SEGMENTACIÓN AUTOMATIZADA DE ESTRUCTURAS DE IMÁGENES.

La presente invención versa en general acerca del procesamiento y el análisis de imágenes digitales. La segmentación de estructuras de tipo arista y de tipo mancha es una de las tareas de segmentación usadas en aplicaciones de formación de imágenes de las ciencias médica y biológica. Típicamente, tales aplicaciones detectan vasos, árboles bronquiales, huesos y nódulos en aplicaciones médicas y neuronas, núcleos y estructuras de membrana en aplicaciones de microscopía. Por ejemplo, dividir una imagen digital de canales múltiples en múltiples segmentos (regiones/compartimentos) es una de las etapas usadas para cuantificar uno o más biomarcadores en la biología celular molecular, en la patología molecular y en la investigación farmacéutica. ASHBURNER J ET AL: Unified segmentation NEUOROIMAGE, ACADEMIC PRESS, ORLANDO, Florida, EE. UU., vol. 26, nº 3, 1 de julio de 2005, páginas 839 - 851, XP4936781, ISSN: 1053-8119, presentan un marco probabilista que permite que se combinen el registro de imágenes, la clasificación de tejidos y la corrección de polarización dentro del mismo modelo generativo. Se proporciona una derivación de una función objetiva de probabilidad logarítmica para el modelo unificado. El modelo se basa en una mezcla de funciones gaussianas y se extiende incorporando una variación uniforme de la intensidad y un registro no lineal con mapas de probabilidad de tejidos. RODENACKER K ET AL: A feature set of cytometry on digitized microscopic images ANALYTICAL CELLULAR PATHOLOGY, ELSEVIER SCIENCE, AMSTERDAM, Países Bajos, vol. 25, nº 1, 1 de enero de 2003, páginas 1 - 36, XP2342835, ISSN: 0921-8912, presentan técnicas de extracción de características que se han desarrollado y usado para la citología cuantitativa. Los conjuntos de características se dividen en características morfométricas, densitométricas, texturales y estructurales. Breve descripción Los procedimientos y los sistemas proporcionan en parte un estimador de funciones de probabilidad que puede estar adaptado para generar mapas de probabilidad de estructuras de tipo arista y de tipo mancha en imágenes. Tales mapas de probabilidad pueden usarse para codificar la información de segmentación de diferentes formas en imágenes que usan valores de probabilidad entre cero y uno. Una o más de las realizaciones ejemplares de los procedimientos estiman de manera iterativa funciones de probabilidad empírica de características basadas en la curvatura y la intensidad. Pueden imponerse limitaciones geométricas en la característica de curvatura para detectar, por ejemplo, estructuras de núcleos o membrana en imágenes fluorescentes de tejidos. Los procedimientos pueden ser configurados para que sean no paramétricos y aprendan de los datos las funciones de distribución. Esta es una mejora con respecto a los enfoques paramétricos existentes, porque los procedimientos permiten el análisis de mezclas arbitrarias de estructuras de tipo mancha y de tipo arista. Esto es sumamente valioso para aplicaciones, como la formación de imágenes de tejidos, en las que una imagen de núcleos en un tejido epitelial comprende estructuras tanto de tipo arista como de tipo mancha. Una realización de uno de los procedimientos para la segmentación de imágenes comprende generalmente las etapas de proporcionar una imagen que comprende una pluralidad de píxeles; categorizar los píxeles en una pluralidad de subconjuntos usando uno o más índices; determinar una función de probabilidad logarítmica de uno o más de los índices; y generar uno o más mapas, tal como un mapa de probabilidad, en base a la determinación de la función de probabilidad logarítmica de uno o más de los índices. Los subconjuntos pueden comprender píxeles de segundo plano, píxeles de primer plano y píxeles indeterminados. Los índices incluye un índice de curvatura normalizada que comprende una característica basada en la curvatura que comprende ( ) = tan 1 1 x,y ( )2 + 2 x, y x, y ( ) 2 ( ) 2 l(x,y) siendo (x,y) el índice de curvatura normalizada y siendo 1(x,y) y 2(x,y) autovalores de una matriz hessiana de la imagen l(x,y). La etapa de determinación puede comprender la estimación de la función de probabilidad logarítmica de uno o más de los índices, en la que los píxeles pueden ser categorizados usando al menos tres, pero no necesariamente limitados a tres, de los índices y en la que la etapa de determinación de una función de probabilidad logarítmica comprende el uso de dos de los tres índices, para una iteración de la etapa de determinación de la función de probabilidad logarítmica del tercer índice. Estos índices pueden usarse para estimar una o más probabilidades condicionales de clase y estimar la probabilidad logarítmica del tercer conjunto de características, en el que la probabilidad logarítmica puede estimarse para al menos uno de los índices, al menos en parte, estimando uno o más 1 2 , E07840517 22-12-2011   límites de decisión. Uno o más de los límites de decisión pueden usarse para aplicar una o más limitaciones de monotonía para una o más funciones de probabilidad logarítmica. La imagen puede comprender una imagen de un material biológico, tal como, sin limitación, un tejido biológico que puede comprender una o más estructuras celulares en el que las estructuras celulares pueden comprender una o más estructuras de tipo mancha y de tipo arista. También se proporciona un sistema según la reivindicación 15 adjunta. Dibujos Estas y otras características, aspectos y ventajas de la presente invención se entenderán mejor cuando se lea la siguiente descripción detallada con referencia a los dibujos adjuntos, en los que caracteres similares representan partes similares de principio a fin de los dibujos, en los cuales: La FIG. 1 ilustra autovalores y la intensidad cuando se usa en un sistema de coordenadas esféricas. La FIG. 2a es una imagen de una retina usada para ilustrar uno de los ejemplos. La FIG. 2b ilustra los píxeles segmentados de primer plano sobre el índice de forma y el índice de curvatura normalizada para la imagen mostrada en la FIG. 2a. La FIG. 2c ilustra los píxeles segmentados de primer plano basados en el índice de forma y la intensidad para la imagen mostrada en la FIG. 2a. La FIG. 2d ilustra los píxeles segmentados de primer plano basados en la intensidad y el índice de curvatura normalizada para la imagen mostrada en la FIG. 2a. La FIG. 2e ilustra un mapa de probabilidad estimada para la imagen mostrada en la FIG. 2a. La FIG. 2f ilustra valores de probabilidad mayores de 0,5, indicando los píxeles que es más probable que sean vasos que sean de segundo plano, para la imagen mostrada en la FIG. 2a. Las FIGURAS 3a-3f ilustran la distribución condicional estimada de clase y funciones de probabilidad logarítmica de la imagen de retina mostrada en la FIG. 2a: a) ilustra las funciones de distribución de la intensidad, c) ilustra el índice de curvatura normalizada, e) ilustra el índice de forma. Para las FIGURAS 2a, 2c y 2e, la distribución de los píxeles de primer plano, de segundo plano y de todos se traza con líneas de puntos, de rayas y continuas, respectivamente. La FIG. 2b ilustra las funciones de probabilidad logarítmica estimada en base a la intensidad, la FIG. 2d ilustra el índice de curvatura normalizada y la FIG. 2f ilustra el índice de forma. La FIG. 4a es la imagen de la retina mostrada en la Figura 2a mostrada de nuevo para la comparación con las FIGURAS 4b-4d. La FIG. 4b ilustra píxeles segmentados que tienen un valor de intensidad por encima de un umbral T para la imagen mostrada en la FIG. 4a. La FIG. 4c ilustra píxeles segmentados cuando el umbral T disminuye un 5% para la imagen mostrada en la FIG. 4a. La FIG. 4d ilustra píxeles segmentados cuando el umbral T aumenta un 5% para la imagen mostrada en la FIG. 4a. La FIG. 5a ilustra una imagen de un marcador de membrana y subconjuntos estimados de primer plano (color blanco) y subconjuntos de segundo plano (color negro) en base a dos de las características usadas en este ejemplo. La FIG. 5b ilustra los píxeles segmentados de primer plano en base al índice de forma y al índice de curvatura normalizada para la imagen mostrada en la FIG. 5a. La FIG. 5c ilustra los píxeles segmentados de primer plano en base al índice de forma y a la intensidad para la imagen mostrada en la FIG. 5a. La FIG. 5d ilustra los píxeles segmentados de primer plano en base a la intensidad y al índice de curvatura normalizada para la imagen mostrada en la FIG. 5a. El color gris muestra los píxeles indeterminados que no están incluidos en los subconjuntos ni de primer plano ni de segundo plano. La FIG. 5e ilustra el mapa de probabilidad estimada para la imagen mostrada en la FIG. 5a. 3 E07840517 22-12-2011   La FIG. 5f ilustra los valores de probabilidad mayores de 0,5, indicando los píxeles que es más probable... [Seguir leyendo]

1. Un procedimiento de segmentación de imágenes que comprende las etapas de: proporcionar una imagen que comprende una pluralidad de píxeles; categorizar dichos píxeles en una pluralidad de subconjuntos usando uno o más índices; determinar una función de probabilidad logarítmica de uno o más de dichos índices; y generar uno o más mapas en base a dicha determinación de dicha función de probabilidad logarítmica de uno o más de dichos índices; caracterizado porque al menos uno de dichos índices comprende un índice de curvatura normalizada que comprende una característica basada en la curvatura que comprende ( ) = tan 1 1 x,y ( )2 + 2 x, y x, y ( ) 2 ( ) l(x,y) siendo (x,y) el índice de curvatura normalizada y siendo 1(x,y) y 2(x,y) autovalores de una matriz hessiana de la imagen l(x,y). 2. El procedimiento de la reivindicación 1 en el que dichos subconjuntos comprenden píxeles de segundo plano, píxeles de primer plano y píxeles indeterminados. 3. El procedimiento de la reivindicación 1 en el que al menos uno de dichos índices comprende un índice de forma. 4. El procedimiento de la reivindicación 3 en el que dicho índice de forma comprende una característica basada en la curvatura que comprende ( ) = tan 1 1 x,y x,y ( ) ( ) , 2 x,y siendo (x, y) el índice de forma y siendo 1(x,y) y 2(x,y) autovalores de una matriz hessiana de la imagen I(x,y). 5. El procedimiento de la reivindicación 1 en el que al menos uno de dichos índices comprende un valor de intensidad. 6. El procedimiento de la reivindicación 1 en el que dicha etapa de determinación comprende la estimación de dicha función de probabilidad logarítmica de uno o más de dichos índices. 7. El procedimiento de la reivindicación 6 en el que dichos píxeles son categorizados usando al menos tres de dichos índices y en el que dicha etapa de determinación de una función de probabilidad logarítmica comprende el uso de dos de dichos tres índices, para una iteración de dicha etapa de determinación de dicha función de probabilidad logarítmica de dicho tercer índice. 8. El procedimiento de la reivindicación 7 en el que dichos tres subconjuntos comprenden píxeles de segundo plano, de primer plano e indeterminados. 9. El procedimiento de la reivindicación 7 en el que dicha probabilidad logarítmica se estima para al menos uno de dichos subconjuntos, al menos en parte, estimando uno o más límites de decisión. 10. El procedimiento de la reivindicación 1 en el que uno o más de dichos mapas comprenden un mapa de probabilidad. 11. El procedimiento de la reivindicación 1 en el que dicha imagen comprende una imagen de un material biológico. 12. El procedimiento de la reivindicación 11 en el que dicho material biológico comprende un tejido biológico. 13. El procedimiento de la reivindicación 11 en el que dicho tejido biológico comprende una o más estructuras celulares. 12 1 2 , E07840517 22-12-2011   14. El procedimiento de la reivindicación 13 en el que dichas estructuras celulares comprenden una o más estructuras de núcleo y membrana. 15. Un sistema (10) que implementa el procedimiento de la reivindicación 1 que comprende: un dispositivo (12) de almacenamiento para almacenar dicha imagen, al menos temporalmente; y un dispositivo (14) de procesamiento que está adaptado para categorizar dichos píxeles en una pluralidad de subconjuntos usando uno o más índices para determinar una función de probabilidad logarítmica de uno o más de dichos índices y para generar uno o más mapas en base a dicha determinación de dicha función de probabilidad logarítmica de uno o más de dichos índices, caracterizado porque al menos uno de dichos índices comprende un índice de curvatura normalizada que comprende una característica basada en la curvatura que comprende ( ) = tan 1 1 x,y ( )2 + 2 x, y x, y ( ) 2 ( ) 13 l(x,y) siendo (x, y) el índice de forma y siendo 1(x,y) y 2(x,y) autovalores de una matriz hessiana de la imagen I(x,y). 16. El sistema (10) de la reivindicación 15 en el que dicha imagen comprende una o más estructuras celulares. 17. El sistema (10) de la reivindicación 16 en el que dichas una o más estructuras celulares comprenden al menos una porción de un núcleo y al menos una porción de una membrana. 18. El sistema (10) de la reivindicación 17 en el que uno o más de dichos mapas es un mapa de una o más de dicha al menos una porción de un núcleo y dicha al menos una porción de una membrana. 19. El sistema (10) de la reivindicación 18 en el que uno o más de dichos mapas es un mapa de probabilidad. 20. El sistema (10) de la reivindicación 15 en el que dicha imagen comprende estructuras vasculares. 1 2 , E07840517 22-12-2011   14 E07840517 22-12-2011   E07840517 22-12-2011   16 E07840517 22-12-2011   17 E07840517 22-12-2011   18 E07840517 22-12-2011   19 E07840517 22-12-2011   E07840517 22-12-2011   21 E07840517 22-12-2011   22 E07840517 22-12-2011   23 E07840517 22-12-2011   24 E07840517 22-12-2011