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.

Perfeccionar la calidad de la proyección de imagen digital de la patología

Hay un problema poco tecnológico que preocupa el mundo de alta tecnología de la proyección de imagen digital de la patología.

La entrega: Incluso durante es digital la patología hace avances rápidos mundiales--con más médicos analizando imágenes del tejido en las computadores “elegantes” para diagnosticar a pacientes--no hay patrones seguros para la preparación y la numeración del tejido se resbala.

Eso significa que las diapositivas de la mal calidad entran mezcladas con las diapositivas sin obstrucción y exactas, potencialmente confuso o engañando un programa de computadora que intenta aprender lo que parece una célula cacerígena, por ejemplo.

Los investigadores de la universidad occidental de la reserva del caso están intentando cambiar eso.

El investigador Anant Madabhushi y Andrew Janowczyk, profesor investigador mayor de la bioingeniería en el centro de Madabhushi para la proyección de imagen de cómputo y los diagnósticos personales, ha desarrollado un programa que dicen asegurarán la calidad de las imágenes digitales que son utilizadas para los propósitos del diagnóstico y de la investigación.

Los dos revelaron su nueva herramienta del control de calidad en la edición más reciente del gorrón de la informática clínica de la oncología clínica y están siendo soportados por un de tres años, concesión $1,2 millones del Instituto Nacional del Cáncer.

La nueva herramienta incorpora una serie de mediciones y de clasificadores para ayudar a utilizadores a señalar imágenes por medio de una bandera corrompidas y a ayudar a conservar los que ayuden a técnicos y a médicos en sus diagnosis.

“La idea es simple: fije las imágenes digitales y determine qué diapositivas son dignas para el análisis por una computador y cuáles no son,” dijo a Madabhushi, el profesor de F. Alex Nason II de ingeniería biomédica en la escuela del caso de la ingeniería. “Esto es importante ahora pues la patología digital está sacando por todo el mundo y está poniendo la base para más uso de AI (la inteligencia artificial) para las imágenes de interrogación del tejido.”

El uso es “fuente abierta”-- o libere para que cualquier persona utilice, se modifique y extienda. Puede ser alcanzado a través de un depósito en línea. Fue desarrollado por Janowczyk hace aproximadamente 18 meses después de descubrir lo que él creyó para ser un número asombrosamente de diapositivas de mala calidad del atlas bien conocido del genoma del cáncer, hogar a más de 30.000 diapositivas del tejido de las muestras del cáncer.

Janowczyk dijo que el cerca de 10 por ciento de las 800 diapositivas de la muestra del cáncer que él revisó tenía problemas, colocando de una hendidura en la diapositiva o de una burbuja de aire entre las capas de la diapositiva.

“Castañeteo del cuchillo” entre muchas imperfecciones de la diapositiva

Para apreciar el valor--y riesgo--en la confianza en el altamente técnico, Smart-computador, diagnosis del cáncer de la imagen digital, es útil entender los pasos fundamentales en conseguir allí.

Mientras que estas aproximaciones de alta tecnología pueden tramitar millares de imágenes por segundo, están confiando en imágenes digitales de la misma clase de diapositivas del tejido que los patólogos han estado haciendo para las generaciones. Y esas diapositivas, cuando están vistas a través de un microscopio, tienen más imperfecciones que usted puede ser que piense.

Para crear una diapositiva, el patólogo primer cosecha una cuadra del tejido de una disección del órgano, pone una pequeña rebanada del tejido en un pedazo de cristal que componga una diapositiva. El tejido entonces se mancha para revelar sus configuraciones celulares. Un segundo pedazo más pequeño de cristal entonces se coloca encima de la muestra de tejido para protegerla.

La calidad se puede comprometer en la preparación de la diapositiva por las burbujas de aire, las manchas y los cortes desiguales (llamados “castañeteo del cuchillo”) en el tejido o aún durante el proceso de la numeración que puede introducir entregas del blurriness y de la luminosidad.

“Un microscopio no puede centrarse en las áreas que han torcido calidad,” dijo a Janowczyk, que es también un bioinformatician en el instituto suizo de la bioinformática. (La bioinformática es la ciencia del cerco y los datos biológicos complejos que analizan tales como claves genéticas o, en este caso, imágenes digitales del tejido resbalan.) “Y me tardaron días para pasar con todas esas diapositivas determinar y quitar manualmente los malos. Era entonces que realicé necesitamos una manera más rápida, automatizada de asegurarse de que teníamos solamente las buenas imágenes de diapositiva del tejido.”

El resultado, Madabhushi dijo, movimientos hacia una “democratización verdadera de la tecnología de la imagen” para mejores diagnosis del cáncer y de otras enfermedades.

Socios en el nuevo proyecto--“Histo-CONTROL DE CALIDAD llamado,” para la “histología,” el estudio de la estructura microscópica de tejidos, y el “control de calidad”--incluya a los investigadores de hospitales de la universidad, la Facultad de Medicina de Perelman en la Universidad de Pensilvania y el Louis alimenta el centro médico de Cleveland VA.

Madabhushi estableció el CCIPD en la reserva occidental del caso en 2012. El laboratorio, que ahora incluye a cerca de 50 investigadores, ha sentido bien a un líder global en la detección, diagnosis y caracterización de diversos cánceres y otras enfermedades engranando proyección de imagen médica, aprendizaje de máquina e inteligencia artificial.

Algo de su trabajo más reciente, en colaboración con otros de la universidad y de la Universidad de Yale de Nueva York, ha estado utilizando el AI para predecir qué enfermos de cáncer del pulmón se beneficiarían de la quimioterapia complementaria basada de imágenes de diapositiva del tejido. Ese adelanto fue nombrado por el alimentador de la prevención como una de las 10 rupturas médicas superiores de 2018.