medigraphic.com
ISSN 1727-897X (Digital)

2022, Número 2

<< Anterior Siguiente >>

Medisur 2022; 20 (2)


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

Pérez MCA, Vázquez RT, Mulet RA, Vázquez SCR, Perdigón RF

Idioma: Español
Referencias bibliográficas: 18
Paginas: 210-221
Archivo PDF: 628.49 Kb.


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.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Sung H, Ferlay J, Siegel RL, Laversanne M, Soerjomataram I, Jemal A, et al. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA Cancer J Clin. 2021;71(3):209-49.

  2. Registro Nacional del Cáncer. Anuario de incidencia de cáncer en Cuba 2015[Internet]. La Habana: RNC; 2016[citado 06/09/2020]. Disponible en: Disponible en: http://www.rnc.sld.cu/wp-content/uploads/2016/07/Incidencia-de-Cáncer-2015_General-vers2.pdf 2.

  3. Registro Nacional de Cáncer de Cuba. Mortalidad de cáncer según sexo y localización. Número de casos, tasas crudas y ajustadas. Cuba. 2015[Internet]. La Habana: RNC; 2016[citado 06/09/2020]. Disponible en: Disponible en: http://www.rnc.sld.cu/wp-content/uploads/2013/07/Mortalidad-de-cáncer-según-sexo-y-localización.pdf 3.

  4. Malhotra GK, Zhao X, Band H, Band V. Histological, molecular and functional subtypes of breast cancers. Cancer Biol Ther. 2010;10(10):955-60.

  5. Robertson S, Azizpour H, Smith K, Hartman J. Digital image analysis in breast pathology-from image processing techniques to artificial intelligence. Transl Res J Lab Clin Med[Internet]. 2018[citado 28/02/2020];194:19-35.

  6. Elmore J, Longton G, Carney P, Geller B. Diagnostic Concordance Among Pathologists Interpreting Breast Biopsy Specimens. Am Med Assoc[Internet]. 2015 [citado 04/09/2021];313(11):1122-32.

  7. Sadoughi F, Kazemy Z, Hamedan F, Owji L, Rahmanikatigari M, Azadboni TT. Artificial intelligence methods for the diagnosis of breast cancer by image processing: A review. Breast Cancer (Dove Med Press). 2018;10:219-30l.

  8. Janowczyk A, Madabhushi A. Deep learning for digital pathology image analysis: A comprehensive tutorial with selected use cases. J Pathol Inform. 2016;7(1):29.

  9. Cruz-Roa A, Basavanhally A, González F, Gilmore H, Feldman M, Ganesan S, et al. Automatic detection of invasive ductal carcinoma in whole slide images with convolutional neural networks. Med Imaging Digit Pathol. 2014;9041(216):904103.

  10. Coro RM, Borrajero I. DIGIPAT: Un sistema cubano para morfometría de imágenes. Rev Latinoam Patol. 1996;34:9-10.

  11. Antúnez Potashkina I, Coro Antich R, Rodriguez Ceballos S. Morfometría computerizada en aspirados celulares del carcinoma ductal infiltrante de la mama. Modelo de estadística multivariada. Rev Esp Patol. 1997;30(3):193-9.

  12. Morales RR, Martínez T, Cuello L. MADIP: Morphometrical analysis by digital image processing. In: Sánchez JS. Pattern Recognition and Image Analysis. Castellón de la Plana: Universitat Jaime I, 2001.p. 291-8.

  13. Sharma S, Mehra R. Conventional Machine Learning and Deep Learning Approach for Multi-Classification of Breast Cancer Histopathology Images - a Comparative Insight. J Digit Imaging. 2020;33(3):632-54.

  14. Masters BR, Gonzalez RC, Woods RE. Digital Image Processing. J Biomed Opt. 2009;14(2):029901.

  15. Zwanenburg A, Leger S, Vallières M, L ¨ock S. Image biomarker standardisation initiative.arXiv preprint arXiv:1612.07003[Internet]. Ithaca: Cornell University; 2019 [citado 14/05/2020]; Disponible en: Disponible en: https://arxiv.org/pdf/1612.07003.pdf 15.

  16. Haralick RM, Shanmugam K, Dinstein IH. Textural features for image classification. IEEE Trans Syst Man Cybern[Internet]. 1973[citado 08/09/2021];3(6):610-21. Disponible en: https://ieeexplore.ieee.org/abstract/document/4309314/16.

  17. Afshar P, Mohammadi A, Plataniotis KN, Oikonomou A, Benali H. From handcrafted to deep-learning-based cancer radiomics: Challenges and opportunities. IEEE Signal Process Mag. 2019;36(4):132-60.

  18. Brodersen KH, Ong CS, Stephan KE, Buhmann JM. The balanced accuracy and its posterior distribution. In: 20th International Conference on Pattern Recognition, 2010 [Internet]. Estambul: Interaction Design Foundation; 2010[citado 08/09/2021]. Disponible en: Disponible en: https://ieeexplore.ieee.org/document/5597285 18.




2020     |     www.medigraphic.com