Ponente
Descripción
En el ámbito de la biología, la redundancia de determinadas características morfológicas, como masas, túbulos y vesículas, ha impulsado el desarrollo de algoritmos automatizados para la detección y segmentación de objetos, diseñados específicamente para identificar estos patrones. La curvilinealidad constituye una de estas morfologías recurrentes. Las estructuras curvilíneas se encuentran ubicuas en biología, desde los filamentos del citoesqueleto hasta las complejas redes neuronales (Yeh, H. (1979). Modeling of biological tree structures. Bulletin of Mathematical Biology 41, 893–898). En muchos escenarios, el tamaño y la forma de esta estructuras codifican información funcional relevante (Koehl, M. (1996). When does morphology matter? Annual Review of Ecology and Systematics 27, 501–542). Por otro lado, los diferentes métodos de adquisición de imágenes, junto con las variadas propiedades estructurales de las muestras biológicas, producen imágenes con características intrínsecamente distintas. Estas diferencias han restringido la adopción y el uso generalizado de métodos genéricos en el procesamiento y análisis de imágenes. En consecuencia, los investigadores han tenido que desarrollar soluciones específicas para cada proyecto. Por lo tanto, uno de los principales enfoques en el procesamiento de imágenes en biología y biomedicina es la automatización de la segmentación y el trazado de estructuras curvilíneas.
En este trabajo presentamos un pipeline automatizado en Python para segmentar estructuras curvilíneas, asignando una medida de linealidad a cada píxel a partir de los valores propios de la matriz Hessiana modificada. Para reducir los falsos positivos, calculamos la dirección de la línea mediante un filtro de derivada orientada de barra (Oriented Derivative of Stick, ODoS)(Yuanyuan Peng & Changyan Xiao. (2018).
An oriented derivative of stick filter and post-processing segmentation algorithms for pulmonary fissure detection in CT images,
Biomedical Signal Processing and Control 43, 278-288). Incorporar la dirección de la línea permite diferenciar entre píxeles pertenecientes a estructuras curvilíneas y aquellos con baja linealidad debido al ruido.
El algoritmo se evaluó en imágenes de diversos contextos biológicos y biomédicos, como axones, vasos sanguíneos de la retina, venación de alas de insectos y filamentos, así como en aplicaciones industriales, incluyendo la segmentación de grietas y fisuras. En todos los casos, alcanzó una precisión superior al 90%.
Nuestra propuesta demostró ser precisa y aplicable a una amplia variedad de imágenes biológicas e industriales, lo que reduce la necesidad de desarrollar herramientas específicas para cada caso.