Cómo segmentar imágenes de sangre para la detección de enfermedadesEl uso de imágenes de sangre para identificar enfermedades requiere el estudio de las propiedades de las células y la región de interés. Usando un microscopio, los investigadores pueden identificar los glóbulos rojos, WBC, parásitos dentro de las células sanguíneas y otras estructuras celulares. Se adjunta una cámara de alta resolución al microscopio y las imágenes capturadas se procesan para reducción y mejora de ruido. Las imágenes finales se pueden usar para determinar si una muestra de sangre contiene cualquier agente causante de enfermedad.Segmentación de cuencasUn algoritmo de segmentación de cuenca se basa en el concepto de un pseudocodo, una distancia y una operación morfológica. En la Fig. 8.3, se ilustra un pseudocódigo para un método de cuenca controlado por marcador. El vecindario de un solo píxel se define mediante mediciones de distancia euclidiana basadas en elementos de estructuración. Se utilizan dos contadores para contar píxeles trazados con elementos de estructuración. Las intensidades computadas se devuelven a las áreas circulares internas y externas.Una de las principales desventajas de la erosión binaria es que disminuye objetos pequeños. El método de segmentación de cuencas hidrográficas es relativamente nuevo y aún está en sus primeras etapas. El algoritmo de cuenca está actualmente en uso para la segmentación RBC, pero no maneja bien las células superpuestas. Por lo tanto, se necesitan mejoras para mejorar la precisión y la velocidad. También debe ser entrenado en imágenes de sangre. A pesar de esto, la segmentación de la cuenca es un método prometedor para aplicaciones clínicas.Detección de límites de núcleoEntre los diversos enfoques para extraer los límites de los núcleos de las células sanguíneas, este método hace uso del procesamiento de imágenes. Se ha demostrado que es eficiente en segmentar los glóbulos blancos. Este método utiliza un criterio para seleccionar los componentes de color que se fusionarán. Como resultado, la imagen de salida final está limpia y solo contiene leucocitos. Aquí, presentamos los pasos que tomamos para desarrollar esta técnica.Primero, extrajimos la forma y el área de la celda utilizando un filtrado gaussiano. Este mapa de distancia refleja la forma de las celdas. La región central de las células individuales es el punto más grande de la región conectada. Luego, extraíamos múltiples objetivos de adhesión de la imagen aplicando un valor máximo local. Este enfoque puede detectar múltiples marcadores de primer plano y de fondo de las imágenes de la sangre. Para este método, utilizamos marcadores WBC como marcadores de primer plano. Realizamos la operación clara de la frontera en estas imágenes para evitar el efecto de la región límite del núcleo en el citoplasma.Algoritmo de agrupaciónEste trabajo introduce un nuevo algoritmo de agrupamiento que utiliza estimulantes medidas discriminantes para segmentar el citoplasma y el núcleo de los linfocitos en las imágenes de la sangre. El algoritmo también segmenta la región de fondo y extrae ochenta características del núcleo y las subimacas del citoplasma. Actualmente, los algoritmos de agrupamiento que utilizan estas medidas solo están disponibles para una pequeña cantidad de imágenes. Esta investigación se basa en trabajos anteriores y amplía las técnicas a imágenes más complejas.El algoritmo de agrupación para las imágenes de sangre basadas en algoritmos bioinspirados se centra en el centro mutuo y los límites de los grupos, lo que puede aumentar exponencialmente la complejidad computacional durante el proceso de segmentación. En comparación con los métodos de evaluación entre clúster convencionales, la medida propuesta proporciona una mejor estimación de la separación del clúster que los métodos tradicionales basados en la distancia entre los centros de clúster. Sin embargo, la medida propuesta tiene algunos inconvenientes. Su baja precisión puede resultar en una agrupación falsa de algunas imágenes.Detección de subtipos de leucemiaLa detección de subtipos de leucemia utilizando análisis de imágenes sanguíneas requiere una diferenciación precisa y rápida de los leucocitos benignos y malignos. Además, debe tener costos y tiempo mínimos en las primeras etapas de la enfermedad. Esta tarea es actualmente realizada manualmente por patólogos y requiere una alta mano de obra y equipos costosos. Para superar estos problemas, el aprendizaje de la máquina se ha aplicado a la detección de leucemia. El equipo de investigación utilizó una revisión sistemática para identificar estudios relevantes en el campo.Se realizan varios análisis de sangre para identificar el tipo de leucemia. Entre estos, los análisis de sangre verifican la concentración de varios productos químicos y la capacidad de la sangre para coagular. Los resultados de estas pruebas también pueden identificar la presencia de minerales anormales o calcio en la sangre. Las pruebas de imagen de la leucemia también pueden detectar problemas con la coagulación de la sangre. El patólogo examina muestras de sangre y médula ósea para determinar los tipos de glóbulos blancos.