Identificador persistente para citar o vincular este elemento: http://hdl.handle.net/10553/77336
Título: Stitching Algorithms for Automatic Assembly of Hyperspectral Histological Images
Autores/as: Quintana Quintana, Laura 
Director/a : Marrero Callicó, Gustavo Iván 
Ortega Sarmiento, Samuel 
Fabelo Gómez, Himar Antonio 
Clasificación UNESCO: 3314 Tecnología médica
Fecha de publicación: 2020
Resumen: 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.
Facultad: Escuela de Ingeniería de Telecomunicación y Electrónica
Instituto: IU de Microelectrónica Aplicada
URI: http://hdl.handle.net/10553/77336
Colección:Trabajo final de máster
miniatura
Adobe PDF (3,56 MB)
miniatura
Adobe PDF (1,17 MB)
miniatura
Adobe PDF (497,76 kB)

En el caso de que no encuentre el documento puede ser debido a que el centro o las/os autoras/es no autorizan su publicación. Si tiene verdadero interés en el contenido del mismo, puede dirigirse al director/a o directores/as del trabajo cuyos datos encontrará más arriba.

Vista completa

Visitas

123
actualizado el 27-abr-2024

Descargas

93
actualizado el 27-abr-2024

Google ScholarTM

Verifica


Comparte



Exporta metadatos



Los elementos en ULPGC accedaCRIS están protegidos por derechos de autor con todos los derechos reservados, a menos que se indique lo contrario.