Académique Documents
Professionnel Documents
Culture Documents
'
,
_
3
1
2
2
1
exp
2
j i
j
j
j
m i P
i h
(1)
siendo i el nivel de gris de la imagen y h(i) la
cuantificacin del histograma. A partir de esta
aproximacin se buscar los dos umbrales ptimos
que sean capaces de separar los tres grupos, t
1
y t
2
.
Tal cual se ha mostrado en la figura 3 a), el
histograma no sigue fielmente la expresin (1). Por
tanto, se requiere filtrarlo antes de ser decompuesto.
Con este fin se procede a suavizar el histograma a
travs de un FIR de Gauss.
Sea un FIR de orden par y simtrico, esto es, de fase
lineal o no dispersivo, y cuya secuencia de
ponderacin coincide con los coeficientes de la
mscara de convolucin, quedar definido por ser de
Gauss en la forma:
p p k
p
k
b
k
2 ,..., ,..., 1 , 0 cos 1
,
_
,
_
(2)
donde 2p es el orden del filtro y el ndice del filtro
causal, k, va desde 0 hasta el ndice del filtro. Los
coeficientes tienen simetra alrededor del valor de p.
Al convolucionar el histograma con la mscara
definida, el resultado muestra una mayor
aproximacin a la expresin del modelo, (1). Sin
embargo, presenta un desfase en la direccin de la
propagacin del filtro como consecuencia de la fase
lineal de ste. Por dicho motivo, se vuelve a procesar
la salida con el retardo incluido, de manera que en el
conjunto total, el desfase sea nulo:
G
B H H
~
(3)
siendo H el histograma de la imagen transformada,
B
G
la mscara de convolucin de Gauss, H
~
el
histograma procesado y el operador convolucin
discreta con desfase nulo.
La rapidez de la umbralizacin se basa en considerar
que el ndice del mximo valor del histograma
procesado corresponde con la estimacin mximo
verosmil de la media del fondo:
Figura 2 Rodaja tono de la transformacin de
RGB a HSV
( ) ( ) [ ] j h j m
fondo
~
max (4)
A partir de esta estimacin, se va abrir una ventana
simtrica que permita conocer el intervalo de
distribucin del fondo. La apertura de esta ventana va
a depender de la medida del sesgo, .
Este parmetro se define como una relacin entre el
segundo y tercer momento central de un conjunto de
muestras:
3
2
3
( 5)
donde
x
y
representa el momento central y elevado a
x. tiene la propiedad de indicar si hay sesgo a la
izquierda o a la derecha respecto a la media. Si >0
significa que la distribucin est escorada a la
izquierda, en cambio, cuando <0 indica sesgo de la
distribucin a la derecha. Para una distribucin
normal N(m,
2
), al ser una funcin par alrededor de
la media, los momentos centrales impares sern
nulos, ( ) { } 0
3
m x E . Por tanto, el sesgo ser
nulo para distribuciones normales.
La tcnica de umbralizacin aqu propuesta se basa
en crear una ventana simtrica alrededor de la
estimacin
fondo
m y computar el sesgo, de forma que
su valor absoluto sea menor a un determinado valor.
Por tanto, sea la ventana w
l
, definida en el intervalo
[ ] l m l m
fondo fondo
+ , se calcula el sesgo a partir
de las siguientes expresiones:
( )
( )
( )
( ) ( )
( )
( )
( )
( )
l
l
l
w i
w i
n
w
l n
w i
w i
w
w
w
w
i h
i h m i
w
i h
i h i
m
l
l
l
l
l
l
3
2
3
~
~
~
~
(6)
el valor de l ir desde uno hasta alcanzar un intervalo
tal que:
[ ] ( ) [ ] umbral w l m l m w
l
fondo fondo
< +
*
* * *
(7)
los valores extremos del intervalo definirn los
umbrales de separacin entre el marcaje y el fondo,
*
1
l m t
fondo
, y el fondo con los ncleos,
*
2
l m t
fondo
+ . En la figura 4 se muestra el
procesamiento del histograma y los umbrales
seleccionados segn el algoritmo propuesto.
Sin embargo, tal cual se contemplan en las figuras
4.a) y 4.b), los resultados de la umbralizacin no son
definitivos. Por ello, se aborda, a continuacin, la
problemtica del nmero de ncleos totales y luego
se analiza el algoritmo de las presencias de la
protena R1.
La aplicacin de t
2
produce el solapamiento, a veces,
de los ncleos celulares y la presencia de ruido. Un
suavizado morfolgico eliminar el ruido. En
cambio, para la separacin de los ncleos se han
probado distintas tcnicas. Es usual y clsico emplear
el algoritmo watershed[1] para la separacin de las
clulas o de cuerpos biolgicos solapados[13][4].
Otra algoritmia probada ha sido el uso de
operaciones morfolgicas con elemento estructurante
en forma ovalada. No obstante, los mejores
resultados se han conseguido al emplear la
informacin de los contornos de los ncleos.
En la deteccin de los contornos de los ncleos se
probaron varias tcnicas, desde las mscaras de Sobel
hasta los mtodos de Canny[2], pasando por la
laplaciana de Gauss y el zero-crossing. Todos ellos
se presentaron ruidosos y poco eficientes. En cambio,
el gradiente morfolgico, al emplear un elemento
estructurante simtrico, no tiene direcciones
privilegiadas en la deteccin de los bordes. Despus
de depurar los contornos, result inmediato la
separacin de los ncleos solapados. Una
substraccin binaria con saturacin entre los ncleos
y los contornos rompa con los problemas de
solapamiento.
200 400 600
100
200
300
400
500
200 400 600
100
200
300
400
500
Figura 4. Resultados de la umbralizacin automtica,
a) Marcaje R1, b)Ncleos
Figura 5. a) Ncleos totales contados por el
algoritmo presentado b) Ncleos seleccionados con
presencia de protena R1
Problemas adicionales se han presentado con la
apoptosis (muerte celular programada), las cuales no
hay que contarlas. Aparecen en estado ms
embrionario, menor tamao el ncleo y sin casi
citoplasma. El color del ncleo es ms oscuro en el
azl. Se ha resuelto por tamao, por nivel de gris en
el verde del RGB respecto a la media y la desviacin
tpica de los ncleos etiquetados y por la falta de
citoplasma.
La segunda etapa trata de contar aquellos ncleos que
han sido marcados, esto es, que presentan en su
contorno citplasmtico la protena receptora R1. Tras
la eliminacin de los puntos espurios procedentes del
umbral t
1
, se procedi a una dilatacin binaria de las
membranas, acompaada con una interseccin de los
ncleos resultantes de la etapa anterior. Estas
operaciones generan las semillas de crecimiento
condicional que resultarn la contabilidad de aquellos
ncleos con presencia en su citoplasma de la protena
R1.
En la figura 5.a) se muestra los resultados de
contabilizar los ncleos y en 5.b) el subconjunto de
aquellos que tienen asociada la protena
inmunomarcada.
4 RESULTADOS
EXPERIMENTALES
Los datos analizados son imgenes procedentes de
las clulas madre neurales depositadas en las cmaras
WG1 y WG2, de las cules no se conoce cules han
servido para el control y cules para la exposicin,
esto es, no se conoce en qu cmara se irradi la
seal GSM-Basic.
Se parte de un total de 16 imgenes por cada cmara
y por cada jornada de experimento. Por cada imagen
se aade un informe de la contabilidad manual de los
nmeros de ncleos totales y de la enumeracin de
ncleos que tienen en su citoplasma correspondiente
la presencia de la protena R1. El conteo es realizado
siempre por la misma persona.
Los resultados sobre un experimento, que ha servido
como elemento conductor de la mejora algortmica,
quedan reflejados en la tabla 1. En la primera
columna aparece la referencia de la imagen en su
correspondiente cmara (WG1 o WG2). La segunda
fila muestra el nmero de ncleos contados
manualmente. Las tres siguientes reflejan los
resultados de los distintos algoritmos ensayados:
mediante operaciones morfolgicas exclusivamente,
empleando el algoritmo watershed y por ltimo, la
aplicacin de la informacin de los contornos.
WG1 Manual Morfologa Watershed Morfologa+
contorno
2 23 22 20 22
3 31 28 19 27
4 41 34 34 36
5 34 30 36 28
6 26 19 24 26
7 40 35 29 33
8 9 11 14 10
9 22 24 22 24
10 42 40 46 36
11 29 25 23 23
12 27 28 14 26
13 42 34 46 36
14 34 30 21 29
Total 400 360 348 356
Tabla 1. Comparacin entre los distintos algoritmos
en la numeracin de los ncleos de la cmara WG1
Los resultados indican que en el conjunto del
experimento, la diferencia entre el algoritmo
propuesto y la contabilidad manual es de un 3%, en
cambio con los procedimientos clsicos van desde el
8% al 15%.
Un buen acierto en la enumeracin de los ncleos
conducir tambin a un buen resultado del nmero de
ncleos cuyo citoplasma correspondiente presenta la
protena. En la tabla 3 se comparan los resultados
manuales con el algoritmo propuesto. La diferencia
es de un 18%.
El desarrollo de estos algoritmos ha sido llevado con
Image Processing Toolbox de MATLAB y con
SDC Morphology Toolbox[15].
5 CONCLUSIONES
El presente trabajo presenta un conjunto de
propuestas algortmicas, basadas en Visin Artificial,
para la enumeracin de ncleos celulares y cuntos
de ellos tienen asociada la presencia de una
determinada protena en su citoplasma.
En primer lugar, son presentadas las
transformaciones de RGB a HSV para mejorar la
separacin entre el fondo, los ncleos y el marcaje
inmunocitoqumico.
Un mtodo novedoso es propuesto para la
umbralizacin de las imgenes transformadas. Se
basa en la modelizacin del histograma como la
combinacin de tres distribuciones normales,
correspondientes a cada uno de los grupos
mencionados: marcaje, fondo, ncleos. Se emplea el
sesgo muestreal para la localizacin ptima de la
ventana del fondo, obteniendo los ncleos y el
marcaje.
Para la contabilidad de los ncleos y superar el
inconveniente del solapamiento de stos, se recurre a
la informacin del contorno celular a travs del
gradiente morfolgico, junto al postprocesado de la
etapa de umbralizacin. La seleccin de los ncleos
con presencia de protena R1 asociada se ha basado
en el crecimiento condicional de la interseccin entre
el marcaje y los ncleos.
Agradecimientos
Este proyecto tiene financiacin dentro de los
proyectos precompetitivos de la Universidad
Politcnica de Madrid.
El estudio biomdico incluido en este trabajo forma
parte del Proyecto Europeo REFLEX (QLK4-CT-
1999-01574).
WG2 Manual Morfologa Watershed Morfologa+
contorno
1 33 26 42 32
2 23 14 25 23
3 16 15 28 18
4 15 11 43 13
5 21 19 22 19
6 10 10 17 12
7 10 12 18 13
8 14 12 28 14
9 13 16 21 17
10 15 10 33 14
11 19 24 34 26
12 15 21 27 23
13 25 24 31 28
14 21 19 33 21
15 15 16 19 15
16 13 13 13 14
Total 278 262 434 302
Tabla 2. Comparacin entre los distintos algoritmos
en la numeracin de los ncleos de la cmara WG1.
WG1 Manual
Dilatacin
condicional WG2 Manual
Dilatacin
condicional
2
14
13 1
19
22
3
14
19 2
15
14
4
18
28 3
11
10
5
14
14 4
13
10
6
14
13 5
10
11
7
11
19 6
5
5
8
6
5 7
4
4
9
10
16 8
12
11
10
16
24 9
8
8
11
11
15 10
12
11
12
11
17 11
11
14
13
22
25 12
3
1
14
18
23 13
12
19
Tot. 179 231 14
14
19
15
9
8
16
5
6
Tot. 163 173
Tabla 3.Comparacin entre la contabilidad manual y el
algoritmo propuesto respecto a ncleos asociados a
presencia de R1.
Referencias
[1] Beucher, S., Meyer, F., (1993), The
morphological approach to segmentation: the
watershed transformation, Mathematical
Morphology in Image Processing, 12, 433-481,
Marcel Dekker, New York, 1993.
[2] Canny, J., (1986), A Computational Approach
to Detect Edge, IEEE Transactions on Pattern
Analysis and Machine Intelligence, PAMI 8, 6,
679-698.
[3] Chang, J., Fan, K., Chang, Y., (2002), Multi-
modal gray-level histogram modeling and
decomposition, Image and Vision Computing
20 203-216.
[4] Di Ruberto, C., Dempster, A., Khan, S., Jarra,
B., (2002), Analysis of infected blood cell
images using morphological operators, Image
and Vision Computing, 20 122-146.
[5] Goslvez, J., Rodrguez, E., Bartolom, J.,
Carreo, V.,(1998), Relative quantification and
mapping of hepatitis C virus by in situ
hybridization and digital image analysis.
Hepathology, 27: 1428-1435.
[6] Helma, Chr., Uhl, M., (2000), A public domain
image-analysis for the single-cell gel-
electrophoresis (comet) assay, Genetic
Toxicology and Environmental Mutagenesis,
466, 9-15.
[7] Kim, D., Gregory, C.W., Smith G.J., Mohler,
J.L., (1999) Immunohistochemical quantitation
of androgen receptor expression using color
video image analysis, Cytometry, Jan, 35(1): 2-
10.
[8] Kraan, M.C., Haringman, J.J., Ahern, M.J.,
Breedveld, F.C., Smith, M.D., Tak, P.P., (2000)
Quantification of the cell infiltrate in synovial
tissue by digital image analysis. Rheumatology-
Oxford. Jan, 39(1): 43-9.
[9] Machado, A., Campos, M., Siquiera, A.,
Carvalho, O., (1997), An Interative Algorithm
for Segmenting Lanes in Gel Electrophoresis
Images, IEEE.
[10] Maintz,J., Viergever, M., (1998) A survey of
medical image registration, Medical Image
Analysis, Volume 2, Issue 1.
[11] Mogilner, J., Eldar, S., Sabo, E., Hassoun, M.,
Attias, D.(2000), Computer-assisted image
analysis can aid the prognostication of
advanced-Stage neuroblastomas, Cancer Res.
Clin. Oncol, 126:285-90.
[12] Osborn, K., (2000), Medical Imaging on the
internet, http://www.tip.net.au/kevosb/.
[13] Potocnik, B., Zazula, D., (2002), Automated
analysis of a sequence of ovarian ultrasound
images. Part I: segmentation of single 2D
images, Image and Vision Computing, 20 217-
225
[14] Schuderer, J., Mertens, R., Oesch, W.
Frauenknect, U. Kuster, N. (2001) Flexible and
efficient in vitro exposure setup for risk
assessment studies at 1800 MHz enabling any
modulation scheme from sub-Hz up to 15 MHz
and double blind protocols. Tewnty-third
Annual BEMS Meeting, 26.
[15] SDC Information System, (2002), SDC
Morphology Toolbox for MATLAB 5,
Naperville, USA.
[16] Vukovic, V., Nicklee, T., Hedley, D.,(2000),
Microregional heterogeneity of non-protein
thiols in cervical carcinomas assessed by
combined use of HPLC and fluorescence image
analisys, Clin Cancer Res, 6:1826-32.
[17] Watanabe, Y., Takahashi, K., (1998), A Fast
Structural Matching and Its Application to
Pattern Analysis of 2-D Electrophoresis
Images, IEEE.