Contaje de mitosis en imágenes histológicas mediante redes neuronales convolucionales J.P. Salado García 1 , A. Picón Ruiz 2 , A. Bereciartua Pérez 2 , U. Irusta Zarandona 1 1 Departamento de Ingeniería de Comunicaciones, UPV-EHU, Bilbao, SPAIN, unai.irusta@ehu.eus 2 Tecnalia Research & Innovation, Computer Vision Area, Parque Tecnológico de Bizkaia, Derio, 48160 SPAIN {artzai.picon, aranzazu.bereciartua}@tecnalia.com Resumen El diagnóstico último del cáncer se realiza por los patólogos mediante el análisis de imágenes histológicas. Uno de los marcadores más importantes en el pronóstico y detección temprana del mismo es el denominado grado de proliferación, que se estima mediante el contaje de figuras mitóticas en imágenes histológicas tintadas con hematoxilina y eosina. Los patólogos realizan este contaje de mitosis de manera manual. Este proceso es costoso y subjetivo, existiendo discrepancias entre los expertos. En los últimos años, el aumento de microscopios escáneres ha permitido la digitalización de las muestras histológicas y su posterior procesamiento. En este trabajo se presenta un método para el contaje automático de mitosis en imágenes histológicas. Este método comprende dos fases: 1) selección de regiones candidatas a mitosis basada en técnicas convencionales de procesamiento de imagen; 2) clasificación mediante Redes Neuronales Convolucionales y técnicas de Deep Learning. El método ha sido validado sobre una base de datos con 656 casos, y se ha obtenido una sensibilidad de 0.617 y un valor de F1 de 0.541 en consonancia con el estado del arte. 1. Introducción El cáncer representa una de las causas más elevadas de mortalidad. El diagnóstico del mismo se realiza mediante el análisis de imágenes histológicas por los patólogos. El grado de proliferación es un marcador relevante para el pronóstico y detección temprana del mismo. Este valor se estima mediante el contaje de figuras mitóticas en imágenes histológicas tintadas con hematoxilina y eosina (H&E). Este proceso, que los patólogos realizan manualmente, es laborioso y subjetivo. El auge de la patología digital, con sus potentes microscopios escáneres, ha posibilitado la digitalización de las muestras histológicas, su posterior procesamiento automático y la aparición de herramientas de soporte al diagnóstico que ayuden a los clínicos en las tareas de su práctica diaria, como el contaje de mitosis. Existen en el estado del arte algunas aproximaciones al problema [1-3], basadas principalmente en la aplicación del proceso clásico de análisis de imagen: pre- procesamiento, extracción de características de color, textura o forma, y clasificación por diversas técnicas. Los resultados obtenidos tienen baja precisión y se han obtenido sobre un número de imágenes pequeño. La caracterización inequívoca de mitosis es compleja por varias causas. Por una parte, no presentan una forma única al poder presentarse en 4 fases diferentes (profase, metafase, anafase y telofase). Además, existen en el tejido otros elementos de apariencia similar, tales como los linfocitos. La categorización de cada figura como mitosis o no es compleja, tal y como se muestra en la figura 1. De hecho, existen discrepancias entre los patólogos expertos. Figura 1. Ejemplo de mitosis (con flecha verde) en imagen histológica junto con otros elementos visualmente similares En los últimos años se han popularizado técnicas basadas en redes neuronales convolucionales (CNN) integradas dentro de arquitecturas profundas, es lo que se denomina Deep Learning. Estas arquitecturas permiten una extracción de características en las primeras capas y una adaptación de las mismas por parte del clasificador final de forma simultánea imitando en cierta forma al sistema visual humano. Así, se han resuelto problemas de clasificación, detección y segmentación de imágenes hasta ahora irresolubles, obteniendo arquitecturas con una capacidad de generalización mayor de la existente hasta ahora. Se han identificado algunas aplicaciones de esta tecnología a la detección de mitosis [4-5], que mejoran los resultados obtenidos por métodos clásicos. En esta línea, se presenta un nuevo método para la detección automática de figuras mitóticas en imágenes histológicas, que pretende añadir rapidez y precisión. 2. Materiales y métodos El método propuesto realiza el contaje automático de mitosis en imágenes histológicas tintadas con H&E. El método parte de la imagen digital de la muestra histológica y devuelve la posición de cada mitosis detectada en la imagen. Se describen en este apartado la base de datos de imágenes disponible y el detalle del algoritmo desarrollado. 2.1. Base de datos de imágenes Para el desarrollo de los algoritmos supervisados de detección de mitosis es imprescindible disponer de bases 199 XXXV Congreso Anual de la Sociedad Espa ˜ nola de Ingenier´ ıa Biom´ edica. Bilbao, 29 Nov – 1 Dic, 2017 ISBN: 978-84-9082-797-0, pags. 199- 202 (cc)by-nc-sa