ABSTRACT
ABSTRACT This study presents a methodology for identifying the color space that provides the best performance in an image processing application. When measurements are performed without selecting the appropriate color model, the accuracy of the results is considerably altered. It is significant in computation, mainly when a diagnostic is based on stained cell microscopy images. This work shows how the proper selection of the color model provides better characterization in two types of cancer, acute lymphoid leukemia, and multiple myeloma. The methodology uses images from a public database. First, the nuclei are segmented, and then statistical moments are calculated for class identification. After, a principal component analysis is performed to reduce the extracted features and identify the most significant ones. At last, the predictive model is evaluated using the k-nearest neighbor algorithm and a confusion matrix. For the images used, the results showed that the CIE L*a*b color space best characterized the analyzed cancer types with an average accuracy of 95.52%. With an accuracy of 91.81%, RGB and CMY spaces followed. HSI and HSV spaces had an accuracy of 87.86% and 89.39%, respectively, and the worst performer was grayscale with an accuracy of 55.56%.
RESUMEN Este estudio presenta una metodología para identificar el espacio de color que proporciona el mejor rendimiento en una aplicación de procesamiento de imágenes. Cuando las mediciones se realizan sin seleccionar el modelo de color adecuado, la precisión de los resultados se altera considerablemente. Esto es significativo en el procesamiento, principalmente cuando el diagnóstico se basa en imágenes de microscopía de células teñidas. Este trabajo muestra cómo la selección adecuada del modelo de color proporciona una mejor caracterización en dos tipos de cáncer, la leucemia linfoide aguda y el mieloma múltiple. La metodología utiliza imágenes de una base de datos pública. Primero, se segmentan los núcleos y luego se calculan los momentos estadísticos para la identificación de clases. Posteriormente, se realiza un análisis de componentes principales para reducir las características extraídas e identificar las más significativas. Por último, el modelo predictivo se evalúa utilizando el algoritmo k-vecinos más cercanos y una matriz de confusión. Para las imágenes utilizadas, los resultados mostraron que el espacio de color CIE L*a*b caracterizó mejor los tipos de cáncer analizados con una precisión promedio del 95,52%. Con una precisión del 91,81%, siguieron los espacios RGB y CMY. Los espacios HSI y HSV tuvieron una precisión del 87,86% y el 89,39%, respectivamente, y el peor desempeño fue la escala de grises con una precisión del 55,56%.
ABSTRACT
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.