Classificação de coloração imuno-histoquímica combinando cor e textura como descritor / Staining Immunohistochemistry classification blending color and texture as descriptor

O presente trabalho teve por objetivo demonstrar a melhora no desempenho da classificação de coloração imuno-histoquímica em imagens microscópicas, utilizando a abordagem de aprendizado supervisionada que emprega a projeção polinomial da distância de Mahalanobis. Foi definido um descritor de características híbrido, combinando core textura baseada no método Local Binary Pattern, proporcionado inicialmente um descritor 23-dimensional para cada píxel. Uma análise de componentes principais foi realizada e um segundo descritor 12-dimensional foi empregado na avaliação. Os testes foram realizados em imagens e metadados obtidos no The Human Protein Atlas, avaliando uma série de medidas de acerto e erro. Com os resultados encontrados percebeu-se que a utilização do descritor híbrido tornou o processo de classificação mais específico e restritivo nas predições positivas.

This study aimed to demonstrate the improvement in performance of immunohistochemical staining classification in microscopic images using a supervised learning approach that employs the polynomial projection of the Mahalanobis distance. A hybrid feature descriptor was defined by combining color and texture based on Local Binary Pattern method, initially provided a 23-dimensional descriptor, for each pixel. A principal component analysis was performed and a second 12-dimensional descriptor was used in the assay. The tests were performed on images and metadata, obtained on The Human Protein Atlas. With the results it can be seen that the use of hybrid descriptor has made the classification process more specific and restrictive on the positive predictions.

Reconhecimento e quantificação de expressão de imunoistoquímica empregando aprendizado de métricas de distância / Recognition and quantification of immunohistochemistry expression distance metric learning

Este artigo apresenta uma abordagem de segmentação para o reconhecimento e quantificação de expressão de imunoistoquímica (IHC) através do aprendizado de uma métrica de distância. Este método é baseado em duas etapas: treinamento e segmentação. A etapa de treinamento é realizada pela seleção supervisionada de algumas áreas típicas de expressão de IHC na imagem. Nesta etapa o padrão esperado de IHC é estatisticamente caracterizado, onde ocorre o aprendizado da métrica de distância e um espaço característico é modelado. Através desse espaço são obtidos os mapas de similaridade para cada imagem de IHC, com os níveis de intensidade correspondendo ao grau da reação do biomarcador sobre o tecido. A etapa de segmentação é guiada por um parâmetro de escala que controla a quantidade de áreas marcadas com base nos valores de intensidade dos mapas de similaridade. O método é baseado no aprendizado da distância de Mahalanobis para produzir um espaço característico, para posteriormente ser utilizado na distinção entre marcações positivas de expressão de IHC e tecidos normais, bem como quantificar o grau de intensidade da reação. Os resultados obtidos pelo método proposto foram comparados com a classificação linear no espaço de cores HSV (Hue, Saturation and Value) utilizando diferentes categorias de biomarcadores. Os resultados mostram que os limites da fronteira da distribuição dos padrões são mais bem definidos no método proposto, permitindo assim uma melhor discriminação entre tecidos normais e expressão de IHC.

This paper presents a segmentation approach to the recognition and quantification of immunohistochemistry (IHC) expression employing a distance metric learning method. This method is based in a two-step procedure, training and segmentation. The training step is performed by the supervised selection of a few IHC typical stained areas on image. In that step the desired IHC pattern is statistically characterized, where a distance metric is learned and a featured space is created. With this space, similarity maps are obtained by each IHC image with its intensity levels corresponding to degrees of reaction provided by the biomarker over the tissue. The segmentation step is guided by a scale-space parameter that controls the amount of labeled areas based on intensity values of the similarity maps. This method learns a Mahalanobis distance metric to produce a featured space used to distinguish between IHC positive staining and normal tissues, as well as quantifying the reaction intensity degrees. The results obtained by the proposed method were compared to the linear classification on HSV (Hue, Saturation and Value) color space using different biomarkers categories. The comparison results show that the boundary limits of the pattern distributions are better defined in the proposed method, allowing better discrimination between normal tissues and IHC expression.