Multi-resolution graph-based representation for analysis of large histo-pathological images

La exploración de muestras histopatológicas es potencialmente una importante fuente de información para el diagnóstico de enfermedades, educación y entrenamiento médico. Convencionalmente, este tipo de muestras se observan a través de un microscopio óptico, sin embargo, recientes avances tecnológicos en el área de imagino logia han favorecido el desarrollo de la microscopía virtual, un conjunto de herramientas que permiten la navegación de versiones digitales de placas histopatológicas, también llamadas Placas Virtuales (PV). Ya que las PV son un conjunto de imágenes de campos visuales microscópicos, estas son imágenes de alta resolución. El gran tamaño de las PV representa un cuello de botella para cualquier estrategia de navegación, introduciendo considerables retardos en la presentación de la información al usuario y produciendo en consecuencia, navegaciones poco fluidas. Por esto, el desarrollo de métodos para acelerar la interacción en este tipo de aplicaciones impulsara su uso en áreas como la tele patología. Una de las aproximaciones más aceptadas respecto a este problema son las estrategias de predicción, en las cuales solo las regiones de interés son enviadas al usuario. Por tanto el reto en este tipo de aproximaciones es identificar las regiones relevantes para el patólogo, es decir aquellas que contienen significado semántico para el diagnostico. Los modelos de atención visual intentan emular la percepción visual humana, permitiendo identificar las pocas regiones de una escena que contienen la mayor cantidad de información. Sin embargo, la complejidad de las imágenes histopatológicas hace que este tipo de modelos sea insuficiente para identificar estructuras relevantes dentro de la muestra y se hace necesario utilizar nuevas fuentes de información. En este trabajo se presenta una novedosa aproximación estadística que permite construir un mapa de información relevante de la PV con el fin de permitir navegaciones fluidas en un microscopio virtual. Este trabajo utiliza como una primera aproximación a las regiones relevantes un mapa de saliencia obtenido a partir de un modelo de atención visual \bottom-up", el cual es modificado por conocimiento \top-down. Obtenido a partir de navegaciones de patólogos expertos sobre PVs. Las regiones de la PV son estructuradas en un grafo tipo árbol, de acuerdo a su nivel de relevancia, en esta estructura los nodos representan regiones espaciales de la PV y los arcos representan relaciones de inclusión entre ellas. El método presentado alcanza en promedio, una capacidad de predicción del 67 % de regiones de interés que fueron visitadas en una nueva navegación, asumiendo un caché de solo el 20 % del tamaño total de la placa virtual. Adicionalmente, con respecto a un método más simple, i. e. sin la representación del grafo, el método propuesto mejora en un 3 % la capacidad de identificación de regiones relevantes, lo cual es significativo en este contexto, ya que un porcentaje como este puede representar regiones de mega pixeles en una PV.

• Autores: Lasso Lopera, María Cristina
• Fecha de publicación: 2012
• Institución: Universidad Nacional de Colombia
• Repositorio: Universidad Nacional de Colombia
• Idioma: spa
• OAI Identifier: oai:repositorio.unal.edu.co:unal/12120
• Acceso en línea: https://repositorio.unal.edu.co/handle/unal/12120; http://bdigital.unal.edu.co/9748/
• Palabra clave: 61 Ciencias médicas; Medicina / Medicine and health; Exploración de mega-imágenes; representación de imágnes médicas; microscopía virtual; Mega-images exploration; representation of medical images; virtual mi-croscopy
• Rights: openAccess
• License: Atribución-NoComercial 4.0 Internacional