Stitching Algorithms for Automatic Assembly of Hyperspectral Histological Images

Abstract

Hoy en día, el estudio de slides de histología se considera un paso clave para el diagnóstico clínico del cáncer, y la tendencia es digitalizar slides de histología para su posterior análisis. Los histopatólogos se dedican a examinar visualmente las regularidades de las formas de las células y la distribución de los tejidos, para luego decidir si las regiones de los tejidos son cancerosas y en tal caso, determinan el nivel de malignidad. Sin embargo, la interpretación de estas imágenes es a menudo subjetiva debido a limitaciones en la visión humana para distinguir diferencias sutiles de color.

La tecnología espectral mejora el rendimiento de la cámara en color al expandir el número de canales más allá de la paleta RGB (Red-Green-Blue). La gran cantidad de información (espacial y espectral), proporcionada por una imagen hiperespectral de una escena, se puede analizar para detectar, identificar o discriminar objetos y patrones, así como la composición química del material presente en la escena. Sin embargo, la información espacial proporcionada por una imagen hiperespectral o multiespectral suele ser menor en comparación con una RGB. Hacer un mosaico (stitching) de pequeñas imágenes, permite la expansión del campo de visión (FOV) sin pérdida de resolución. Esto ayuda a la visualización de características a escala microscópica de áreas macroscópicas de tejido.

Después de un estudio exhaustivo del estado del arte, llegamos a la conclusión de que el número de estudios que aplican stitching a imágenes hiperespectrales en la literatura es muy limitado. Lang et al. desarrollaron un algoritmo de multichannel stitching que puede procesar cubos hiperespectrales cuadrados de hasta 10 canales y con una superposición entre ellos del 94% entre ellos (es decir, dos cubos contiguos contienen el 94% de la misma información). En este trabajo fin de máter se planteó la hipótesis de que los parámetros de entrada podrían optimizarse y aun así obtener resultados precisos (por ejemplo, la superposición entre cubos o el número de canales por cubo).

Finalmente, el algoritmo de Lang et al. demostró que produce resultados de stitching precisos para imágenes de histología cerebral cuando se introducen 3 cubos con una superposición del 67% (SSIM de 0,78 para imágenes RGB). Esto significa que, para poder obtener buenos resultados, se deben introducir 3 por 3 (9) cubos en el algoritmo, y, además, cada cubo debe tener una superposición del 67% con su predecesor. Además, se realizó un stitching de cada banda por separado. En este paso, se demostró que las longitudes de onda que daban los mosaicos más precisos estaban en el rango de 650-750 nm (SSIM de 0.93 como valor máximo). Finalmente, se hicieron cubos de 10 y 3 bandas, obteniendo valores SSIM superiores a 0,75 con longitudes de onda entre 650 y 750 nm. Los mosaicos resultantes de estos cubos dieron valores SSIM entre 0,88 y 0,94. Todas las pruebas realizadas se repitieron en imágenes de histología de mama para demostrar su repetitividad.