PROCEDIMIENTO Y DISPOSITIVO PARA IDENTIFICAR UN CONTORNO Y UN PUNTO MEDIO DE UN OBJETO.

Procedimiento y dispositivo para identificar un contorno y un punto medio de un objeto. Los ejemplos de realización de la presente invención se refieren a un procedimiento y un dispositivo para la identificación de un contorno y de un punto medio de un objeto. Además los ejemplos de realización se refieren a una segmentación de leucocitos en fotografías microscópicas de extensiones sanguíneas. Una parte importante de la hematología es el cuadro hemático diferencial. Los sistemas del ámbito de la microscopía asistida por ordenador (CAM) permiten un análisis automático de extensiones sanguíneas y ayudan a los hematólogos en la clasificación de las células y forman con ello una complemento necesario para el moderno diagnóstico hematológico de laboratorio. Los sistemas de hematología modernos proporcionan rápidamente información importante, precisa y de alta eficacia sobre la población celular de la sangre periférica. No obstante a menudo en clínicas y laboratorios hasta el 40% de las muestras se diferencian a posteriori manualmente bajo el microscopio. En especial esta última etapa puede acelerarse y objetivizarse con ayuda de un sistema de microscopía asistida por ordenador. Así tanto se reduce la laboriosidad, como se aumenta la calidad del resultado, lo que en particular es válido también para muestras de sangre peculiares. Basándose en conceptos innovadores de tratamiento de imagen, los leucocitos (glóbulos blancos) en la extensión sanguínea se localizan y clasifican en subclases clínicamente relevantes. En este sentido se toman a menudo conjuntos de datos de referencia preclasificados por expertos, que pueden ampliarse también en cualquier momento, como base para la clasificación. El reconocimiento seguro y la segmentación exacta de glóbulos blancos en extensiones tintadas de la sangre periférica forman la base para la creación automática, basada en imágenes, del cuadro hemático diferencial en el contexto del diagnóstico de laboratorio médico. A menudo en una primera etapa se lleva a cabo una segmentación a baja resolución (por ejemplo, objetivo 10x) para la localización de los glóbulos blancos. En una segunda etapa, a mayor resolución (por ejemplo, con un objetivo 100x), la segmentación exacta de las células es un requisito para una alta precisión de las siguientes etapas de la clasificación. La precisión de la segmentación se refiere, por ejemplo, también a una segmentación exacta del núcleo y el plasma de la célula, que es particularmente deseable para poder determinar las características para el núcleo y del plasma por separado. La precisión de la segmentación tiene por último un efecto decisivo sobre la calidad de la clasificación de la célula. La variedad de los glóbulos blancos que aparecen en una extensión sanguínea en conexión con su distribución cromática y texturización en cada caso características, elevan la dificultad en la clasificación en el marco de una automatización completa. En el caso de procedimientos convencionales para la segmentación de glóbulos blancos, la separación exacta de núcleo y plasma, así como la separación de eritrocitos (glóbulos rojos) adyacentes no está resuelta de manera satisfactoria. Igualmente no se tratan todos los tipos de leucocitos con los algoritmos conocidos. Ejemplos de procedimientos convencionales para la segmentación están descritos en los siguientes documentos: SINHA, N. y A. RAMAKRISHNAN: Automation of differential blood count. En: TENCON 2003. Conf. on convergent 35 Technologies for Asia-Pacific Region, vol. 2, págs. 547 - 551, 2003; LIAO, Q. y Y. DENG: An accurate segmentation method for white blood cell images. En: IEEE Intern. Symposium on Biomedical Imaging, págs. 245 - 248, 2002; RAMOSER, H., V. LAURAIN, H. BISCHOF y R. ECKER: Leukocyte segmentation and classification in blood-smear images. En: 27th Annual Intern. Conf. of the Engineering in Medicine and Biology Society, págs. 3.371 - 3.374, Sep. 2005; LEZORAY, O. y H. Cardot: Cooperation of color pixel classification schemes and color watershed: a study for 40 microscopic images. IEEE Trans. on Image Processing, 11(7): 783 - 789, 2002; NILSSON, B. y A. HEYDEN: Segmentation of Dense Leukocyte clusters. págs. 221 - 229, 2001; ONGUN, G., U. HALICI y K. LEBLEBICIOGLU: Automated contour detection in blood cell images by an efficient snake algorithm. Nonlinear Analysis, 47:5839 - 5847(9), 2001. Para la identificación de regiones en un color o distribución cromática característicos se utilizan a menudo 45 procedimientos de valor umbral. Los procedimientos de valor umbral convencionales comprenden, por ejemplo, el procedimiento de Otsu (OTSU, N.: A threshold selection method from gray level histograms. IEEE Trans. Systems, Man and Cybernetics, 9:62 - 66, 1979) el procedimiento de Kittler (KITTLER, J. y J. ILLINGWORTH: On threshold selection using clustering criteria. IEEE Trans. Systems, Man and Cybernetics, 15(5): 652 - 654, 1985; KITTLER, J. y J. ILLINGWORTH: Minimum error thresholding. 19(1): 41 - 47, 1986) o el procedimiento de Kapur (KAPUR, J., P. SAHOO 50 y A. WONG: A new method for gray level picture threshol ding using the entropy of histogram. Computer Vision, Graphics and Image Processing, 29(3): 273 - 285, 1985)   Para obtener finalmente un contorno continuo del objeto o de la célula, pueden utilizarse, por ejemplo, algoritmos de seguimiento de trayectoria. El procedimiento de Dijkstra (DIJKSTRA, E. W.: A note on two problems in connection with graphs. En: Numerische Mathematik, Bd. 1, S. 269 - 271. Mathematisch Centrum, Ámsterdam, Países Bajos, 1959) representa un posible procedimiento de seguimiento de trayectoria convencional. El documento D1, Unsupervised cell nucleus segmentation with active contours de Pascal, Bamford y Brian Lovell da a conocer que el objetivo de separar núcleos celulares del plasma celular en imágenes celulares cervicales habituales que 2 presentan manchas de Papanicolaou (Pap), es un problema clásico del análisis de imágenes, que puede resultar extremadamente importante para el desarrollo de sistemas exitosos para el análisis automático de manchas Pap en el reconocimiento de cáncer de cuello de útero. Aunque los procedimientos de valor umbral sencillos en algunos casos pueden extraer el núcleo celular, llevar a cabo con ello un examen a máquina de grandes archivos de imágenes resulta bastante difícil. Modelos habituales de perfiles activos, tal como los que se implantaron por Kass, Witkin y Terzopoulos (1988), ofrecen una serie de ventajas en la aplicación sobre el problema arriba mencionado, pero sufren las desventajas conocidas, tales como la inicialización y minimización. Se demuestra que un algoritmo de perfiles activos duales, basado en una búsqueda Viterbi, es capaz solventar muchos de estos problemas y de llevar a cabo una segmentación exacta en un 99% de una base de datos de 20130 imágenes celulares dotadas de manchas Pap. Partiendo de este estado de la técnica existe una necesidad de un procedimiento para la segmentación (por ejemplo, de leucocitos en cuadros hemáticos diferenciales), que, a diferencia de los procedimientos convencionales, resuelva los siguientes problemas planteados: (a) segmentación robusta de distintas clases de células, (b) segmentación robusta en caso de eritrocitos adyacentes y (c) segmentación robusta en caso de variaciones en coloración e iluminación. Además es deseable no sólo reconocer y segmentar las células sanguíneas, sino reconocer de modo fiable en general los contornos de objetos en imágenes digitales, para poder clasificarlos a continuación. Este objetivo se resuelve mediante un procedimiento según la reivindicación 1, un dispositivo según la reivindicación 9 o un programa informático según la reivindicación 10. La idea principal de la presente invención consiste en que, en un procedimiento para identificar un contorno de un objeto en una imagen digital, en el que el objeto presenta con respecto a un espacio de color un primer valor de tono de color y un fondo presenta un segundo valor de tono de color, en un primer momento se determina un punto medio de objeto provisional del objeto. A continuación partiendo del punto medio de objeto predeterminado provisionalmente se determinan puntos de imagen candidatos de contorno. Esto ocurre por medio de trayectorias que se alejan del punto medio de objeto y la detección de un cambio del primer valor de tono de color al segundo valor de tono de color, correspondiendo la posición del cambio en el espacio de color al punto de imagen candidato de contorno. Alternativamente puede utilizarse también un cambio o un salto de un gradiente de color en un espacio de color empleado para la identificación de los puntos de imagen candidatos de contorno. Cada punto de imagen candidato de contorno presenta por tanto una distancia hasta el punto medio de objeto provisional... [Seguir leyendo]

1. Procedimiento para identificar un contorno (600) de un objeto (610) en una imagen digital, con las siguientes etapas: determinar un punto (660) medio de objeto provisional; determinar puntos de imagen candidatos de contorno (K) como puntos de imagen sobre una pluralidad de trayectorias (670) que se alejan del punto (660) medio de objeto provisional mediante el registro de un cambio desde una primera sección hasta una segunda sección de un espacio de características basado en un área de valores de punto de imagen de la imagen digital o mediante el registro de la superación de una intensidad predeterminada de una variación de característica en el espacio de características, realizándose el registro a lo largo de las trayectorias (670) que se alejan y presentando los puntos de imagen candidatos de contorno (K) distancias (R) respecto al punto (660) medio de objeto provisional y estando ordenados de acuerdo con un ángulo polar (); evaluar las distancias (R), para obtener una medida de calidad para el punto medio de objeto provisional; determinar un punto medio de objeto adicional y distancias adicionales de los puntos de imagen candidatos de contorno (K) respecto al punto medio de objeto adicional; evaluar las distancias adicionales, para obtener una medida de calidad adicional, indicando la medida de calidad y la medida de calidad adicional las probabilidades de que el punto (660) medio de objeto provisional o adicional en cuestión se encuentre en el medio del contorno (600); seleccionar un punto (660) medio de objeto mejorado a partir del punto medio de objeto provisional o el adicional utilizando la medida de calidad y la medida de calidad adicional; determinar zonas (Z) de puntos de imagen candidatos de contorno contiguos, dentro de las cuales una variación de las distancias (R) o de las distancias adicionales de los puntos de imagen candidatos de contorno (K) se encuentra por encima de un valor umbral (T); eliminar puntos de imagen candidatos de contorno (Ke), que se encuentran entre las zonas (Z) de puntos de imagen candidatos de contorno contiguos y presentan distancias (R) mayores que los puntos de imagen candidatos de contorno (K) que quedan; y determinar el contorno (600) basándose en los puntos de imagen candidatos de contorno (K) que quedan. 2. Procedimiento según la reivindicación 1, en el que el valor umbral (T) corresponde al 5% o al 10% o al 50% de la distancia (R). 3. Procedimiento según la reivindicación 1 o la reivindicación 2, que comprende además la etapa de un procesamiento previo de la imagen digital, presentando el procesamiento previo un filtrado de la imagen digital, presentando un filtro un filtro de suavizado que contiene aristas o un filtro anisotrópico, o presentando el procesamiento previo un registro de tamaños de objetos y una eliminación de objetos, que se encuentran por debajo de un tamaño mínimo. 4. Procedimiento según una de las reivindicaciones anteriores, que además presenta la etapa de un procesamiento posterior para el contorno (600), comprendiendo el procesamiento posterior un filtro de mediana o un filtro morfológico. 5. Procedimiento según una de las reivindicaciones anteriores, en el que la etapa de determinación de puntos de imagen candidatos de contorno (K) presenta una verificación de puntos de imagen, en cuanto a si una suma de sus tres componentes de color en un espacio de color RGB pasa un umbral predeterminado. 6. Procedimiento según una de las reivindicaciones anteriores, en el que el objeto (610) es una célula (610) orgánica con un núcleo (615) celular y plasma celular, estando delimitado el plasma celular por el contorno (600) de un fondo (650), comprendiendo el procedimiento además una determinación de un núcleo celular y presentando la determinación del núcleo celular una verificación de puntos de imagen, en cuanto a si la proporción de una componente de color verde respecto de una azul supera o no un valor umbral. 7. Procedimiento según una de las reivindicaciones anteriores, que presenta además la etapa de una separación entre la célula (610) orgánica y células (620) orgánicas adicionales, detectándose la separación de leucocitos y eritrocitos (620) por un cambio de un valor de tono de color o de un cambio de gradiente de color adicional. 8. Procedimiento según una de las reivindicaciones anteriores, que presenta además la etapa de una segmentación del núcleo (615) celular, determinándose puntos de imagen del núcleo (615) celular por un 13   procedimiento de valor umbral, en el que la proporción entre la componente verde y la azul de una imagen RGB supera o no un valor umbral. 9. Dispositivo para identificar un contorno de un objeto en una imagen digital, presentando en la imagen digital el objeto (610) un primer valor de tono de color, y un fondo (650), un segundo valor de tono de color, con las siguientes características: un medio para la determinación de un punto (660) medio de objeto provisional; un medio para la determinación de puntos de imagen candidatos de contorno (P) como puntos de imagen sobre una pluralidad de trayectorias (670) que se alejan del punto (660) medio de objeto provisional mediante el registro de un cambio desde una primera sección hasta una segunda sección de un espacio de características basado en un área de valores de punto de imagen de la imagen digital o mediante el registro de la superación de una intensidad predeterminada de una variación de característica en el espacio de características o mediante el registro de una superación de una intensidad predeterminada de una variación de característica en el espacio de características, realizándose el registro a lo largo de las trayectorias (670) que se alejan y presentando los puntos de imagen candidatos de contorno (K) distancias (R) respecto al punto (660) medio de objeto provisional o respecto a uno mejorado y estando ordenados de acuerdo con un ángulo polar (); un medio para la evaluación de las distancias (R), para obtener una medida de calidad para el punto medio de objeto provisional, indicando la medida de calidad la probabilidad de que el punto (660) medio de objeto provisional se encuentre en el medio del contorno (600), un medio para la selección de un punto (660) medio de objeto mejorado utilizando la medida de calidad; un medio para la determinación de zonas (Z) de puntos de imagen candidatos de contorno contiguos, dentro de las cuales una variación de las distancias (R) de los puntos de imagen candidatos de contorno (K) se encuentra por encima de un valor umbral (T); un medio para la eliminación de puntos de imagen candidatos de contorno (Ke) entre las zonas (Z) de puntos de imagen candidatos de contorno, presentado los puntos de imagen candidatos de contorno que han de eliminarse distancias (R) mayores que los puntos de imagen candidatos de contorno (K) que quedan; y un medio para la determinación del contorno (600) basándose en los puntos de imagen candidatos de contorno que quedan. 10. Programa informático con un código de programa para llevar a cabo el procedimiento según una de las reivindicaciones 1 a 8, cuando el programa informático se ejecuta en un ordenador. 14     16   17   18   19     21   22