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 tecnológico...

Full description

Autores:
Lasso Lopera, María Cristina
Tipo de recurso:
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
id UNACIONAL2_387210b14cc2e187766d605d1b43d744
oai_identifier_str oai:repositorio.unal.edu.co:unal/12120
network_acronym_str UNACIONAL2
network_name_str Universidad Nacional de Colombia
repository_id_str
dc.title.spa.fl_str_mv Multi-resolution graph-based representation for analysis of large histo-pathological images
title Multi-resolution graph-based representation for analysis of large histo-pathological images
spellingShingle Multi-resolution graph-based representation for analysis of large histo-pathological images
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
title_short Multi-resolution graph-based representation for analysis of large histo-pathological images
title_full Multi-resolution graph-based representation for analysis of large histo-pathological images
title_fullStr Multi-resolution graph-based representation for analysis of large histo-pathological images
title_full_unstemmed Multi-resolution graph-based representation for analysis of large histo-pathological images
title_sort Multi-resolution graph-based representation for analysis of large histo-pathological images
dc.creator.fl_str_mv Lasso Lopera, María Cristina
dc.contributor.author.spa.fl_str_mv Lasso Lopera, María Cristina
dc.contributor.spa.fl_str_mv Romero Castro, Eduardo
dc.subject.ddc.spa.fl_str_mv 61 Ciencias médicas; Medicina / Medicine and health
topic 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
dc.subject.proposal.spa.fl_str_mv Exploración de mega-imágenes
representación de imágnes médicas
microscopía virtual
Mega-images exploration
representation of medical images
virtual mi-croscopy
description 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.
publishDate 2012
dc.date.issued.spa.fl_str_mv 2012
dc.date.accessioned.spa.fl_str_mv 2019-06-25T00:37:26Z
dc.date.available.spa.fl_str_mv 2019-06-25T00:37:26Z
dc.type.spa.fl_str_mv Trabajo de grado - Maestría
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/TM
status_str acceptedVersion
dc.identifier.uri.none.fl_str_mv https://repositorio.unal.edu.co/handle/unal/12120
dc.identifier.eprints.spa.fl_str_mv http://bdigital.unal.edu.co/9748/
url https://repositorio.unal.edu.co/handle/unal/12120
http://bdigital.unal.edu.co/9748/
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.ispartof.spa.fl_str_mv Universidad Nacional de Colombia Sede Bogotá Facultad de Ingeniería Departamento de Ingeniería de Sistemas e Industrial
Departamento de Ingeniería de Sistemas e Industrial
dc.relation.references.spa.fl_str_mv Lasso Lopera, María Cristina (2012) Multi-resolution graph-based representation for analysis of large histo-pathological images. Maestría thesis, Universidad Nacional de Colombia.
dc.rights.spa.fl_str_mv Derechos reservados - Universidad Nacional de Colombia
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.spa.fl_str_mv Atribución-NoComercial 4.0 Internacional
dc.rights.uri.spa.fl_str_mv http://creativecommons.org/licenses/by-nc/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv Atribución-NoComercial 4.0 Internacional
Derechos reservados - Universidad Nacional de Colombia
http://creativecommons.org/licenses/by-nc/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv application/pdf
institution Universidad Nacional de Colombia
bitstream.url.fl_str_mv https://repositorio.unal.edu.co/bitstream/unal/12120/1/300030.2012.pdf
https://repositorio.unal.edu.co/bitstream/unal/12120/2/300030.2012.pdf.jpg
bitstream.checksum.fl_str_mv 6148b1bcf93c4b7426a2b33ae3aadea7
d8bbf32bef1b2ac337e769ccaf3f29e7
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Nacional de Colombia
repository.mail.fl_str_mv repositorio_nal@unal.edu.co
_version_ 1814089636027301888
spelling Atribución-NoComercial 4.0 InternacionalDerechos reservados - Universidad Nacional de Colombiahttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Romero Castro, EduardoLasso Lopera, María Cristina06309806-235a-43e6-83f3-0aa20fb3ee4e3002019-06-25T00:37:26Z2019-06-25T00:37:26Z2012https://repositorio.unal.edu.co/handle/unal/12120http://bdigital.unal.edu.co/9748/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.Exploration of complete histological samples is a very important source of information for diagnosis, learning and medical training. These samples have been conventionally observed through an optical microscope, but recent advances in imaging technology have enabled the development of virtual microscopy, a set of tools that allows navigation of digitized versions of tissue samples (virtual slides or VS). Since VS are the set of several microscopic visual �elds they are high resolution images with huge storage spaces. The size of these images repre- sents a bottle-neck for any navigation strategy, introducing considerable delays in displaying information to the user, which results in non- uid navigations. Development of methodo- logies for accelerate interaction with such volume of data, represents a reinforcement of its use in real applications as telepathology. One of the most accepted methodologies regarding this problem are based on prediction policies, in which only the regions of current interest are provided to the user. Then, the challenge in these approaches is to identify relevant regions, which for VS exploration enclose semantic meaning for diagnosis. Classical visual attention models emulates the human visual perception allowing to identify relevant regions with highest quantity of information. However, complexity of histo-pathological images make insu�cient these models to identify all relevant structures in the sample, furthermore new information sources that lies the identi�cation of salient features is required. In this work is presented a novel statistical hybrid approach which enable to build up relevant informa- tion VS maps to achieve uent virtual navigation. This approach, uses as �rst relevance approximation, a saliency map obtained from a bottom-up visual attention model, which is modi�ed by a top-down relevance information obtained from actual VS explorations of expert pathologists. Image regions are organized in a graph structure according it's levels of relevance, in this structure nodes are related to spatial regions and edges represent belonging relationships between them. The method herein introduced achieve in average, a prediction capacity of 67 % of RoIs that were visited in a new navigation, assuming a cache of only 20 % of total size of VS. Additionally, with respect to a simpler method, i.e. without graph representation, graph-based method outperforms RoIs identi�cation capacity in about 3 % which is signi�cant in this context since such a percentage could represent regions of mega- pixels of a VS.Maestríaapplication/pdfspaUniversidad Nacional de Colombia Sede Bogotá Facultad de Ingeniería Departamento de Ingeniería de Sistemas e IndustrialDepartamento de Ingeniería de Sistemas e IndustrialLasso Lopera, María Cristina (2012) Multi-resolution graph-based representation for analysis of large histo-pathological images. Maestría thesis, Universidad Nacional de Colombia.61 Ciencias médicas; Medicina / Medicine and healthExploración de mega-imágenesrepresentación de imágnes médicasmicroscopía virtualMega-images explorationrepresentation of medical imagesvirtual mi-croscopyMulti-resolution graph-based representation for analysis of large histo-pathological imagesTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMORIGINAL300030.2012.pdfapplication/pdf3596832https://repositorio.unal.edu.co/bitstream/unal/12120/1/300030.2012.pdf6148b1bcf93c4b7426a2b33ae3aadea7MD51THUMBNAIL300030.2012.pdf.jpg300030.2012.pdf.jpgGenerated Thumbnailimage/jpeg4408https://repositorio.unal.edu.co/bitstream/unal/12120/2/300030.2012.pdf.jpgd8bbf32bef1b2ac337e769ccaf3f29e7MD52unal/12120oai:repositorio.unal.edu.co:unal/121202022-11-02 15:51:26.724Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.co