permite moverse
rápidamente entre el diseño visual en el lienzo y el desarrollo de código
en una versión integrada del editor de MATLAB [23].

- CREACIÓN DE UNA GUI EN MATLAB CON GUIDE.

GUIDE (entorno de desarrollo GUI) proporciona herramientas para el
diseño de interfaces de usuario para aplicaciones personalizadas.
Usando el editor de formato de GUIDE, puede diseñar la interfaz de
usuario gráfica. GUIDE genera automáticamente el código de MATLAB
para la construcción de la interfaz de usuario, que se puede modificar
para programar el comportamiento de la aplicación [23]. Un ejemplo de
este tipo de interfaz gráfica se puede encontrar en la figura 17.
CREACIÓN DE UNA INTERFAZ GRÁFICA DE USUARIO MEDIANTE
PROGRAMACIÓN MATLAB:
Para obtener más control sobre el diseño y el desarrollo, también se
puede crear un código de MATLAB que define todas las propiedades y el
comportamiento de los componentes. MATLAB contiene funcionalidad
integrada para ayudarle a crear la interfaz gráfica de usuario para su
aplicación mediante programación. Se pueden añadir cuadros de diálogo,
controles de interfaz de usuario (tales como botones y controles
deslizantes), y contenedores (tales como paneles y grupos de botones)
[23].
6. OBJETIVOS

6.1. OBJETIVO GENERAL

 Identificar y cuantificar células y su morfología a través de

procesamiento y análisis de imágenes histológicas.

6.2. OBJETIVOS ESPECÍFICOS

 Identificar y segmentar las células presentes en las imágenes

histológicas.

 Identificar al menos dos tipos de morfologías de las células

tales como tamaño, textura, color, forma.
 Desarrollar una interfaz gráfica para mostrar la identificación y
cuantificación de las células.
7. METODOLOGÍA
7.1. BÚSQUEDA BIBLIOGRÁFICA.
La revisión bibliográfica fue una etapa transversal a toda la línea del
proyecto, dado que se requirió una búsqueda de información respectiva
acerca del manejo de procesamiento de imágenes en Matlab, enfocado
en el tratamiento de operaciones morfológicas y manejo de interfaz
gráfica, a su vez se requirió la mayor información histológica de las
células patológicas evaluadas, con el fin de lograr un correcto análisis y
obtener buenos resultados que cumplieran con los objetivos propuestos
inicialmente.

7.2. BÚSQUEDA DE IMÁGENES HISTOLÓGICAS DE CÉLULAS

HUMANAS INFECTADAS Y SANAS.

En esta primera etapa se hizo uso de un banco de imágenes

hematológicas de muestras de células tanto sanas como enferma,
tomadas a través de microscopios electrónicos. la base de datos se llevó
a cabo gracias a una recolección de imágenes histológicas
hematológicas obtenidas vía web, atribuidas por búsquedas en bases de
datos de universidades con pregrados, doctorados y especializaciones
en áreas como la biología, microbiología y hematología, a su vez
apoyado de búsquedas en revistas y blogs web de grupos de
investigación especializados en las áreas antes mencionadas.

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.

7.4. DETERMINACIÓN DE PARÁMETROS DE IDENTIFICACIÓN Y

CARACTERIZACIÓN DE LAS CELULAS PATOLOGICAS A
ANALIZAR.
con base en el
En base al banco de imagen obtenido se clasifico las enfermedades
hematológicas a partir de una serie de características.
 Mayor número de imágenes.
 Gran cantidad de células analizar.
 Cambios morfológicos notorios.
  Claridad en la imagen.
 Buena técnica de tinción.
 El aumento del lente utilizado.
 Resolución.
 Enfoque.
 Gran interés social, tanto local como global.

Las enfermedades hematológicas como la Anemia falciforme Y la Malaria

encabezaron la lista de clasificación.
Para el análisis de los parámetros de identificación y de caracterización
se realizó un análisis visual directo con cada imagen de dicha célula
patológica. Dentro de los análisis están:

CAMBIOS MORFOLÓGICOS: Se obtendrán parámetros de

identificación de cambios morfológicos como son la atrofia, Hiperplasia,
metaplasia, muerte celular, necrosis y apoptosis de la célula, los cuales
son identificadores de patologías y caracterización de las mismas.
CAMBIOS EN EL MEDIO EXTERIOR DE LA CÉLULA: Se obtendrán
parámetros de identificación del crecimiento celular descontrolado y
cambios en el ambiente
CAMBIOS EN EL COLOR: Uno de los efectos directos que tienen
algunas patologías hematológicas sobre las células, es modificar la
pigmentación y la tonalidad de sus organelas.

7.5. DESARROLLO DEL ALGORITMO EN MATLAB CON INTERFAZ

GRÁFICA.
con base en los
En base a los parámetros de identificación y clasificación de la patología
celular evaluada, se desarrollaron 3 algoritmos en Matlab, uno que
permite detectar anemia falciforme, uno para detectar malaria y uno que
diferencia células sanas de células enfermas. Estos algoritmos contienen
técnicas deprocesamiento de imágenes , las más importantes son
umbralización y manejo de áreas en la imagen. Para la interacción del
usuario se creó una interfaz gráfica que le permite interactuar con los
algoritmos ya mencionados. En la figura 19 se presenta el diagrama de
flujo del algoritmo implementado para la malaria, en la figura 20 el
diagrama de flujo del algoritmo de la anemia falciforme y la figura 21 e
diagrama de flujo de la interfaz.
Figura 19. Diagrama de flujo para el algoritmo de detección de los parásitos
dentro de las células infectadas por malaria.
Figura 20. Algoritmo para la detección de las células infectadas por anemia
falciforme.
Figura 21. Diagrama de flujo de la interfaz gráfica.

7.6. PRUEBA DEL PROGRAMA DESARROLLADO

Se realizaron diversos ensayos que permitieron evaluar el

funcionamiento del algoritmo desarrollado donde se probó con 8
imágenes de células sanas, 8 de malaria y 8 de anemia falciforme, donde
se obtuvo como resultado un correcto análisis de la célula infectada para
la anemia falciforme y uno parcial para la malaria, la interfaz gráfica arrojó
efectivamente la identificación de las características de la enfermedad.

7.7. ANÁLISIS Y RESULTADOS

Los resultados y sus análisis se presentan en los ítems 10,11 y 12 de este

informe
8. RECURSOS

Los recursos con los que se cuenta en el proyecto y que no requieren un

presupuesto, puesto que son de libre acceso son las bases de datos
bibliográficas; los recursos en especie se exponen en la tabla 1.

UNIVERSIDAS DE INVESTIGADORES ASH IMAGE BANK

CONTRAPARTIDAS ANTIOQUIA (IMAGENES) TOTAL
Rec. Rec. Rec.
Fresco Especie Rec. Especie Rec. Rec.
Fresco Fresco Especie
Personal $0 $ 440.000 $0 $0 $0 $0 $ 440.000
Equipos $0 $0 $0 $ 3800000 $ 0 $0 $ 3800000
Software $0 $ 165.000 $0 $0 $0 $0 $ 165.000
TOTAL $0 $ 605.000 $0 $ 3800000 $ 0 $0 $4.405.000
Tabla 1. Tabla de presupuesto global del proyecto.
9. CRONOGRAMA DE ACTIVIDADES
En la Tabla 2 se presenta el cronograma de actividades planteado para el
desarrollo del proyecto en 13 semanas.
 10. RESULTADOS

10.1. DESARROLLO DEL ALGORITMO PARA LA DETECCIÓN DE

MALARIA.
En la tabla 3 se encuentran las imágenes seleccionada que presentan la patología
y que fueron utilizadas para el procesamiento y el análisis de la enfermedad.

IMAGEN IMAGEN
1 4

IMAGEN IMAGEN
2 5

IMAGEN IMAGEN
3 6

Tabla 3. Colección de imágenes histológicas de células infectadas con Malaria.

Se diseñó un primer algoritmo usando técnicas de filtrado y segmentación de
imágenes para detectar los parásitos de malaria presentes en las células de las
imágenes histológicas. En la figura tal se observa el diagrama de flujo para este
algoritmo se presenta en la figura 19.

Para el algoritmo empleado en primera instancia para la detección de la malaria se

hizo la prueba de índices de validez esto se muestra en la tabla 4.
DETECCIÓN
Prueba Muestras sanas Muestras enfermas Total
Negativo 2 4 6
Positivo 3 6 9
Total 5 10 15
Tabla 4. Índices de validez para detección de cambios morfológicos en las
imágenes de malaria.

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.

Figura 22. Valor da la máxima intensidad presente en la imagen

 M(i,j)> (a*0.9) M(i,j)>(a*0.8) M(i,j)>(a*0.05)

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.

En la tabla 6 se puede observar el resultado de aplicar cada uno de los valores de

el
umbral y porque se seleccionó el 5% de la máxima intensidad.
 Imagen original M(i,j)> (a*0.9)

M(i,j)>(a*0.8) M(i,j)>(a*0.05)

Tabla 6. Resultado de en una de las imágenes aplicándole cada uno de los

porcentajes usados. Los puntos negros representan los parásitos celulares. Aquí se
observa que el porcentaje usado es el más adecuado para el objetivo buscado.

En la tabla 7 se presentan los resultados obtenidos luego de aplicarle el segundo

algoritmo a cada una de las imágenes a procesar, donde se resaltan los parásitos
celulares permitiendo detectar la presencia de malaria en las células infectadas.
IMAGEN IMAGEN
1 4

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

En la tabla 8 se encuentran las imágenes seleccionadas que presentan la patología

y que fueron utilizadas para el procesamiento y el análisis de la enfermedad de
anemia falciforme. Para esta parte del proyecto se realizó el análisis a 8 muestras
de diferentes pacientes y con diferentes aumentos del microscopio.

IMAGEN 1 IMAGEN 5

IMAGEN 2 IMAGEN 6

IMAGEN 3 IMAGEN 7

IMAGEN 4 IMAGEN 8

Tabla 8. Colección de imágenes histológicas de células anemia falciforme.

 Para la detección de las células infectadas por anemia falciforme se desarrolló un
de
Algoritmo en Matlab que consta 3 etapas.

10.2.1ETAPA N°1. UMBRALIZACIÓN

todas
En la primera etapa se realizó un algoritmo de umbralización para diferenciar las
del fondo de la imagen que representa el medio.
células (tanto sanas como infectadas ) con el medio. Esta umbralización se llevó a
cabo con intervalos de intensidades. Con la ayuda de un histograma (figura 23) se
obtuvo obtiene un rango de valores con las intensidades presentes en la imagen y el
número de pixeles, a partir de estos valores se determina el umbral más óptimo
para cada imagen. En la tabla 1 se hizo un reporte con varios intervalos de
intensidades utilizados.

Figura 23. Número de pixeles Vs valores de intensidad presente en la imagen.

 M(i,j)> (0.95*I) M(i,j)>(0.9*I) M(i,j)>(0.85*I) M(i,j)>(0.8*I)
1 X X X 
2 X X X 
3    
4 X X  
5 X   
6 X X X X
7 X X X 
8    
TOTAL 2 3 5 7
Tabla 9. Reporte para escoger el porcentaje aplicado al valor de máxima intensidad
en las imágenes. ’a’ es el valor de la intensidad más repetida, el símbolo () indica
que en la imagen solo se observaron células, las equis(x) indican que la
umbralización no fue efectiva y en la imagen no hay diferenciación de las células
con el medio y se observó ruido en la imagen.
que
A partir de los datos obtenidos en la tabla anterior se pudo determinar el mejor
aplica
intervalo de umbral es del (0.85*a, infinito), es decir se aplicará como valor de
umbral los valores que superen el 85% de la intensidad más repetida. En la tabla
10 se muestra los resultados de las umbralizaciones evaluada. Y en la tabla 11 se
muestran los resultados de la implementación del umbral más óptimo.

M(i,j)> (0.95*I) M(i,j)>(0.9*I)

M(i,j)>(0.85*I) M(i,j)>(0.8*I)

Tabla 10. Resultado de la implementación de los diferentes umbrales a la imagen

1 de la tabla 8.
 IMAGEN
IMAGEN 5
1

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.

ETAPA N°2. IDENTIFICACIÓN DE ÁREAS MORFOLOGICAS.

Posterior a los procesos de umbralización de la imagen se buscó clasificar las áreas

de las células presentes en la imagen, para obtener una diferenciación de tipo
morfológico entre las células infectadas con las células sanas. En la figura 25 se
observa la identificación de áreas de cada célula.

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.

Figura 26. Identificación de las células incompletas.

Figura 27. Eliminación de las células incompletas.
ETAPA N°3. IDENTIFICACIÓN DE LAS CELULAS INFECTADAS CON ANEMIA
FALCIFORME
Al obtener la clasificación morfológica de las células sanas y las células infectadas
se desarrolló un algoritmo capaz de eliminar y cuantificar las células con morfología
circular (las cuales corresponde a las células sanas), y obteniendo la posición y la
cantidad de las células infectadas de la imagen original.
En la figura 28 se ilustra la separación entre las células infectadas y el resto de
células presente en la imagen; En la figura 29 se ilustra el resultado final del
algoritmo de identificación de las células infectadas por malaria.
Figura 28. Eliminación de las células sanas.

Figura 29. Identificación de las células infectadas en la imagen original.

 10.3. INTERFAZ GRÁFICA presenta
ejecuta
Cuando la interfaz se corre por primera vez tiene dos recuadros donde se cargarán
las imágenes del usuario y la imagen procesada (Figura 30)

Figura 30. Interfaz de usuario.

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)

Figura 31. Botones. A) Botón para cargar imagen. B) Menú desplegable.

Cuando se oprime el botón cargar imagen se abre una ventana de diálogo que
permite al usuario buscar el archivo de imagen en formato .jpg (Figura 32). Al
seleccionar el archivo la imagen se carga en el primer cuadro en blanco de la
interfaz (Figura 33).

Figura 32. Ventana para buscar archivo en formato jpg.

Figura 33. La imagen es cargada en el primer cuadro en blanco de la interfaz.

Si en el menú desplegable se elige células sanas se ejecutará un algoritmo que
permite reconocer si las células de la imagen están sanas o presentan algún tipo
de patología, en el segundo recuadro se mostrara la misma imagen ingresada por
el usuario sin ningún cambio y en el tercer recuadro se mostrara un mensaje
dependiendo del estado de las células (Figura 34).

A B

Figura 34. Visualización de interfaz al escoger células sanas. A) Primer recuadro

con imagen de usuario cargada. B) Segundo recuadro con reconocimiento de
imagen (sin cambio). C) Tercer recuadro con mensaje de información.

Si en el menú desplegable se elige la opción de anemia falciforme se ejecutará un

algoritmo que permite determinar si las células de la imagen ingresada por el
usuario presentan esta enfermedad. Si este es el caso, en el segundo recuadro se
mostrará una imagen donde se señalan en otro color las células que presentan
dicha enfermedad y en el tercer recuadro un mensaje con la descripción de la
enfermedad (Figura 35).
 C
B
A

Figura 35. Visualización de células enfermas en interfaz al escoger anemia

falciforme. A) Primer recuadro con imagen de usuario cargada. B) Segundo
recuadro con células enfermas en otro color. C) Tercer recuadro con descripción de
la enfermedad.

Si la imagen subida por el usuario no contiene células afectadas por anemia

falciforme se podrá observar en el segundo recuadro la imagen original ingresada
por el usuario sin ningún cambio. En el tercer recuadro saldrá un mensaje que
indique esto (Figura 36).
 C
B
A

Figura 36. Visualización de células sanas al escoger anemia falciforme. A) Primer

recuadro con imagen de usuario cargada. B) Segundo recuadro con
reconocimiento de imagen (sin cambio). C) Mensaje con información.

Cuando en el menú desplegable se elige la opción malaria se ejecuta un algoritmo

que permite determinar si las células de la imagen ingresada por el usuario están
infectadas con malaria, si este es el caso en el segundo recuadro se muestra la
imagen donde solo se observan los parásitos y en el tercer recuadro se muestra un
mensaje con la descripción de la enfermedad (Figura 37).
 C
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.

En el caso de que la imagen ingresada por el usuario no contenga células infectadas

con malaria se mostrara un mensaje de texto en el tercer recuadro y no se mostrara
nada en el segundo recuadro (figura 38).

Figura 38. Visualización de células sanas cuando se elige la opción malaria.

11. ANÁLISIS DE RESULTADOS
11.1. ALGORITMO IMPLEMENTADO PARA LA MALARIA
Como objetivo se tenía detectar la morfología celular, específicamente para
la malaria, es importante, el análisis de la textura y el color ya que gracias a
estas características se puede encontrar la presencia del parásito en la célula
hallando así un resultado positivo durante el procesamiento de la imagen.
usan
Para esto se implementó un algoritmo en el cual se usa técnicas de
segmentación, filtrado y umbralización, durante el desarrollo y la prueba de
este algoritmo y con los datos registrados en la tabla 4 se encuentra que este
no es óptimo, porque en algunas imágenes no solo se detectan los bordes
de los parásitos, sino también de algunas células, debido a que estas
presentan el mismo nivel de intensidad y el umbral utilizado no es el mejor.
De la tabla 4 se obtiene la sensibilidad y especificidad de dicho algoritmo así:
Sensibilidad= 10/6 =1.66
Especificidad= 2/5= 0.4
Este resultado nos indica que este método utilizado para la detección de
malaria es medianamente sensible, ya que en la mayoría de las imágenes
infectadas da un resultado positivo (la detecta correctamente) pero es muy
inespecífica debido a que da un resultado positivo en la mayoría de las
imágenes con eritrocitos completamente sanos. Gracias a esto se pudo
determinar que el algoritmo utilizado debía ser mejorado.
En esta fase del desarrollo se refino el algoritmo para que fuera capaz de
identificar el valor máximo de intensidad más repetido en cada una de las
imágenes, lo cual puede observarse en la figura 19.
Con la obtención de dicho valor se procedió a calcular cual porcentaje de
este número de intensidad (observado en la tabla 5,) cumple que para todas
las imágenes se haga cero el valor del pixel (blanco) que se encuentran por
debajo de este rango y así poder resaltar y obtener sólo los meozitos
presentes en las células de la imagen.
Por último, se hizo uso de una función que reconoce el área de los
elementos, en este caso de los parásitos presentes en la imagen, llamada
regionprops en Matlab, esta función se utiliza para medir las propiedades de
la imagen. En este caso dicha función se aplica en las imágenes resultantes
después de realizada la umbralización, las cuales se evidencian en la tabla
7,en estas imágenes se realiza una comparación del área que consiste en
que si se carga una imagen con eritrocitos sanos al momento de umbralizarla
todo la imagen se convertirá en ceros (blanca), por lo que la función
regionprop sólo encontrará un área presente en ella y directamente arrojará
un mensaje donde confirma que la muestra no se encuentra infectada por
 malaria, en cambio si la imagen cargada es una que contiene células
infectadas, la función encontrará más de un área por lo que dirá que es una
muestra infectada.
Para este nuevo algoritmo se obtuvo una sensibilidad de 1 y una
especificidad de 0.2 esto significa que el algoritmo siempre detecta las
células que están infectadas o las pruebas que son positivas, pero no es tan
exacto a la hora de detectar las células que no poseen esta enfermedad o
los verdaderos negativos. Los índices de validez para este algoritmo se
presentan en la tabla 8.

Malaria Positivos Negativos

Verdaderos 8 3
Falsos 12 0
Tabla 12. Índices de validez para algoritmo de la malaria.
Finalmente se obtuvo que este era el código que mejor resultados arrojaba
comparado con el que inicialmente se empleó, debido a que tenía menor
índice de error al analizar cada imagen encontrada y seleccionada para el
estudio, se encontró que un porcentaje muy alto de error en este algoritmo
se debe a que cuando se realiza un extendido de sangre hay células que se
rompen y dejan desechos en la muestra que en una imagen tienen la misma
intensidad que un parásito de malaria haciendo que el programa tome como
células enfermas a células que están sanas se espera que en una segunda
etapa se pueda mejorar esto con diferentes técnicas de procesamiento de
imágenes a las mencionadas en este informe.

11.2. ALGORITMO IMPLEMENTADO PARA LA ANEMIA FALCIFORME.

Como objetivo se tenía detectar la morfología celular, específicamente para

las células infectadas por anemia falciforme, en este tipo de células el análisis
de la estructura y del color son muy importante dado que la identificación de
este tipo de células se da gracias a la malformación de las células, gracias a
estas características se puede encontrar una clasificación de las células
presentes en la imagen.
Para esto se implementó un algoritmo en el cual se usa técnicas de
umbralización, filtrado y operadores morfológicos. Tal algoritmo se dividió en
3 etapas.
Para llevar a cabo las técnicas de procesamiento de imágenes
implementadas en este algoritmo se pasó la imagen a evaluar en escalas de
grises.
ETAPA 1. UMBRALIZACIÓN
Al pasar la imagen a escala de grises no se obtiene una diferenciación entre
las células y el medio, Por ello en esta etapa se buscó separa las células del
medio que las rodea. Para ellos se implementó un algoritmo de
umbralización; Esta umbralización se llevó a cabo con intervalos de
intensidades, las cuales se determinaron a partir de la función imhist
(Imagen) que ofrece Matlab. Esta función arroja un vector con los valores de
las intensidades en la imagen y el número de pixeles que presenta cada
intensidad.
En la imagen 2 se observa el histograma arrojado por la función utilizada y
se puede visualizar que las intensidades más repetidas correspondían a las
intensidades propias de las células, por esta razón se buscó identificar un
intervalo de intensidades propio de cada imagen para realizar la
umbralización y obtener el medio en un fondo oscuro; El objetivo implícito
en esta etapa era encontrar una umbralización para cualquier imagen a
con base en
evaluar, en base a los resultados arrojados en los histogramas se determinó
intervalos de intensidades a partir de porcentajes del valor de la a intensidad
más frecuente en la imagen.
desarrollaron
Se desarrolló 4 intervalos de porcentajes de umbralización como se observa
en la tabla3. los resultados de implementar diferentes porcentajes de
dieron fueron
umbralización arrojo como efecto que de 8 imágenes 7 dieron positivo para
el umbral en el intervalo de 0.85*(la intensidad más repetida ), hasta la mayor
intensidad alcanzada, es decir se aplicara como valor de umbral los valores
que superen el 85% de la intensidad más repetida, En la tabla 4 se obtuvieron
los resultado de la implementación de los diferentes umbrales a la imagen 1
y se observa el cambio positivo entre el primer umbral utilizado (95% de la
intensidad más repetida) y el umbral óptimo. En la tabla 5 se determinó que
este tipo de umbral se adaptaba positivamente a todas las imágenes a
evaluar.
La separación de las células con el medio era la primera barrera que se debía
impedir, la segunda era obtener una imagen limpia, sin ruidos, sin estructuras
que no aporten información necesaria; Para ello se utilizó la función strel
para diferenciar las células sanas e infectadas del resto de células
incompletas, la función strel es una parte esencial de las operaciones de
dilatación y erosión morfológica, el strel es el elemento estructurante utilizado
para sondear cada células presente en la imagen. Un elemento de
estructuración es una matriz que identifica el píxel en la imagen que se
procesa y se define la zona utilizada en el procesamiento de cada píxel.
diseñaron
Se diseñó dos elementos de estructuración semejantes a la forma
morfológica de las células infectadas y sanas. En la figura 1 se ilustra los
strels utilizados, el elemento estructural en forma de semiluna identifico las
células infectadas y el elemento estructural en forma de disco identifico las
células sanas, esta parte de la primera etapa era importante para la
clasificación de las células y así adaptar los identificadores morfológicos a
partir de áreas.
ETAPA N°2. IDENTIFICACIÓN DE ÁREAS MORFOLOGICAS.
utilizaron
En esta etapa se utilizó las herramientas de regionprop facilitada por Matlab.
A partir de esta herramienta se determinan las áreas , radio y perímetro de
cada célula; Para esta etapa del algoritmo de logro una identificación más
precisa de las estructuras morfológicas de las células, al identificar cada área
de las células presentes en la imagen se pudo iniciar una clasificación tanto
de células incompletas como de células sanas y de células infectadas. Para
la eliminación de las células incompletas se asignó un rectángulo de
apropiación de la estructura de cada célula a partir de las áreas hallas como
se observa en la figura 7, esta implementación de identificadores de áreas
se realizó para tener una limitación entre célula y célula y facilitar la
eliminación de las células incompleta que se asociaban a las áreas más
pequeñas.

ETAPA N°3. IDENTIFICACIÓN DE LAS CELULAS INFECTADAS CON

ANEMIA FALCIFORME.
Al obtener una imagen con las células completas se logró separas las células
sanas de las células infectadas, utilizando el vector de áreas asociado a la
imagen y los valores de radios y perímetros. Así logrando eliminar las células
sanas, que correspondían a las áreas y perímetros con valores pequeños y
valor de radios mayores, por ser estructuras completamente circulares. Y
rescatando las células infectadas, dado que arrojaban un valor de área
mayor por la forma alargada de semiluna y valor pequeño de radio por no ser
una estructura circular. Esta clasificación también permitió cuantificar las
células eliminadas (células sanas) y células infectadas.
El
Al algoritmo implementado para la identificación de células infectadas por
anemia falciforme obtuvo una sensibilidad de 1 y una especificidad de 1 esto
significa que el algoritmo detecto las células que están infectadas o las
pruebas que son positivas, y así mismo es asertivo a la hora de detectar las
células que no poseen esta enfermedad o los verdaderos negativos. Los
índices de validez para este algoritmo se presentan en la tabla 13.
Anemia falciforme Positivos Negativos

Verdaderos 8 8

Falsos 8 0

Tabla 13. Índices de validez para algoritmo de la anemia falciforme.

12. CONCLUSIONES

- La umbralización fue el método más efectivo a la hora de analizar

características de las células como la textura y el color ya que permitió
separar ciertas partes de la célula de acuerdo a la intensidad de los
pixeles. La forma más efectiva de hacer la umbralización es con rangos
que varían de acuerdo a la imagen, sin que el algoritmo implementado
dependa de unas características específicas en la imagen ingresada
por el usuario, sino que puedan variar.

- Se concluye con respecto a la malaria que las técnicas utilizadas para

la obtención de un resultado satisfactorio fueron buenas, gracias a que
fue posible separar los parásitos presentes en las imágenes tanto de
las células que habitan como de las células que aún en la imagen no
han sido infectadas, por lo cual fue un gran avance en la identificación
de los cambios que presentan estas células y en una porción del
diagnóstico total de la enfermedad que puede llegarse a realizar en una
segunda etapa del proyecto involucrando el conteo de los meozitos
para conocer la cantidad total de estos en la imagen y en cada célula
que infectan, y finalmente poder determinar la fase de dicha
enfermedad.

- La identificación de áreas morfológicas es la etapa más importante en

el algoritmo de reconocimiento digital de las células infectadas por
anemia falciforme, debido a que la clasificación de las células por
áreas, facilito la eliminación de las estructuras de las células que no
ofrecían una información clara para el reconocimiento de la
enfermedad, así aumentando la confiablidad en el algoritmo, además
a partir de esta clasificación se pudo cuantificar las células infectadas.
Aunque el algoritmo presento una gran adaptación en cualquier tipo
de imagen a evaluar, en cuanto al filtrado y clasificación de las células
infectadas, no se logró obtener la separación total de algunas células
que se presentaban unidas, y este resultado afecta directamente a la
cuantificación de las células, y la cuantificación de las células
infectadas es una información de gran interés en el área médica, por
tal razón se buscara implementar algoritmos que permita la total
separación morfológica de las células y así obtener una mayor
asertividad en el análisis de dicha enfermedad.

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

[6]world health organization. (2016). world health organization. retrieved 14 september

2016, from http://www.who.int/gho/malaria/en/

[7] gho | by country | colombia - statistics summary (2002 - present). (2016).

apps.who.int. retrieved 14 september 2016, from
http://apps.who.int/gho/data/node.country.country-col

[8] patologia celular y tisular. (2016). geocities.ws. recuperado el 12 agosto 2016, de

http://www.geocities.ws/mvzpatologia/archivos/trastadaptativos.htm

[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.

[16] instituto nacional de salud. protocolo de vigilancia y control de malaria. (2016).

minsalud.gov.co. retrieved 11 september 2016, from
https://www.minsalud.gov.co/comunicadosprensa/documents/malaria.pdf#search=%2
52 cmalaria%2520medellin.

[17] labtest - pruebas para la anemia falciforme. (2016). labtestsonline.es. retrieved 6

september 2016, from http://www.labtestsonline.es/tests/pruebas-para-anemia-
falciforme.html?tab=3.

[18] martínez, a. & saavedra, c. (2012). implementación de un algoritmo que permita la

detección de glóbulos blancos de muestras sanguíneas mediante técnicas de
tratamiento digital de imágenes microscópicas (pregrado). universidad industrial de
santander.

[19] esqueda, j. & palafox, l. (2016). fundamentos de procesamiento de imágenes (pp.

1-30). baja california: editorial universidad autónoma de baja california.

[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/