Vídeo | Mejores TFG – Identificación del Cáncer de Mama
El trabajo titulado: “Tinción digital en imágenes microscópicas multiespectrales. Aplicación a la identificación del cáncer de mama”, desarrollado por Elena María Ruiz Izquierdo y dirigido por Jesús Salido Tercero y María Gloria Bueno García”, fue uno de los Trabajos Fin de Estudios (TFE) premiados en las 2ª edición de los premios Máquina de Turing. Puedes ver un resumen del trabajo a través del siguiente vídeo:
Resumen:
La Inteligencia Artificial es una tecnología que se ha incorporado poco a poco en nuestras vidas. En especial, la Visión por Computador destaca por su utilización en varios ámbitos como: la seguridad, la navegación automática, la medicina, etc. De este modo se ha convertido en una de las disciplinas en auge del momento. La aplicación de esta tecnología en el campo de la medicina ha facilitado grandes avances, asistiendo en el diagnóstico y análisis de enfermedades, abaratando costes y agilizando los procesos.
El propósito de este proyecto es la clasificación de imágenes multiespectrales de biopsias de tejido mamario con ayuda de redes neuronales convolucionales que permiten detectar tejido tumoral y discriminar muestras tumorales de no tumorales. Para ello, se han usado imágenes multiespectrales de muestras histológicas completas de tejido mamario tomadas en un rango de 425nm a 697nm en un intervalo de 4nm, lo que hace un total de 69 longitudes de onda. Con estas muestras, es posible identificar y caracterizar el mapa de la zona tumoral y sus diferentes tejidos. Se han utilizado imágenes de preparaciones o muestras histológicas sin tinción y teñidas con biomarcadores para su comparación.
Las imágenes de las muestras sin tinción fueron adquiridas en distintas longitudes de onda con un microscopio óptico disponible con cámara hiperespectral. Por ello, se realizó un análisis para determinar si proporcionan información adicional a la que se consigue con imágenes adquiridas con cámaras comunes y, además, si es posible clasificar estas imágenes tejido en maligno y benigno. Como resultado, se presenta la comparación entre los modelos de clasificación implementados con las imágenes multiespectrales, para concluir cuál de ellos obtiene un mayor rendimiento con una tasa de acierto más próxima al modelo de clasificación de imágenes de preparaciones con tinción.
La creación de un clasificador de imágenes de tejido sin teñir con ningún biomarcador permitirá eliminar la variabilidad derivada de la preparación e interpretación de las muestras, evitando además su elevado coste. Para poder validar posteriormente estas técnicas con la metodología actual basada en muestras teñidas, se han implementado varios métodos de tinción digital aplicando técnicas de aprendizaje profundo. El modelado de estos datos también permitirá avanzar en el análisis de interacciones estructurales a nivel celular y tisular.
