Segmentación automatizada de imágenes de tejido de cáncer de pulmón de adenocarcinoma basado en agrupamiento
Barra lateral del artículo
Contenido principal del artículo
Resumen
El cáncer es una de las principales causas de muerte en todo el mundo. Es responsable de aproximadamente 1 de cada 6 muertes a nivel mundial y el cáncer de pulmón, junto al cáncer de mama, es el tipo de cáncer más común en la población, lo que confirma la importancia de los estudios asociados a él. Este trabajo presenta un enfoque hacia la segmentación de imágenes de tejido histológico de cáncer de pulmón en función del color. El método propuesto para la segmentación es el agrupamiento de K-medias, brindando resultados prometedores que pueden convertirse en una ayuda para los patólogos, ya que puede ayudarlos a reducir el tiempo consumido revisando las diapositivas y dando una perspectiva más objetiva para brindar un diagnóstico y tratamiento específico.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y pueda editarlo, reproducirlo, distribuirlo, exhibirlo y comunicarlo en el país y en el extranjero mediante medios impresos y electrónicos. Asimismo, asumen el compromiso sobre cualquier litigio o reclamación relacionada con derechos de propiedad intelectual, exonerando de responsabilidad a la Editorial Tecnológica de Costa Rica. Además, se establece que los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Citas
World Health Organization. Cancer key facts. https://www.who.int/news-room/ fact-sheets/detail/cancer, Sep 2018.
American Cancer Society. What is lung cancer? https://www.cancer.org/cancer/ lung-cancer/about/what-is. html, 2019.
The Royal College of Pathologists. What is a biopsy? https://www.rcpath.org/ discover-pathology/news/factsheets/what-is-a-biopsy.html, 2018.
Brian Nation and Guy Orchard. Histopathology. Oxford University Press, 2 edition, 2012.
P. Quinde and F. Siles. Diseño, implementación y validación un algoritmo de ras- treo de células cancerígenas basado en hmm’s a partir de imágenes de microscopía de campo claro. Universidad de Costa Rica, 2018.
A. Mora and F. Siles. Cell phenotype classification using m-phase features in live-cell bright field time-lapse microscopy. Universidad de Costa Rica, 2018.
B. Peng, L. Chen, M. Shang, and J. Xu. Fully convolutional neural networks for tissue histopathology image classification and segmentation. In 2018 25th IEEE International Conference on Image Processing (ICIP), October 2018.
Y. Xu, Z. Jia, and L. Wang. Large scale tissue histopathology image classification, segmentation, and visualization via deep convolutional activation features. BMC Bioinformatics, 2017.
M. Saric, M. Russo, M. Stella, and M. Sikora. CNN-based method for lung cancer detection in whole slide histopathology images. In 2019 4th International Conference on Smart and Sustainable Technologies (SpliTech), pages 1–4, 2019.
W.D. Travis, E. Brambilla, A.P. Burke, A. Marx, and A. G Nicholson. Who classification of tumours of the lung, pleura, thymus and heart, 2015.
National Cancer Institute. Clinical proteomic tumor analysis consortium lung adenocarcinoma. https://wiki.
cancerimagingarchive.net/display/Public/ CPTAC-LUAD, 2018.
OpenSlide. Aperio format. https://openslide.org/formats/aperio/.
G. Bradski. The OpenCV Library. Dr. Dobb’s Journal of Software Tools, 2000.
G. Cooper and C. McGillen. Probabilistic Methods of Signal and System Analysis. Oxford University Press, NJ, USA, 3rd edition, 1998.