Improvement, Classification and Interpretation of Cancer Histological Images using Probabilistic Models

Resumen

Las imágenes histopatológicas son una herramienta ampliamente utilizada para el diagnostico del cáncer y otras enfermedades. También son utilizadas en sistemas de diagnostico asistido por computador (CAD por sus siglas en ingles). Estos sistemas han obtenido resultados muy prometedores en el diagnostico automático del cáncer y otras enfermedades. Sin embargo, las imágenes obtenidas en distintos laboratorios presentan diferencias, debido al proceso de adquisición, que dificultan el uso de técnicas de inteligencia artificial. De estas diferencias, la variación de color se suele considerar el mayor problema cuando se trabaja con imágenes de distintos centros. Una solución precisa del problema de la variación de color requiere tener en cuenta el proceso de adquisición de las imágenes histopatológicas y, en concreto, el proceso de tinción con dos o mas tinciones. Las técnicas de deconvolución ciega de color (BCD, por sus siglas en ingles Blind Color Deconvolution) utilizan un modelo de observación que tiene en cuenta este proceso y permite separar las tinciones que aparecen mezcladas en la imagen observada, separando además el color de la de estructura de las tinciones. En esta tesis se estudian la modelización e inferencia Bayesianas y su aplicación a BCD. Con la aproximación propuesta, es posible combinar conocimiento a priori, el modelo de observación y la evidencia que proporcionan los datos, y obtener así distribuciones a posteriori robustas y de gran calidad que pueden utilizarse para reducir la variación de color. Se han propuesto tres modelos Bayesianos diferentes para la deconvolución de color de imágenes histológicas: El primero utiliza un marco de trabajo basado en la función de Variación Total (TV), el segundo utiliza distribuciones a priori de la familia super Gaussiana y por ´ultimo un modelo basado en descomposición Bayesiana en K-valores singulares. Los modelos propuestos se han aplicado a la separación de tinciones, la normalización de color, el aumento de datos y la clasificación de varios tipos de cáncer. Se incluyen en esta tesis dos contribuciones adicionales: la mejora de imágenes multiespectrales tomadas por satélite y la detección de anomalías en redes de ordenadores. Ambas se benefician también del uso de la modelización e inferencia Bayesianas. Además, se presentan tres publicaciones en las que se ha colaborado pero que no se consideran parte del compendio presentado para obtener el título de doctor: una revisión sobre el procesado de imágenes histológicas, un trabajo de detección de sangre usando BCD y otro sobre BCD variacional profundo. Esta tesis obtuvo el primer premio de la universidad de Granada en el concurso Tesis en 3 Minutos (3MT), y representó a la universidad en el concurso internacional del grupo Coimbra en 2021.