Resumen de Automatic classification of histological hyperspectral images: algorithms and instrumentation
La tecnología de imágenes hiperespectrales (HSI), también conocida como espectroscopia de imagen, es una tecnología capaz de muestrear cientos de bandas espectrales a lo largo del espectro electromagnético mediante el uso de elementos ópticos que dividen la radiación lumínica a su entrada en longitudes de onda discretas. Esta tecnología combina las principales características de dos tecnologías ya existentes: la imagen digital y la espectroscopia. Esto permite explorar tanto las características morfológicas como la composición química de los objetos capturados por una cámara hiperespectral. La interacción entre la radiación electromagnética y la materia es característica de cada material, y a través del empleo de esta tecnología es posible discriminar entre diferentes materiales.
Aunque históricamente este tipo de imágenes se ha aplicado en el campo de la teledetección, en los últimos años esta tecnología se ha convertido en un tema candente en diferentes campos de la investigación, como puede ser el análisis de la calidad de los alimentos, aplicaciones militares y de seguridad o la agricultura de precisión, entre otros. Las imágenes hiperespectrales son también una modalidad de imágenes emergente en el campo de la medicina. Esto está motivado porque el estudio de la propagación de la luz a través de los tejidos biológicos se ha demostrado útil para identificar varias enfermedades y patologías. Estas propiedades de la interacción entre la radiación lumínica y los tejidos biológicos motivan el uso de esta tecnología para desarrollar herramientas de ayuda al diagnóstico. Como herramienta alternativa de diagnóstico, una de las principales características que ofrece la imagen hiperespectral es ser completamente no invasiva y sin necesidad de etiquetado.
La patología computacional, también conocida como patología digital, es una tecnología emergente con la que se busca el diagnóstico cuantitativo de las muestras patológicas, proporcionando la reducción de la subjetividad de diagnóstico entre los patólogos, así como el ahorro de tiempo en el análisis manual de las muestras histológicas. La patología computacional convencional se basa en imágenes histológicas digitalizadas en RGB. En el marco de la patología computacional, varios grupos de investigación han comenzado a estudiar si las imágenes hiperespectrales son capaces de proporcionar ventajas sobre las tecnologías de imagen convencionales.
En esta tesis, se evalúa el potencial de la imagen hiperespectral como herramienta de diagnóstico para el análisis de muestras histológicas. En primer lugar, se ha realizado una revisión sistemática de la literatura, donde se analiza el uso de esta tecnología para el diagnóstico patológico, la tinción digital y otras aplicaciones similares. Dicha revisión sistemática se ha regido por las directrices de las preferred reporting items for systematic reviews and meta-analyses (PRISMA). Además, también se ha realizado un análisis sobre los métodos de procesamiento más comunes que se utilizan para extraer información útil para la detección y el diagnóstico de enfermedades utilizando HSI.
En segundo lugar, se ha caracterizado la instrumentación utilizada para capturar imágenes hiperespectrales microscópicas, y se ha propuesto una metodología en la que se proponen una serie de recomendaciones para configurar correctamente la instrumentación con el fin de adquirir imágenes microscópicas de alta calidad. A continuación, se han generado diferentes bases de datos de imágenes hiperespectrales de muestras histológicas, tanto de tumores cerebrales como de mama. Los especímenes consisten en muestras histológicas en las que el patólogo ha indicado las áreas correspondientes a un diagnóstico específico, es decir, la localización de las áreas tumorales y no tumorales. Las muestras patológicas utilizadas en esta tesis fueron procesadas y analizadas por el Departamento de Anatomía Patológica del Hospital Universitario Doctor Negrín de Las Palmas de Gran Canaria (Las Palmas de Gran Canaria, España), y por el Departamento de Patología del Hospital Tortosa Verge de la Cinta (Tortosa, España).
Dada la naturaleza del problema, las imágenes se han procesado utilizando algoritmos de Machine Learning y Deep Learning para evaluar la capacidad del diagnóstico automático utilizando las imágenes hiperespectrales. En esta tesis, se demuestra que el uso de imágenes microscópicas hiperespectrales en combinación con técnicas de procesamiento de imágenes es una herramienta prometedora para el futuro de la patología computacional.
