Predicción de patrones de navegación en mega-imágenes histopatológicas
Author
Type
Trabajo de grado - Maestría
Document language
EspañolPublication Date
2011-05-18Metadata
Show full item recordSummary
La microscopía virtual puede mejorar el trabajo rutinario de los laboratorios patológicos modernos. Este objetivo ha sido severamente limitado por la gran cantidad de información contenida en las laminas histopatológicas virtuales. La adopción de técnicas para mejorar la eficiencia durante la navegación de mega-imágenes ha mostrado ser útil para reducir los tiempos de respuesta en sistemas de microscopía virtual. Este trabajo presenta un enfoque novedoso para predecir patrones de navegación en laminas histopatológicas virtuales durante tareas de evaluación diagnosticas realizadas por patólogos. A partir de la selección de imágenes de ejemplos positivos (objetivo) y negativos (distractor) realizada por el patólogo, el método construye un mapa asignando relevancia a cada una de las regiones de la mega-imagen. Durante la evaluación de la identificación de relevancia, se encontró que el método desarrollado presento medidas promedio de precisión (55 %) y de promedio de recall (38 %) en el conjunto de datos utilizado, superando otras técnicas para detectar regiones de interés basadas en modelos computacionales de atención visual (Modelo Itti). La información contenida en el mapa de relevancia mostro una capacidad predictiva útil para la formulación de estrategias optimas de navegación, superando estrategias tradicionales en algunas de las situaciones analizadas en el presente trabajo. / Abstract. Virtual microscopy can improve the work ow of modern pathology laboratories, a goal limited by the large size of the virtual slides (VS). Lately some strategies to accelerate the navigation performance in large images has reduced the time. This work presents a novel method for predicting navigation patterns in VS during diagnostic tasks performed by pathologists. By selecting positive and negative image examples, the method constructs a map that assigns relevance to each image region. The evaluation of the regions of interest through Precision-recall measurements, calculated at each step of any actual navigation, obtained an average precision of 55% and a recall of about 38% when using the available set of navigations, outperforming other techniques based on computational models of visual attention that identify regions of interest. The predictive capability of the elevancy map was useful in the formulation of strategies to improve navigation.Keywords
Collections
This work is licensed under a Creative Commons Reconocimiento-NoComercial 4.0.This document has been deposited by the author (s) under the following certificate of deposit