Rev. Colomb. Biotecnol. Vol. VII No. 2 Diciembre 2005 35-46
Modelo computacional para caracterización de células escamosas de citologías cérvico-uterinas
Computational model for squamous cells characterization during cervical smear cytology
Víctor Eduardo Martínez Abaunza*, Alfonso Mendoza Castellanos**, Claudia Janeth Uribe Pérez***, Ernesto García Ayala****
RESUMEN
El trabajo se realizó entre el Grupo de Investigación en Ingeniería Biomédica (GIIB) y el Grupo de Investigación en Patología Estructural, Funcional y Clínica de la Universidad Industrial de Santander (UIS), junto con la Facultad de Medicina de la Universidad Autónoma de Bucaramanga (UNAB); el objetivo principal es construir un modelo computacional que permita caracterizar las células presentes en una citología cérvico uterina, con el propósito de clasificarlas como normales o displásicas. Las láminas que contenían las muestras celulares las recolectaron los patólogos y se tomaron fotografías digitales por medio de una cámara de video acoplada a un microscopio y conectada a un dispositivo de adquisición. En la segmentación de las imágenes se utilizaron tres algoritmos de binarización que permitieron detectar los núcleos celulares; debido a que estos algoritmos presentaron fallas en la detección del citoplasma, se utilizó binarización manual. La descripción de la textura celular se logró con la distribución del histograma, en cada uno de los planos de color, y en los bordes se emplearon descriptores de Fourier. Se presentan los resultados de la primera fase, implementados en la clasificación e identificación de células normales. En las fases posteriores se aplicará la caracterización de cada uno de los estadios de las células clasificadas inicialmente como displásicas, para lograr discriminar las reactivas de las que realmente tienen cambios de lesión.
Palabras clave: tratamiento de imágenes, morfología matemática, citología cérvico uterina, displasia, cáncer de cérvix.
ABSTRACT
The main goal of the work done by the Biomedical Engineering Research Group (GIIB), and the Structural, Functional and Clinical Pathology Research Group of the Industrial University of Santander (UIS), with Autonomous University of Bucaramanga (UNAB), was to construct a computational model allowing squamous cells characterization of cervical smear cytology to classify them as being either normal or abnormal cells. Slides containing the cell samples were colleted by the pathologist and the images were digitalized by a video-camera coupled to a microscope and connected to a frame acquisition device. Three thresholding algorithms were used, in image segmentation, allowing cell nuclei detection; manual thresholding was used when these algorithms failed to detect cytoplasm. Cell texture was described by the distribution of histogram in each color level, and the borders using Fourier descriptors. The results of the first phase are presented, implementing them in classifying and identifying normal cells. Later stages will involve
* Ingeniero de Sistemas. Grupo de Investigación en Ingeniería Biomédica, Escuela de Ingeniería de Sistemas e
Informática. Universidad Industrial de Santander. pixel@bioingenieros.com ** BSc. DEA en Automática. Grupo de Investigación en Ingeniería Biomédica. Profesor Titular, Escuela de Ingeniería
de Sistemas e Informática. Universidad Industrial de Santander. amendoza@uis.edu.co *** M.D. Especialista en Patología, Facultad de Medicina, Universidad Autónoma de Bucaramanga.
curibep@unab.edu.co **** M.D. Especialista en Patología. Grupo de Investigación en Patología Estructural, Funcional y Clínica. Profesor
Titular, Departamento de Patología, Facultad de Salud, Universidad Industrial de Santander. deppat@uis.edu.co
Recibido: Octubre 22 de 2004 Aceptado: Diciembre 02 de 2005
35
Rev. Colomb. Biotecnol. Vol. VII No. 2 Diciembre 2005 35-46
characterizing each cells stage initially classified as presenting some reactive change or due to infection, to distinguish the reactive cells of intraepithelial lesion cells.
Key words: image processing, mathematical morphology, cervical smear cytology, dysplasia, cancer of cervix.
INTRODUCCIÓN
El presente artículo describe la construcción de una herramienta de software que permite la medición y extracción de características celulares de citologías cérvico-uterinas, para su correspondiente clasifica­ción entre los parámetros de normalidad existentes; esto contribuye a la detección temprana de anorma­lidades o displasias que posibilitan la evolución del cáncer de cuello uterino.
Esta patología es el segundo tipo de cáncer más frecuente en la población mundial femenina; se diagnostica cerca del 80% de los casos en paí­ses no desarrollados. Regionalmente se encontra­ron 1.897 casos de displasias leves, 736 displasias moderadas, 289 displasias severas, 169 carcino­mas in situ y 262 de cáncer invasor, entre los años 2000 y 2001, de acuerdo con el Registro Poblacio-nal de Cáncer del Área Metropolitana de Bucara-manga (UNAB, 2002).
Esta enfermedad es detectable en etapas tem­pranas mediante un examen de citología cérvico-uteri-na. Sin embargo, hay factores que afectan la efectivi­dad del tamizaje y condicionan también una baja eficiencia de estos programas en el medio; existe cier­to grado de acuerdo en que una tercera parte de los re­sultados falsos negativos se debe a errores de lectura e interpretación de las muestras de laboratorio.
En un estado normal las estructuras nucleares clave son: núcleo, nucleolo y cromocentro redon­deados, un patrón de cromatina y paracromatina uni­forme con un grosor regular del anillo cromatínico, asociado internamente a la membrana nuclear. Los cambios debidos al cáncer se relacionan con altera­ciones de estas estructuras como: membrana nu­clear irregular, cromatina condensada en grumos gruesos, paracromatina más fácilmente apreciable, nucleolo más grande, irregular y de forma angulada, presencia de mitosis anormales, multinucleación, con núcleos que exhiben pleomorfismo e incremento en el radio núcleo/citoplasma (Bibbo, 1996).
La construcción de sistemas para el análisis de citologías de cuello uterino se lleva a cabo en los paí­ses desarrollados, donde se ofrecen como productos comerciales con un costo de 50 mil dólares, y han mostrado que pueden mejorar la sensibilidad del diag­nóstico (Alfaro et ál., 2001; Giménez, et ál., 2002).
En Colombia se han desarrollado trabajos ais­lados en varias universidades, que han buscado ca­racterizar las células del epitelio escamoso (Osorio y Sossa, 2001; Mendoza et ál., 1995).
El objetivo de este proyecto fue realizar un soft­ware mediante un modelo computacional desarrollado en la plataforma Matlab®, que apoya la clasificación de células escamosas en citologías cérvico-uterinas, den­tro de los parámetros de normalidad existentes. Este trabajo continuó la investigación realizada por el GIIB en la línea de tratamiento de imágenes médicas y su utilización en la detección precoz del cáncer de cuello uterino (Mendoza, et ál., 2001).
MATERIALES Y MÉTODOS Recolección de las muestras
Las muestras de citologías cérvico-uterinas las reco­lectaron los patólogos del proyecto y se tuvieron en cuenta los siguientes criterios de inclusión:
•   Citologías con coloración de Papanicolaou.
•   Muestras consideradas satisfactorias por los patólogos, las cuales cumplen los requisitos del sistema Bethesda (Solomon et ál., 2002).
•   Citologías normales.
•   Citologías que presentaron cambios reactivos o lesiones preneoplásicas y neoplásicas.
Las muestras que no cumplieron estos criterios se rechazaron. Las células presentes se clasificaron como basales, parabasales, intermedias o su-
36
MODELO COMPUTACIONAL PARA CARACTERIZACIÓN DE CÉLULAS ESCAMOSAS
perficiales; luego se digitalizó cada una de las imá­genes con el propósito de identificar los parámetros.
El número de imágenes que se utilizaron para la caracterización celular es el resultado de un pro­ceso de selección en el que se adquirió un total de 225 fotografías digitales; luego de someterlas a una evaluación para eliminar las que presentaran ambi­güedades, se llegó a un total de 183 imágenes dis­ponibles para la caracterización.
Metodología
La metodología para el desarrollo de la herramienta fue el Proceso Unificado de Desarrollo de Software. Se utilizó el Lenguaje Unificado de Modelado, con el cual se prepararon todos los componentes de un sistema de software. La construcción de la herramienta se hizo por medio de casos de uso, centrándose en la arqui­tectura, de una manera iterativa e incremental. Caso de uso es toda acción que proporcione al usuario un resultado importante. La figura 1 presenta los casos de uso más relevantes (Jacobson et ál., 2001).
Con esta metodología fue importante definir claramente los requisitos del usuario, es decir, lo que se quería que el sistema hiciera, que se planteó como la construcción de una herramienta que permi­tiera clasificar las células de una citología cérvi-co-uterina. Con este caso de uso se logró diseñar la arquitectura del sistema a medida que evolucionaba el proceso. El trabajo se dividió en partes más pe­queñas llamadas iteraciones, que permitieron dife­renciar el crecimiento del producto.
El desarrollo de la herramienta y la implementa-ción de los algoritmos se realizó con la plataforma Matlab®, gracias a que esta contaba con la posibili­dad de utilizar varias funciones de tratamiento digital de imágenes (The Mathworks Inc., 2003).
Adquisición de las imágenes
Con el propósito de obtener una imagen con las me­jores condiciones de iluminación (lograr diferenciar el fondo, el núcleo y el citoplasma) y aumento (visua-lización adecuada de las estructuras celulares), la resolución dependió de la capacidad de la cámara utilizada; se construyeron diversos modelos de ad­quisición de acuerdo con la disponibilidad de las ins­tituciones y se varió cada uno de los dispositivos para realizarla. Para el modelo definitivo se utilizó:
•   Microscopio trinocular Carl Zeiss®.
•   Cámara de video Panasonic® con resolución 640x480.
•   Tarjeta de adquisición de video MPEG TV Station/USBTM.
•   Computador portátil Sony Vaio®.
Para la adquisición de las imágenes se busca­ron células individuales que mostraron un alto con­traste con el fondo, el cual se evaluó en el histogra-ma por medio de la diferenciación de las regiones (núcleo, citoplasma, fondo), como se observa en la figura 2.
Filtrado de la imagen
Una vez adquirida la imagen, se procedió a la construcción de los algoritmos para la etapa de preprocesamiento o filtrado, se utilizaron filtros
vol_7_num_2_2005_35-46-1.jpg
Figura 1. Casos de uso generales.
37
Rev. Colomb. Biotecnol. Vol. VII No. 2 Diciembre 2005 35-46
vol_7_num_2_2005_35-46-2.jpg
de este con sus vecinos. El funcionamiento dependió del número de filas y columnas utilizadas.
La figura 3 presenta una imagen celular prepro-cesada con un filtro mediana 3x3.
vol_7_num_2_2005_35-46-3.jpg
Figura 2. Modelo del histograma de una imagen celular.
clasificados como espaciales paso bajo. Se recu­rrió a esta serie de matrices porque su funciona­miento permitía suavizar la imagen y cada una de las superficies tendía a ser homogénea (González et ál., 1996; Jain, 1989). Los filtros implementados son los siguientes:
•   Promedio. Este filtro promedió el valor del píxel con sus vecinos; su funcionamiento de­pendió del tamaño de la matriz utilizada.
•   Promedio circular. Se utilizaba una matriz de forma circular para aplicar el promedio del píxel con sus vecinos; el resultado dependía del radio.
•   Rotacional. El resultado del filtro fue la apro­ximación al movimiento de una cámara, que dependía de la longitud y el ángulo.
•   Gauss. Se aplicaba un filtro gaussiano rota-cionalmente simétrico; el resultado depen­día de la matriz y de la desviación estándar (sigma) utilizada.
•   Unsharp. Conocido también como high-boost, se utilizaba el negativo del operador laplaciano, el cual era un filtro paso alto. El resultado dependió del factor alfa (a) em­pleado.
•   Mediana. Este filtro no poseía una matriz de coeficientes definida, dado que operaba inter­cambiando el valor del píxel por la mediana
Figura 3. Filtrado de la imagen. a) Imagen original. b) Imagen filtrada.
El software desarrollado permite la utilización de cualquiera de estos filtros, de acuerdo con el cri­terio del usuario.
Segmentación del núcleo y el citoplasma
Las etapas anteriores permitieron obtener imágenes de alto contraste (adquisición), con superficies ho­mogéneas (filtrado). Debido a estas características, los algoritmos utilizados se basaban en la umbraliza-ción, logrando imágenes binarias de las regiones. El procedimiento fue el siguiente:
1. Se detectó el umbral, con alguno de los mé­todos implementados, y se efectuó la umbralización sobre uno de los tres planos de color (rojo, verde o azul) o en la escala de grises.
2. Se aplicó morfología matemática.
3. Se extrajeron los bordes, utilizando principal­mente filtros espaciales paso alto.
Umbralización
Pun-Kapur. Fue el primer método que se empleó. Este localizó el umbral utilizando la entropía del histograma. Pun ha definido dos entropías a pos-teriori, una para el objeto y otra para el fondo. Ka-pur hizo una extensión de estas involucrando dis­tribuciones de probabilidad (Hussain, 1991).
38
MODELO COMPUTACIONAL PARA CARACTERIZACIÓN DE CÉLULAS ESCAMOSAS
vol_7_num_2_2005_35-46-4.jpg
Figura 4. Segmentación con el método Pun-Kapur. a) Imagen original. b) Núcleo c) Citoplasma.
Dado que este algoritmo detectó sólo umbrales para histogramas bimodales, se realizó una modifi­cación que permitió trabajar aquellos que presentan tres distribuciones, característicos de las imágenes celulares: se obtuvo el primer umbral, se eliminaron los niveles menores que este y se ejecutó nueva­mente el algoritmo.
El método modificado permitió segmentar las células que mostraron una gran diferenciación entre el núcleo, el citoplasma y el fondo. La figura 4 pre­senta el resultado de aplicar la segmentación em­pleando este algoritmo.
Iterativo. El segundo método implementado se denomina iterativo. Para la localización del umbral se hicieron comparaciones sucesivas entre dos um­brales hasta encontrar el adecuado (Gualdrón et ál., 2001). Como también se trató de un método para histogramas bimodales, se aplicó la misma variación diseñada para el método anterior, pero en este caso no se obtuvieron los resultados esperados.
Este método permitió segmentar en algunas células el núcleo y en otras el citoplasma. La figura 5 presenta el resultado de aplicar la segmentación por medio de este método.
Triangular. El tercer método de detección de umbrales se llama triangular; este método detectó el umbral por medio de la construcción de triángulos en­tre los picos máximos del histograma, hasta encontrar el nivel que determinara el triángulo con mayor altura.
vol_7_num_2_2005_35-46-5.jpg
Figura 5. Segmentación con el método iterativo. a) Imagen origi­nal, b) Citoplasma.
La figura 6 presenta el funcionamiento de este méto­do que permitió segmentar el núcleo y el citoplasma, en imágenes que tuvieron poco contraste.
Algoritmo por defecto. El cuarto método em­pleado para detección del umbral consistió en el al­goritmo implementado por defecto, en la plataforma donde se desarrolló la herramienta (The Mathworks Inc., 2003). En algunas células permitió segmentar el citoplasma. La figura 7 presenta la segmentación realizada por el algoritmo.
Manual. Dado que los métodos mencionados no segmentaron la totalidad de las muestras de imá­genes empleadas, se utilizó un método manual, de­terminando el umbral hasta que la célula quedara segmentada. La figura 8 presenta la utilización de este procedimiento empleando los umbrales 127 y 158 para detectar el núcleo y el citoplasma, respectivamente.
39
Rev. Colomb. Biotecnol. Vol. VII No. 2 Diciembre 2005 35-46
vol_7_num_2_2005_35-46-6.jpg
Figura 6. Segmentación con el método triangular. a) Imagen original. b) Núcleo c) Citoplasma.
vol_7_num_2_2005_35-46-7.jpg
Se realizó una apertura con un elemento es­tructurante circular de tamaño 17, que per­mitió separar regiones traslapadas.
Se calculó el área de los objetos, se tomó el objeto con mayor área y se eliminaron los demás.
Una vez obtenida la imagen con el objeto de mayor área, se efectuó un cierre con un ele­mento estructurante circular de tamaño 9.
Figura 7. Segmentación por defecto. a) Imagen original, b) Citoplasma.
Morfología matemática
La morfología matemática (Dougherty, 1993), se uti­lizó como un procedimiento interno de la segmenta­ción. Permitió eliminar los objetos que no correspon­dían a un núcleo o citoplasma. El procedimiento se explica a continuación:
Se decidió que los elementos estructurantes fue­sen redondos, debido a que presentaron la forma de las células, y el tamaño se obtuvo experimentalmente.
Extracción de bordes
En la extracción de bordes, el objetivo consistió en lograr un borde de ancho uno, lo cual permitió la elección de los siguientes métodos: Sobel, Prewitt,
vol_7_num_2_2005_35-46-8.jpg
Figura 8. Segmentación con el método manual. a) Imagen original. b) Núcleo. c) Citoplasma.
40
MODELO COMPUTACIONAL PARA CARACTERIZACIÓN DE CÉLULAS ESCAMOSAS
Laplaciano del Gaussiano y Canny. La figura 9 pre­senta el borde extraído con el método Sobel.
complejos. Para la reconstrucción del borde se emplearon 70 descriptores.
En la descripción del citoplasma se utilizaron:
•   Área. Calculada como el número de píxeles en blanco de la imagen binaria que contenía el citoplasma.
•   Perímetro. Calculado como el número de pí­xeles en blanco de la imagen binaria que contenía el borde del citoplasma.
•   Ejes. Calculados como los ejes de la elipse con el segundo momento igual a la región del citoplasma.
•   Relaciones núcleo/citoplasma. Llamadas también radios núcleo/citoplasma, indicaban la proporción entre el tamaño del núcleo y el citoplasma; se calcularon para el área, el pe­rímetro y los ejes.
Reconocimiento celular Características celulares
Para la etapa de reconocimiento se hizo necesario establecer las características de cada una de las cé­lulas escamosas encontradas. De acuerdo con Bib-bo (1996), de este tipo de células se pueden identifi­car tres clases:
Células escamosas superficiales. Corres­ponden a la capa más externa del epitelio. Miden en­tre 40-50 |im. Son poliédricas, planas, con citoplas­ma claro eosinofílico, con bordes bien definidos. Pueden contener pequeños gránulos basofílicos de queratohialina. El núcleo es redondo, picnótico ho­mogéneo, mide entre 3 y 5 |im. No se ve la red cro-matínica. Esta característica permite diferenciarla de una intermedia. Algunos autores sugieren un criterio de núcleo métrico: todo núcleo con diámetro menor de 6 |im debería considerarse núcleo picnótico (Pun-deletál., 1956).
Células escamosas intermedias. Células grandes, con un tamaño aproximado de 50 |im, poli­gonales, con citoplasma transparente, usualmente cianofílico. Su núcleo ovalado tiene un diámetro en­tre 8-10 |im, está centralmente ubicado, con un
vol_7_num_2_2005_35-46-9.jpg
Figura 9. Detección de bordes. a) Imagen original. b) Bordes.
Descripción celular
El resultado de la segmentación fue un grupo de imá­genes binarias, que correspondían con las regiones y los bordes del núcleo y el citoplasma. Las imágenes permitieron extraer los diversos parámetros de las cé­lulas escamosas de citologías cérvico-uterinas.
Los parámetros utilizados para describir el nú­cleo son:
•   Área. Calculada como el número de píxeles en blanco de la imagen binaria que contenía el núcleo.
•   Perímetro. Calculado con el número de pí­xeles en blanco de la imagen binaria que contenía el borde del núcleo.
•   Ejes. Calculados como los ejes de la elipse con el segundo momento igual a la región del núcleo.
•   Circularidad. Relación entre el cuadrado del perímetro y el área; esta medida permitió conocer la tendencia circular del núcleo. Si un objeto presentaba esta forma geométrica, su valor era 4]1 (Castleman, 1996).
•   Niveles de color. Para cada plano de color (rojo, verde, azul) de la imagen adquirida se obtuvieron el nivel menor, la moda, el prome­dio y el nivel mayor, de la región que conte­nía el núcleo.
•   Descriptores de Fourier. Se calcularon los coeficientes de la serie de Fourier, de la fun­ción del borde expresada en números
41
Rev. Colomb. Biotecnol. Vol. VII No. 2 Diciembre 2005 35-46
patrón de cromatina fino homogéneo y su membra­na nuclear está claramente definida.
Células escamosas parabasales. Son célu­las pequeñas con medidas entre 12-13 u,m. Su cito­plasma es opaco, basofílico y puede mostrar vacuo-lización. Tienen un núcleo redondo vesicular, con un radio núcleo/citoplasma alto.
Se pueden encontrar otros tipos de células: queratinizadas y basales. Las primeras son grandes, aplanadas, con citoplasma orangofílico y general­mente anucleadas. Las segundas son uniformes en tamaño, redondas, con citoplasma basofílico y opa­co, con núcleo hipercromático y alto radio núcleo/ citoplasma.
También se presentan las células endocervica-les, que son cilíndricas altas, con abundante cito­plasma claro, ligeramente cianofílico y finamente va-cuolado. Se organizan en grupos con apariencia de "panal de abejas". Los núcleos basalmente localiza­dos son ovales, de tamaño variable, con cromatina fina granular, difusamente distribuida. Tienen dos o tres nucleolos pequeños.
Una vez diferenciadas las características celu­lares, se procedió a implementar una red neuronal y un sistema basado en el conocimiento, que almace­nara estas características y efectuara la clasificación celular.
Red neuronal
Con el propósito de lograr que el modelo computa-cional clasificara la forma nuclear, dado que una de las particularidades de las lesiones celulares es la presencia de picos o irregularidades en el borde de la membrana nuclear, se construyó una red neuronal con las siguientes características:
Back-propagation, cascade forward (Hudson 1999).
Dos neuronas en la capa de entrada: circulari-dad y sumatoria del producto del módulo del descrip­tor de Fourier por su índice (Castleman, 1996).
Tres neuronas en la capa oculta.
Una neurona en la capa de salida, que produjo valores positivos para núcleos regulares (borde
nuclear con forma circular u oval) y negativos para el caso contrario (borde nuclear con picos o irregularidades).
La figura 10 presenta la arquitectura de la red neuronal utilizada y desarrollada mediante neural networks toolbox (Demuth, 1997).
vol_7_num_2_2005_35-46-10.jpg
Figura 10. Red neuronal de clasificación
Una vez se implementó la red neuronal, se pro­cedió a entrenarla utilizando 104 formas nucleares (52 irregulares, 52 regulares); luego se hizo una prueba con los mismos valores empleados en el en­trenamiento, que dio como resultado 100 aciertos, 3 falsos negativos (forma regular clasificada como irre­gular) y un falso positivo (forma irregular clasificada como regular).
Sistema basado en el conocimiento
Para la clasificación de cada una de las células, den­tro de los parámetros de normalidad existentes, se implementó un sistema basado en el conocimiento (Corredor, 2000), el cual se programó en la misma plataforma utilizada para el tratamiento de imágenes.
Base de conocimiento. Para su construcción se empleó una muestra de 183 imágenes, de las cuales se extrajeron 286 núcleos y 152 citoplasmas. A cada uno de estos se le calcularon las medidas mencionadas en la descripción. Después que los va­lores se almacenaron en una base de datos, se eva­luaron los intervalos de cada clase de célula (basal, parabasal, intermedia y superficial).
Motor de inferencia. Para el diseño del motor de inferencia se utilizó la regla Modus Ponens. Las reglas se definieron de la siguiente manera:
42
MODELO COMPUTACIONAL PARA CARACTERIZACIÓN DE CÉLULAS ESCAMOSAS
•   Si medida (basal) -> célula (basal)
•   Si medida (parabasal) -> célula (parabasal)
•   Si medida (intermedia) -> célula (intermedia)
•   Si medida (superficial) -> célula (superficial)
Subsistema de explicación. Este se empleó cuando la célula se clasificó como displásica, y le permitió ver al médico patólogo el parámetro que no se cumplió en cada clase de célula.
El sistema basado en el conocimiento se eva­luó con la totalidad de las imágenes adquiridas y utili­zadas para la extracción de los parámetros de carac­terización (183) y se clasificó correctamente cada una de las muestras.
Luego se utilizó una muestra de 23 imágenes que no se incluyeron en el proceso de caracterización
celular, entre las que se encontraban dos imágenes de carcinoma in situ; esta prueba dio como resultado la correcta clasificación de las células normales y una advertencia del software en las células que presenta­ron la lesión.
RESULTADOS Y DISCUSIÓN
Para cada clase de célula normal se calcularon los intervalos de cada uno de los parámetros utilizados en la clasificación. La tabla 1 muestra los parámetros de la coloración nuclear.
Cada nivel de color se presentó en el interva­lo [0, 255] que correspondía del color más oscuro al más claro. En esta tabla se observa el cambio de coloración nuclear debido a la maduración celular.
Las células basales presentaron núcleos os­curos, en las parabasales la coloración se hizo más clara, en las intermedias disminuyó el nivel de color, indicando una coloración más oscura que la
Tabla 1. Niveles de color registrados para el núcleo de las células Intervalo [0, 255]
Basal
Parabasal
Intermedia
Superficial
Rojo promedio
104
125
115.82
112.51
Rojo mínimo
78
106
87
84
Rojo moda
97
121
100
95
Rojo máximo
115
136
130
133
Verde promedio
83.97
99
67
57.7
Verde mínimo
63
83
57
43
Verde moda
69
89
61
48
Verde máximo
99
111
77
68
Azul promedio
81.39
105.58
73
63
Azul mínimo
56
85
61
47
Azul moda
82
98
73
56
Azul máximo
107
118
85
75
43
Rev. Colomb. Biotecnol. Vol. VII No. 2 Diciembre 2005 35-46
parabasal pero más clara que la basal; las células superficiales exhibieron los menores niveles de color, lo cual señaló hipercromatismo nuclear.
Las medidas relacionadas con el tamaño del nú­cleo se presentan en la tabla 2. Se pudo observar el cambio de tamaño durante el ciclo de maduración ce­lular. Se reveló un aumento de basal a intermedia, hasta que finalmente disminuyó en la capa superficial.
La tabla 3 muestra los valores encontrados para el tamaño del citoplasma. De acuerdo con las medidas, se halló un aumento entre las cuatro capas celulares, permitiendo diferenciar claramente la capa parabasal de la intermedia.
Tomando los valores del núcleo y el citoplas­ma, se calcularon las relaciones núcleo/citoplasma, que indicaron la proporción de las medidas. Los re­sultados se consignan en la tabla 4; se observó el
descenso en la relación núcleo/citoplasma, debido al ciclo de maduración celular.
CONCLUSIONES
Este trabajo permitió construir una herramienta de software que extrae las características de las células escamosas de citologías cérvico-uterinas, para apo­yar la clasificación entre los parámetros de normali­dad existentes.
Se logró establecer los criterios correspondien­tes a cada uno de los parámetros de las células es­camosas normales de tipo superficial, intermedia, parabasal y basal, los cuales se muestran en las ta­blas respectivas. Gracias a las técnicas de inteligen­cia artificial empleadas, redes neuronales y sistema basado en el conocimiento, se alcanzó la clasifica­ción de las células a partir de los parámetros extraídos.
Tabla 2. Intervalos de las medidas nucleares registradas en las células
Basal
Parabasal
Intermedia
Superficial
Mínimo
Máximo
Mínimo
Máximo
Mínimo
Máximo
Mínimo
Máximo
Área (|xm2)
20.40
56.51
26.94
142.59
27.95
113.08
14.00
34.97
Perímetro (^m)
14.39
24.39
16.09
38.53
16.82
33.65
11.95
18.53
Eje mínimo (^m)
4.62
8.02
5.72
11.79
5.03
11.06
4.35
6.40
Eje máximo {\xrr\)
5.64
9.12
6.03
15.40
6.37
13.72
4.35
7.37
Tabla 3. Intervalos de las medidas citoplasmáticas registradas en las células
Basal
Parabasal
Intermedia
Superficial
Mínimo
Máximo
Mínimo
Máximo
Mínimo
Máximo
Mínimo
Máximo
Área (nm2)
166.38
458.35
264.01
1273.01
748.06
4788.16
1026.59
3984.77
Perímetro (\xrr\)
35.85
70.00
38.29
116.09
85.85
254.87
103.41
220.24
Eje mínimo (\xrr\)
12.24
22.46
14.41
38.64
25.25
71.95
30.01
67.18
Eje máximo (^m)
17.58
32.40
22.24
44.75
38.49
86.41
41.83
91.27
44
MODELO COMPUTACIONAL PARA CARACTERIZACIÓN DE CÉLULAS ESCAMOSAS
Tabla 4. Relaciones núcleo/citoplasma de las medidas
Basal
Parabasal
Intermedia
Superficial
Mínimo
Máximo
Mínimo
Máximo
Mínimo
Máximo
Mínimo
Máximo
Área
0.04
0.20
0.04
0.24
0.01
0.09
0.00
0.04
Perímetro
0.21
0.45
0.20
0.54
0.08
0.28
0.06
0.18
Eje mínimo
0.21
0.50
0.21
0.59
0.09
0.37
0.07
0.26
Eje máximo
0.19
0.40
0.22
0.44
0.08
0.23
0.06
0.19
Los resultados obtenidos no pudieron contras­tarse con trabajos previos que utilicen técnicas simi­lares, debido a que se miden diferentes característi­cas. Sin embargo, tienen una alta concordancia con resultados derivados a los métodos de lectura citoló-gica clásicos, en extendidos teñidos con Papanico-laou y leídos siguiendo los parámetros establecidos por el sistema de Bethesda.
Vale la pena destacar que la citología cérvi-co-uterina continúa siendo el método de tamizaje más importante en la detección precoz de las le­siones predecesoras del cáncer de cuello uterino, y el modelo presentado contribuye en los casos en los cuales se tienen dudas diagnósticas con cier­tos grupos celulares. Por lo anterior, el método propuesto puede ser fácilmente aplicado en la po­blación general cuando el citopatólogo tenga du­das puntuales con determinados elementos celu­lares escamosos. De esta manera, se concluye que las características obtenidas presentaron coherencia con las estipuladas por la literatura internacional.
AGRADECIMIENTOS
Los autores desean expresar sus agradecimientos a la Universidad Industrial de Santander y a la Univer­sidad Autónoma de Bucaramanga.
BIBLIOGRAFÍA
Alfaro, L.; García, M.; Puras, A. M. 2001. Manual de telepato­logía. Pamplona: Sociedad Española de Anatomía Pa­tológica. 249.
Bibbo, M. 1996. Comprehensive Cytopathology. Second edi-tion. W. B. Saunders.
Castleman, K. 1996. Digital Image Processing. UpperSaddle River, NJ: Prentice Hall. 667.
Corredor, M. 2000. Principios de inteligencia artificial & siste­mas expertos. Universidad Industrial de Santander: 88.
Demuth, H.; Beale, M. 1997. Neural Network Toolbox. User's guide. The Mathworks Inc. 700.
Dougherty, E. R. 1993. Mathematical Morphology in Image Processing. Marcel Dekker Inc. 529.
Giménez, M.; J. A.; Sanz M., P.; Alfaro T., J.; Hörndler, C.; Urbiola M., E. 2002. Evaluación de dispositivos automa­tizados para diagnóstico citológico en la prevención del cáncer de cérvix. Rev. Esp. Patol. 35(3): 301-314.
González, R. C.; Woods, R. E. 1996. Tratamiento digital de imágenes. Addison Wesley/Díaz de Santos. 773.
Gualdrón, O.; Sánchez, J.; Sotaquirá, M.; Vargas, C. 2001. Obtención de cariotipos mediante procesamiento de imágenes. Bucaramanga, Colombia: Universidad Industrial de Santander. 78.
Hudson, D. L.; Cohen, M. 1999. Neural Networks an Artificial Intelligence for Biomedical Engineering. New York: IEEE Press Series in Biomedical Engineering. 305.
Hussain, Z. 1991. Digital Image Processing. Ellis Horwood. 406.
Jacobson, I.; Booch, G.; Rumbaugh, J. 2001. El proceso unifi­cado de desarrollo de software. Editorial Addison Wes-ley. 438.
Jain, A. K. 1989. Fundamentals of Digital Image Processing. Prentice Hall. 569.
Mendoza, A.; Tristancho, L.; Castrillón, L.; García, E.; Sues-cún, P. 1995. Diseño e implementación de un sistema de software de visión artificial para el reconocimiento del grado de avance del cáncer en células de muestras citológicas del cérvix uterino basado en el criterio del agrandamiento del núcleo. Bucaramanga, Colombia: Universidad Industrial de Santander. 120.
45
Rev. Colomb. Biotecnol. Vol. VII No. 2 Diciembre 2005 35-46
Mendoza, A.; Tristancho, L.; Castrillón, L.; García, E. 2001. Diagnosis 1.0 Software para la extracción de paráme­tros de células del cérvix uterino a través del procesa­miento digital de imágenes. Revista de la Facultad de Ingenierías Fisicomecánicas. 1(1): 27-33.
Osorio, G.; Sossa, Y. 2001. Caracterización de células del epi­telio escamoso del cérvix. Manizales, Colombia: Univer­sidad Nacional de Colombia. 165.
Pundel, J.; Lichtfus, C. 1956. La pycnose nucleiredescellu-les vaginales. Bull Soc R Belge Gynecol Onstet. 26: 630.
Solomon, D.; Davey, D.; Kurman, R.; Moriarty, A.; O'Connor, D.; Prey, M.; Raab, S.; Sherman, M.; Wilbur, D.; Wright, T. Jr.; Young, N. 2002. Forum Group Members; Bethes­da 2001 Workshop. The 2001 Bethesda System: Termi-nology for reporting results of cervical cytology. JAMA. 287:2114-9.
The Mathworks Inc. 2003. Image Processing Toolbox. User's guide. 831.
Universidad Autónoma de Bucaramanga. 2002. Registro po-blacional de cáncer del área metropolitana de Bucara-manga. 2000-2001.
46