Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Avances en patología de Digitaces

Por Shelley Farrar, MSc, BSCA

La capacidad de digitalizar las imágenes formadas de las diapositivas de cristal ha sido un revelado enorme en patología. Un gran número de muestras de tejido en diapositivas se pueden explorar y archivar digital. Las imágenes de Digitaces se pueden ahora enviar inmediatamente a las ubicaciones remotas que hacen diagnosis y las consultas primarias para las segundas opiniones más fáciles obtener. Por otra parte, la patología digital ha ayudado a la investigación y a la educación mientras que las imágenes de diapositiva del tejido del ejemplo se pueden archivar y utilizar en varias ocasiones. Debe ser observado que la patología digital no es todavía dispersa pero los avances en patología digital pueden pronto cambiar eso.

Haber de imagen: anyaivanova/Shutterstock
Haber de imagen: anyaivanova/Shutterstock

El advenimiento de la proyección de imagen entera de la diapositiva

La proyección de imagen entera de la diapositiva es la capacidad de explorar las diapositivas de cristal para producir imágenes digitales y ha avance proyección de imagen de la diapositiva más allá del uso de cámaras simples.  Requiere un proceso de dos etapas:

  1. Un analizador primero se utiliza para digitalizar la diapositiva de cristal, creando una diapositiva digital grande y representativa.
  2. El software especializado entonces se requiere para ver la imagen digital. El software a menudo se llama un espectador de diapositiva virtual.

Antes de proyección de imagen entera de la diapositiva, las cámaras microscopio-montadas podían capturar solamente las áreas específicas de la diapositiva y por lo tanto habían limitado el uso clínico. Un microscopio virtual temprano combinó un sistema informático robótico a la microscopia y podía explorar la diapositiva de cristal para formar una serie de tejas de la imagen de mosaico que se podrían compilar para formar la imagen de diapositiva completa. Este uso fue limitado por un largo de tiempo muy largo de la exploración. La proyección de imagen entera moderna de la diapositiva fue formada por la utilización de los sistemas automatizados, de alta velocidad de la captura de la imagen. Las diapositivas de cristal se pueden ahora explorar en menos que un minuto e imágenes digitales de alta resolución de la producción.

Además, la tecnología de la imagen entera de la diapositiva se puede automatizar con el tramitación contínuo. Esto significa que una diapositiva puede ser cargada por teletratamiento mientras que se está explorando otra. La etiqueta de diapositivas también se hace tan más fáciles que los analizadores pueden leer uno y los códigos de barras bidimensionales que se puedan agregar a las diapositivas de cristal. Algunos sistemas enteros modernos de la proyección de imagen de la diapositiva pueden digitalizar diapositivas en los diversos aviones focales verticales de modo que no haya baja de la precisión con respecto al mando fino del foco de un microscopio estándar.

Digital Pathology in action - LabPON, The Netherlands

Proyección de imagen y pronósticos enteros de la diapositiva

Los avances recientes en patología digital se han utilizado para desarrollar las pruebas diagnósticas basadas imagen histologic para las enfermedades tales como cáncer. Porque las diferencias en la expresión molecular de una enfermedad se pueden observar en la configuración del tejido y de los cambios a la morfología nuclear, la tecnología de la imagen entera de la diapositiva se ha utilizado para desarrollar la clasificación automática del tejido, nivelar de la enfermedad y pruebas diagnósticas. La conversión digital del análisis de diapositivas puede utilizar las características del tejido que no son visualmente perceptibles por un patólogo.  Las imágenes de Digitaces de los especímenes del tejido de la biopsia se pueden minar para las características de la imagen que pueden ayudar en la predicción del estado de la enfermedad y de su agresividad. las características Computador-extraídas de la imagen podían por lo tanto ayudar en la opción de tratamientos que intensificaban o deescalating.

Enhancing pathology workflow with Integrated Digital Pathology | GE Healthcare

Nuevas aproximaciones al análisis de imagen de diapositiva de Digitaces

Los avances en las técnicas digitales de la patología para cuantificar el modelado de la característica de la imagen implican una aproximación handcrafted de la característica o una aproximación no supervisada de la característica. La aproximación handcrafted de la característica implica el elegir de características de la imagen, tales como forma de la casquillo del prensaestopas y talla así como textura nucleares del tejido, para categorizar imágenes de varias enfermedades. Para la aproximación no supervisada de la característica se requiere un método de profundo-aprendizaje. Esto significa que la computador aprende las configuraciones de la característica de la imagen que se pueden utilizar para cuantificar características de la imagen de diapositiva. Requiere una gran cantidad de datos del entrenamiento y es menos intuitivo que la aproximación handcrafted de la característica. Los algoritmos complejos implicados también requieren que hay pocas variaciones en la calidad de las imágenes digitales producidas.

La información creciente de la profundidad está ayudando a este campo immerging a través de los nuevos analizadores enteros de la diapositiva 3D. Agregar otra dimensión a los datos presentados habilitará aproximaciones más detalladas y más eficientes al análisis de diapositivas digitales.

Fuentes

  1. Pantanowitz, L. 2010. Imágenes de Digitaces del ` y el futuro de la patología digital', gorrón de la patología Infomatics, 1, e15. http://www.jpathinformatics.org/article.asp?issn=2153-539;year=2010;volume=1;issue=1;spage=15;epage=15;aulast=Pantanowitz
  2. Farahani, N. y otros 2015. Proyección de imagen entera de la diapositiva del ` en patología: ventajas, limitaciones, y perspectivas emergentes', patología e International del remedio del laboratorio, 7, págs. 23-33. https://www.dovepress.com/whole-slide-imaging-in-pathology-advantages-limitations-and-emerging-p-peer-reviewed-fulltext-article-PLMI
  3. Madabhushi, A. 2016. Aprendizaje del análisis y de máquina de imagen del ` en patología digital: Retos y oportunidades. ', Análisis de imagen médico, 33, págs. 170-175. http://www.medicalimageanalysisjournal.com/article/S1361-8415(16)30114-1/fulltext
  4. Lewis, J.S. y otros 2014. El clasificador histomorphometric cuantitativo del ` A (QuHbIC) determina agresivo comparado con carcinoma de células escamosas orofaríngeo positivo indolente de p16-', el gorrón americano de la patología quirúrgica, 38, págs. 128-137. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3865861/

Further Reading

Last Updated: May 23, 2019

Comments

The opinions expressed here are the views of the writer and do not necessarily reflect the views and opinions of News Medical.