Identificación de Núcleos de las Células Epiteliales Asistido por Ordenador
•
0 gostou•639 visualizações
Se presenta un método para la identificación automática de células epiteliales en tejidos de histología. Trabajo presentado en el marco del VIII Congreso Colombiano de Morfología -2012
Recomendados
Mais conteúdo relacionado
Semelhante a Identificación de Núcleos de las Células Epiteliales Asistido por Ordenador
Semelhante a Identificación de Núcleos de las Células Epiteliales Asistido por Ordenador (20)
Mais de Multimedia and Vision Laboratory at Universidad del Valle
Mais de Multimedia and Vision Laboratory at Universidad del Valle (16)
Último
Último (20)
Identificación de Núcleos de las Células Epiteliales Asistido por Ordenador
- 1. Identificación de Núcleos de las Células Epiteliales Asistido por Ordenador Claudia Mazo, Maria Trujillo and Liliana Salazar claudia.mazo@correounivalle.edu.co
- 2. Contenido • Introducción • Problema • Enfoque propuesto – Segmentación de los núcleos de las células – Segmentación de las regiones de luz – Segmentación de los núcleos de células epiteliales • Análisis y resultados • Conclusiones • Trabajos futuros
- 3. Contenido Niveles de organización de la vida
- 4. Introducción Canal rojo Canal verde Canal azul Canales de color RGB
- 5. Problema Repositorio Imagen Histologica Núcleos de la células del tejido epitelial
- 6. Enfoque Propuesto • Segmentación de núcleos de las células – Algoritmo structure tensor maximum eigenvalues – Algoritmo k-means • Segmentación de las regiones de luz – Algoritmo otsu – Algoritmo Flood-fill • Distancia euclidiana
- 7. Enfoque Propuesto • Segmentación de núcleos de las células – Algoritmo structure tensor maximum eigenvalues – Algoritmo k-means • Segmentación de las regiones de luz – Algoritmo otsu – Algoritmo Flood-fill • Distancia euclidiana
- 8. Segmentación de los Núcleos de las Células (a) (b) (c) (d) (e) (f) (g) (h) (a) Using the Gradient-magnitude e) Using the Structure tensor maximum eigenvalues (b) Using the Gradient-magnitude combining with non- f) Using the Structure tensor minimum eigenvalues maximum gradient suppress g) Using the Normalized cut edge detection simple (c) Using the Hessian tensor maximum eigenvalues h) Using the Normalised cut edge detection with T=3000 (d) Using the Hessian tensor minimum eigenvalues
- 9. Algoritmo Structure Tensor Computation of the structure Tensor and the resulting eigenvalues are ordered for each image element (pixel/voxel) The structure tensor is based in gradient of f:
- 10. Algoritmo K-Means Ilustración algoritmo K-Means
- 11. Algoritmo K-Means Assignment step Update step k sets Xj set of observations μi is the mean of points in Si. mi means to be the centroid i
- 12. Enfoque Propuesto • Segmentación de núcleos de las células – Algoritmo structure tensor maximum eigenvalues – Algoritmo k-means • Segmentación de las regiones de luz – Algoritmo otsu – Algoritmo Flood-fill • Distancia euclidiana
- 13. Segmentación de Areas de Luz
- 14. Algoritmo Otsu • Exhaustively search for the threshold that minimizes the intra-class variance, defined as:
- 15. Algoritmo Flood-fill • Determines the area connected to a given node in a multidimensional array http://en.wikipedia.org/wiki/File:Recursive_Flood_Fill_8_%28aka%29.gif
- 16. Enfoque Propuesto • Segmentación de núcleos de las células – Algoritmo structure tensor maximum eigenvalues – Algoritmo k-means • Segmentación de las regiones de luz – Algoritmo otsu – Algoritmo Flood-fill • Distancia euclidiana
- 17. Distancia Euclidiana 1. Calculate the Euclidean distance between each nucleus and the nearest light area 2. Verify membership according to a threshold T
- 18. Enfoque Propuesto • Segmentación de núcleos de las células – Algoritmo structure tensor maximum eigenvalues – Algoritmo k-means • Segmentación de las regiones de luz – Algoritmo otsu – Algoritmo Flood-fill • Distancia euclidiana
- 20. Algoritmo Largest Eigenvalue of Structure Tensor Original image Largest eigenvalue
- 22. Segmentación de Regiones de Luz Original image Otsu Segmented regions Light regions
- 23. Experimentos y Análisis de Resultados
- 24. Sensibilidad y Especificidad Confusion Matrix Img 1 Img 2 Img 3 Img 4 Img 5 Avg 30 Imgs True Positive 18 6 22 17 17 19 False Negative 6 6 9 0 15 6 False Positive 3 7 7 0 13 7 True Negative 25 18 23 54 30 24 Sensitivity 0,75 0,50 0,71 1 0,53 0,76 Specificity 0,89 0,72 0,77 1 0,30 0,77 Table 1: Performance evaluation of selected images
- 25. Criterio de Expertos Expert Img 1 Img 2 Img 3 Img 4 Img 5 Expert 1 Very good Excelent Good Excelent Good Expert 2 Good Good Good Very good Good Table 2: Performance evaluation of selected images by expert
- 26. Conclusiones • Cells are the foundation for recognising tissues present in an organ • The proposed approach uses criteria based on the morphology of the tissue, which improves the segmentation results • Obtained results provided a closer segmentation to the expert-eye segmentation, according to the expert opinions • The experimental evaluation shows that the obtained segmentation is very close to the real one
- 27. Trabajos Futuros • The obtained result will be used as input to identify segmented cells of epithelial type to which belongs • Identify the four basic tissues
- 28. GRACIAS!!!