Comparison of Accuracy of Color Spaces in Cell Features Classification in Images of Leukemia types ALL and MM / Comparación de Precisión de Espacios de Color en la Clasificación de Características de Células en Imágenes de Leucemia tipos ALL y MM

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%.

Análisis estadístico de los espectros de frecuencia de las regiones reguladoras del ENCODE / Statistical analysis of the Fourier Spectra of the ENCODE regulatory regions

RESUMEN En la actualidad, nuevas bases de datos genómicos (secuencias de ADN) son puestas al alcance del dominio público para su análisis. La bioinformática ha desarrollado algoritmos para extraer información y características de dichas secuencias. Sin embargo, estos algoritmos bioinformáticos tienen limitaciones. Una alternativa es utilizar herramientas propias del procesamiento digital de señales (DSP) adaptadas a secuencias genómicas (procesamiento de señales genómicas - GSP). El presente trabajo versa sobre el análisis de los cuatro primeros momentos centrales (media, desviación estándar, asimetría y curtosis) y dos momentos estadísticos (mediana y varianza) de los espectros frecuenciales de las 15 Regiones Reguladoras (RRs) de la base de datos ENCODE con el objetivo de estudiar diferencias estadísticas y frecuencias características. La base de datos seleccionada es "mapeada". Luego, la FFT es calculada a estas señales genómicas y finalmente los momentos estadísticos son implementados. Los resultados mues tran la existencia de 3 grupos de RRs utilizando la media, mediana y curtosis. La desviación estándar y la varianza, parecen no resaltar información importante. Finalmente, la asimetría revela un comportamiento homogéneo ante la presencia de valores atípicos en algunas RRs. Estas observaciones permiten inferir que la periodicidad dentro de la secuencia está relacionada o podría determinar la función biológica que desempeña la misma secuencia.

ABSTRACT Nowadays, new genomic databases (DNA sequences) are available to the whole scientist community for its analysis. The bioinformatics has developed algorithms to extract information and features of the sequences. However, the bioinformatics algorithms have restrictions. An alternative is the use of digital signal processing (DSP) tools adapted to genomic sequences (genomic signal processing - GSP). This work analyzes the first four statistics moments (mean, standard deviation, skewness and kurtosis) and other two moments (median and variance) of the frequency spectra of 15 regulatory regions (RRs) in ENCODE database with the main objective of studying the statistics di fferences and frequency features. The selected database is mapped. Then, the FFT is calculated to these genomic signals and finally the statistic moments implemented. The results show a three-group behavior in the RRs with the mean, median and kurtosis. The deviations standard and the variance do not show important behavior. Finally, the skewness shows a homogeneous behavior with the lack of atypical values in some RRs. These observations support the idea of the presence of periodicities in a sequence that may be related or may determine the biological function that a sequence may perform.