Clasificación Automática de Formas Patológicas de Eritrocitos Humanos

Automatic classification of pathological shapes in human erythrocytes

  • Marcela Mejia Fajardo Universidad Militar Nueva Granada
  • Marco Alzate Monroy Universidad Distrital Francisco José de Caldas
Palabras clave: medical image processing, peripheral blood smear, red blood cells (en_US)
Palabras clave: eritrocitos, clasificación de eritrocitos, procesamiento de imágenes médicas, frotis de sangre periférica, glóbulos rojos (es_ES)

Resumen (es_ES)

Contexto: La clasificación de variaciones morfológicas de eritrocitos suele hacerse mediante la observación directa desde el microscopio por parte de un experto, con base en criterios cualitativos, lo cual conduce a diagnósticos subjetivos. Las propuestas para automatizar este proceso suelen clasificar los eritrocitos en normales o anormales, sin especificar el tipo de anormalidad que indique la presencia de alguna enfermedad. Desarrollamos una herramienta para apoyo diagnóstico que determina distintas formas patológicas de eritrocitos mediante características medidas desde la imagen microscópica.

Método: Detectamos los eritrocitos aislados usando procesos de segmentación por color y medimos algunas características discriminantes en cada célula detectada, incluyendo una medida novedosa de palidez central. Estas características se usan como entrada a una red neuronal que etiqueta la célula de acuerdo con siete tipos de anormalidad.

Resultados: El sistema resultante alcanza una alta tasa de aciertos (97,3%) en comparación con los resultados de clasificación binaria encontrados en la literatura. La medida de palidez central es altamente discriminante, pues permite distinguir perfectamente los esferocitos de los normocitos, cuando otras características morfológicas son muy semejantes entre ellos.

Conclusiones: Nuestra contribución incluye la clasificación de múltiples clases de eritrocitos y la propuesta de una medida de palidez central altamente discriminante. Se verificó la utilidad de combinar técnicas de pre-procesamiento para extracción de características con redes neuronales para clasificación en el espacio de características. Para el trabajo futuro sería deseable disponer de un mayor número de imágenes con muestras estadísticamente significativas de otros tipos de eritrocitos para verificar las bondades de la metodología propuesta para un mayor número de tipos de células. Así mismo, con un mayor número de muestras clasificadas se podrían estudiar otras técnicas de clasificación de patrones para evaluar, comparar y seleccionar la más adecuada.

Resumen (en_US)

Context: Classification of erythrocyte morphological changes is usually done by an expert through direct observation from the microscope based on qualitative criteria, leading to subjective diagnosis. Proposals to automate this process usually classified erythrocytes in normal or abnormal, without specifying the type of abnormality that indicates the presence of some disease. We develop a tool for diagnostic support that determines different
pathological forms of erythrocytes using characteristics measured from the microscopic image.

Method: We detect isolated erythrocytes using a segmentation processes based on color. Then we measure some differentiating features in each cell, including a new measure of central pallor. These features are presented to a neural network that labels the cell according to seven types of abnormality.

Results: The resulting system achieves a high success rate (97.3%) compared to binary classifications found in the literature. The measure of central pallor is highly discriminant because it allows a perfect distinction between normocytes and spherocytes, when other morphological characteristics are very similar between them.

Conclusions: Our contribution includes the classification of multiple types of erythrocytes and the proposal of a highly discriminating measure of the central pallor. We verified the usefulness of combining pre-processing techniques for extracting features and neural networks for classification in feature space. For future work, it would be desirable to have a greater number of images with statistically significant samples of other types of
erythrocytes to verify the goodness of the proposed methodology to classify more cell types. Also, with a greater number of classified samples, different pattern classification techniques could be studied in order to evaluate, compare and select the most appropriate technique.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Marcela Mejia Fajardo, Universidad Militar Nueva Granada

Ingeniera Electrónica de la Universidad Santo Tomas, Bogotá, Colombia. Magíster en Teleinformática de la Universidad Distrital Francisco José de Caldas, Bogotá, Colombia. Doctora en Ingeniería de la Universidad de los Andes, Bogotá, Colombia. Doctora en Telemática de la Universidad Politécnica de Cataluña, Barcelona, España.

Se desempeñó como Jefe de comunicaciones de la Corporación de Ahorro y Vivienda CONCASA. Actualmente se desempeña como profesora Asociada en el área de Redes en la Universidad Militar Nueva Granada de Bogotá, Colombia. Pertenece al grupo de investigación TIGUM. Sus áreas de interés son las redes inalámbricas Ad Hoc y procesamiento de imágenes.

Marco Alzate Monroy, Universidad Distrital Francisco José de Caldas

Ingeniero Electrónico de la Universidad Distrital Francisco José de Caldas, Bogotá, Colombia. Magíster en Ingeniería Eléctrica de la Universidad de los Andes, Bogotá, Colombia. Doctor en Ingeniería de la Universidad de los Andes, Bogotá, Colombia.

Ha sido investigador del Instituto Tecnológico de Electrónica y Comunicaciones (ITEC – Telecom), asistente de investigación en el Departamento de Ingeniería Eléctrica y de Computadores de la Universidad de Maryland y científico investigador en el Laboratorio de Sistemas de Información de la Universidad del Sur de la Florida. Actualmente es profesor titular de la Facultad de Ingeniería de la Universidad Distrital. Pertenece a los grupos de investigación GITUD e IDEAS de la Universidad Distrital. Es miembro senior de IEEE y de sus sociedades de comunicaciones y de procesamiento de señales. Sus áreas de interés son el procesamiento de señales, el control de sistemas dinámicos, la teoría de la información y la teoría de sistemas complejos, tanto en sus aspectos teóricos como en su aplicación al modelado de redes modernas de comunicaciones.

Referencias

Carmen Beatriz Naranjo Aristizábal, "Atlas de hematología células sanguíneas" Segunda edición, Centro de publicaciones Universidad Catolica de Manizales, Manizales, Colombia,2008.

Jacqueline Carr y BernadetteRodak, Atlas de hematología Clínica. Tercera edición, Editorial Médica Pana-mericana, Buenos Aires, Argentina, 2010.

German Campuzano, “Utilidad clínica del extendido de sangre periférica: los eritrocitos”. Medi-cina&Laboratorio, volumen 14, número 7, 2008, pp. 311-357.

Naotaka Hamasaki and Masaaki Yamamoto, “Red Blood Cell Function and Blood Storage”.VoxSanguinis, volume 79, 2000, pp. 191-197.

Maria C. Albertini, Laura Teodori, Elena Piatti, Maria P. Piacentini, Augusto Accorsi and Marco B. L. Rocchi, "Automated Analysis of Morphometric Parameters for Accurate Definition of Erythrocyte Cell Shape" Cy-tometry Part A, volume 52A, number 1, 2003. pp. 12–18.

Swati Savkare and S. Narote, “Automatic System for Classification of Erythrocytes Infected with Malaria and Identification of Parasite's Life Stage”. Procedia Technology, volume 6, 2012, pp. 405-410.

Lee Howard and Chen Yi-Ping, “Cell morphology based classification for red cells in blood smear images”. Pattern Recognition Letters, volume 49, 2014, pp. 155-161.

RazaliTomari, Wan Nurshazwani Wan Zakaria, Muhammad Mahadi Abdul Jamil, FaridahMohdNor, Nik Farhan and Nik Fuad, “Computer Aided System for Red Blood Cell Classification in Blood Smear Image”. ProcediaComputerScience, volume 42, 2014, pp. 206-213.

Eloy Rafael Oliveros Domínguez, SilenaHeroldGarcia, Pedro Marrero Fernández y Karelis Fernández Arias, “Clasificación automatizada de eritrocitos en imágenes de muestras de sangre periféricas”. IX Congreso Internacional de Informática en la Salud, La Habana, Cuba, marzo de 2013.

Mohammed EA, Mohamed MMA, Far BH y Naugler C, “Peripheral blood smear image analysis: A compre-hensive review”. Journal of Pathology Informatics, volume 5, number 9, 2014.

MATLAB Release 2012b, TheMathWorks, Inc., Natick, Massachusetts, United States. (https://www.mathworks.com).

Denise Harmening, editor. "Clinical hematology and fundamentals of hemostasis", F.A. Davis Co., Philadel-phia, PA, 2009.

Marcela Mejía, Marco Alzate y Javier Rodríguez, “Clasificación automática de glóbulos rojos en frotis de sangre periférica”, sometido a revisión en mayo de 2015.

Rafael González and Richard Woods, "Digital Image Processing" 3rd edition, Prentice Hall, 2008.

Jian Lia, Qian Dub and CaixinSuna. “An improved box-counting method for image fractal dimension esti-mation” Pattern Recognition, volume 42, number 11, 2009, pp. 2460-2469.

Christopher Bishop, "Pattern Recognition and Machine Learning", Springer, 2006.

Simon Haykin, "Neural Networks: A Comprehensive Foundation". SegundaEdición, Prentice Hall, Upper Saddle River, New Jersey, 1999.

Tom Fawcett, "An introduction to ROC analysis", Pattern Recognition Letters, volume 27, 2006, pp. 861–874.

Cómo citar
Mejia Fajardo, M., & Alzate Monroy, M. (2016). Clasificación Automática de Formas Patológicas de Eritrocitos Humanos. Ingeniería, 21(1), 31-48. https://doi.org/10.14483/udistrital.jour.reving.2016.1.a03
Publicado: 2016-01-12
Sección
Inteligencia Computacional