Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 15 vistas

    Titulaci 9 N

    Cargado por

    Christian Martinoni
    Inmuno

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Titulaci 9 N

    Cargado por

    Christian Martinoni
    15 vistas37 páginas
    Inmuno

    Título original

    Titulaci9n

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Inmuno

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    15 vistas37 páginas

    Titulaci 9 N

    Cargado por

    Christian Martinoni
    Inmuno

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 37

    Bioq.

    Claudia Patricia Serrano


    Esp. en Hematología
    Esp. Docencia y Gestión Universitaria en Cs de la Salud.
    Jefe de Trabajos Prácticos Hematología Clínica – FaCENA - UNNE
    La observación microscópica de células en hematología es
    recurso fundamental en el análisis morfológico de eritrocitos,
    leucocitos y plaquetas para el diagnóstico, evolución y
    pronóstico de enfermedades.

    .
    Análisis digital de la morfología celular

    Objetivo: estandarizar y simplificar la microscopía manual

    De ningún modo reemplaza al ojo experto del profesional debidamente


    formado y entrenado.

    Su uso es válido: Siempre que se utilice correctamente y se


    tengan presentes sus limitaciones.
    ¿Hace cuánto se viene desarrollando este modelo de observación
    microscópica?

     Cydac Scanning Microscope System es el primer analizador


    morfológico automatizado aparece en Suecia en1966 (Bentley,
    1990).

     En 1974, se lanza al mercado un modelo comercial, que clasifica en


    cinco tipos de leucocitos - Larc (Corning Glass).

     Hamatrak (Geometric Data Corporation), Coulter Diff3 y Diff4


    (Coulter), Diff 3 (Perkin-Elmer), ADC-500 (Abbott laboratories),
    Hitashi-860 (Hitashi-Nikon), Microx (Omron), entre otros (Da Costa
    L et al, 2015).
    A partir del 2000 nuevas tecnologías en el recuento celular e
    identificación de células por citometría de flujo, mejoró la
    capacidad de detectar morfologías anómalas, solicitando una
    observación morfológica cuidadosa.
    Los analizadores de imagen se componen básicamente de:
     Escáner de imágenes.

     Unidad que contiene los frotis.

     Software que digitaliza, identifica y clasifica la imagen.


     Las imágenes son analizadas por una red neural artificial
    soportada en una base de datos contenida en el software de
    la computadora.

    doi: 10.1002/jbio.201800488
    De este modo, las células son preclasificadas y se muestran en una
    pantalla para su confirmación o posclasificación.
    ¿Qué puede ser analizado por los sistemas de
    digitalización de imágenes?

    Leucocitos Eritrocitos Plaquetas Células en líquidos biológicos


    Florin L, et al, Evaluation of the CellaVision DM96 advanced RBC application for screening and follow-up of malaria
    infection, Diagn Microbiol Infect Dis (2017), https://doi.org/10.1016/j.diagmicrobio.2017.12.002
     Es el proceso que utilizando inteligencia
    artificial, sirve para adquirir y analizar
    una imagen, identificándola a través de
    algoritmos geométricos y matemáticos
    complejos cuyos resultados se informan
    en términos de probabilidades.
     Localización de las células
     Preclasificación leucocitaria
     Posclasificación
    Muestra: Frotis/extendido/ lámina de
    sangre periférica (preferiblemente) sin
    anticoagulante.

    Tinción May Gründwald Giemsa


    Se realiza a través de una cámara fotográfica en
    imágenes con resolución de 360 x 363 pixeles y
    12 bits de profundidad, se almacenan en
    formato jpg.
    1. El pre-procesamiento
    2. Segmentación de la célula
    3. El post-procesamiento

    Diagrama que resume los pasos del algoritmo de segmentación (Fuente:


    Santiago Alférez et al 2016 )
    Obtención del fondo y los
    hematíes de la imagen.
    Se efectúa un filtrado de la
    imagen original y se define el
    espacio de color en el cual se
    trabajará, (YCrCb).
    Luego, se inicia el algoritmo spatial kernel
    fuzzy c-means (sKFCM).

    Grupos célula (1), eritrocitos(2) y fondo (3) resultantes de la


    segmentación mediante sKFCM
    Fuente: Análisis De Imágenes Digitales De Células Linfoides De Sangre Periférica, Sara Rarís Miralles 2017
    Con la imagen recortada y
    preprocesada de la célula,
    se realiza un cambio de
    espacio de color de RGB a
    YCbCr.
    En primer lugar, se efectúa
    una agrupación en tres
    conjuntos utilizando un
    modelo mixto Gaussiano,
    (GMM), a los píxeles de la
    imagen en YCbCr.

    Nazlibilek, Sedat; Karacor, Deniz; Ercan, Tuncay; Sazli, Murat Husnu; Kalender, Osman; Ege, Yavuz
    (2014). Automatic segmentation, counting, size determination and classification of white blood
    cells. Measurement, 55(), 58–65. Doi:10.1016/j.measurement.2014.04.008
    Una Gaussiana mixta es una
    superposición lineal de distribuciones
    Gaussianas con parámetros diferentes.
    El objetivo es calcular los parámetros
    que definen cada una de las
    distribuciones para obtener un modelo
    que se ajuste más a la muestra.

    Grupos núcleo (1), célula(2) y fondo (3) obtenidos mediante GMM.


    Destinada a la separación de células colindantes.
    Para decidir si existen células contiguas se utiliza la
    varianza circular de la región de interés obtenida
    para la célula y para el núcleo.
    La función segmentación produce una estructura con el “Bounding Box”,
    siendo este el rectángulo menor que contiene la región externa de la
    célula. Además, también proporciona las imágenes binarias, máscaras.

    Segmentación de la región externa, la célula y el núcleo


    respectivamente

    Superposición de las máscaras en la


    imagen recortada de la célula.
    Extracción de características
    Descriptores Geométricos
    Áreas, diámetro, perímetro, extensión, elongación,
    excentricidad, circularidad, varianza circular,
    excentricidad del núcleo respecto al citoplasma,
    relación núcleo-citoplasma, varianza elipsoidal,
    convexidad, vellosidad.
    .
    Descriptores Geométricos
    Descriptores de patrones locales binarios
     La textura es una de las propiedades
    fundamentales de un objeto y por tanto útil para
    poder diferenciarlo de cualquier otro. El patrón
    binario local es un modelo muy útil para la
    descripción de textura en imágenes.
     Procesamiento de la imagen por CNN (red
    neuronal convolucional)

    Acevedo et Al.; Recognition of peripheral


    blood cell images using convolutional neural networks. Comput Methods
    Programs Biomed. 2019; 180:105020. doi:10.1016/j.cmpb.2019.105020
    Clasificación e Identificación Final
    Utilidades
     Optimización del tiempo en la rutina del
    laboratorio.
     Estandarización de los procedimientos y el
    reconocimiento de células.
     Capacitación de alumnos y profesionales del
    área a partir de la base datos de imágenes
    adquiridas.
     Capacidad de acoplar múltiples estaciones de
    trabajo, incluso de forma remota, lo que
    permite la comparación inter/
    intralaboratorio, trabajo interdisciplinario y en
    equipo.
    Too big for the breach
    Hombre de 81 años se presenta
    Image ID: 61455 con fatiga, dolor abdominal y
    Authors: Ira Miller, MD, PhD epistaxis. Con un recuento de
    leucocitos 26.700/mm3 (61.7%
    Category: Laboratory Hematology > Instrumentation / general techniques
    neutrófilos, 13.1% linfocitos,
    11.6% monocitos, 0.4%
    eosinófilos, 0.4% basófilos, 12.8%
    granulocitos inmaduros);
    Eritrocitos, 3.34 x106/mm3;
    hemoglobina, 10.2g/dL; MCV
    88.1fL, RDW 13.9%; plaquetas
    57.000/mm3; reticulocitos 0.7 %.
    El equipo (Sysmex XN-9100)
    arroja una alarma para presencia
    de granulocitos inmaduros y/o
    blastos o linfocitos anormales

    Copyright © 2020 American Society of Hematology. Copyright restrictions may apply.


    Análisis digital de la morfología celular

    Objetivo: estandarizar y simplificar la microscopía manual

    De ningún modo reemplaza al ojo experto del profesional debidamente


    formado y entrenado.

    Su uso es válido: Siempre que se utilice correctamente y se


    tengan presentes sus limitaciones.
    Muchas gracias
     Ceelie H., Dinkelaar R.B. & van Gelder W. Examination of peripheral blood films using
    automated microscopy; evaluation of Diffmaster Octavia and Cellavision DM96. Journal of
    Clinical Pathology. 2007. 60, 72–79.
     M. Saraswat, K.V. Arya, Automated microscopic image analysis for leukocytes identification: a
    survey, Micron. 2014. 65, 20–33.
     Cornet, E., Perol, J. P., & Troussard, X. Performance evaluation and relevance of the CellaVision
    DM96 system in routine analysis and in patients with malignant hematological diseases.
    International journal of laboratory hematology, 2008. 30(6), 536–542. 42.
     Acevedo A, Alférez S, Merino A, Puigví L, Rodellar J. Recognition of peripheral blood cell images
    using convolutional neural networks. Comput Methods Programs Biomed. 2019; 180:105020.
    doi:10.1016/j.cmpb.2019.105020
     Bergen T, Steckhan D, Wittenberg T, Zerfass T. Segmentation of leukocytes and erythrocytes in
    blood smear images. Conf Proc IEEE Eng Med Biol Soc. 2008; 3075-3078.
    doi:10.1109/IEMBS.2008.4649853 46.
     X. Zheng, Y. Wang, G. Wang, J. Liu, Fast and robust segmentation of white blood cell images by
    self-supervised learning, Micron 107 (2018) 55–71, doi: 10. 1016/j.micron. 47. Bergen T,
    Steckhan D, Wittenberg T, Zerfass T. Segmentation of leukocytes and erythrocytes in blood
    smear images. Conf Proc IEEE Eng Med Biol Soc. 2008; 3075-3078.
    doi:10.1109/IEMBS.2008.4649853 48.
     Qin Z., Yu F., Liu C., Chen X., How convolutional neural networks see the world —a survey of
    convolutional neural network visualization methods, Math. Found. Comput.1 (2) (2018) 149–
    180, doi: 10.3934/mfc. 2018008. 64. Lecun Y., Bengio Y., G. Hinton, Deep learning, Nature;
    2015; 521 (7553) 436–4 4 4, doi: 10.1038/nature14539.

    También podría gustarte