HistoBCAD: herramienta de código abierto para detección de cáncer de mama en imágenes histopatológicas

RESUMEN Fundamento: la detección y clasificación precisa del cáncer de mama mediante el diagnóstico histopatológico es de vital importancia para el tratamiento efectivo de la enfermedad. Entre los tipos de cáncer de mama, el carcinoma ductal invasivo es el más frecuente. El análisis visual de las muestras de tejido en el microscopio es un proceso manual que consume tiempo y depende del observador. Sin embargo, en muchos países, incluido Cuba, es escaso el uso de herramientas software para asistir el diagnóstico. Objetivo: desarrollar una herramienta software para detectar tejido de cáncer de mama, del subtipo carcinoma ductal invasivo, en imágenes histopatológicas. Métodos: la herramienta se implementó en Python e incluye métodos de detección de carcinoma ductal invasivo en imágenes histopatológicas, basados en algoritmos de extracción de características de color y textura en combinación con un clasificador de bosques aleatorios. Resultados: la herramienta de código abierto brinda una serie de facilidades para la lectura, escritura y visualización de imágenes histopatológicas, delineación automática y manual de zonas cancerígenas, gestión de los datos diagnósticos del paciente y evaluación colaborativa a distancia. Fue evaluada en una base de datos con 162 imágenes de pacientes diagnosticados con carcinoma ductal invasivo y se obtuvo una exactitud balanceada de 84 % y factor F1 de 75 %. Conclusiones: la herramienta permitió un análisis interactivo, rápido, reproducible y colaborativo mediante una interfaz gráfica sencilla e intuitiva. En versiones futuras se prevé incluir nuevos métodos de aprendizaje automático incremental para el análisis de imágenes histopatológicas digitales.

ABSTRACT Background: the accurate detection and classification of breast cancer through histopathological diagnosis is of vital importance for the effective treatment of the disease. Among the types of breast cancer, invasive ductal carcinoma (IDC) is the most common. Visual analysis of tissue samples under the microscope is a manual, time-consuming and observer-dependent process. However, in many countries, including Cuba, the use of software tools to assist diagnosis is scarce. Objective: to develop a software tool to detect IDC subtype breast cancer tissue in histopathological images. Methods: the tool is implemented in Python and includes IDC detection methods in histopathological images, based on algorithms for extraction of color and texture features in combination with a random forest classifier. Results: the open source tool provides a series of facilities for the reading, writing and visualization of histopathological images, automatic and manual delineation of cancer areas, management of patient diagnostic data and collaborative remote evaluation. It was evaluated in a database with 162 images of patients diagnosed with IDC, obtaining a balanced accuracy of 84 % and a F1 factor of 75 %. Conclusions: the tool allowed an interactive, fast, reproducible, precise and collaborative analysis through a simple and intuitive graphical interface. Future versions are expected to include new incremental machine learning methods for the analysis of digital histopathology images.

Herramienta para la detección automática de nódulos pulmonares solitarios en series de imágenes de tomografía computarizada multicorte / A tool for automated detection of solitary pulmonary nodules in series of multicut computerized tomography images

Introducción: el nódulo pulmonar solitario es uno de los problemas más frecuentes en la práctica del radiólogo, que constituye un hallazgo incidental habitual en los estudios torácicos realizados durante el ejercicio clínico diario. Objetivo: implementar un sistema de diagnóstico asistido por computadora que facilite la detección del nódulo pulmonar solitario en las series de imágenes de tomografía computarizada multicorte. Métodos: se utilizó Matlab para el desarrollo y evaluación de un conjunto de algoritmos que constituyen elementos necesarios de un sistema de diagnóstico asistido por computadora. En orden: un algoritmo para la extracción de las regiones de interés, algoritmo para la extracción de características y un algoritmo de detección de nódulo pulmonar solitario para el cual se probaron varios clasificadores. La evaluación de los algoritmos fue efectuada en base a las anotaciones realizada por especialistas a la colección de imágenes LIDC-IDRI (Lung Image Database Consortium). Resultados: el método de segmentación empleado para extracción de las regiones de interés permitió generar la adecuada división de las imágenes originales en regiones significativas. El algoritmo utilizado en la detección mostró para el conjunto de prueba además de buena exactitud (de 96,4 por ciento), un buen balance de sensibilidad (91,5 por ciento) para una tasa de 0,84 falsos positivos por imagen. Conclusiones: el trabajo de investigación y la implementación realizada se reflejan en la construcción de una interfaz gráfica en Matlab como prototipo del sistema de diagnóstico asistido por computadora, con el que se puede contribuir a detectar más fácilmente el NPS(AU)

Introduction: solitary pulmonary nodules are one of the most frequent problems in radiographic practice. They are a common incidental finding in chest studies conducted during routine clinical work. Objective: implement a computer-assisted diagnostic system facilitating detection of solitary pulmonary nodules in multicut computerized tomography image series. Methods: Matlab was used to develop and evaluate a set of algorithms constituting necessary components of a computer-assisted diagnostic system. The order was the following: an algorithm to extract regions of interest, another to extract characteristics, and another to detect solitary pulmonary nodules, for which several classifiers were tested. Evaluation of the algorithms was based on notes taken by specialists on the LIDC-IDRI (Lung Image Database Consortium) image collection. Results: the segmentation method used for extraction of regions of interest made it possible to create a suitable division of the original images into significant regions. The algorithm used for detection found that the test set exhibited good accuracy (96.4%), a good sensitivity balance (91.5%), and a 0.84 rate of false positives per image. Conclusions: the research and implementation work done is reflected in the construction of a Matlab graphic interface serving as a prototype for a computer-assisted diagnostic system which may facilitate detection of SPNs.