Tinción digital en imágenes microscópicas multiespectrales. Aplicación a la identificación del cáncer de mama

Abstract

[Resumen] El propósito de este trabajo es la clasificación de tejido mamario sin tinción que permita discriminar muestras tumorales de no tumorales. Para ello se utilizan técnicas de aprendizaje profundo e imágenes multiespectrales (MSI) adquiridas con diferentes longitudes de onda, desde 425 nm hasta 700 nm y paso espectral de 4 nm. El trabajo realizado contempla un análisis para determinar si las diferentes bandas espectrales proporcionan información adicional a la que se consigue con imágenes adquiridas con cámaras comunes. Como resultado del trabajo se obtiene el modelo de clasificación con MSI que proporciona la tasa de acierto más próxima a los modelos de clasificación que emplean imágenes con tinción. Además, se han implementado varios métodos de tinción digital aplicando técnicas de aprendizaje profundo. La tinción virtual se realizaría posteriormente a la clasificación para corroborar visualmente los resultados, permitiendo avanzar en el análisis espectral a nivel celular y tisular.

[Abstract] The purpose of this work is the classification of non-stained breast tissue to discriminate between tumour and non-tumour samples. This is achieved using deep learning techniques and multispectral imaging (MSI), acquired with different wavelengths, from 425 nm to 700 nm and a spectral step of 4 nm. An analysis was performed to determine whether the different spectral bands to provide additional information with respect to images acquired with ordinary cameras. As a result, it has been identified the classification model implemented with MSI that obtains the closest hit rate to the stained sample image classification model. In addition, several digital staining methods have been implemented by applying deep learning techniques. Virtual staining would be performed after classification to corroborate the results, allowing to advance in the analysis of structural interactions at the cellular and tissue levels.