Segmentación y localización automática del hipocampo en imágenes histológicas

El problema

La segmentación de imágenes es el proceso a partir del cual, partiendo de una imagen, se delimitan los bordes de los objetos de interés, aislándolos del fondo y pudiendo, por tanto, tratarlos posteriormente de manera individualizada. Consiste, dicho de otro modo, en dividir la imagen en regiones disjuntas en base al contenido semántico de la propia imagen. Se trata de una tarea extraordinariamente compleja y útil en numerosos problemas reales. Por un lado, es una tarea compleja por la gran diversidad de las imágenes existentes: cambios en iluminación, perspectiva, deformaciones de todo tipo, variación intraclase de los objetos a segmentar, oclusiones, cambios en tamaño, ruido de las imágenes, etc. Por otro lado, resulta una tarea útil en innumerables casos: desde la segmentación de clavículas en radiografías para proceder a la identificación forense de personas desaparecidas por medio de la comparación radiográfica, a la segmentación del hipocampo en imágenes histológicas para estudiar la expresión génica de dicha región, o la segmentación de estructuras anatómicas cerebrales para estudiar la evolución de ciertas patologías, solo por poner tres ejemplos.

Métodos empleados

En el caso de la segmentación del hipocampo en imágenes de histología cerebral en ratones, se usaron modelos deformables (una técnica clásica de segmentación que emplea un modelo cuyos bordes se expanden y contraen para ajustarse al contorno de la estructura a segmentar). La posición y evolución de dichos modelos deformables eran controlados por medio de técnicas de computación evolutiva (particle swarm optimization, differential evolution, real-coded genetic algorithms, y scatter search fueron comparados con métodos locales basados en el cálculo del gradiente), y finalmente el resultado era refinado con multiclasificadores (random forest). 

esquema segmentacion hippocampo

Se empleó el Allen Mouse Brain Atlas (http://mouse.brain-map.org/), una base de datos pública con imágenes histológicas del cerebro en alta resolución. Esta base de datos contiene los patrones de expresión de unos 20.000 genes en el cerebro adulto del ratón obtenidos a través de Hibridación In Situ. Es decir, esta base de datos permite estudiar en qué parte del cerebro se expresa cada gen, presentando un mapa espacial de los patrones de expresión génica de casi todos los genes del ratón (tratando de establecer un puente entre la genómica y la neuroanatomía). En concreto, se estudió el hipocampo, por su importancia en procesos como la memoria y el aprendizaje. 

esquema hippocampo

Más adelante, en un desarrollo posterior, de cara a resolver el mismo problema, así como también la segmentación de rótulas y pulmones humanos en Tomografía Axial Computarizada (TAC) y estructuras cerebrales en T1-weighted MRI (núcleo caudado, putamen, globo pálido, y tálamo), se empleó una versión más sofisticada del método anterior, en donde modelos deformables (geométricos, en este caso) eran inicializados a través de un proceso de registrado deformable dirigido por una técnica de computación evolutiva; más adelante, la evolución del modelo deformable geométrico (el Level Set) venía determinada por información de los bordes, las regiones y el prior (proporcionado por el registrado deformable).

 

esquema metodo2

 

Resultados

Se diseñó, implementó y validó un sistema que permitía localizar de modo automático el hipocampo en imágenes histológicas del cerebro del ratón[1], y se aplicó al análisis de decenas de miles de imágenes de alta resolución contenidas en el Allen Mouse Brain Atlas[2]. Esta herramienta permitió automatizar y llevar a cabo en unas horas un proceso de estudio de la expresión génica que, de ser realizado de modo manual, hubiese llevado meses. El método de localización del hipocampo anteriormente mencionado fue también empleado en la estimación de la pose en secuencias de vídeo[3]. Se generalizó el método de segmentación del hipocampo en imágenes histológicas para poder enfrentarse de modo satisfactorio a otras modalidades de imagen médica y otras estructuras anatómicas (núcleo caudado, putamen, globo pálido, y tálamo en resonancia magnética; y rodillas y pulmones en tomografía axial computarizada)[4]. Se obtuvo, por tanto, un método de segmentación de imágenes médicas que era, a la vez, preciso y general. Hibridaciones de técnicas de visión por computador (modelos deformables) e inteligencia computacional (metaheurísticas) fueron extensamente estudiadas y documentadas[5]. En su momento, cada uno de los desarrollos, supuso una mejora con respecto al estado del arte, es decir, mejoró los resultados de los métodos pre-existentes. El software desarrollado está disponible online: https://hal.inria.fr/hal-01221316/file/CODES.zip (Hybrid Level Set Segmentation Framework), http://ibislab.ce.unipr.it/project.php?invioID=13 (Hippocampus Localization in Brain Histological Images), and http://ibislab.ce.unipr.it/project.php?invioID=14 (Bio-Inspired Global Optimization Toolbox).

----------------------------------------------------

Instituciones

Este proyecto se llevó a cabo en la Universidad de Parma (Italia), en colaboración con el European Centre for Soft Computing (España), como parte de la red de formación inicial Marie Curie MIBISOC ("Medical Imaging using Bio-Inspired and Soft Computing"). Dicha red Marie Curie estuvo financiada por la Comisión Europea con 3.464.246,58€ e implicó a 8 instituciones europeas.

Participantes

Dr. Pablo Mesejo como investigador predoctoral de la Universidad de Parma (Italia), como parte de MIBISOC. Los Drs. Andrea Valsecchi y Óscar Ibáñez, como investigadores predoctorales y postdoctorales en el European Center for Soft Computing (ECSC), respectivamente, estuvieron también implicados en ciertas partes de este proyecto.

----------------------------------------------------

Referencias

[1] Mesejo, P., Ugolotti, R., Di Cunto, F., Giacobini, M., and Cagnoni, S., “Automatic Hippocampus Localization in Histological Images using Differential Evolution-Based Deformable Models”, Pattern Recognition Letters 34 (3), 299-307, Elsevier, February – 2013

[2] Ugolotti, R.*, Mesejo, P.*, Zongaro, S., Bardoni, B., Berto, G., Bianchi, F., Molineris, I., Giacobini, M., Cagnoni, S., and Di Cunto, F., ”Visual search of neuropil-enriched RNAs from brain in situ hybridization data through the image analysis pipeline Hippo-ATESC”, PLoS ONE 8 (9): e74481.doi:10.1371/journal.pone.0074481, Public Library of Science, September – 2013   *These authors contributed equally to this work.

[3] Ugolotti, R., Nashed, Y.S.G., Mesejo, P., Ivekovič, S., Mussi, L., and Cagnoni, S., “Particle Swarm Optimization and Differential Evolution for Model-based Object Detection”, Applied Soft Computing 13 (6), 3092-3105, Elsevier, June – 2013

[4] Mesejo, P., Valsecchi, A., Marrakchi-Kacem, L., Cagnoni, S., and Damas, S., “Biomedical Image Segmentation using Geometric Deformable Models and Metaheuristics”, Computerized Medical Imaging and Graphics 43, 167-178, Elsevier, July – 2015

[5] Mesejo, P., Ibáñez, O., Cordón, O., & Cagnoni, S. (2016). A survey on image segmentation using metaheuristic-based deformable models: state of the art and critical analysis. Applied Soft Computing, 44, 1-29.

Otros proyectos



Utilizamos cookies para asegurar que damos la mejor experiencia al usuario en nuestro sitio web.
De acuerdo