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.

UM SIVQ software-herramienta puede determinar con precisión las células y las muestras de tejido con mayor precisión

Ulises Balis, MD, hace clic en un ratón para identificar un helicóptero en una foto de satélite de Bagdad, Irak. Con otro clic, un algoritmo que él y su equipo diseñaron recoge más tres helicópteros sin destacar ninguno de los edificios, calles, árboles o coches.

Balis no está jugando a la guerra. El director de la División de Informática de la Patología en la Universidad de Michigan Medical School está demostrando la extrema flexibilidad de una herramienta de software destinada a hacer la detección de anomalías en las muestras de células y tejidos más rápido, más preciso y más coherente.

En un establecimiento médico, en lugar de helicópteros, la técnica, conocida como cuantificación vectorial espacialmente invariantes (SIVQ), puede determinar con precisión las células cancerosas y otras características críticas de las imágenes digitales a partir de diapositivas del tejido.

Pero SIVQ no se limita a ningún área en particular de la medicina. Que fácilmente se puede separar calcificaciones de neoplasias malignas en las muestras de tejido mamario, buscar y contar con determinados tipos de células en un portaobjetos de la médula ósea, o de identificar rápidamente la cereza nucléolos rojos de células asociadas con la enfermedad de Hodgkin, según los resultados que acaba de publicar en el Diario de Informática de Patología .

"El hecho de que el algoritmo funciona sin esfuerzo a través de dominios y las escalas de longitud, mientras que exigen una formación mínima del usuario, que lo diferencia de los enfoques convencionales de análisis de imágenes", dice Balis.

La tecnología - desarrollado en colaboración con investigadores del Massachusetts General Hospital y Harvard Medical School - difiere de la convencional de software de reconocimiento de patrones, al basar su búsqueda principal en una serie de concéntricos, anillos de reconocimiento de patrones, en lugar de los bloques más típica rectangular o cuadrada. Este enfoque tiene la ventaja de la simetría de los anillos continuos, lo que permite el reconocimiento de las características, no importa cómo se gira o si son invertidos, como en un espejo.

"Eso es bueno porque en la patología, las imágenes de las células y los tejidos no tienen una orientación particular", dice Balis. "Ellos pueden hacer frente a cualquier dirección". Una de las imágenes incluidas en el documento demuestra este principio; SIVQ identifica consistentemente la letra A de un campo de texto, sin importar lo que las letras son rotados.

Cómo funciona

En SIVQ, la búsqueda se inicia con el usuario selecciona una pequeña área de píxeles, conocido como vector, que quiere tratar de igualar en otras partes de la imagen. El vector también puede provenir de una biblioteca de imágenes almacenadas.

El algoritmo compara este vector circular a todas las partes de la imagen. Y en cada lugar, el anillo gira a través de millones de posibilidades en un intento de encontrar una coincidencia en todos los grados posibles de rotación. Anillos más pequeños dentro del anillo principal, pueden ofrecer una búsqueda más refinada.

El programa crea un mapa de calor, la sombra de la imagen basada en la calidad de partido en cada punto.

Esta técnica no funcionaría con una estructura de búsqueda de forma cuadrada o rectangular, porque esas formas no permanecen simétrico al girar, Balis explica.

¿Por qué no se ha estado utilizando todos los medios todo el tiempo?

"Es una de esas cosas que sólo es evidente en retrospectiva", dice Balis.

En la prueba de que el algoritmo, los investigadores aún se utiliza para encontrar a Wally en una ilustración de un ¿Dónde está Wally? libro para niños.

"Sólo tienes que generar un vector de la cara", explica Jason Hipp, MD, Ph.D., co-autor principal del artículo - al igual que una podría generar un vector de reconocer las calcificaciones en el tejido mamario.

Un "juego de cambiador"

Hipp cree que la tecnología tiene el potencial de ser un "cambiador del juego" para el campo por la apertura de miles de nuevas posibilidades para el análisis de las imágenes más profundas.

"Esto va a permitirnos pensar en las cosas de manera diferente", dice Hipp, un tipo de patología informática y profesor de investigación clínica en el Departamento de Patología. "Estamos empezando a cerrar la brecha entre el análisis cualitativo realizado por patólogos expertos entrenados con los métodos cuantitativos posible gracias a los avances en la tecnología de imagen."

Por ejemplo, la forma más común de ver las muestras de tejido sigue siendo una técnica de tinción que se remonta a the1800s. La lectura de estas diapositivas complejas y la prestación de un diagnóstico es parte del arte de la patología.

SIVQ, sin embargo, puede ayudar a los patólogos de pre-selección de una imagen y la identificación de áreas potencialmente problemáticas, incluyendo las características sutiles que pueden no ser evidentes para el ojo.

Eficiencia SIVQ en pre-identificación de los problemas potenciales se hace evidente cuando se considera que un patólogo puede revisar más de 100 diapositivas en un solo día.

"A diferencia de los seres humanos, incluso los más diligentes, los ordenadores no sufren de los efectos del aburrimiento o la fatiga", dice Balis.

Trabajando juntos