Análisis de imagen automatizada del tejido
Análisis de imagen automatizada del tejido es un proceso mediante el cual controlado por ordenador equipo de prueba automático para evaluar la tejido muestras, mediante cálculos para obtener mediciones cuantitativas de una imagen para evitar errores subjetivos.
En una aplicación típica, análisis de imagen automatizada tejido podrían utilizarse para medir la actividad total del células cancerosas en un biopsia de un cancerosos tumor tomado de un paciente. En cáncer de mama los pacientes, por ejemplo, análisis de imagen automatizada del tejido pueden usarse para probar los altos niveles de proteínas Conoce a estar presente en formas más agresivas del cáncer de mama.
Contenido
- 1 Aplicaciones
- 2 Procesos de
- 2.1 Preparación
- 2.2 Adquisición
- 2.3 Análisis
- 2.4 Presentación de informes
- 2.5 Almacenamiento de información
- 3 Véase también
- 4 Referencias
Aplicaciones
Tejido automatizada de imágenes de análisis puede reducir significativamente la incertidumbre en la caracterización de tumores en comparación con las evaluaciones de histólogos,[1] o mejorar la tasa de predicción de la repetición de algunos tipos de cáncer. [2][3][4] Como es un sistema digital, adecuado para redes, también facilita los esfuerzos cooperativos entre sitios distantes.[5] Sistemas para el análisis de las muestras de tejido automáticamente también reducen costos y ahorrar tiempo.[1]
Alto rendimiento Cámaras CCD se utilizan para la adquisición de las imágenes digitales. Junto con avanzada WIDEFIELD microscopios y varios algoritmos para restauración de imagen, este enfoque puede proporcionar mejores resultados que técnicas confocales a velocidades comparables y costos más bajos.[6]
Procesos de
El Estados Unidos Food and Drug Administration clasifica estos sistemas como dispositivos médicos, bajo la categoría general de instrumentación de equipo de prueba automático.[7]
ATIS tienen siete procesos básicos (preparación de la muestra, adquisición de imágenes, análisis de imagen, reportando resultados, almacenamiento de datos, comunicación de la red y sistema de auto diagnóstico) y la realización de estas funciones altamente precisa hardware y software integrado, complejo y costoso.[8]
Preparación
Preparación de las muestras es fundamental para evaluar el tumor en el sistema automatizado. En la primera parte del proceso de preparación en que se corta el tejido hecho una biopsia a un tamaño apropiado (normalmente de 4 mm), fijado búfer formalina, deshidratado en etanol -xileno, incrustados en parafina, Delgado seccionado típicamente a 4 um rebanadas, luego montado en al menos dos Código de barras diapositivas (una control y una prueba). A continuación se retira la parafina del tejido, el tejido se rehidrata, entonces manchado. Cualquier inconsistencia en estos procedimientos de caso a caso puede provocar incertidumbre en el resultado del análisis. Estas inconsistencias en los resultados de análisis irreductibles y potenciales motivaron el desarrollo de sistemas de imagen tejido automatizados.
Adquisición
Se adquieren imágenes digitales del espécimen en el portaobjetos de cristal manchado. Las imágenes son tomadas por un conjunto de carga – dispositivos de acoplamiento (CCD).[9]
Análisis
Análisis de la imagen consiste en algoritmos informáticos complejos que identifican y caracterizan celular color, forma y cantidad de la muestra de tejido usando tecnología de reconocimiento de patrones de imágenes basada en Vector quantization. Vector representaciones de objetos en la imagen, a diferencia de las representaciones de mapa de bits, tienen capacidad de zoom superior. Una vez que se ha adquirido la imagen de muestra y residente en memoria de acceso aleatorio de la computadora como una gran variedad de 0 y 1, un programador experto en arquitectura celular puede desarrollar determinista algoritmos aplicado al espacio de memoria para detectar patrones de celdas de estructuras celulares previamente definidas y formaciones conocidas para ser significativa.[10]
El resultado agregado algoritmo es un conjunto de medidas que es muy superior a cualquier sensibilidad humana a la intensidad o luminancia y tono de color, mientras que al mismo tiempo mejorar la prueba de consistencia de cara a cara.[citación necesitada]
Presentación de informes
Los sistemas tienen la capacidad de presentar los datos resultantes en texto y gráficamente, incluyendo en monitores de alta definición, que el usuario del sistema. Impresoras para computadoras, como dispositivos de imagen relativamente baja resolución, se utilizan principalmente para presentar final patología informes que podrían incluir texto y gráficos.[citación necesitada]
Almacenamiento de información
Almacenamiento de los datos adquiridos (gráfica digital diapositiva archivos y datos de texto) inplica guardar información del sistema en un dispositivo de almacenamiento de datos sistema con recuperación de por lo menos conveniente y capacidades de gestión de archivos.[citación necesitada]
Estándares de la industria de imagen médica incluye el (Picture Archiving and Communication SystemsPACS), de origen europeo, que son soluciones de gestión de imagen y la información en redes informáticas que permiten a los hospitales y clínicas para adquirir, distribuir y archivar imágenes médicas e informes de diagnósticos en toda la empresa. Otra norma de origen europeo es los datos y Picture Archiving y sistema de comunicación (DPAC). Aunque imágenes médicas pueden ser almacenados en varios formatos, un formato común ha sido Digital Imaging and Communications en medicina (DICOM).[citación necesitada]
Véase también
- Histopatología
Referencias
- ^ a b O ' Gorman, Lawrence; Sanderson, Arthur C.; Preston, Kendall (septiembre de 1985). "Un sistema de análisis de imagen automatizada del tejido del hígado: métodos y resultados". IEEE Transactions on Biomedical Engineering. BME-32 (9): 696 – 706. Doi:10.1109/TBME.1985.325587. ISSN0018-9294.
- ^ Al-Kadi, Omar S. (junio de 2010). "Textura medidas de combinación para la clasificación de imágenes histopatológicas meningioma mejorada". Reconocimiento de patrones 43 (6): 2043 – 2053. Doi:10.1016/j.patcog.2010.01.005.
- ^ Teverovskiy, M.; Kumar, V.; Junshui Ma; Kotsianti, A.; Verbel, D.; Tabesh, A.; Pang Ho-Yuen; Vengrenyuk, Y.; Fogarasi, S.; Saidi, O.; Aureon Biosciences Corp., Yonkers, NY, Estados Unidos (2004-04-18). "Mejor predicción de recurrencia de cáncer de próstata basada en un sistema de análisis de imagen automatizada del tejido". Imágenes biomédicas: Nano to Macro, 2004. IEEE International Symposium 1:: 257-260. Doi:10.1109/ISBI.2004.1398523. ISBN0-7803-8388-5. OAI: 10.1.1.58.9929.
- ^ Ali Tabesh, Mikhail Teverovskiy, Pang Ho-Yuen, Vinay Kumar P., David Verbel, Angeliki Kotsianti y Olivier Saidi (octubre de 2007). "Multifeature próstata Gleason y diagnóstico de cáncer de clasificación de imágenes histológicas". IEEE Transactions on imágenes médicas 26 (10): 1366 – 1378. Doi:10.1109/TMI.2007.898536. ISSN0278-0062. PMID17948727.
- ^ Bruce Mccullough, Xiaoyou Ying, Thomas Monticello y Marc Bonnefoi (2004). "Nuevos enfoques en patología toxicológica y microscopia digital Imaging". Patología toxicológica 32 (2): 49-58. Doi:10.1080/01926230490451734.
- ^ Antonia Phukpattaranont y Pleumjit Boonyaphiphat (2007). "Una célula automática contar método para obtener una imagen microscópica del tejido de cáncer de mama". Procedimientos IFMBE. Procedimientos IFMBE 15:: 241-244. Doi:10.1007/978-3-540-68017-8_63. ISBN978-3-540-68016-1.
- ^ Pruebas de sistemas informáticos para la FDA/MHRA cumplimiento - David Stokes - Google libros. Books.google.com. 2003-11-25. ISBN9780849321634. 2012-07-12.
- ^ "Analytica Chimica Acta - avances en la tecnología de microarrays de tejido de cáncer: para mejorar la comprensión y diagnóstico". ScienceDirect.com. 2012-07-12.
- ^ MacDonald, J. H.; Wells, K.; Lector, A. J.; Ott, J. R. (febrero de 1997). "Un base de CCD tejido sistema de imagen". Nucleares instrumentos y métodos de Física investigación sección A: aceleradores, espectrómetros, detectores y equipo asociado (Nucleares instrumentos y métodos en la investigación física) 392 (1 – 3): 220-226. Bibcode:1997NIMPA.392...220M. Doi:10.1016/S0168-9002 (97) 00297-0.
- ^ Han, J.W., Breckon, T.P., Randell, D.A., Landini, G. (2012). "La aplicación de soporte vectorial máquina clasificación para detectar los núcleos de célula para microscopía automatizada". Aplicaciones y visión artificial (Springer) 23 (1): 15 – 24. Doi:10.1007/s00138-010-0275-y.